利用机器学习和Google Earth Engine进行生态多样景观中高分辨率森林冠层覆盖估计：有效性和可靠性评估

题目：High-resolution forest canopy cover estimation in ecodiverse landscape using machine learning and Google Earth Engine: Validity and reliability assessment

期刊：Remote Sensing Applications: Society and Environment

第一作者：Hamdi A. Zurqani

发表单位：University of Arkansas System

发表日期：2024年

1. 摘要

研究背景：Forest Canopy Cover (FCC)（森林冠层覆盖）是森林健康和功能的重要因素，因为它在生态系统服务中起着碳封存、野生动物栖息地和水调节等方面的作用。准确高效地映射和提取FCC信息的技术正在迅速发展，评估它们的有效性和可靠性具有重要意义。

拟解决的科学问题：本研究的主要目标是：

1）开发一个具有1米空间分辨率的大尺度FCC数据集；

2）在区域尺度评估FCC的空间分布；

3）检查在阿肯色州（即县和城市级别）的现有Tree Canopy Cover（TCC）百分比数据（来自Hansen等人，2013年）和美国森林服务（USFS）TCC产品中FCC面积的差异。

创新点：该研究的创新点主要体现在以下几个方面：

利用机器学习和Google Earth Engine技术，提供了一种新的方法来估计生态多样景观中的高分辨率森林冠层覆盖，弥补了传统方法的局限性。通过交叉验证和误差分析等方法，对估计结果的有效性和可靠性进行了评估，证明了该方法的准确性和稳定性。与传统遥感技术进行比较和验证，进一步证明了该方法在提供更高分辨率的森林冠层覆盖估计方面的优势。

2. 研究方法

本研究采用了以下方法：1. 图像预处理和分类 2. 训练和测试分类器：使用分层抽样方法和视觉解释技术，利用Hansen等人（2013）的树冠覆盖百分比数据和0.6米空间分辨率的国家农业图像计划（NAIP）航拍图像，在阿肯色州的每个县生成了2000多个参考点，每个类别（即森林和非森林）至少有450个参考点。然后，这个参考数据集被随机分成包含70%观测的训练数据集和包含剩余30%观测的测试数据集。训练数据集用于训练监督分类器算法，测试数据集用于测量结果的准确性。3. 准确度评估：测试数据集代表了观测值的三分之一，用于验证生成的森林冠层覆盖（FCC）地图。根据先前的研究，计算混淆矩阵以评估结果的准确性，考虑到制图精度、用户精度、总体精度、F1分数和kappa系数

数据处理和分析步骤的流程图

3. 研究结果

这项研究通过使用高分辨率航拍图像和机器学习算法，在Google Earth Engine云计算平台上进行处理和分析，提出了第一代空间分辨率为1米的森林冠层覆盖（FCC）数据集的案例研究。该数据集是在美国阿肯色州进行的，为该地区的FCC分布和范围提供了有价值的信息。结果显示，在研究区域内，数据集成功地以1米分辨率识别了FCC，每个县的总体精度在83.31%到94.35%之间。生成的FCC数据集与Hansen等人（2013年）和USFS产品在县级和城市级别的空间比较结果还表明，存在强烈的正相关关系，R2值在0.94到0.98之间。该数据集为阿肯色州和其他地区监测、预测和管理森林资源提供了宝贵信息。此外，本研究结果表明，机器学习和云计算技术可生成高分辨率的森林覆盖数据集，并可应用于全球其他地区。

美国阿肯色州研究区地图

随机森林分类器识别的变量重要性；变量被分为四个类别，用不同颜色表示。具有较高值的变量比具有较低值的变量更为重要

美国阿肯色州每个县的最终森林林冠覆盖（面心立方）地图的总体准确性

从NAIP图像中提取的美国阿肯色州的森林冠层覆盖（FCC）可视化。像素为1平方米

从NAIP图像提取的美国阿肯色州每个县的森林冠层覆盖（FCC）百分比。像素1平方米

研究区域内FCC的选定示例：（a）站点A的NAIP图像，（b）站点A的NAIP数据派生的高分辨率森林覆盖地图，（c）站点A的Hansen等人（2013年）的TCC百分比数据，（d）站点A的美国林务局TCC产品，（e）站点B的NAIP图像，（f）站点B的NAIP数据派生的高分辨率森林覆盖地图，（g）站点B的Hansen等人（2013年）的TCC百分比数据，（h）站点B的美国林务局TCC产品，（i）站点C的NAIP图像，（j）站点C的NAIP数据派生的高分辨率森林覆盖地图，（k）站点C的Hansen等人（2013年）的TCC百分比数据，（l）站点C的美国林务局TCC产品

散点图显示了来自NAIP图像的FCC与Hansen等人（2013年）和USFS产品的FCC之间的差异。结果显示了阿肯色州的FCC：（a和b）在县级（n = 75）和（c和d）在城市级（n = 500）。残差比例的图例显示了不一致程度，较红的颜色表示Hansen等人（2013年）和USFS产品中的FCC区域更多，较蓝的颜色表示来自NAIP图像的FCC区域更多。没有差异的区域将显示为灰色。虚线是拟合线，蓝色的1:1线是作为参考线包含的

4. 结果与讨论

本研究的结果表明，该研究与Hansen等人（2013年）和USFS产品在县级和城市级别均存在强烈的正相关关系，R2值相当高。然而，两者在FCC估计上存在一些差异，表明进一步的研究和分析可能有助于更好地理解这些差异。例如，值得探讨两个数据集使用的数据收集和处理方法之间的差异。检查每个数据集中使用的数据分辨率的差异以及其对估计精度的影响也可能是有益的。此外，考虑可能影响估计的环境因素，如天气条件或土地利用变化，可能也是有益的。

总的来说，这项研究对于通过为阿肯色州和其他地区的森林资源管理、保护和土地利用政策提供宝贵信息，具有重要意义。它还表明，类似的方法可以用于估计其他类型的土地覆盖，如草地、湿地和灌木地。此外，它为利益相关者以成本效益的方式精确观察和分析FCC随时间变化提供了途径。

参考文献：Zurqani H A. High-resolution forest canopy cover estimation in ecodiverse landscape using machine learning and Google Earth Engine: Validity and reliability assessment[J]. Remote Sensing Applications: Society and Environment, 2024, 33: 101095.

- 往期回顾 -

1.GEE 去云专题与数据下载详解

2.基于GEE的中国安徽北部生态环境质量影响因素的动态监测与分析

3.全球海港向海上扩张足迹