在谷歌地球引擎平台中使用多光谱的Sentinel-2和MODIS图像产品进行土地覆盖的自动绘制

科学领域:

• 遥感 遥感 遥感 遥感
• 地理信息系统 (GIS) 是指地理信息系统.
• 环境科学 环境科学

背景情况:

• 监督的土地覆盖分类方法经常受到样本规模不足和样本混的影响,限制了它们的准确性.
• 现有的土地覆盖地图绘制技术需要大量的手工工作来训练数据收集和标签.
• 需要有效和准确的方法来产生大规模的,可靠的训练数据集,以进行遥感分类是至关重要的.

研究的目的:

• 评估新型自动化方法的准确性,用于标记和收集用于土地覆盖地图的培训样本.
• 开发和验证一个工作流程,使用Google Earth Engine (GEE) 和Sentinel-2图像生成一个大而可靠的训练数据集.
• 使用自动生成的数据集,比较分类和回归树 (CART),随机森林 (RF) 和支持矢量机 (SVM) 分类器的性能.

主要方法:

• 利用谷歌地球引擎 (GEE) 来自动从Sentinel-2多谱图像中提取训练数据集,利用现有的MODIS土地覆盖产品.
• 实施了一种质量控制过程,涉及光谱中心体和欧几里德距离计算,以在500米MODIS像素范围内选择均的20米Sentinel-2像素,删除异质样本.
• 将CART,RF和SVM分类器应用于生成的培训数据集,然后使用用户和生产者的准确性,整体准确性和kappa系数进行准确性评估.

主要成果:

• 确定的主要土地覆盖类型是常青宽叶森林,混合森林,木质沙瓦纳和农田.
• 在没有密集计算的情况下,分类和回归树 (CART) 分类器实现了较高的正确分类像素数量,而不是RF和SVM.
• 卡特表现出卓越的性能,具有最佳的用户精度,生产者精度,整体精度和kappa系数,表明其适用于自动化工作流程.

结论:

• 拟议的自动化方法有效地生成大量可靠和准确的训练样本,以便及时地绘制土地覆盖的地图.
• 卡特分类器更适合这种自动化工作流程,为研究区域提供比RF和SVM更好的准确度指标.
• 这种方法对通过克服传统数据采集挑战来推进大规模土地覆盖地图计划具有重大前景.