影像的土地覆被快速分类

发布时间：2021-07-11 00:38

　　精确的土地覆盖信息是进行碳循环、气候变化监测、土壤退化等相关科学研究的基础。随着云计算技术的不断成熟,一些高效算法与平台被不断提出,用来充分挖掘遥感数据所包含的海量信息。基于Google Earth Engine（GEE）云平台,利用随机森林监督分类法对1990、2000、2010、2017年的山西省土地覆被进行了分类。参考Google Earth高清影像选择的1 580个样本点,对分类结果进行了验证;同时将分类结果与CNLUCC、GlobeLand30、FROM-GLC等现有土地覆被分类产品进行比较。验证和对比发现时间序列分类结果的总体精度达到86%～94%,比同期单时相分类总体精度提高了5%～10%;本文时间序列结果达到了CNLUCC、GlobeLand30、FROM-GLC等产品的分类精度。结果表明:①在快速准确土地覆被分类方面,时间序列影像与云平台结合,显示出时效性强、时间周期短、成本低等优势;②时间序列百分位数指标能有效地区分不同土地覆被类型的物候差别,在进行土地覆被分类方面显示出简单、易用、高效等特点。该方法对于深入研究大区域尺度的土地覆被变化过程具有重要的参考价值。 

【文章来源】：遥感技术与应用. 2020,35(02)北大核心CSCD

【文章页数】：11 页

【部分图文】：

样本点空间分布图

对应单时相影像的7个波段，每个样本点具有7个不同的波谱值，根据同一地类的所有样本点在同一波段的平均波谱值，绘制出各地类的样本波谱曲线。图2(a)～(d）依次展示的是样本数据在1990、2000、2010、2017年的样本波谱曲线。从图中可以看出，各地类的样本波谱曲线在四个年份是相似的，由此可知，样本数据的代表性是值得信赖的。3.1.2 样本百分位合成影像特征

图3中每一波段上不同地类的百分位特征曲线的差别来源于不同地类间的物候差异。例如，从band1和band2可以看出，耕地、草地和未利用地，其地表覆盖植被具有相似性，物候差异仅存在于耕地作物收割后或未利用地完全裸露期，因此3种地类在90%分位数上区别明显。从图3总体可以看出，综合利用各波段的百分位统计特征，可以有效地辨别每个地类的物候差异。3.2 分类结果

【参考文献】：
期刊论文
[1]基于GEE平台的1990年以来北京市土地变化格局及驱动机制分析[J]. 胡云锋,商令杰,张千力,王召海.  遥感技术与应用. 2018(04)
[2]Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 郝斌飞,韩旭军,马明国,刘一韬,李世卫.  遥感技术与应用. 2018(04)
[3]基于Google Earth Engine的京津冀2001～2015年植被覆盖变化与城镇扩张研究[J]. 张滔,唐宏.  遥感技术与应用. 2018(04)
[4]基于Google Earth Engine评估新疆西南部MODIS积雪产品[J]. 刘畅,李震,张平,田帮森,周建民.  遥感技术与应用. 2018(04)
[5]七套土地覆被数据在羌塘高原的精度评价[J]. 刘琼欢,张镱锂,刘林山,李兰晖,祁威.  地理研究. 2017(11)
[6]全球30m地表覆盖遥感数据产品-Globe Land30[J]. 陈军,廖安平,陈晋,彭舒,陈利军,张宏伟.  地理信息世界. 2017(01)
[7]首套全球30m分辨率土地覆被产品区域尺度精度评价——以河南省为例[J]. 黄亚博,廖顺宝.  地理研究. 2016(08)
[8]20世纪80年代以来中国土地利用变化的基本特征与空间格局（英文）[J]. 刘纪远,匡文慧,张增祥,徐新良,秦元伟,宁佳,周万村,张树文,李仁东,颜长珍,吴世新,史学正,江南,于东升,潘贤章,迟文峰.  Journal of Geographical Sciences. 2014(02)
[9]遥感地学智能图解模型支持下的土地覆盖/土地利用分类[J]. 骆剑承,周成虎,杨艳.  自然资源学报. 2001(02)



本文编号：3276975