耦合时序特征的林分类型遥感识别.pdf
《耦合时序特征的林分类型遥感识别.pdf》由会员分享,可在线阅读,更多相关《耦合时序特征的林分类型遥感识别.pdf(14页珍藏版)》请在咨信网上搜索。
1、DOI:10.12171/j.10001522.20230093耦合时序特征的林分类型遥感识别高雨珊1彭道黎1张楠1杨鹏辉1杨灿灿1,2陈铭捷1陈健3(1.北京林业大学森林资源和环境管理国家林草局重点实验室,北京100083;2.滁州学院地理信息与旅游学院,安徽滁州239000;3.国家林业和草原局调查规划设计院,北京100714)摘要:【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合 Sentinel-2 光谱特征和时间序列特征、Sentinel-1 雷达后向散射特征和 SRTMDEM 地形特征在
2、GoogleEarthEngine 中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】(1)使用 Sentinel-2 时间序列光谱特征、Sentinel-1 雷达后向散射特征和SRTMDEM 地形特征的方案分类效果最好,总体精度为 84.62%,Kappa 系数为 0.82;(2)在构建的 5 个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;(3)地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段 B11 和 B12 最重要,时间序列特征
3、中 4 月份和 10 月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和 Sentinel-2 时间序列特征可以作为光谱特征的有效辅助特征变量提高分类精度,使林分类型识别更为准确,尤其是时间序列特征在提高林分类型识别精度上有突出作用。关键词:Sentinel-2;Sentinel-1;随机森林;GoogleEarthEngine(GEE);时间序列特征中图分类号:S771.8文献标志码:A文章编号:10001522(2024)01006814引文格式:高雨珊,彭道黎,张楠,等.耦合时序特征的林分类型遥感识别 J.北京林业
4、大学学报,2024,46(1):6881.GaoYushan,PengDaoli,ZhangNan,etal.RemotesensingclassificationofstandtypecoupledwithtimeseriesfeaturesJ.JournalofBeijingForestryUniversity,2024,46(1):6881.Remote sensing classification of stand type coupled with time series featuresGaoYushan1PengDaoli1ZhangNan1YangPenghui1YangCan
5、can1,2ChenMingjie1ChenJian3(1.KeyLaboratoryofForestResources&EnvironmentalManagementofNationalForestryandGrasslandAdministration,BeijingForestryUniversity,Beijing100083,China;2.SchoolofGeographicInformationandTourism,ChuzhouUniversity,Chuzhou239000,Anhui,China;3.AcademyofInventoryandPlanning,Nationa
6、lForestryandGrasslandAdministration,Beijing100714,China)Abstract:ObjectiveThispaperaimstocombinemulti-sourceremotesensingdataforfeatureextractiontodeterminethemosteffectiveclassificationstrategy.Additionally,weinvestigatedthesignificanceoftimeseriesfeaturesinidentifyingforesttypes,offeringatechnical
7、approachforremotesensing-basedforesttypeidentification.MethodThisstudycombinedSentinel-2spectralfeatures,timeseriesfeatures,Sentinel-1radarbackscatterfeatures,andSRTMDEMterrainfeaturestoextractvariousfeaturevariablesusingGoogleEarth Engine.Multiple feature combinations were constructed and classifie
8、d using the random forestclassifier.Subsequently,mapping output and accuracy evaluations were performed on the resultingclassifications.Result(1)TheschemethatincorporatesSentinel-2timeseriesfeatures,Sentinel-1radar收稿日期:20230425修回日期:20230921基金项目:“十三五”国家重点研发计划(2016YFD0600205),安徽省高等学校科学研究重大项目(2023AH040
9、217)。第一作者:高雨珊。主要研究方向:林业遥感与信息技术。Email:地址:100083北京市海淀区清华东路 35 号北京林业大学林学院。责任作者:彭道黎,教授,博士生导师。主要研究方向:森林资源监测与评价。Email:地址:同上。本刊网址:http:/;http:/第46卷第1期北京林业大学学报Vol.46,No.12024年1月JOURNALOFBEIJINGFORESTRYUNIVERSITYJan.,2024backscatter features,and SRTM DEM terrain features exhibited the highest classification
10、accuracy,achievinganoverallaccuracyof84.62%andaKappacoefficientof0.82.(2)Amongthefiveconstructedfeaturecombinationschemes,themulti-featurecombinationschemedemonstratedsuperiorclassificationperformancecomparedwithindividualfeature.(3)Terrainfeatures,radarbackscatterfeatures,andtimeseriesfeaturessigni
11、ficantlyinfluencedtheclassificationresults.Theinclusionoftimeseriesfeaturesnotablyenhancedtheaccuracyofforesttypeidentification.Amongthespectralfeatures,theshortwaveinfraredbandsB11andB12werethemostcritical,whileAprilandOctoberwereidentifiedasthemostimportanttimenodeswithinthetimeseriesfeatures.Conc
12、lusionThemulti-featureclassificationscheme,whichcombinesdatafromvariousremotesensingsources,isprovedtobeeffectiveinaccuratelyidentifyingforesttypesinthestudyarea.SRTMDEMterrainfeatures,Sentinel-1radarbackscatterfeatures,andSentinel-2timeseriesfeaturesserveasvaluablecomplementaryindicatorstospectralf
13、eatures,enhancingclassificationaccuracy.Timeseriesfeatures,inparticular,playasignificantroleinimprovingtheaccuracyofforesttypeidentification.Key words:Sentinel-2;Sentinel-1;randomforest;GoogleEarthEngine(GEE);timeseriesfeature森林是陆地生态系统的重要组成部分,对维持二氧化碳平衡、生物多样性和生态平衡具有决定性作用。林分类型识别是监测森林生物多样性的直接手段,在生态变化评估
14、和其他森林应用中发挥着至关重要的作用1。传统的林业资源调查方法是人工野外调查,该方法工作量大,效率较低,时效性难以满足实际需求2。而遥感技术具有宏观性、综合性、快速且不受地面条件限制等诸多优点,在林地类型识别领域中已经逐渐被广泛应用3。遥感影像分类根据其是否具有先验知识分为监督与非监督分类两大类4,监督分类方法又可分为参数方法和非参数方法。其中非参数方法中的支持向量机(supportvectormachines,SVM)和随机森林(randomforest,RF)算法相对其他算法表现更优,分类精度相对更高,因此被广泛应用于机器学习分类研究中5。当前用于林分类型识别的遥感数据源众多,如多光谱6、
15、高光谱7、合成孔径雷达8、激光雷达9等,但高光谱和激光雷达数据成本高昂,因此应用受到限制。Sentinel-2 丰富的光谱信息对叶绿素含量和物候期都很敏感10,能够有效进行林分类型的划分11。合成孔径雷达数据成像机理和光学传感器不同,能够描绘林层结构且不受天气影响,因此可以作为光学传感器的有效补充12。但总体而言,综合 Sentinel-1和 Sentinel-2 多为农作物分类和湿地测绘,协同光学信息和雷达信息进行林分类型识别的研究仍不多见。目前进行林分类型识别所应用的主要特征变量有光谱特征、后向散射特征、时间序列特征以及DEM 等其他辅助地学特征。光谱特征主要包括遥感影像原本的波段特征及衍
16、生的植被指数特征,后向散射系数则是雷达传感器特有的特征。黄翀等13在对东南亚人工林的识别中发现加入 Sentinel-1 后向散射特征后可有效提高人工林树种间的区分度。Mngadi 等12使用 Sentinel-1 提取的后向散射特征协同 Sentinel-2 进行林分树种识别,发现 VV 和 VH 两个特征能将 Kappa 系数从 0.81 分别提升至 0.83 和0.85。与单时相遥感影像相比,多时相影像更能反映不同树种的物候特征,进而提高林分类型识别精度14。程丽娜等15构建了密集时间序列的 Sentinel-2 影像堆栈对潮间带湿地进行分类,总体分类精度高达 96.5%,Kappa 系
17、数达 0.95。此外,环境因素是植物生长和树种组成的重要决定因素,经常作为辅助预测因子被添加在模型中16。综合多种特征类型信息能够在一定程度上改善单一类型特征造成的分类精度较低和分类结果破碎化的现象,但不同特征类型的加入如何影响各林分类型的分类精度,也是目前亟待研究的问题。综上,本研究以 Sentinel-2 数据、Sentinel-1 数据和 DEM 数据为数据源,进行光谱特征、时间序列光谱特征、后向散射特征和地形特征的提取,基于GEE 云平台使用随机森林分类器进行林分类型识别研究。为研究不同特征变量对分类结果的影响,共设计 5 个分类组合方案分别进行分类及分类结果制图并分别进行精度评价,旨
18、在探究不同数据源、不同特征组合及随机森林分类器在林分类型识别中的作用,为多源遥感数据在林分类型识别中的应用提供科学的分析依据。1研究区概况与数据1.1 研究区概况研究区位于内蒙古呼伦贝尔市巴林林场(481535485230N,12131001223930E),属大兴安岭中低山地貌,地势呈西高东低、北高南第1期高雨珊等:耦合时序特征的林分类型遥感识别69低,平均海拔高 650m,坡度约为 15,属中温带大陆亚湿润气候区,大陆性季风气候,季节变化明显,年平均气温10.1,年平均降雨量 416mm,地带性土壤主要有暗棕壤、灰色森林土和棕色针叶林土。林场内林地面积 272493.3hm2,森林覆盖率为
19、83.77%。植被类型呈多样性,由东西伯利亚植物区系、满洲里植物区系、蒙古植物区系、华北植物区系等交错构成。乔木树种主要有落叶松(Larixgmelinii)、白桦(Betula platyphylla)、山杨(Populusdavidiana)、蒙 古 栎(Quercus mongolica)、黑 桦(Betula dahurica)、旱柳(Salix matsudana)等;下木有榛子(Corylus chinensis)、山杏(Armeniaca sibirica)、胡枝子(Lespedeza bicolor)、兴安杜鹃(Rhododendrondauricum)、越桔(Vacciniu
20、m vitis-idaea)等。草本植物以禾本科披碱草属(Elymus)、羊茅属(Festuca)、针茅属(Stipa)分布较多,低洼地区以莎草(Cyperus)分 布 居 多,山 黧 豆(Lathyrus sativus)、萎 陵 菜(Potentilla chinensis)、地榆(Sanguisorba officinalis)等植物分布区域广泛。研究区的地理位置与地形如图 1 所示。1.2 遥感数据源及预处理1.2.1遥感数据源本研究共使用了 Sentinel-2、Sentinel-1 和 NASASRTMDigitalElevation30m3 种遥感数据源,所有数据均在 GEE 中
21、下载和处理。Sentinel-2 包含 A 和B 两颗卫星,单颗卫星重访周期为 10d,两颗卫星同时运行重访周期为 5d,Sentinel-2 卫星最高空间分辨率为 10m,具有 13 个波段。根据影像的大气校正状态不同,Sentinel-2 数据分为 L1C 和 L2A 两个级别。L1C 级数据是未经大气校正的大气表观反射率(top-of-atmospherereflectance,TOA)产品,而 L2A级数据是经过大气校正的大气底层反射率(bottom-of-atmospherecorrectedreflectance,BOA)数据。本研究中使用 Sentinel-2L2A 级数据为分类
22、的主要数据源。Sentinel-1 是欧空局发射的首颗对地观测雷达遥感卫星,具备全天时和全天候的雷达成像系统,重访周期为 12d,空间分辨率为 10m。本研究使用Sentinel-1 的 Level-1 级产品,即 GRD(groundrangedetected)数据进行后向散射特征的提取。该数据集已在干涉宽幅模式下进行了预处理,如去噪声、辐射和地形校正等。数字高程模型(digitalelevationmodel,DEM)使用 NASA 提供的 SRTM(shuttleradartopographymission)V3 产品,该数据集空间分辨率为 30m,并使用多种其他 DEM 源(ASTER
23、GDEM2、GMTED2010 和 NED)进行空白填充,在 GEE 中多用此数据集来提取地形特征因子。为保证各遥感数据源空间分辨率一致性,便于后续分类及制图输出,在 GEE 中对 Sentinel-1 数据和 Sentinel-2 数据进行重采样至 30m,与 SRTM 数据的空间分辨率一致。1.2.2遥感数据预处理为便于后续进行特征变量的提取,需要对导入的各数据源进行预处理。在 GEE 中,使用内置的函数根据影像覆盖位置、云量和时间 3 个变量对各影像集合进行过滤。3 种数据源的覆盖位置选择为研究区巴林林场,云量选择提取研究区中云遮挡区域小于 30%的影像。在时间范围的选择上,由于要探究时
24、间序列特征对树种分类的影响,因此采用了两种时间过滤方式进行过滤。一是筛选覆盖研究树种海拔 Elevation/m12220E12200E12140E4900N4840N4820N01020304050 km51 472NSWE326研究区Study area图1研究区地理位置与地形图Fig.1Geographicallocationandtopographicmapofthestudyarea70北京林业大学学报第46卷生长季的 410 月份影像用于提取光谱特征、后向散射特征和地形特征;二是对 Sentinel-2 影像数据集单独构建 410 月每个月单独的月度合成影像提取时间序列特征。两种时
25、间范围均采用均值合成函数合成最终影像。1.3 地面样本与验证数据样本质量直接关系到林地信息提取的精度,应选择具有典型性、代表性的纯净像元作为样本。本研究的样本数据包括以下两种类型的样本数据:巴林林场森林资源规划设计调查数据及基于 GoogleEarthPro 进行目视解译的样本点。二类调查时间为2016 年 56 月,调查小班数量 3 万多个,调查内容包括有 3 大类:(1)林分因子,如优势树种(组)、起源、龄组、郁闭度等;(2)林木因子,如样木编号、立木类型、树种、胸径、树高、方位角、水平距等;(3)其他信息,如样地号、位置坐标、海拔、坡度、坡位、坡向、调查员、调查日期等。对林场树种信息进行
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 耦合 时序 特征 林分 类型 遥感 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。