在国际异质景观中的土地覆盖类型的自动绘制,使用Sentinel-2图像与辅助地理空间数据

科学领域:

• 地球观测 地球观测
• 机器学习 机器学习
• 遥感 遥感 遥感 遥感

背景情况:

• 现有的土地覆盖分类方法通常需要广泛的时间序列卫星图像和复杂的模型.
• 在使用稀疏的时间数据进行土地覆盖地图的自动化培训数据生成方面存在差距.

研究的目的:

• 开发和评估使用浅层机器学习和低密度时间序列图像进行自动化土地覆盖分类的框架.
• 从有限的Sentinel-2数据生成准确的训练数据,用于土地覆盖面的绘制.

主要方法:

• 在七个国际地点利用了两次Sentinel-2图像日期 (冬季和非冬季).
• 使用光谱,纹理和距离决策函数与辅助数据相结合,创建用于训练数据生成的二进制面具.
• 应用随机森林分类器,逐步调整值,并评估全球和区域适应值,包括使用NDVI复合材料进行时间校正.

主要成果:

• 与全球值相比,区域适应值提高了九类 (73.1%),六类 (82.8%) 和五类 (85.1%) 计划的土地覆盖分类准确度.
• 暂时纠正的模型进一步提高了准确性,特别是对于五类方案 (85.1%).
• 开发的五级和六级模型的准确性与手动标记的深度学习模型 (Esri) 相当.

结论:

• 使用浅层机器学习与低密度时间序列图像实现自动化培训数据生成和土地覆盖分类的近全球框架是可行的.
• 该方法提供了准确的土地覆盖地图,而不需要完整的年度时间序列,提供了计算效率高的替代方案.
• 结果突出了浅层机器学习方法在不同地区强大的土地覆盖地图绘制方面的潜力.