查看原文
其他

研究︱基于多元时间序列影像的土地覆盖类型变化监测及其应用研究——以广东省为例

大数据中心 国地资讯 2022-04-26


一、研究背景


利用遥感监测手段获取当前和历史土地覆盖类型的动态变化信息,有助于自然资源管理部门及时掌握地类变化的态势和演化进程,可以为国土空间规划评估、预警以及维护更新提供坚实有力的参考。随着中共中央、国务院正式印发《关于建立国土空间规划体系并监督实施的若干意见》,以“多规合一”以及“一本规划、一张蓝图”为基础,以规划编制审批体系、实施监督体系、法规政策体系、技术标准体系组成的新的国土空间规划体系正式形成。其中实施监督体系明确指出要依托国土空间基础信息平台,实现规划动态监测、评估、预警以及维护更新等机制,并利用大数据、智慧化等技术手段加强规划实施监督等。因此,加强土地覆盖类型的变化监测方法的探索,有利于准确掌握国土空间用地变化的状态,以此提升国土空间规划编制水平,落实规划实施监督。


国地科技依托多年的技术积累与丰富实践经验,深入了解国土空间规划“一张图”实施监督信息平台的建设需要,提出一套利用遥感大数据以及机器学习算法的土地覆盖变化监测模型。以期为国土空间规划土地布局优化、用地管制规则指定、指标监测及目标管控等提供辅助决策和技术支撑,推进国土空间规划监督实施工作的开展。


二、研究思路、数据与方法


2.1 研究思路


本研究选取10m分辨率的多光谱Sentinel-2(Multi-Spectral Instrument, Level-1C)数据以及AW3D30(ALOS World 3D - 30m)为遥感数据源,通过土地利用现状数据整合训练数据集,并将训练数据集输入不同的机器学习模型进行训练,同时利用云计算(Google Earth Engine,GEE)等技术,实现广东省多年的土地覆盖类型监测,并在此基础上实现广东省的土地覆盖变化监测。


图1 研究思路


2.2 研究数据


本研究使用的数据有Sentinel-2多光谱遥感(10m)、DSM数字高程数据(30m)、航拍影像(0.2m)、Google的高清影像、Planet的高清影像(5m)以及土地利用现状数据。


图2 训练样本空间分布图


2.3 研究方法


2.3.1 分类特征选择


本文土地覆盖变化过程的监测与分析主要的依据是遥感影像时间序列的变化特征信息,所以在构建时间序列时,时序特征的选择变得尤为重要,我们选取了能充分反应土地覆盖变化的指数。通过对研究区内土地覆盖变化类型进行分析后,我们发现研究区内的主要的土地覆盖变化过程为:耕地或林地转变成建筑用地、耕地转变成鱼塘或鱼塘转变成耕地以及耕地变成园林地等。基于以上分析,我们选择NDVI时间序列影像、NDBI时间序列影像MNDWI时间序列影像以及SAR时间序列影像作为土地覆盖变化监测的多元分类特征,在此基础上构建48个波段的分类特征影像。


图3 各种土地覆盖类型的时间序列


2.3.2 分类模型选择


本研究分别利用以下机器学习模型进行广东省的土地覆盖类型提取:


(1)随机森林分类(Random Forest,RF)


RF是一个由一系列树状分类器h(x,θk),k=1,…..组成的分类器,这里θk是独立同分布的随机向量,且每棵树为输入变量x归属于哪个最受欢迎的类投平等的一票。


(2)支持向量机(Support Vector Machine,SVM)


SVM是一种非参数机器学习算法,其核心是找到一个最优的超平面作为高维空间中的决策函数进而将输入向量分成为不同的类别。其中核函数的选择以及cost参数是影响SVM性能与效率的最主要参数。


(3)回归分类决策树(Classification and Regression Tree,CART)


CART是一个在二进制递归分区过程中成长的决策树,它通过子集内变量的最大方差和子集内变量的最小方差将训练数据集分成不同的类别。


其中RF以及SVM已被广泛地应用于土地覆盖类型分类,并取得了良好的分类结果,但CART易于表达且能很好的解释某些特定的规则。


三、土地覆盖类型监测结果


通过构建的48个多波段的分类特征波段影像,基于随机森林分类、支持向量机分类以及回归分类决策树进行广东省的土地覆盖类型监测。从图4可以得知,不同分类模型使用相同训练数据集训练处理的分类模型具有较大的差异,其中随机森林分类的结果最优,支持向量机分类次之,回归分类决策树分类结果最不理想。随机森林分类模型的土地覆盖类型监测结果如图5所示。


图4 不同分类模型的土地覆盖类型监测结果图


图5 随机森林分类模型的土地覆盖类型监测结果


四、土地覆盖变化监测结果


通过将训练好的随机森林分类模型、支持向量机分类模型以及回归分类决策树分类模型分别应用于2018年、2017年广东省的土地覆盖类型监测,并将获得的土地覆盖类型监测结果进行差异运算,进而得到广东省2017年至2018年土地覆盖类型发生变化的区域。从图6可以得知,使用不同分类模型进行土地覆盖类型变化监测具有不同的结果,其中随机森林分类的结果最优,支持向量机分类次之,回归分类决策树分类结果最不理想。图7为土地覆盖类型发生改变的区域。同时在研究区内分层随机生成1000样本点,并根据Google历史高清影像进行目视解释,获取验证数据集。根据获取的验证数据集进行混淆矩阵运算,发现采用广东省土地覆盖变化监测结果的最优总体精度78.6%(RF分类模型),最优F-score为0.72(RF分类模型)。


图6 2017-2018年广东省土地覆盖类型发生变化的区域


图7 水塘变耕地的区域


五、应用方向


土地利用和覆盖变化记录了人类在地球表面的空间格局活动,是导致生物多样性减少、气候变化、生态环境演变、生物化学循环乃至全球变化的主要因素。快速、准确、全方位地获取一个区域的土地覆盖变化信息,可以为该区域的社会经济发展、生态环境建设、国土空间规划、自然资源、生态环保督察等提供重要的基础数据。


本研究在充分遥感大数据的前提下,构建了土地覆盖类型监测算法,并在此基础上提出了一种土地覆盖类型变化监测集成模型,该模型结合了机器学习、云计算、NDVI时间序列影像、NDBI时间序列影像MNDWI时间序列影像以及SAR时间序列影像等技术与数据。同时,本研究应用该模型进行了广东省的土地覆盖变化用地变化监测,并取得了良好的结果。


该集成模型可作为国土空间规划“一张图”实施监督信息平台的重要模型之一,为资源环境承载能力评价,自然资源动态监测、评估、预警等相关工作提供工具支撑和方法借鉴,对国土空间规划编制、实施、监测评估预警等工作水平的提高具有推动作用和意义。


部门简介:


大数据中心是国地科技信息化产品与智慧城市建设的技术支持部门,负责信息化产品功能研发、前沿技术与科技课题研究,可提供自然资源与城乡空间规划建设管理信息化一体化解决方案,并致力于推动大数据、人工智能、城市信息模型等新型信息化技术从智慧规划到智慧城市的实践应用。以专业和创新提供一流的行业信息化和智慧城市建设全流程服务。

责任编辑:林冬娜、邓小云


智慧国土空间规划全流程解决方案


国地资讯聚焦国内外自然资源、城乡发展、生态环境行业,致力于宣传热点政策,分享新鲜资讯,展示研究成果。


空间规划大数据联盟关注“空间规划大数据联盟”给你想要的资源!          

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存