研究目标 

在本研究中，我们在 GEE 中实施了射频分类器，利用 Landsat-8 和 Sentinel-2 数据集对 2022 年植被生长季节的不同空间尺度进行了时间序列土地分类。我们的首要目标是利用多源遥感变量构建的不同土地分类模型，为时间序列数据集建立一个高效、准确和通用的土地分类模型，并根据未发生土地分类变化的样本点图像值差异，确定土地分类样本点和迁移阈值。我们的目标是 (1) 确定基于土地分类无变化的样点迁移阈值；(2) 根据阈值分析使用陆地卫星遥感图像和高精度哨兵图像的 36 年时间序列制作的土地分类模型的准确性；(3) 确定基于多源遥感变量不同组合的最佳射频土地分类模型，并比较图像分辨率对分类准确性的影响。 

摘要

长时间系列土地覆盖分类信息是对城市扩张、植被变化和碳循环等方面的科学研究的基础。云计算平台的快速发展，如谷歌地球引擎（GEE），以及从陆地卫星和哨兵-2中对多源卫星图像的访问，使机器学习算法在图像分类中的应用成为可能。在此，我们使用随机森林算法，基于从2022年获得的图像中选择固定的土地分类样本点，以及样本点的年光谱差异，快速实现不同尺度的时间序列土地覆盖分类。利用合成孔径雷达（SAR）和数字高程模型（DEM）等多源遥感数据，提高了分类精度。结果表明： (i)通过计算1986-2022年陆地卫星时间序列各波段的采样点，确定的无陆地等级变化的采样点的最大差值（阈值）为0.25；（ii）陆地卫星8中同一传感器的kappa系数和观测精度均高于TM和ETM+传感器数据的结果

文章流程图

数据集

 数据预处理过程

光学遥感图像的预处理包括图像拼接、去云、镶嵌和裁剪。其中，图像去云方法都是通过调用 Landsat 和 Sentinel-2 数据的 QA 质量波段并逐位操作掩码来去除云层和云影元素。图像的马赛克处理均采用中值法进行融合，进而分别得到 1986-2022 年的 Landsat 系列图像和 2019-2022 年的 Sentinel-2 植被生长季遥感图像。
哨兵-1 号偏振数据 GEE 正式经过了地距探测（GRD）边界噪声去除、热噪声去除、辐射校准和辐射校正等过程。本研究选择了适用于陆地表面遥感研究的干涉测量宽扫描（IW）模式下的 VV 和 VH 偏振波段。对 DEM 数据进行了重投影和重采样，以提取海拔、坡度和高程等变量作为地形因子，参与土地分类模型的构建。

多源遥感变量组合

 样本点迁移结果

Landsat长时序分析

利用 1986-2022 年的陆地卫星遥感影像进行土地覆被分类，样本点迁移阈值为 0.25，利用 OA 和 kappa 系数评估精度，并计算迁移样本点的数量。结果表明，在接近 2022 年固定土地分类的年份，图像的分类精度最高，而随着距离 2022 年初始土地分类样点年数的增加，kappa 系数与 OA 之间的差异变大。不过，总体土地分类精度仍然很高，1999 年的卡帕系数最低，为 0.60，OA 最低，为 0.75。分类样点数量随着 2022 年的增加而减少，迁移样点数据稳定在 900 个，约占原始样点数量的 60%。值得注意的是，Landsat TM/ETM 和 OIL 传感器技术之间的差异可以解释 1986 年研究开始至 2012 年期间结果精度较低的原因。 

Landsat和sentinel系列影像差异分析

为了验证本文在不同遥感影像中的普适性以及在复杂地形条件下的可重复性，我们选取了地形条件复杂的山西省霍东国家规划矿区作为研究区域，在2019-2022年哨兵-2高分辨率遥感影像的土地分类系统中增加了矿业类。通过对不同年份地类的各波段计数，分别评估了不同阈值范围（0.1 - 0.4）的土地覆被分类精度。结果表明，当训练样本点迁移的阈值设置在 0.20 - 0.30 范围内时，土地分类精度较高，且经过阈值筛选后的逐年土地分类样本点数保持在原样本点数的 70% 左右，可以较大程度地满足土地分类所需的样本点数。同时，2019-2021 年的卡帕系数稳定在 0.90 左右，OA 也均在 0.91 左右。

 Landsat-8不同多源遥感组合的精度对比

多源遥感变量的组合提高了土地分类的模型精度，模型精度随着不同变量的增加而提高，尤其是光谱波段+指数+SAR+地物变量和地形的组合模型效果最好。以 2019 年为例，单一光谱波段的卡帕系数最终从 0.863 提高到光谱波段 + 指数 + 地形 + SAR 的 0.910，而样本变量组合的 OA 也从 0.888 提高到 0.927。此外，与 2022 年参与陆地分类精度相比，经过阈值筛选后的样点可以在选取过程中消除样点的误分类，因此 2019-2021 年陆地分类精度优于 2022 年陆地分类精度。 

Sentinel-2不同多源遥感组合的精度对比

 不同变量组合下 Landsat-8 的土地分类精度（表 7；图 5）低于基于 Sentinel-2 图像的多源遥感土地分类精度。以 2022 年为例，光谱波段+指数+合成孔径雷达组合的土地分类精度最高，光谱波段+合成孔径雷达的模型组合优于光谱波段+指数。2019 年和 2020 年，全变量组合的准确率最高，而 2021 年和 2022 年的最佳变量组合是光谱波段 + 指数 + SAR。

结论

使用 GEE 遥感云平台，利用大地遥感卫星 5 号、7 号、8 号和哨兵-2 号遥感图像进行了快速土地覆被分类，时间序列跨度达 36 年。采用单采样点迁移法生成省-区域尺度和采矿作业尺度的时间序列土地覆被分类图。最终样本点迁移阈值为 0.25，对应于分类的无变化。用于射频机器学习算法参数化的多源遥感变量的最佳组合是：Landsat 8 和 Sentinel-2 生成数据的光谱波段+指数+地形+合成孔径雷达。射频模型使用大地遥感卫星 8 号数据绘制的 2022 年分类图精度最高，OA 值为 0.90，Kappa 系数为 0.919。我们的分析表明，使用空间和时间分辨率更高的图像可以获得更高的精度。通过对低分辨率遥感图像的整理和机器学习技术的进一步工作，将能对全球范围内长时间序列的土地覆被分类图进行评估。随着传感器技术的发展，我们预计土地覆被分类的准确性将继续提高，从而能够在未来识别尚未考虑的土地覆被类别。

快速土地分类APP

APP链接

Land classification of Landsat imagery

程序简介该程序主要通过一年土地分类的固定样点，选择 1984 年至今任意年份的影像（landsat 5 / 7 / 8 / 9 SR），按照随机森林算法进行不同年份的土地分类。

1.使用地图工具栏左上角的绘图工具（可选择矩形和多边形）选择指定的研究区域。2.选择当年采样点的图像时间，加载图像，并在真彩图像上选择点。3.根据地图工具左侧的几何图形导入，选择指定的土地分类样点分类标签，通过工具删除原点，选择指定的研究区域，重新启动指定区域内不同土地分类的样点。如果研究区域内没有此类地类，则可以忽略。4. 选择要分类的图像时间范围。5.根据 Threshold 复选框选择图像阈值。6. 根据时间选择不同的图像集，加载指定时间范围内的土地分类结果。 

 文章引用

MDPI and ACS Style

Yan, X.; Li, J.; Smith, A.R.; Yang, D.; Ma, T.; Su, Y. Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data. Land 2023, 12, 2149. https://doi.org/10.3390/land12122149

AMA Style

Yan X, Li J, Smith AR, Yang D, Ma T, Su Y. Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data. Land. 2023; 12(12):2149. https://doi.org/10.3390/land12122149

Chicago/Turabian Style

Yan, Xingguang, Jing Li, Andrew R. Smith, Di Yang, Tianyue Ma, and Yiting Su. 2023. "Rapid Land Cover Classification Using a 36-Year Time Series of Multi-Source Remote Sensing Data" Land 12, no. 12: 2149. https://doi.org/10.3390/land12122149