基于Google Earth Engine的中国北方四大沙地灌木覆盖度估算

论文摘要

我国北方地区曾是风沙危害、水土流失较为严重的区域。上世纪80年代,随着“三北”防护林、京津风沙源治理等多项大型林业生态恢复工程的开展,中国北方干旱、半干旱区植被覆盖情况发生了巨大的变化。地处北方农牧交错带的四大沙地生态环境极为脆弱,对气候变化的响应十分剧烈。灌木作为该区域的优势植被对于风沙固定、食品/木材供给起着极为重要的作用。掌握该区域的灌木覆盖情况对于植被生长状况评估及荒漠化监测意义重大,由于当前大尺度、中高分辨率干旱地区灌木覆盖度遥感产品缺失,使得提出一套适用于干旱区沙地灌木覆盖度估算方法迫在眉睫。鉴此,本研究基于Google Earth Engine（GEE）遥感云平台,以Landsat-8地表反射率产品为数据源,结合Collect Earth样本收集器和野外调查样点,选取地处中国北方农牧交错带的四大沙地为研究区,开展针对干旱区沙地灌木植被覆盖度的定量估算。首先,深入的解释了Collect Earth样本收集器的原理及采样方法,并通过GEE平台完成数据处理流程及相关遥感特征参数的提取。然后,结合本研究全面系统的介绍了分类回归树（CART）、随机森林（RF）、支持向量机（SVM）三种机器学习算法,并对比了三种算法的优缺点。最后,分别构建三种机器学习估算模型并对模型估算精度进行验证。研究结果表明:（1）Collect Earth作为一款用于土地监测的开源软件,通过联合多个高时空分辨率地图存档,并提出了“增强视觉解译法”以提升样本采集精度,该方法可帮助研究人员通过超高分辨率影像快速采集样本。在地表异质性较强、植被较为稀疏的干旱区沙地,Collect Earth样本收集器可以有效地获取地面灌木覆盖度样本数据集,可以将灌木与高大乔木与草本植被进行有效区分,为灌木覆盖度估算奠定了基础;（2）本文基于GEE平台分别构建三种机器学习模型,三种模型均展现了对于四大沙地灌木覆盖度的估算能力。其中SVM模型估测效果最好,估算精度（Estimated Accuracy,EA）达到66.8%,均方根误差（Root Mean Square Error,RMSE）为7.04%,模型确定系数（R2）高达0.93。但SVM模型的缺点也是明显的,在植被以中低覆盖为主的干旱区沙地,模型构造的超平面对高覆盖地区预测能力不足,出现了较为严重的低估。另外两个模型预测能力相对较差,估算精度均为54%左右,其中CART模型和RF模型估算均方根误差分别为9.86%和9.75%,确定系数均为0.72;（3）GEE平台存储了公开可用的全球尺度上近40年的遥感数据,其中包括Landsat、Sentinel、MODIS等国际主要卫星遥感平台数据及其他遥感产品,整个数据存储量达到BP级。通过平台提供的应用编程接口（API）可完成各种复杂的地图运算,通过即时分布式并行化计算,极大的提高了运算速率。在超级计算机上需要几天或几周完成的数据计算、分析,在GEE平台上仅需几小时便能完成,大大降低了数据计算成本,降低数据冗余度。是今后国家尺度、洲际尺度、全球尺度遥感研究中必不可少的平台基础;总体来说,本研究提出了一种大尺度、中高分辨率、适用于干旱地区沙地、可与高大乔木和低矮草本区分的灌木覆盖度遥感快速估算的方法,可以对当前缺失大尺度、中等分辨率干旱地区灌木覆盖度遥感产品的现状形成有效补充。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景与意义
•   1.2 国内外研究现状
•     1.2.1 植被覆盖度遥感估算研究进展
•     1.2.2 乔、灌、草分层覆盖度研究
•     1.2.3 遥感云平台的发展及应用
•     1.2.4 Google Earth Engine遥感云平台
•   1.3 研究目标和主要研究内容
•     1.3.1 研究目标
•     1.3.2 主要研究内容
•   1.4 研究技术路线
• 第二章 研究区概况与数据获取
•   2.1 研究区概况
•     2.1.1 研究区自然概况
•     2.1.2 研究区社会经济状况
•     2.1.3 研究区沙化土地发展历程
•   2.2 研究区数据获取
•     2.2.1 多源遥感数获取
•     2.2.2 野外调查样点获取
• 第三章 Collect Earth样本收集器样本库构建
•   3.1 Collect Earth样本收集器
•     3.1.1 样本收集器框架结构
•     3.1.2 样方设计及属性设定
•     3.1.3 增强视觉解译
•     3.1.4 四大沙地样本数据库构建
•   3.2 样本数据综合评估
•     3.2.1 影像质量影响
•     3.2.2 影像时效性影响
•     3.2.3 地表覆盖物影响
• 第四章 基于Google Earth Engine平台的数据处理
•   4.1 影像数据预处理
•     4.1.1 影像筛选
•     4.1.2 NDVI最大合成
•   4.2 遥感特征参数提取
•     4.2.1 光谱信息提取
•     4.2.2 植被指数提取
•     4.2.3 地形因子提取
•     4.2.4 气候参数提取
• 第五章 机器学习算法估算灌木覆盖度
•   5.1 使用数据
•   5.2 研究方法
•     5.2.1 分类回归树（Classification And Regression Tree）算法
•     5.2.2 随机森林（Random Forest）算法
•     5.2.3 支持向量机（Support Vector Machine）算法
•   5.3 不同算法分析
• 第六章 基于Google Earth Engine平台的灌木覆盖度估算
•   6.1 估算变量选择
•     6.1.1 影像数据一致性分析
•     6.1.2 变量相关性分析
•   6.2 灌木覆盖度机器学习模型构建及应用
•     6.2.1 分类回归树（CART）估算模型
•     6.2.2 随机森林（RF）估算模型
•     6.2.3 支持向量机（SVM）估算模型
•   6.3 模型精度验证
•     6.3.1 估算精度评价
•     6.3.2 模型精度分析
• 第七章 结论与讨论
•   7.1 主要结论
•     7.1.1 Collect Earth样本收集器采样
•     7.1.2 机器学习模型灌木覆盖度估算
•     7.1.3 Google Earth Engine平台大尺度估算
•   7.2 讨论
• 参考文献
• 在读期间学术研究
• 致谢

文章来源

类型: 硕士论文

作者: 陈黔

导师: 杨广斌,李晓松

关键词: 四大沙地,灌木覆盖度,机器学习

来源: 贵州师范大学

年度: 2019

分类: 基础科学

专业: 数学,生物学

单位: 贵州师范大学

分类号: O212;Q948

DOI: 10.27048/d.cnki.ggzsu.2019.000283

总页数: 70

文件大小: 6011K

下载量: 245