使用不同数量的多时间数据对精度的影响:以丰云3C数据绘制非洲部分地区土地覆盖图为例
摘要
1.简介
2.材料和方法
2.1. 研究区域
2.2. 技术工作流程
2.3. 材料和/或资源
2.4. 随机森林分类器
2.5. 选择参考数据位置和陆地卫星数据采集
2.6. 类的命名
2.7. 参考数据/ROI收集
通过应用图像解释元素(如纹理、图案、联想、颜色、色调等)对图像进行解释。 如果输入数据的最小绘图单位(1 km×1 km,即40×40 Landsat像素)的类别是同质的,则交叉检查之前的基础土地覆盖图,即哥白尼全球土地覆盖图(100 m)。 最后,对更高分辨率的图像、谷歌地球专业版和谷歌地图进行了进一步的交叉检查/安慰。
一个月堆叠图像(OMSI):这是由一个月(2019年4月)的10天合成图像创建的,它由三个合成图像组成,其中每个图像由10天场景组成。 因此,一个月的堆叠图像共有33个频带/特征,这是由以下三个变量的乘积产生的: 每月3张图像×1个月×11个波段=33个波段/特征 三个月叠加图像(TMSI):由三个月(2019年4月、5月和6月)合成图像组成的叠加图像,共包含99个波段的图像。 六个月叠加图像(SMSI):六个月(2019年4月、5月、6月、7月、8月、9月)的叠加合成图像,每波段198个特征。 九个月叠加图像(NMSI):这是一个9个月(2019年4月、5月、6月、7月、8月、9月、10月、11月、12月)的叠加场景,共有297个频段/特征。 一年堆叠图像(OYSI):包含最大特征/波段396,因为它是由2019年4月1日至2020年4月一日的一年合成图像构成的。 从一年堆叠图像中选择的数据(SDFOYSI):顾名思义,数据是通过使用随机森林分类器的可变重要性的特征选择/约简方法生成的。 使用随机森林分类器的优势之一是其特征/变量重要性算法,这是一种内置功能,有助于选择最重要的变量并删除最不重要的变量。 使用该算法并通过设置95%的累积重要性,从OYSI的396个特征/波段中选择了337个特征/频带(参见 图6 ). 暗示其余59个波段是最不重要的特征,对整体结果影响不大。 选定的九个月堆叠图像(SNMSI):由选定的9个月图像(2019年4月、5月、6月、7月、8月、9月;以及2020年1月、2月和3月)组成的堆叠图像,这些图像是根据处理SMSI和NMSI获得的结果创建的。 也就是说,它是通过删除三个月(2019年10月、11月、12月)的数据从一年期数据中形成的,因为处理SMSI和NMSI时观察到的精度没有变化,其中NMSI包含排除的月份。 换句话说,它是通过系统特征选择技术获得的数据。
2.8. 模特培训
2.9. 准确性评估
3.结果
4.讨论
4.1. 特征选择/减少的影响
4.2. 错误矩阵
5.结论
作者贡献
基金
数据可用性声明
利益冲突
工具书类
Tchuenté,A.T.K。; 鲁让,J.-L。; De Jong,S.非洲大陆尺度GLC2000、GLOBCOVER、MODIS和ECOCLIMAP土地覆盖数据集的比较和相对质量评估。 国际期刊申请。 地球观测地理信息。 2011 , 13 , 207–219. [ 谷歌学者 ] [ 交叉参考 ] Cihlar,J.《卫星大面积土地覆盖制图:现状和研究重点》。 《国际遥感杂志》。 2000 , 21 , 1093–1114. [ 谷歌学者 ] [ 交叉参考 ] 博宾,J。; Cihlar,J。; 西马德,G。; Latifovic,R.使用新的增强分类方法从多个专题制图场景中获取土地覆盖。 《地球物理学杂志》。 Res.大气。 1999 , 104 , 27909–27920. [ 谷歌学者 ] [ 交叉参考 ] Foody,G.M.土地覆盖分类准确性评估现状。 遥感环境。 2002 , 80 , 185–201. [ 谷歌学者 ] [ 交叉参考 ] Latifovic,R。; Olthof,I.利用卫星数据得出的全球土地覆盖产品的亚像素分数误差矩阵进行精度评估。 远程。 传感器环境。 2004 , 90 , 153–165. [ 谷歌学者 ] [ 交叉参考 ] 弗里德尔,M。; McIver,D。; 霍奇斯,J。; 张,X。; Muchoney,D。; 斯特拉勒,A。; Woodcock,C。; Gopal,S。; 施耐德,A。; 库珀,A。; 等。MODIS全球土地覆盖图:算法和早期结果。 遥感环境。 2002 , 83 , 287–302. [ 谷歌学者 ] [ 交叉参考 ] Smets,B。; Buchhorn,M。; Lesiv,M。; 东北部坦巴扎尔。 哥白尼全球陆地业务“植被和能源” ; 哥白尼:比利时布鲁塞尔,2017年; 第1卷。 [ 谷歌学者 ] Cihlar,J。; Ly,H。; Xiao,Q.用AVHRR多通道复合物对北部环境中的土地覆盖进行分类。 遥感环境。 1996 , 58 , 36–51. [ 谷歌学者 ] [ 交叉参考 ] 坎贝尔,M。; 康加尔顿,R.G。; Hartter,J。; Ducey,M.使用陆地卫星图像在俄勒冈州东北部进行最佳土地覆盖测绘和变化分析。 照片。 工程远程。 参议员。 2015 , 81 , 37–47. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 洛夫兰,T.R。; Belward,A.S.IGBP-DIS全球1km土地覆盖数据集,DISCover:首次结果。 《国际遥感杂志》。 1997 , 18 , 3289–3295. [ 谷歌学者 ] [ 交叉参考 ] 唐英秋。; Zhang,J.S。; Wang,J.S.FY-3气象卫星及其应用。 中国空间科学杂志。 2014 , 34 , 703–709. [ 谷歌学者 ] 杨,Z。; 张,P。; 顾,S。; 胡,X。; 唐,S。; Yang,L。; 徐,N。; Zhen。; Wang,L。; 吴琼。; 等。风云3D卫星在地球系统观测中的能力。 J.Meteorol公司。 物件。 2019 , 33 , 1113–1130. [ 谷歌学者 ] [ 交叉参考 ] 徐,N。; 牛,X。; 胡,X。; 王,X。; Wu,R。; 陈,S。; Chen,L。; Sun,L.公司。; 丁·L。; 杨,Z。; 等。风云3D上先进MERSI II的发射前校准和辐射性能。 IEEE传输。 地质科学。 远程传感器。 2018 , 56 , 4866–4875. [ 谷歌学者 ] [ 交叉参考 ] 杨,Z。; 卢,N。; 史J。; 张,P。; Dong,C。; Yang,J.FY-3有效载荷和地面应用系统概述。 IEEE传输。 地质科学。 远程。 参议员。 2012 , 50 , 4846–4853. [ 谷歌学者 ] [ 交叉参考 ] 韩,X。; 杨,J。; 唐,S。; Han,Y.从风云3D中分辨率光谱成像仪II获得的植被产品。 J.Meteorol公司。 物件。 2020 , 34 , 775–785. [ 谷歌学者 ] [ 交叉参考 ] 美国地质勘探局。 在线可用: https://earthxplorer.usgs.gov/ (2021年4月29日访问)。 M.帕尔。; Mather,P.M.遥感分类支持向量机。 国际J.远程。 参议员。 2005 , 26 , 1007–1011. [ 谷歌学者 ] [ 交叉参考 ] Mountrakis,G。; 我,J。; Ogole,C.遥感中的支持向量机:综述。 ISPRS摄影杂志。 远程传感器。 2010 , 66 , 247–259. [ 谷歌学者 ] [ 交叉参考 ] 比利时,M。; Augut博士,L.《遥感中的随机森林:应用综述和未来方向》。 ISPRS摄影杂志。 远程传感器。 2016 , 114 , 24–31. [ 谷歌学者 ] [ 交叉参考 ] 麦克斯韦,A.E。; 华纳公司。; Fang,F.遥感中机器学习分类的实施:应用综述。 《国际遥感杂志》。 2018 , 39 , 2784–2817. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Wulder,文学硕士。; 北卡罗来纳州库普斯。; 罗伊,D.P。; 怀特,J.C。; Hermosilla,T.土地覆盖率2.0。 《国际遥感杂志》。 2018 , 39 , 4254–4284. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 弗里德尔,文学硕士。; Brodley,C.E.根据遥感数据对土地覆盖进行决策树分类。 遥感环境。 1997 , 61 , 399–409. [ 谷歌学者 ] [ 交叉参考 ] Hansen,M.C。; Reed,B.W.IGBP DISCover和马里兰大学1km全球土地覆盖产品的比较。 《国际遥感杂志》。 2000 , 21 , 1365–1373. [ 谷歌学者 ] [ 交叉参考 ] 黄,C。; 戴维斯,L.S。; Townshend,J.R.G.土地覆盖分类的支持向量机评估。 《国际遥感杂志》。 2002 , 23 , 725–749. [ 谷歌学者 ] [ 交叉参考 ] Pal,M.遥感分类的随机森林分类器。 《国际遥感杂志》。 2005 , 26 , 217–222. [ 谷歌学者 ] [ 交叉参考 ] 吉米尔,B。; 罗根,J。; 罗德里格斯-加利亚诺,V.F。; 潘迪,P。; Neeti,N.美国马萨诸塞州科德角陆地覆盖分类用袋装、增强和随机森林评估。 地理科学。 远程传感器。 2012 , 49 , 623–643. [ 谷歌学者 ] [ 交叉参考 ] Otukei,J.R。; Blaschke,T.使用决策树、支持向量机和最大似然分类算法进行土地覆盖变化评估。 国际期刊申请。 地球观测地理信息。 2010 , 12秒 ,S27–S31。 [ 谷歌学者 ] [ 交叉参考 ] Breiman,L.RandomForests。 机器。 学习。 2001 , 45 , 5–32. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Tso,B。; 马瑟,P。 遥感数据的分类方法 ; CRC出版社:博卡拉顿,佛罗里达州,美国,2009年; 第367页。 [ 谷歌学者 ] Liaw,A。; Wiener,M.通过randomForest进行分类和回归。 R新闻 2002 , 2 , 18–22. [ 谷歌学者 ] Ghosh,A。; 法斯纳赫特,F.E。; 乔希,P.K。; Koch,B.结合高光谱和激光雷达数据绘制树种地图的框架:选定分类器和传感器在三个空间尺度上的作用。 国际期刊申请。 地球观测地理信息。 2014 , 26 , 49–63. [ 谷歌学者 ] [ 交叉参考 ] V.Y.Kulkarni。; Sinha,P.K.《随机森林分类器的修剪:调查和未来方向》。 2012年7月18日至20日,印度喀拉拉邦,2012年国际数据科学与工程会议(ICDSE)会议记录。 [ 谷歌学者 ] Gislason,邮政编码:。; Benediktsson,J.A。; Sveinsson,J.R.Random Forests,土地覆盖分类。 模式识别。 莱特。 2006 , 27 , 294–300. [ 谷歌学者 ] [ 交叉参考 ] 关,H。; 李,J。; 查普曼,M。; 邓,F。; 季,Z。; Yang,X.使用随机森林进行基于对象的城市专题制图的正射影像和激光雷达数据集成。 《国际遥感杂志》。 2013 , 34 , 5166–5186. [ 谷歌学者 ] [ 交叉参考 ] 罗德里格斯-加利亚诺,V.F。; 吉米尔,B。; 罗根,J。; 奥尔莫,M.C。; Rigol-Sanchez,J.P.对随机森林分类器在陆地覆盖分类中的有效性进行评估。 ISPRS摄影杂志。 远程传感器。 2012 , 67 , 93–104. [ 谷歌学者 ] [ 交叉参考 ] Noi,P.T。; Kappas,M.使用Sentinel-2图像进行土地覆盖分类的随机森林、k-最近邻和支持向量机分类器的比较。 传感器 2018 , 18 , 18. [ 谷歌学者 ] Jensen,J.R。; Lulla,K.《数字图像处理入门:遥感视角》。 Geocarto国际。 1987 , 2 , 65. [ 谷歌学者 ] [ 交叉参考 ] Colditz,R.R.使用基于决策树的算法对离散和连续土地覆盖分类的不同训练样本分配方案进行评估。 远程传感器。 2015 , 7 , 9655–9681. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 坎贝尔,J.B。; 韦恩,R.H。 遥感概论 第5版。; 吉尔福德出版社:美国纽约州纽约市,2011年; 第718页。 [ 谷歌学者 ]