留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于Google Earth Engine与机器学习的黄土梯田动态监测

李万源 田佳 马琴 金学娟 杨泽康 杨鹏辉

李万源, 田佳, 马琴, 金学娟, 杨泽康, 杨鹏辉. 基于Google Earth Engine与机器学习的黄土梯田动态监测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200673
引用本文: 李万源, 田佳, 马琴, 金学娟, 杨泽康, 杨鹏辉. 基于Google Earth Engine与机器学习的黄土梯田动态监测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200673
LI Wanyuan, TIAN Jia, MA Qin, JIN Xuejuan, YANG Zekang, YANG Penghui. Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200673
Citation: LI Wanyuan, TIAN Jia, MA Qin, JIN Xuejuan, YANG Zekang, YANG Penghui. Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200673

本文已在中国知网网络首发,可在知网搜索、下载并阅读全文。

基于Google Earth Engine与机器学习的黄土梯田动态监测

doi: 10.11833/j.issn.2095-0756.20200673
基金项目: 国家自然科学基金资助项目(31960330)
详细信息
    作者简介: 李万源(ORCID: 0000-0002-6185-9762),从事水土保持研究。E-mail: 626251037@qq.com
    通信作者: 田佳(ORCID: 0000-0001-7732-4925),副教授,博士,从事水土保持研究。E-mail: 517153555@qq.com
  • 中图分类号: S157.2

Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning

  • 摘要:   目的   梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要。   方法   在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,并探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息。   结果   ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机。②使用随机森林算法识别梯田,基于样点检验总体精度达94.10%,Kappa系数达0.87,基于实地斑块检验总体精度达93.33%,Kappa系数达0.80。③ LandTrendr算法能有效校正时间序列中的错误值。④ 1988-2019年,固原市梯田面积减少了45.90%。⑤固原市西部的梯田使用时间较东部更长。   结论   采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田。固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展。图4表3参22
  • 图  1  黄土梯田动态监测流程图

    Figure  1  Flowchart of dynamic monitoring of loess terraces

    图  2  3个不同位置的原始识别结果及使用LandTrendr算法处理后的概率

    Figure  2  Classification probability of the original results and the results of using LandTrendr algorithm at 3 different positions

    图  3  1988−2019年研究区梯田面积与植被覆盖度变化

    Figure  3  Variations of annual terraces area and annual mean fractional vegetation cover in the research area from 1988−2019

    图  4  1988−2019年研究区梯田使用时间分布示意图

    Figure  4  Distribution of time to use terraces in the research area from 1988−2019

    表  1  光谱指数计算方法

    Table  1.   Calculation methods of spectral index

    光谱指数名称计算方法
    归一化植被指数BNDVI = (BnirBr)/(Bnir + Br)
    增强型植被指数BEVI = (BnirBr)/(Bnir + 6Br−7.5Bb + 1)
    归一化建筑指数BNDBI = (Bswir2Bnir)/(Bswir2 + Bnir)
    归一化湿度指数BNDMI = (BnirBswir1)/(Bnir + Bswir1)
    归一化水体指数BNDWI = (BgBnir)/(Bg + Bnir)
      说明:Br为红波段;Bg为绿波段;Bb为蓝波段;Bnir为近红     外;Bswir1为短波红外1;Bswir2为短波红外2
    下载: 导出CSV

    表  2  不同机器学习算法识别结果的样点验证精度

    Table  2.   Sample points verification accuracy of the results of different machine learning algorithms

    机器学习
    算法
    梯田的生产
    者精度/%
    梯田的用户
    精度/%
    总体精
    度/%
    Kappa
    系数
    随机森林 94.4689.0394.100.87
    决策树  78.8978.0784.400.66
    支持向量机70.8867.3678.020.52
    下载: 导出CSV

    表  3  原始识别结果及使用LandTrendr算法处理后的斑块验证精度(随机森林)

    Table  3.   Speckles verification accuracy of the original results and the results of using LandTrendr algorithm(RF)

    去除交界
    缓冲区/m
    验证像元数/
    (×104个)
    LandTrendr
    处理
    梯田的生产者
    精度/%
    梯田的用户
    精度/%
    总体精
    度/%
    Kappa
    系数
    020.66处理前78.2473.4784.730.65
    处理后80.8276.1886.380.68
    10014.43处理前77.5584.9392.040.76
    处理后81.7585.9793.330.80
      说明:去除交界缓冲区是指去除梯田与其他类型交界线缓冲区范围内的像元,减少有地理配准误差较大的像元输入。0 m代表不     去除
    下载: 导出CSV
  • [1] 杨艳芬, 王兵, 王国梁, 等. 黄土高原生态分区及概况[J]. 生态学报, 2019, 39(20): 7389 − 7397.

    YANG Yanfen, WANG Bing, WANG Guoliang, et al. Ecological regionalization and overview of the Loess Plateau [J]. Acta Ecol Sin, 2019, 39(20): 7389 − 7397.
    [2] 中华人民共和国水利部. 第1次全国水利普查水土保持情况公报[R/OL]. (2013-11-21)[2021-04-06]. http://www.mwr.gov.cn/zw/slbgb/201612/t20161222_775434.html.

    Ministry of Water Resources of the People’s Republic of China. The First National Water Conservancy Survey of Water and Soil Conservation Bulletin[R/OL]. (2013-11-21)[2021-04-06]. http://www.mwr.gov.cn/zw/slbgb/201612/t20161222_775434.html.
    [3] 马荣亮, 朱立军, 杨晓珍, 等. 茹河流域水土保持工程隔坡梯田应用研究[J]. 水土保持通报, 2008, 28(6): 135 − 137.

    MA Rongliang, ZHU Lijun, YANG Xiaozhen, et al. Study of the bench terrace as soil and water conservation engineering in Ruhe watershed [J]. Bull Soil Water Conserv, 2008, 28(6): 135 − 137.
    [4] 胡望舒, 洪辉, 周侃, 等. 黄土丘陵区水平梯田与农民收入的关系及原因: 以宁夏回族自治区固原市为例[J]. 干旱区地理, 2013, 36(3): 536 − 544.

    HU Wangshu, HONG Hui, ZHOU Kan, et al. Relationship of level terrace and farmers’ income and its causes in loess hilly region: a case study in Guyuan [J]. Arid Land Geogr, 2013, 36(3): 536 − 544.
    [5] FENG Xiaoming, FU Bojie, LU Nan, et al. How ecological restoration alters ecosystem services: an analysis of carbon sequestration in China’s Loess Plateau [J]. Sci Rep, 2013, 3(1): 2846 − 2850. doi:  10.1038/srep02846
    [6] 余峰, 李月祥. 宁夏退耕还林工程研究[M]. 银川: 阳光出版社, 2012: 6 − 13.
    [7] 党恬敏, 穆兴民, 孙文义, 等. 高分辨率遥感影像梯田快速提取方法研究进展[J]. 人民黄河, 2017, 39(3): 85 − 89, 94. doi:  10.3969/j.issn.1000-1379.2017.03.019

    DANG Tianmin, MU Xingmin, SUN Wenyi, et al. Review of quickly discriminating approaches of terrace information based on high resolution remote sensing images [J]. Yellow River, 2017, 39(3): 85 − 89, 94. doi:  10.3969/j.issn.1000-1379.2017.03.019
    [8] XIONG Jun, THENKABAIL P S, TILTON J C, et al. Nominal 30-m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using Sentinel-2 and Landsat-8 data on Google Earth Engine [J]. Remote Sensing, 2017, 9(10): 1065 − 1091. doi:  10.3390/rs9101065
    [9] 刘凯, 彭力恒, 李想, 等. 基于Google Earth Engine的红树林年际变化监测研究[J]. 地球信息科学学报, 2019, 21(5): 731 − 739. doi:  10.12082/dqxxkx.2019.180354

    LIU Kai, PENG Liheng, LI Xiang, et al. Monitoring the inter-annual change of mangroves based on the Google Earth Engine [J]. J Geo-inf Sci, 2019, 21(5): 731 − 739. doi:  10.12082/dqxxkx.2019.180354
    [10] TELUGUNTLA P, THENKABAIL P S, OLIPHANT A, et al. A 30-m Landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform [J]. ISPRS J Photogramm Remote Sensing, 2018, 144(1): 325 − 340.
    [11] 严欣荣, 张美曼, 郑亚雄, 等. 基于Sentinel-2的丛生竹林信息提取方法比较及分布特征[J]. 生态学杂志, 2020, 39(3): 1056 − 1066.

    YAN Xinrong, ZHANG Meiman, ZHENG Yaxiong, et al. Comparison of extraction methods and the distribution characteristics of cluster bamboo forest information based on Sentinel-2 [J]. Chin J Ecol, 2020, 39(3): 1056 − 1066.
    [12] GORELICK N, HANCHER M, DIXON M, et al. Google Earth Engine: planetary-scale geospatial analysis for everyone [J]. Remote Sensing Environ, 2017, 202(1): 18 − 27.
    [13] 谭深, 吴炳方, 张鑫. 基于Google Earth Engine与多源遥感数据的海南水稻分类研究[J]. 地球信息科学学报, 2019, 21(6): 937 − 947. doi:  10.12082/dqxxkx.2019.180423.

    TAN Shen, WU Bingfang, ZHANG Xin. Mapping paddy rice in the Hainan Province using both Google Earth Engine and remote sensing images [J]. J Geo-inf Sci, 2019, 21(6): 937 − 947. doi:  10.12082/dqxxkx.2019.180423.
    [14] CHEN Bangqian, XIAO Xiangming, LI Xiangping, et al. A mangrove forest map of China in 2015: analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform [J]. ISPRS J Photogramm Remote Sensing, 2017, 131(1): 104 − 120.
    [15] GONG Peng, LIU Han, ZHANG Meinan, 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]. Sci Bull, 2019, 64(6): 370 − 373. doi:  10.1016/j.scib.2019.03.002
    [16] GONG Peng, LI Xuecao, ZHANG Wei. 40-Year (1978−2017) human settlement changes in China reflected by impervious surfaces from satellite remote sensing [J]. Sci Bull, 2019, 64(1): 756 − 763.
    [17] 王彦武, 牛莉婷, 张峰, 等. 黄土区高标准梯田生态服务功能及其价值[J]. 水土保持学报, 2019, 33(6): 190 − 196.

    WANG Yanwu, NIU Liting, ZHANG Feng, et al. Ecological service function and its value of high-standard terrace in loess region [J]. J Soil Water Conserv, 2019, 33(6): 190 − 196.
    [18] 柴旭荣, 李明, 周义, 等. 影像的土地覆被快速分类[J]. 遥感技术与应用, 2020, 35(2): 315 − 325.

    CHAI Xurong, LI Ming, ZHOU Yi, et al. Rapid land cover classification using Landsat time series based on the Google Earth Engine [J]. Remote Sensing Technol Appl, 2020, 35(2): 315 − 325.
    [19] 王塞, 王思诗, 樊风雷. 基于时间序列分割算法的雅鲁藏布江流域NDVI(1985−2018)变化模式研究[J]. 生态学报, 2020, 40(19): 6863 − 6871.

    WANG Sai, WANG Sishi, FAN Fenglei. Change patterns of NDVI (1985−2018) in the Yarlung Zangbo River Basin of China based on time series segmentation algorithm [J]. Acta Ecol Sin, 2020, 40(19): 6863 − 6871.
    [20] 刘宝元, 刘瑛娜, 张科利, 等. 中国水土保持措施分类[J]. 水土保持学报, 2013, 27(2): 80 − 84.

    LIU Baoyuan, LIU Yingna, ZHANG Keli, et al. Classification for soil conservation practices in China [J]. J Soil Water Conserv, 2013, 27(2): 80 − 84.
    [21] 裴杰, 牛铮, 王力, 等. 基于Google Earth Engine云平台的植被覆盖度变化长时间序列遥感监测[J]. 中国岩溶, 2018, 37(4): 608 − 616.

    PEI Jie, NIU Zheng, WANG Li, et al. Monitoring to variations of vegetation cover using long-term time series remote sensing data on the Google Earth Engine cloud platform [J]. Carsol Sin, 2018, 37(4): 608 − 616.
    [22] 王立祥, 李永平, 许强. 中国粮食问题: 宁夏粮食生产能力提升及战略储备[M]. 银川: 阳光出版社, 2015: 92 − 93.
  • [1] 金嘉乐, 孙剑, 杨利斌, 董程锋, 齐锋.  杭州村镇下垫面遥感指数与地表温度的相关性 . 浙江农林大学学报, 2020, 37(3): 563-570. doi: 10.11833/j.issn.2095-0756.20190379
    [2] 杜雨菲, 吴保国, 陈玉玲.  基于机器学习算法的广西桉树适宜性研究 . 浙江农林大学学报, 2020, 37(1): 122-128. doi: 10.11833/j.issn.2095-0756.2020.01.016
    [3] 谢巧雅, 余坤勇, 邓洋波, 刘健, 范华栋, 林同舟.  杉木人工林冠层高度无人机遥感估测 . 浙江农林大学学报, 2019, 36(2): 335-342. doi: 10.11833/j.issn.2095-0756.2019.02.015
    [4] 姚智, 张晓丽.  基于WebGIS平台的森林郁闭度遥感反演信息系统研建 . 浙江农林大学学报, 2015, 32(3): 392-398. doi: 10.11833/j.issn.2095-0756.2015.03.009
    [5] 蒋云姣, 韩轶群, 李明阳, 王艺晓.  紫金山乔木多样性遥感估测及空间分布 . 浙江农林大学学报, 2015, 32(4): 509-515. doi: 10.11833/j.issn.2095-0756.2015.04.003
    [6] 陈利, 林辉, 孙华.  基于WorldView-2影像的外来物种薇甘菊入侵遥感监测 . 浙江农林大学学报, 2014, 31(2): 185-189. doi: 10.11833/j.issn.2095-0756.2014.02.004
    [7] 张倩倩, 陈健, 江洪, 唐敏忠.  结合纹理信息Hyperion高光谱影像分类 . 浙江农林大学学报, 2013, 30(6): 880-886. doi: 10.11833/j.issn.2095-0756.2013.06.012
    [8] 王开利, 王小德, 章宬.  浙江下渚湖湿地面积变化与保护 . 浙江农林大学学报, 2013, 30(5): 784-788. doi: 10.11833/j.issn.2095-0756.2013.05.023
    [9] 崔瑞蕊, 杜华强, 周国模, 徐小军, 董德进, 吕玉龙.  近30 a安吉县毛竹林动态遥感监测及碳储量变化 . 浙江农林大学学报, 2011, 28(3): 422-431. doi: 10.11833/j.issn.2095-0756.2011.03.012
    [10] 吴春争, 冯益明, 舒清态, 李增元, 武红敢, 车腾腾.  基于高空间分辨率影像的林业小班遥感区划系统设计与实现 . 浙江农林大学学报, 2011, 28(1): 40-45. doi: 10.11833/j.issn.2095-0756.2011.01.007
    [11] 陈春雷, 武刚.  多源遥感影像的最优尺度选择 . 浙江农林大学学报, 2011, 28(1): 164-172. doi: 10.11833/j.issn.2095-0756.2011.01.027
    [12] 刘晓双, 黄建文, 鞠洪波.  高空间分辨率遥感的单木树冠自动提取方法与应用 . 浙江农林大学学报, 2010, 27(1): 126-133. doi: 10.11833/j.issn.2095-0756.2010.01.021
    [13] 张艮龙, 冯益明, 贾建华, 武红敢, 李增元.  基于SPOT-5遥感影像的小班区划探讨 . 浙江农林大学学报, 2010, 27(2): 299-303. doi: 10.11833/j.issn.2095-0756.2010.02.023
    [14] 吴见, 彭道黎.  多伦县土地利用遥感信息提取技术 . 浙江农林大学学报, 2010, 27(3): 417-423. doi: 10.11833/j.issn.2095-0756.2010.03.016
    [15] 郭徵, 江洪, 陈健, 程苗苗, 江子山, 余树全, 李土生3.  基于遥感的杭州余杭森林景观格局变化 . 浙江农林大学学报, 2010, 27(1): 36-43. doi: 10.11833/j.issn.2095-0756.2010.01.006
    [16] 顾蕾, 吴春骏, 王鑫.  基于遥感的临安市土地利用变化及驱动力分析 . 浙江农林大学学报, 2009, 26(6): 870-876.
    [17] 肖宇, 姜海瑞, 薛文杰, 王淯, 胡忠军, 徐宏发.  陕西凤县林麝生境破碎化及其景观指数评估 . 浙江农林大学学报, 2008, 25(3): 331-335.
    [18] 施拥军, 徐小军, 杜华强, 周国模, 金伟, 周宇峰.  基于BP神经网络的竹林遥感监测研究 . 浙江农林大学学报, 2008, 25(4): 417-421.
    [19] 葛静茹, 秦安臣, 赵雄伟, 孙秋华, 李明, 张锐, 贾哲.  叠加分类及其在冀太行山区土地利用类型遥感解译中的应用 . 浙江农林大学学报, 2007, 24(6): 681-685.
    [20] 吕晓平, 金根明, 赵仁友, 章华祥.  鞭节华扁叶蜂生物学习性研究 . 浙江农林大学学报, 1993, 10(1): 16-22.
  • 加载中
  • 链接本文:

    http://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200673

    http://zlxb.zafu.edu.cn/article/zjnldxxb/2021/4/1

计量
  • 文章访问数:  54
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-25
  • 修回日期:  2021-04-06

基于Google Earth Engine与机器学习的黄土梯田动态监测

doi: 10.11833/j.issn.2095-0756.20200673
    基金项目:  国家自然科学基金资助项目(31960330)
    作者简介:

    李万源(ORCID: 0000-0002-6185-9762),从事水土保持研究。E-mail: 626251037@qq.com

    通信作者: 田佳(ORCID: 0000-0001-7732-4925),副教授,博士,从事水土保持研究。E-mail: 517153555@qq.com
  • 中图分类号: S157.2

摘要:    目的   梯田是黄土高原最重要的水土保持措施和农业生产措施,高效、准确地获取长时间序列黄土梯田分布信息,对黄土高原的水土保持监测和评价十分重要。   方法   在Google Earth Engine(GEE)的支持下,以宁夏回族自治区固原市为研究区,使用遥感影像监督识别技术,对比随机森林(RF)、决策树(CART)、支持向量机(SVM)等3种机器学习算法的识别精度,并探讨LandTrendr算法在长时间序列动态监测中的优化应用,最终获取固原市近30 a梯田分布信息。   结果   ①3种算法识别精度从大至小依次为随机森林、决策树、支持向量机。②使用随机森林算法识别梯田,基于样点检验总体精度达94.10%,Kappa系数达0.87,基于实地斑块检验总体精度达93.33%,Kappa系数达0.80。③ LandTrendr算法能有效校正时间序列中的错误值。④ 1988-2019年,固原市梯田面积减少了45.90%。⑤固原市西部的梯田使用时间较东部更长。   结论   采用本研究方法在GEE云平台可以高效、准确地遥感监测长时序、大尺度的黄土梯田。固原市近30 a梯田农业比例逐渐下降,促进了生态环境持续向好发展。图4表3参22

English Abstract

李万源, 田佳, 马琴, 金学娟, 杨泽康, 杨鹏辉. 基于Google Earth Engine与机器学习的黄土梯田动态监测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200673
引用本文: 李万源, 田佳, 马琴, 金学娟, 杨泽康, 杨鹏辉. 基于Google Earth Engine与机器学习的黄土梯田动态监测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200673
LI Wanyuan, TIAN Jia, MA Qin, JIN Xuejuan, YANG Zekang, YANG Penghui. Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200673
Citation: LI Wanyuan, TIAN Jia, MA Qin, JIN Xuejuan, YANG Zekang, YANG Penghui. Dynamic monitoring of loess terraces based on Google Earth Engine and machine learning[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200673

返回顶部

目录

    /

    返回文章
    返回