Land cover classification combined with fractional vegetation cover
-
摘要:基于Landsat 8 OLI反射率数据，结合定量遥感反演植被覆盖度（fractional vegetation cover, FVC）提取的植被物候特征数据，对比了神经网络、支持向量机和随机森林3种土地覆盖分类方法．结果表明：随机森林分类方法具有较好的结果，反射率结合植被特征数据的分类方法的总体精度为85.52%，Kappa系数为0.8212，比仅用反射率的土地覆盖分类总体精度提高了3.45百分点，Kappa系数提高0.0429；植被覆盖度提取的植被特征数据能有效改善耕地、草地和裸地的制图精度和用户精度，对林地与水体的用户精度分别提高了7.79百分点与1.81百分点，灌木与人造地表的制图精度分别提升了7.69百分点与0.59百分点．整体来看，结合植被覆盖度及其派生植被特征进行土地覆盖信息的提取，在简单易行的同时，为提高分类精度提供了有效支持．Abstract:Land cover is closely related to local ecological environment．Remote sensing technology can quickly and accurately extract ground feature information, and plays an important role in land cover classification．Singular classification data source, mixed pixels, few quantitative remote sensing products, all leave plenty room for further improvements in existing land cover classification methods, and in the accuracy of present classifications．Landsat 8 OLI reflectance data were combined with vegetation phenological feature data (extracted by quantitative remote sensing inversion of Fractional Vegetation Cover - FVC), and the existing three land cover classification methods of neural network, support vector machine and random forest were compared．The random forest classification method showed good results．The overall accuracy of the classification method combining reflectance with vegetation feature data is 85.52%, and the Kappa coefficient is 0.8212, 3.45pct higher than the overall accuracy of land cover classification using reflectance alone, and the Kappa coefficient is increased by 0.0429．The vegetation feature data extracted by vegetation coverage can effectively improve mapping accuracy and user accuracy of cultivated land, grassland and bare land．User accuracy of woodland and water bodies was found to have increased by 7.79pct and 1.81pct respectively．Mapping accuracy of shrubs and artificial ground was found to have increased by 7.69pct and 0.59pct, respectively．Overall, extraction of land cover information combined with vegetation coverage and derived vegetation characteristics provides effective support for improving classification accuracy while being simple and easy to implement．
-
Key words:
- land cover/
- fractional vegetation cover/
- random forest/
- accuracy analysis
-
图 3不同土地覆盖数据
a. 2017年 10 m FROM-GLC；b. 2000年 30 m GlobeLand；c. 2010年 30 m GlobeLand；d. 2020年 30 m GlobeLand.
图 6研究区植被覆盖度指数空间分布
a. ${F}_{{\rm{a}}}$指数数据，${F}_{{\rm{a}}}=\left({F}_{{\rm{AUG}}}+{F}_{{\rm{APR}}}\right)/2$；b. ${F}_{{\rm{b}}}$指数数据，${F}_{{\rm{b}}}=\left({F}_{{\rm{AUG}}}-{F}_{{\rm{APR}}}\right)/2$.
表 1样本点占比
土地覆盖
类型训练样本
像元验证样本
像元总样本
像元训练样本
占比/%验证样本
占比/%耕地 748 324 1072 69.78 30.22 林地 175 72 247 70.85 29.15 草地 180 74 254 70.87 29.13 灌木 158 65 223 70.85 29.15 水体 244 106 350 69.71 30.29 人造地表 402 172 574 70.03 29.97 裸地 489 202 644 70.77 29.23 总计 2396 968 3364 70.24 29.76 
下载:
导出CSV
表 2Landsat 8 OLI 2-7波段信息
波段 波长范围/µm 主要用途 2-蓝波段 0.45~0.52 水体穿透，分辨土壤和植被 3-绿波段 0.53~0.60 分辨植被 4-红波段 0.63~0.68 观测道路、裸土和植被种类等 5-近红外波段 0.85~0.89 植被信息提取 6-短波红外1 1.57~1.65 分辨道路，裸土和水 7-短波红外2 2.11~2.29 岩石、矿物和植被覆盖的
分辨能力很好下载:
导出CSV
表 34种分类精度评价指标
分类精度指标 公式 作用和意义 总体分类精度 ${O}={\displaystyle\sum _{i=1}^{k}{N}_{ii} }/{N}\times 100\text{%}$ 直接反映总体正确的比例，计算简单 Kappa系数 $k=\left({ {N}\displaystyle\sum _{i=1}^{k}{N}_{ii}-\displaystyle\sum _{i=1}^{k}{N}_{i+}{N}_{+i} }\right)\Big/\left({ {N}^{2}-\displaystyle\sum _{i=1}^{k}{N}_{i+}{N}_{+i} } \right)$ 用于一致性检验和衡量土地覆盖分类精度 制图精度 ${P}_{Ai}=\dfrac{ {N}_{ii} }{ {N}_{+i} }\times 100\text{%}$ 是制图者对分类精度的一个度量，
即实际分类与参考类一致性的程度用户精度 ${U}_{Ai}=\dfrac{ {N}_{ii} }{ {N}_{i+} }\times 100\text{%}$ 用户最感兴趣的一种分类精度的度量 式中：N代表总样本数；k代表总类别数；Nii代表被分到正确类别的样本数；N+i和Ni+是第i类的真实样本数和预测为第i类的样本数． 下载:
导出CSV
表 4不同土地覆盖分类数据中各土地类型在研究区占比
% 类型 FROM-GLC GlobeLand30 2000年 2010年 2020年 耕地 26.3765 35.0501 35.0448 36.3027 林地 0.3433 0 0 0.0005 草地 3.4592 2.8436 2.8439 1.7290 灌木 0.5456 6.8172 6.8208 6.2853 湿地 0.2210 0.0167 0.0164 0.0148 水体 1.3729 0.8527 0.8522 1.1261 人造地表 3.0736 0.6979 0.6971 1.0729 裸地 64.6080 53.7218 53.7248 53.4687 下载:
导出CSV
表 5不同组合分类数据在3种分类方法中的精度评价
分类数据 总体精度/% k 神经网络 支持向量机 随机森林 神经网络 支持向量机 随机森林 Landsat 8 OLI 77.73 80.49 82.07 0.7178 0.7577 0.7783 Landsat 8 OLI+FVC指数 79.11 80.99 85.52 0.7397 0.7638 0.8212 Landsat 8 OLI+NDVI+FVC指数 79.21 81.67 86.21 0.7381 0.7720 0.8293 下载:
导出CSV
表 6分类精度
% 地物类型 Landsat Landsat + FVC指数 制图精度 用户精度 制图精度 用户精度 耕地 76.23 81.25 80.25 88.14 林地 91.67 59.46 91.67 67.35 草地 74.32 79.71 91.89 90.67 灌木 63.08 87.23 70.77 85.19 水体 98.11 96.30 98.11 98.11 人造地表 76.74 79.04 77.33 75.14 裸地 93.07 89.95 94.55 90.95 总计 81.89 81.85 86.37 85.08 下载:
导出CSV
-
[1] 陈军,陈晋,宫鹏,等. 全球地表覆盖高分辨率遥感制图[J]. 地理信息世界,2011,9(2):12doi:10.3969/j.issn.1672-1586.2011.02.002 [2] 史培军. 土地利用/覆盖变化研究的方法与实践[M]. 北京: 科学出版社, 2000 [3] 张新荣,刘林萍,方石,等. 土地利用、覆被变化(LUCC)与环境变化关系研究进展[J]. 生态环境学报,2014,23(12):2013 [4] SHRESTHA U S. Land use and land cover classification from ETM sensor data:a case study from Tamakoshi River Basin of Nepal[J]. ISPRS-International Archives of the Photogrammetry & Remote Sensing and Spatial Information Sciences,2014,XL-8(1):943 [5] YUAN F,SAWAYA K E,LOEFFELHOLZ B C,et al. Land cover classification and change analysis of the Twin Cities (Minnesota) Metropolitan Area by multitemporal Landsat remote sensing[J]. Remote Sensing of Environment,2005,98(2/3):317 [6] FUKUE K,SHIMODA H. Global land cover classification using modis surface reflectance prosucts[J]. ISPRS-International Archives of the Photogrammetry & Remote Sensing and Spatial Information Sciences,2016,XLI-B7(1):219 [7] 李恒凯,王利娟,肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类[J]. 农业工程学报,2021,37(7):244 [8] 杜明义,武文波,郭达志. 多源地学信息在土地荒漠化遥感分类中的应用研究[J]. 中国图象图形学报,2002,7(7):117doi:10.3969/j.issn.1006-8961.2002.07.022 [9] 汤国安. 遥感数字图像处理[M]. 北京: 科学出版社, 2004 [10] 陈姝,居为民. 遥感图像分类方法及研究进展[J]. 河北农业科学,2009,13(1):143doi:10.3969/j.issn.1088-1631.2009.01.052 [11] 詹福雷. 基于面向对象的高分辨率遥感影像信息提取[D]. 长春: 吉林大学, 2014 [12] 陈嘉,赵祥,唐荣云,等. 基于定量遥感产品的土地覆盖分类方法研究[J]. 必威精装版app官方下载苹果版 (自然科学版),2018,54(3):405 [13] 宫攀,陈仲新,唐华俊,等. 基于MODIS温度/植被指数的东北地区土地覆盖分类[J]. 农业工程学报,2006,22(9):94doi:10.3321/j.issn:1002-6819.2006.09.019 [14] 张栋,徐丹丹,吴永波,等. 融合物候特征对城市土地覆被进行分类及覆被变化分析:以金坛区为例[J]. 长江流域资源与环境,2021,30(7):1614 [15] 张盼,马孝义,赵龙,等. 基于不同植被指数和分类回归树的关中地区土地利用分类[J]. 水土保持研究,2018,25(3):310 [16] 陆广勇,杨勤科,王海江. 基于MODIS-NDVI时序数据的黄土丘陵区土地覆盖分类研究[J]. 水土保持研究,2011,18(2):112 [17] LU L L,KUENZER C,GUO H D,et al. A novel land cover classification map based on a MODIS time-series in Xinjiang,China[J]. Remote Sensing,2014,6(4):3387doi:10.3390/rs6043387 [18] FRIEDL M A,MCIVER D K,HODGES J C F,et al. Global land cover mapping from MODIS:algorithms and early results[J]. Remote Sensing of Environment,2002,83(1/2):287 [19] 廖顺宝,岳艳琳. 基于时序NDVI图谱库提高土地覆盖分类精度的方法[J]. 农业工程学报,2018,34(7):241doi:10.11975/j.issn.1002-6819.2018.07.031 [20] GONG P,LIU H,ZHANG M N,et al. Stable classification with limited sample:transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin,2019,64(6):370doi:10.1016/j.scib.2019.03.002 [21] 陈军,廖安平,陈晋,等. 全球30 m地表覆盖遥感数据产品-Globe Land30[J]. 地理信息世界,2017,24(1):1doi:10.3969/j.issn.1672-1586.2017.01.002 [22] TAO G F,JIA K,ZHAO X,et al. Generating high spatio-temporal resolution fractional vegetation cover by fusing GF-1 WFV and MODIS data[J]. Remote Sensing,2019,11(19):2324doi:10.3390/rs11192324 [23] 黄孝斌,沈军,李国新,等. 遗传算法优化确定BP神经网络的遥感图像分类[J]. 现代电子技术,2020,43(12):47doi:10.16652/j.issn.1004-373x.2020.12.012 [24] 员永生. 基于支持向量机分类的面向对象土地覆被图像分类方法研究[D]. 杨凌: 西北农林科技大学, 2010 [25] 李玲,王红,刘庆生,等. 基于纹理特征和支持向量机的ALOS图像土地覆被分类[J]. 国土资源遥感,2011,23(4):58 [26] BREIMAN L. Random forest[J]. Machine Learning,2001,45(1):5doi:10.1023/A:1010933404324 [27] 王李娟,孔钰如,杨小冬,等. 基于特征优选随机森林算法的农耕区土地利用分类[J]. 农业工程学报,2020,36(4):244doi:10.11975/j.issn.1002-6819.2020.04.029 [28] 马慧娟,高小红,谷晓天. 随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J]. 地球信息科学学报,2019,21(3):359doi:10.12082/dpxxkx.2019.180346 [29] 周晖. 融合多源遥感影像的森林资源变化监测研究: 以黄土高原为例[D]. 北京: 北京林业大学, 2020 [30] 邵明超,宋宏利,尚明,等. 多源土地覆被数据类别一致性及景观格局差异性:以京津冀区域为例[J]. 生态学杂志,2020,39(11):3881 [31] 陆苗,吴文斌,张莉,等. 不同耕地数据集在中国区域的对比研究[J]. 中国科学:地球科学,2016,46(11):1459 [32] 郭紫甜,王春梅,刘欣,等. 基于小流域抽样单元的中国FROM-GLC30数据精度评价[J]. 地球信息科学学报,2021,23(3):524doi:10.12082/dqxxkx.2021.200100 [33] 张霞,孙睿,张兵,等. 基于MODIS植被指数时间谱的华北平原土地覆盖分类[J]. 农业工程学报,2006,22(12):128doi:10.3321/j.issn:1002-6819.2006.12.027 [34] 何彬方. 基于MODIS数据土地覆盖分类研究[D]. 合肥: 中国科学技术大学, 2008 [35] 康峻,侯学会,牛铮,等. 基于拟合物候参数的植被遥感决策树分类[J]. 农业工程学报,2014,30(9):148doi:10.3969/j.issn.1002-6819.2014.09.019 -
下载:
点击查看大图
图(6)/
表(6)
计量
- 文章访问数:198
- HTML全文浏览量:31
- PDF下载量:29
- 被引次数:0
