2024
09/29
[基于光谱指数融合的深度模型的多云地区时间序列土地利用和土地覆盖制图：以珠江三角洲为例]
●●●
PART.01
研究背景
土地利用和土地覆被 （LULC） 数据集在各种应用中作为基础数据发挥着至关重要的作用，包括土地利用规划和管理、生态环境保护和农业。LULC 映射一直是一个受欢迎的研究课题，并且随着数据采集和处理能力的进步而不断发展。
影像分类是 LULC 映射的基础，它根据从像素、对象和地理图斑到场景的各种空间单位对遥感影像进行分类。最近，基于深度学习的 LULC 分类方法主要用于像素到像素 LULC 分类，这通常涉及训练端到端深度模型，这些模型将输入图像的每个像素或分割对象分类到特定类别中。
尽管近年来取得了显著进展，但 LULC 制图领域的两个主要问题仍然存在。一方面，光学图像时间序列中的云覆盖降低了时间序列 LULC 映射数据的可用性。另一方面，识别动态变化的土地模式，尤其是在不同的水域，对于组成准确的年度 LULC 地图具有挑战性但很重要。同时，利用一年内所有可用图像时间序列的年度 LULC 映射有望进一步提高映射精度。
为了改进多云和多雨地区的高时间密度 LULC 制图，本研究提出了一种综合的时间序列 LULC 制图方法，以增强浓云覆盖和不同水况下的 LULC 制图。该方法旨在生成和合成具有高精度的无缝近实时、月度、季节性和年度 LULC 地图。具体来说，构建了从图像中融合特定任务光谱指数的光谱指数融合深度模型，分别用于云掩蔽和 LULC 分类。通过时间序列细化进行细化的云掩膜有望减少云对 LULC 制图的负面影响。同时，时间序列云图像的重建将有利于 LULC 映射的精度。特别是，在分类后处理中考虑时间变化模式有利于识别类，这些类可能经常出现在水-地交互中。本研究的目标如下：（1） 开发一种在多雨多云地区进行高质量时间序列 LULC 制图的综合方法;（2） 揭示云对 LULC 制图的影响以及时间序列重建和具有密集图像时间序列的 LULC 制图的好处;（3） 在研究区域生产一系列性能优于其他现有产品的 LULC 产品。所提出的方法有望应用于世界其他地区，以生成高度可靠的 LULC 产品，尤其是在易云地区。
PART.02
数据与方法
1.数据来源
选择来自欧洲航天局运行的 Sentinel-2 A/B 卫星的 Sentinel-2 图像作为研究数据。具体来说，大湾区中协调的 Sentinel-2 Level-2 A（即表面反射率）图像时间序列是来源于 Google Earth Engine（GEE）平台。此外，LULC 映射实验还整合了一个从2018年12 月1日到 2023 年 1 月 31 日的 4 年图像数据集。Sentinel-2 影像中所有导出的光谱波段的空间分辨率通过 GEE 中的默认最近邻重采样统一为 10 m，时间分辨率为 2-5 天，因区域而异。
2.研究方法
本研究提出了一种集成的 LULC 映射方法，该方法包括四个主要步骤。所提方法首先通过基于 CNN 的 spectral-indices-fused deep 模型初始化时间序列 Sentinel-2 图像的云和云阴影掩码。然后通过时间序列滤波重建 Sentinel-2 时间序列中受云或云阴影污染的像素，在此期间对初始云掩码进行细化以提高重建效果。此后，重建的时间序列图像被馈送到另一个深度模型中，该模型使用在全球范围内收集的样本进行训练，用于 LULC 分类。最后，进行分类后处理以提高 LULC 映射的准确性和一致性。对所生产的 LULC 产品的准确性进行定量评估，并与大湾区现有主流 LULC 产品进行比较。特别是，评估了云覆盖对 LULC 制图的影响。
PART.03
重要图表
PART.04
研究结论
该文提出了一种使用密集 Sentinel-2 时间序列的 LULC 映射集成方法。此方法可用于多云区域的近乎实时、每月、季节性和每年的制图，尽管不同时间段的分类精度存在时间差异。通过开发深度模型来提高云掩蔽和 LULC 分类的准确性，采用时间序列重建方法填充云污染像素，并应用时间序列后分类处理和分析，所提出的方法在云掩蔽和 LULC 分类方面显示出优于比较方法的优势。所提出的方法在大湾区的应用表明，它可以生成准确的 LULC 地图，在年尺度上实现 87.01% 的总体平均值，在近乎实时的尺度上实现 80.13% 的平均值，从而优于比较的年度 LULC 产品。我们评估了云覆盖对 LULC 测绘的影响，表明有必要开发先进的云掩蔽方法来提高 LULC 测绘精度，就像本研究中所做的那样。还讨论了时间序列重建和使用密集时间序列图像进行 LULC 映射的好处，这说明了它们对 LULC 映射的贡献，特别是在改进涉及陆地和水相互作用的 LULC 类型以及云多发地区的映射结果方面。
所提出的方法中的深度模型是在全球收集的数据上训练的，可用于研究区域以外的全球其他地区的 LULC 制图。同时，所提出的方法也可以应用于单个 LULC 类别的近实时监测（例如，农田、湿地和淹没土地的时间序列监测），因此具有广泛的潜在应用。然而，所提方法在深度模型性能方面的局限性和多个处理步骤带来的误差传播为进一步改进留下了很大的空间，例如与最先进的大型基础模型集成，并在 LULC 映射的制作过程中引入质量控制。此外，还需要在研究区域进行实地调查以进一步验证 LULC 产品，尤其是在具有挑战性的制图场景中，例如草/灌木、湿地和洪水植被类。未来，随着更先进的深度模型（例如，大型基础模型）和多模态数据（例如，Sentinel 1 和 2 的组合）的引入，可以进一步增强在多云和多雨地区具有密集图像时间序列的 LULC 映射。可以充分利用 SAR 图像的潜力，以利于在持续云覆盖期间识别动态土地变化模式。
PART.05
小编说
该文章题目为“Learning spectral-indices-fused deep models for time-series land use and land cover mapping in cloud-prone areas: The case of Pearl River Delta”，于2024年发表在Remote Sensing of Environment期刊，IF=11.1。
引用：Zhiwei Li, Qihao Weng, Yuhan Zhou, Peng Dou, Xiaoli Ding,Learning spectral-indices-fused deep models for time-series land use and land cover mapping in cloud-prone areas: The case of Pearl River Delta,Remote Sensing of Environment,Volume 308,2024,114190,ISSN 0034-4257.
文献声明
欢迎转载、转发本号发布的内容，可留言或后台联系小编进行授权。未经授权允许的，请勿在其他渠道或平台转载转发。文中部分来源于网络的图片，以及转述他人的内容，如涉及作品版权和其他问题，请留言联系小编处理。
本期编辑：肖文文
本期文案：肖文文
<<< END >>>
