GEE好文推荐——利用样本点迁移方法快速实现全球范围内1984年至今基于Landsat影像的土地分类

最近我新发表了一篇新的文章,也就是利用样本点迁移的方法来快速实现全球长时序快速土地分类,本文发布了应用APP,用户可以在线体验使用快速分类的效果。原文链接:Land | Free Full-Text | Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data

研究目标 

在本研究中,我们在 GEE 中实施了射频分类器,利用 Landsat-8 和 Sentinel-2 数据集对 2022 年植被生长季节的不同空间尺度进行了时间序列土地分类。我们的首要目标是利用多源遥感变量构建的不同土地分类模型,为时间序列数据集建立一个高效、准确和通用的土地分类模型,并根据未发生土地分类变化的样本点图像值差异,确定土地分类样本点和迁移阈值。我们的目标是 (1) 确定基于土地分类无变化的样点迁移阈值;(2) 根据阈值分析使用陆地卫星遥感图像和高精度哨兵图像的 36 年时间序列制作的土地分类模型的准确性;(3) 确定基于多源遥感变量不同组合的最佳射频土地分类模型,并比较图像分辨率对分类准确性的影响。 

摘要

长时间系列土地覆盖分类信息是对城市扩张、植被变化和碳循环等方面的科学研究的基础。云计算平台的快速发展,如谷歌地球引擎(GEE),以及从陆地卫星和哨兵-2中对多源卫星图像的访问,使机器学习算法在图像分类中的应用成为可能。在此,我们使用随机森林算法,基于从2022年获得的图像中选择固定的土地分类样本点,以及样本点的年光谱差异,快速实现不同尺度的时间序列土地覆盖分类。利用合成孔径雷达(SAR)和数字高程模型(DEM)等多源遥感数据,提高了分类精度。结果表明: (i)通过计算1986-2022年陆地卫星时间序列各波段的采样点,确定的无陆地等级变化的采样点的最大差值(阈值)为0.25;(ii)陆地卫星8中同一传感器的kappa系数和观测精度均高于TM和ETM+传感器数据的结果

文章流程图

数据集

Name

Earth Engine Snippet

Date

Resolution

Landsat 5

LANDSAT/LT05/C02/T1_L2

“1984-03-16”- “2012-05-05”

30 m

Landsat 7

LANDSAT/LE07/C02/T1_L2

"1999-05-28" -

30 m

Landsat 8

LANDSAT/LC08/C02/T1_L2

"2013-03-18"-

30 m

Sentinel 1

COPERNICUS/S1_GRD

"2014-10-03"-

10 m

Sentinel 2

COPERNICUS/S2

"2015-06-23" -

10 m

DEM

NASA/NASADEM_HGT/001

"2000-02-11"

30 m

 数据预处理过程

光学遥感图像的预处理包括图像拼接、去云、镶嵌和裁剪。其中,图像去云方法都是通过调用 Landsat 和 Sentinel-2 数据的 QA 质量波段并逐位操作掩码来去除云层和云影元素。图像的马赛克处理均采用中值法进行融合,进而分别得到 1986-2022 年的 Landsat 系列图像和 2019-2022 年的 Sentinel-2 植被生长季遥感图像。
哨兵-1 号偏振数据 GEE 正式经过了地距探测(GRD)边界噪声去除、热噪声去除、辐射校准和辐射校正等过程。本研究选择了适用于陆地表面遥感研究的干涉测量宽扫描(IW)模式下的 VV 和 VH 偏振波段。对 DEM 数据进行了重投影和重采样,以提取海拔、坡度和高程等变量作为地形因子,参与土地分类模型的构建。

多源遥感变量组合

Multi-source remote sensing image

Variable factors

Spectral Band

Blue, Green, Red, Nir, Swir1, Swir2

Spectral Index

NDVI, NDBI, NDWI, RVI, DVI

Terrain

Elevation, Slope, Aspect

SAR

HH, HV

 样本点迁移结果

Landsat长时序分析

利用 1986-2022 年的陆地卫星遥感影像进行土地覆被分类,样本点迁移阈值为 0.25,利用 OA 和 kappa 系数评估精度,并计算迁移样本点的数量。结果表明,在接近 2022 年固定土地分类的年份,图像的分类精度最高,而随着距离 2022 年初始土地分类样点年数的增加,kappa 系数与 OA 之间的差异变大。不过,总体土地分类精度仍然很高,1999 年的卡帕系数最低,为 0.60,OA 最低,为 0.75。分类样点数量随着 2022 年的增加而减少,迁移样点数据稳定在 900 个,约占原始样点数量的 60%。值得注意的是,Landsat TM/ETM 和 OIL 传感器技术之间的差异可以解释 1986 年研究开始至 2012 年期间结果精度较低的原因。 

Landsat和sentinel系列影像差异分析

为了验证本文在不同遥感影像中的普适性以及在复杂地形条件下的可重复性,我们选取了地形条件复杂的山西省霍东国家规划矿区作为研究区域,在2019-2022年哨兵-2高分辨率遥感影像的土地分类系统中增加了矿业类。通过对不同年份地类的各波段计数,分别评估了不同阈值范围(0.1 - 0.4)的土地覆被分类精度。结果表明,当训练样本点迁移的阈值设置在 0.20 - 0.30 范围内时,土地分类精度较高,且经过阈值筛选后的逐年土地分类样本点数保持在原样本点数的 70% 左右,可以较大程度地满足土地分类所需的样本点数。同时,2019-2021 年的卡帕系数稳定在 0.90 左右,OA 也均在 0.91 左右。

Threshold

Method

2019

2020

2021

Accuracy

Number of Samples

Accuracy

Number of Samples

Accuracy

Number of Samples

0.1

Kappa

0.333

19

0.639

56

0.582

11

OA

0.500

0.923

0.684

0.15

Kappa

0.707

108

0.644

160

0.867

70

OA

0.818

0.792

0.896

0.20

Kappa

0.829

560

0.910

681

0.935

556

OA

0.874

0.949

0.941

0.25

Kappa

0.884

863

0.886

956

0.914

901

OA

0.907

0.908

0.931

0.30

Kappa

0.901

1028

0.914

1094

0.870

1055

OA

0.919

0.931

0.910

0.35

Kappa

0.882

1112

0.921

1157

0.889

1132

OA

0.903

0.904

0.876

0.40

Kappa

0.846

1173

0.891

1193

0.926

1176

OA

0.875

0.905

0.893

 Landsat-8不同多源遥感组合的精度对比

多源遥感变量的组合提高了土地分类的模型精度,模型精度随着不同变量的增加而提高,尤其是光谱波段+指数+SAR+地物变量和地形的组合模型效果最好。以 2019 年为例,单一光谱波段的卡帕系数最终从 0.863 提高到光谱波段 + 指数 + 地形 + SAR 的 0.910,而样本变量组合的 OA 也从 0.888 提高到 0.927。此外,与 2022 年参与陆地分类精度相比,经过阈值筛选后的样点可以在选取过程中消除样点的误分类,因此 2019-2021 年陆地分类精度优于 2022 年陆地分类精度。 

Variable combinations

2019

2020

2021

2022

Kappa

OA

Kappa

OA

Kappa

OA

Kappa

OA

Spectral band

0.863

0.888

0.877

0.900

0.867

0.893

0.860

0.887

Spectral Band + Index

0.874

0.907

0.878

0.900

0.867

0.892

0.883

0.905

Spectral band + SAR

0.866

0.890

0.878

0.901

0.907

0.924

0.875

0.896

Spectral band + Index + SAR

0.903

0.915

0.913

0.929

0.896

0.916

0.900

0.915

Spectral band + index + Terrain + SAR

0.910

0.927

0.880

0.903

0.921

0.936

0.889

0.919

Sentinel-2不同多源遥感组合的精度对比

 不同变量组合下 Landsat-8 的土地分类精度(表 7;图 5)低于基于 Sentinel-2 图像的多源遥感土地分类精度。以 2022 年为例,光谱波段+指数+合成孔径雷达组合的土地分类精度最高,光谱波段+合成孔径雷达的模型组合优于光谱波段+指数。2019 年和 2020 年,全变量组合的准确率最高,而 2021 年和 2022 年的最佳变量组合是光谱波段 + 指数 + SAR。

Variable combinations

2019

2020

2021

2022

Kappa

OA

Kappa

OA

Kappa

OA

Kappa

OA

Spectral band

0.833

0.864

0.828

0.864

0.836

0.869

0.881

0.903

Spectral band + Index

0.837

0.868

0.835

0.866

0.851

0.879

0.828

0.861

Spectral band + SAR

0.848

0.877

0.870

0.896

0.846

0.876

0.882

0.903

Spectral band + Index + SAR

0.831

0.864

0.866

0.894

0.871

0.894

0.917

0.933

Spectral band + Index + Terrain + SAR

0.872

0.897

0.892

0.913

0.848

0.878

0.900

0.919

结论

使用 GEE 遥感云平台,利用大地遥感卫星 5 号、7 号、8 号和哨兵-2 号遥感图像进行了快速土地覆被分类,时间序列跨度达 36 年。采用单采样点迁移法生成省-区域尺度和采矿作业尺度的时间序列土地覆被分类图。最终样本点迁移阈值为 0.25,对应于分类的无变化。用于射频机器学习算法参数化的多源遥感变量的最佳组合是:Landsat 8 和 Sentinel-2 生成数据的光谱波段+指数+地形+合成孔径雷达。射频模型使用大地遥感卫星 8 号数据绘制的 2022 年分类图精度最高,OA 值为 0.90,Kappa 系数为 0.919。我们的分析表明,使用空间和时间分辨率更高的图像可以获得更高的精度。通过对低分辨率遥感图像的整理和机器学习技术的进一步工作,将能对全球范围内长时间序列的土地覆被分类图进行评估。随着传感器技术的发展,我们预计土地覆被分类的准确性将继续提高,从而能够在未来识别尚未考虑的土地覆被类别。

快速土地分类APP

APP链接

Land classification of Landsat imagery

程序简介该程序主要通过一年土地分类的固定样点,选择 1984 年至今任意年份的影像(landsat 5 / 7 / 8 / 9 SR),按照随机森林算法进行不同年份的土地分类。

1.使用地图工具栏左上角的绘图工具(可选择矩形和多边形)选择指定的研究区域。2.选择当年采样点的图像时间,加载图像,并在真彩图像上选择点。3.根据地图工具左侧的几何图形导入,选择指定的土地分类样点分类标签,通过工具删除原点,选择指定的研究区域,重新启动指定区域内不同土地分类的样点。如果研究区域内没有此类地类,则可以忽略。4. 选择要分类的图像时间范围。5.根据 Threshold 复选框选择图像阈值。6. 根据时间选择不同的图像集,加载指定时间范围内的土地分类结果。 

 选择采样的时间

这里我们首先要进行样本点土地分类的采集,首先选择特定时间的影像,然后在影像上选择所需分类的样本点,这里要在选择样本点的时候,选择我们需要选择指定的样本点图层来进行,也就是GEEAPP界面种的左上角的不同样本点图层。

选择影像和快速分类

 这里我们需要进行指定年份和影像,注意时间要和你选择的Landsat系列影像一致。

最终分类后的结果

2023年

2022年 

 迁移的样本点

 文章引用

MDPI and ACS Style

Yan, X.; Li, J.; Smith, A.R.; Yang, D.; Ma, T.; Su, Y. Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data. Land 202312, 2149. https://doi.org/10.3390/land12122149

AMA Style

Yan X, Li J, Smith AR, Yang D, Ma T, Su Y. Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data. Land. 2023; 12(12):2149. https://doi.org/10.3390/land12122149

Chicago/Turabian Style

Yan, Xingguang, Jing Li, Andrew R. Smith, Di Yang, Tianyue Ma, and Yiting Su. 2023. "Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data" Land 12, no. 12: 2149. https://doi.org/10.3390/land12122149

  • 37
    点赞
  • 36
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 29
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 29
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

此星光明

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值