基于Sentinel-2的城市土地覆盖制图：光谱-空间-时间的分析 (Urban land cover mapping with Sentinel-2: a spectro-spatio-temporal analysis)
Fei Xu, Stien Heremans & Ben Somers
由于高空间分辨率（10米和20米）、丰富的光谱信息（10个光谱带）和短重访期（5天），Sentinel-2为地球观测提供了新的机会。然而，在城市环境中，空间和光谱方面的数据限制制约了Sentinel-2的性能：（1）Sentinel-2的空间分辨率不足以解析多种多样的城市景观，混合像素的普遍存在降低了图像分类器的性能；（2）Sentinel-2的光谱分辨率不能完全解析出城市表面多种材质的光谱变化，这增加了图像分类器错误标记城市土地覆盖的概率。此外，5天的重访周期使Sentinel-2图像数据适合于时间序列分析，但其对城市土地覆盖制图的贡献仍需检验。本研究提出了对于Sentinel-2的优化改进措施：减轻光谱变化的影响（使用FDA，Fisher Discriminant Analysis），提高图像的空间分辨率（使用UnFuSen2，一种先进的Sentinel-2图像融合方法），以及从时间序列图像中提取时间和光谱特征的效率，进而评估了改进后的Sentinel-2在绘制城市土地覆盖图方面的表现。总体而言，研究发现由UnFuSen2处理的图像时间序列使k近邻算法（KNN）、极大似然估计（MLC）和随机森林（RF）的分类器表现最佳，多成员光谱混合分析（MESMA）适合于对由FDA和UnFuSen2联合处理的图像时间序列进行分类。此外，研究发现使用春夏两季的遥感图像对提高布鲁塞尔首都地区的土地覆盖制图精度有很大贡献。
引用
Xu, F., Heremans, S. & Somers, B. Urban land cover mapping with Sentinel-2: a spectro-spatio-temporal analysis. Urban Informatics 1, 8 (2022).
https://doi.org/10.1007/s44212-022-00008-y
研究背景与研究问题：
全球范围内的城市化进程导致了从自然地表到人工地表的巨大转变，并衍生出各种环境问题。跟踪城市扩张有助于我们理解城市化和自然环境之间的关系，是环境科学家和政府机构的主要职责之一。光学卫星图像已被广泛认为是能够在较大空间尺度和较长时间跨度中监测城市土地覆盖变化的有效数据，然而高成本限制了这一技术的适用性。相比之下，低成本、较长时间序列和周期性观测的中等空间分辨率的多光谱卫星图像具有更广泛的应用前景。
Sentienl-2数据作为目前具有最高空间、光谱、时间分辨率的中等空间分辨率的多光谱卫星图像数据，为提高城市土地覆盖制图提供了极大的便利。然而，在实际应用中，Sentienl-2数据仍然存在一些缺陷：
（1）空间上混合像素带来的识别困难；
（2）材料、几何形状和光照条件导致的光谱变化；
（3）使用图像时间序列进行土地覆盖制图的不确定性。
与之对应的，一些研究团队分别提出了优化的技术路径：
（1）通过图像融合（Image Fusion）技术提高卫星图像的空间分辨率；
（2）光谱归一化（Spectral Normalization）、FDA（Fisher Discriminant Analysis）等方法可以大幅度降低光谱变化带来的影响；
（3）选取恰当的时间分辨率和多时空图像。
本研究结合了上述优化技术，以提高基于Sentinel-2图像数据绘制城市土地覆盖图的性能。
研究内容：
本研究选择了比利时布鲁塞尔首都地区及其郊区作为研究区域。这一地区占地162平方公里，包含了人工土地（由建造活动产生的棕色土地表面），水体和城市绿地。作者将城市绿地细分为高绿地（常绿树或者落叶树覆盖），低绿地（草地和灌木）和耕地。收集了2018年的Sentinel-2图像，包括了3张春季、3张夏季、2张秋季和1张冬季。对于每张图像，使用了十个20米光谱带（其中四个为10米光谱带重新采样到20米的分辨率）。从图1中的采样点为每个土地覆盖类型选择500个像素作为训练样本，同时选择了12个区域来验证土地覆盖分类的正确性，每个地区占地5.76平方公里。为每种土地覆盖类型抽取了100个独立样本来验证参考地图的正确性，得出的卡帕系数为0.92。
图1：本次研究的区域和样本范围
本次研究中提出了一种改进优化后的Sentinel-2方法，包含了三个主要技术：
一、采用FDA解决光谱改变的问题
相比于其他的预处理方法，采用FDA方法可以很大程度上消除光谱改变对土地覆盖制图带来的负面影响。FDA方法需要获得投影方向，然后将反射图像转变为具有新的特征带的图像。
二、使用UnFuSen2增强空间分辨率
使用UnFuSen2将Sentinel-2的20米光谱带锐化为10米分辨率。
三、为城市土地覆盖制图增加时间观测数据
将不同月份观测到的Sentinel-2图像堆叠起来，生成时间序列光谱特征，用于土地覆盖类型的分类。
在这项研究中，采用了四种广泛使用的分类器，以评估Sentinel-2在城市土地覆盖制图中的表现。
（1）k近邻算法，k nearest neighbors（KNN）；
（2）极大似然估计，Maximum likelihood classifier（MLC）；
（3）随机森林，Random forests classifier（RF）；
（4）多成员光谱混合分析，Multiple endmembers spectral mixture analysis（MESMA）。
本次研究的框架如图2所示，主要分为两个部分：第一部分为生成8种类型的数据集，包括4种单日期图像和4种时间序列图像；第二部分为采用四种分类器对数据集做分类处理。
图2：研究框架图
图3：4种分类器对图像数据分类处理的卡帕系数
图4：4种分类器对不同样本量图像数据分类处理的卡帕系数
图5：结果对比分析
本研究探讨了光谱（FDA），空间（UnFuSen2），和时间（image stacks）这三个方面对提升基于Sentinel-2数据的城市土地覆盖分类的精确度的单独影响和组合影响。以比利时布鲁塞尔城市地区为例，开展了实验并得出了以下结论，可以指导使用者如何在上述三个方面利用sentinel-2数据。
（1）当训练样本量较小时，建议使用FDA来处理Sentinel-2反射图像并做分类。这一建议适用于KNN，RF，MESMA。
（2）对于布鲁塞尔城市地区，春夏两季卫星影像提供的多时空观测数据能够实现土地覆盖制图的最佳精度。
（3）在使用KNN、RF或MLC对单日期图像进行分类的情况下，由于图像锐化的误差，建议使用UnFuSen2而不使用FDA预处理。相比之下，在使用MESMA时，建议同时使用FDA和UnFuSen2来处理单一日期的Sentinel-2图像。
（4）在使用KNN、RF或MLC对图像时间序列进行分类的情况下，只建议使用UnFuSen2进行预处理。相比之下，当使用MESMA对Sentinel-2数据的时间序列进行分类时，建议FDA和UnFuSen2联合处理。
许飞，香港理工大学土地测量及地理资讯学系博士后研究员。主要研究方向为城市生态系统，环境分析与评估。于2022年在比利时鲁汶大学（Katholieke Universiteit Leuven）获得博士学位。
https://www.researchgate.net/profile/Fei-Xu-107
Stien Heremans，比利时鲁汶大学（Katholieke Universiteit Leuven）博士后研究员。研究聚焦于使用遥感数据和机器学习模型提取土地利用、生态环境相关的数据。
https://www.researchgate.net/profile/Stien-Heremans
Ben Somers，比利时鲁汶大学（Katholieke Universiteit Leuven）教授。主要研究方向为遥感信息和生态环境分析与评估。研究团队聚焦于"基于自然的解决方案 "，利用自然元素来解决当今与城市化和全球变化相关的环境挑战，通过植被和绿色基础设施改善城市居民的生活质量。
https://www.researchgate.net/profile/Ben-Somers-2
END
编辑：李舒阳、刘乃瑜
审核/指导：许飞、刘信陶、曹瑞
