评估以人工林为主的地区土地覆盖分类的模型迁移性:老挝琅南塔与马来西亚沙巴的比较研究

《Remote Sensing Applications: Society and Environment》:Assessing Model Transferability for Land Cover Classification in Predominantly Plantation Regions: A Comparison of Luang Namtha, Laos and Sabah, Malaysia

【字体: 大 中 小 】 时间:2026年07月01日 来源:Remote Sensing Applications: Society and Environment 3.8

编辑推荐:

  阿兹瓦尔·阿兹米拉·苏贾斯瓦拉|西通·通马尼冯|戈登·约翰|约特·万纳辛|纳西里·本·萨比亚|格蕾丝·Y·王 日本京都北区上贺茂町元山457-4,人类与自然研究机构 **摘要** 大规模土地覆盖分类需要大量的数据源、训练样本、分类算法以及强大的计算能力。谷歌地球引擎

  阿兹瓦尔·阿兹米拉·苏贾斯瓦拉|西通·通马尼冯|戈登·约翰|约特·万纳辛|纳西里·本·萨比亚|格蕾丝·Y·王
日本京都北区上贺茂町元山457-4,人类与自然研究机构

**摘要**
大规模土地覆盖分类需要大量的数据源、训练样本、分类算法以及强大的计算能力。谷歌地球引擎等平台的出现极大地改变了这一现状,它通过云计算实现了对大型数据集的高效处理。然而,由于植被覆盖的快速变化以及野外数据收集的局限性,为大规模制图维护稳定的训练数据集仍面临挑战。本研究探讨了迁移学习的潜力,即重新利用当前时期的训练数据集,并将训练好的模型应用于不同时间。研究在东南亚和老挝北部(琅南塔省)以及马来西亚婆罗洲(沙巴州)这两个植被类型各异的地区进行。训练数据集通过野外调查获取,并从高分辨率影像中提取特征点。土地覆盖分类是在谷歌地球引擎平台上使用随机森林算法完成的。结果表明,在参考场景下,整体准确率分别为0.93和0.90。而在迁移场景下,整体准确率有所下降。两个研究地点的森林类别以及沙巴州的红树林类别在参考场景和迁移场景下的F值均保持稳定。研究表明,对于那些光谱特性稳定且差异明显的植被类别,这种方法有望减少为中期应用而收集新训练样本的工作量。我们的研究有助于监测种植园的建立与扩张,这对于评估土地覆盖变化带来的生态和社会影响具有重要意义。

**引言**
土地覆盖制图,尤其是在更大尺度上,对于环境监测至关重要,能为决策者管理自然资源提供依据(Aljanabi等人,2024;Meresa和Gebrewhid,2019)。它不仅能反映景观的生物物理变化,还能揭示土地利用变化背后的人为活动(Wijesingha等人,2024)。过去十年间,热带地区的森林大量消失,这主要归因于农业扩张,而农业扩张又与农业商品的需求和贸易密切相关(Pendrill等人,2019)。

要进行高质量的大规模土地覆盖分析,需要大量的数据源、训练样本以及强大的计算能力。随着机器学习算法的发展,以及谷歌地球引擎、FAO的地球观测数据访问系统、Open Data Cube、openEO、土地监测处理与分析系统(SEPAL)等云计算平台的出现,大规模土地覆盖分析的制图效率得到了提升(Gomes等人,2020;Petersen等人,2018)。尽管这些平台可免费使用,但谷歌地球引擎的应用范围更为广泛。它能够处理大量多源数据和时间序列遥感数据,还包含图像处理和机器学习等多种算法,这些算法在近几十年里取得了显著进展(Gomes等人,2020)。谷歌地球引擎为土地覆盖变化模式、城市扩张、森林砍伐以及环境监测提供了新的见解,解决了以往因计算能力和数据获取限制而难以处理的难题。因此,它在资源有限、交通不便且环境条件恶劣的研究区域尤为适用(Tamiminia等人,2020)。

尽管有了这些技术进步,数据短缺仍然是收集和维护高质量训练样本面临的挑战。即便拥有多源遥感数据和高性能计算能力,训练样本的质量依然对确保高质量的大规模土地覆盖分类至关重要。训练数据不足会导致严重的分类错误。然而,获取此类数据往往十分困难。手动标注虽然有效,但既费力又耗时(Zhao等人,2021)。虽然野外调查能提供可靠的数据,但其成本高昂且耗时较长,因此不适用于大规模和持续性的制图工作(Duarte等人,2022;Zhang和Li,2022)。传统上,一旦绘制出地图,人们会尽力充分利用其价值,因为这需要投入大量资源。然而,当需要新的地图时,以往制图所获得的遥感数据和野外数据往往无法使用(Gong等人,2016)。因此,应尽可能减少通过野外调查或手动标注来收集新数据的工作。对于需要时间序列或连续性的大规模制图而言,维护稳定的训练数据集尤其困难,尤其是当出现快速且显著的变化时。

一种减少新数据收集需求的办法是模型迁移或迁移学习。这是一种机器学习技术,即将在一个任务上训练好的模型重新用于另一个相关任务。在土地覆盖领域,可以使用当前年份的训练数据训练出的模型,来对其他地区或不同时间段的土地覆盖进行分类(Qin和Liu,2022;Siddamsetty等人,2023)。通过模型迁移,我们可以重复利用现有的训练数据集。迁移学习可以减少手动标注的工作量,同时避免频繁的野外调查。以往的研究已尝试在商品农业用地的分类中评估模型迁移能力,这些研究通过迁移学习方法对作物类型进行了分类,取得了较好的效果(Hu等人,2022;Wijesingha等人,2024)。

尽管以往关于作物类型分类的迁移研究取得了良好结果,但将迁移模型扩展到树木种植园和商品种植园时,会面临独特的光谱相似性挑战。在本研究中,“商品种植园”指的是那些大规模种植桉树、金合欢、油棕和橡胶等具有商业价值的物种,以用于市场销售的区域。这类种植园在科学上的土地利用/土地覆盖分类图中已被视为与天然森林不同的独立类别(Curtis等人,2018)。对这些商品需求的增加导致了东南亚地区严重的森林砍伐(Wagner等人,2022;Wang等人,2023)。在基于遥感影像的土地覆盖分析中,这些商品往往被归类为森林覆盖(Zalles等人,2024)。因此,由于树木种植园的扩张而导致的实际森林砍伐往往“未被发现”。更好地理解迁移学习在这些土地覆盖特征上的作用,有助于开发更精细的分类模型,尤其是针对树木覆盖的子类别。由此得出的结果可以为更准确的森林砍伐监测工具提供支持,同时帮助我们更清晰地了解种植园扩张的动态。

尽管已有不少制图工作,但在将迁移学习应用于商品种植园方面仍存在显著的研究空白。有一些研究试图对商品种植园进行制图,但并未评估其迁移性能。例如,Condro等人(2020)利用谷歌地球引擎对国家层面的农业商品种植区进行了制图。他们对油棕的识别精度较高,但由于缺乏橡胶等其他商品的训练样本,其识别精度偏低,这反映出空间数据不平衡的问题,同时也未能测试该模型在时间上的迁移能力。此外,这项研究仅限于某一特定时期。另一个例子是Zhou等人(2023)的研究,他们利用连续变化检测与分类算法,通过密集的历史时间序列数据,对中国境内的长期种植园分布进行了分析,总体准确率为88.77%。然而,这种方法依赖于频繁且高密度的观测数据,而在热带地区,持续的云层覆盖会干扰数据的连续性和可用性,从而带来重大挑战。

目前现有的土地覆盖地图产品,在时间连续性和主题细节之间仍存在平衡问题。虽然有许多全球性和国家级的土地覆盖制图产品,但这些产品在地图的连续性和主题细节之间难以兼顾。诸如ESA CCI土地覆盖图(ESA,2017)和Copernicus全球土地覆盖图(Buchhorn等人,2020)之类的全球产品,能够在较大范围内持续提供有价值的土地覆盖信息。不过,这些产品仅能提供土地覆盖的总体概况,缺乏如具体商品种植园这样的详细分类。一些国家则努力制作更高分辨率、分类更细致的土地覆盖地图。例如,老挝农业土地管理部制作的农作物土地覆盖图,就提供了高分辨率的地图以及详细的农作物覆盖分类(FAO和MAF,2020)。然而,由于资金不足,这类制图工作往往只能产出单年度的地图,难以实现持续的高分辨率和更详细的土地覆盖分类。这类项目通常只是为某个特定项目或与某国捐助方相关的活动提供部分支持,缺乏可持续支持土地覆盖监测项目的核心资金(Saah等人,2019)。针对商品种植园的迁移性研究,有助于填补现有制图产品的不足,推动更详细、更连续的土地覆盖制图产品的开发。

因此,本研究旨在探讨树木种植园和商品种植园背景下的时间迁移性能。分析重点在于土地覆盖制图。虽然土地利用信息与之相关,但本分析仅限于基于卫星影像的土地覆盖分类。主要目标是了解在热带森林景观中,对树木种植园和商品种植园进行分类时的时间迁移性能。我们希望首先建立起一个基准,了解在以植被为主的区域(包括森林、灌木丛、种植园等),在考虑更复杂的处理方法和算法之前,迁移性能到底能发挥多大作用。具体而言,我们拟解决以下研究问题:
•在以植被为主的区域,我们在多大程度上可以依赖分类模型的迁移性能?
•哪些因素会影响并提升迁移性能?
•在每个研究地点,哪些土地覆盖类别在模型迁移过程中表现较好?

**研究地点**
本研究在老挝北部和马来西亚婆罗洲的两个研究地点进行。选择这两个地点是因为它们的条件相似,都属于植被覆盖为主的区域,且近几十年来都经历了快速的森林向商品种植园的转化。此外,这两个地区的云层覆盖较为频繁,给遥感工作带来了挑战。这些共同特点使得这两个地点非常适合研究在复杂大气条件下的迁移性能。

**光谱特征与特征重要性**
图5展示了研究地点的中位光谱特征和地形特征。在两个研究地点,非植被类别(建筑区、裸地和水体)在植被土地覆盖中的区分度很高,尤其是在植被指数方面。植被区域的反射率在近红外波段较高,这是由于叶片内部结构的强反射作用,其NDVI指数值通常处于较高水平。植被土地覆盖类别在……

**讨论**
本研究利用谷歌地球引擎,评估了以植被为主的商品种植区的土地覆盖分类性能及其时间迁移能力。本研究的结果具有若干重要意义。虽然以往的研究多集中在作物分类或一般土地覆盖制图上,但本研究专门针对商品种植园进行了探讨。所选研究地点的景观差异较大,为我们提供了宝贵的见解,有助于了解迁移性能在两种不同景观条件下的表现。

**结论**
本研究探讨了在以植被为主的区域,尤其是以商品种植园为主的区域,土地覆盖分类模型的迁移性能如何。我们评估了在山区和沿海地区,以及不同类型的商品种植园中的模型迁移性能。研究发现,在参考场景下,土地覆盖分类性能相当稳定,尤其是在琅南塔省。然而,在迁移场景下,分类的准确性有所下降。

**作者贡献**
阿兹瓦尔·阿兹米拉·苏贾斯瓦拉:写作——审阅与编辑,写作——初稿撰写,验证,方法论,正式分析,数据整理,概念构建。
西通·通马尼冯:写作——审阅与编辑,方法论。
戈登·约翰:写作——审阅与编辑,数据整理。
约特·万纳辛:数据整理。
纳西里·本·萨比亚:数据整理。格蕾丝·王:写作——审稿与编辑、项目监督、资金筹措、数据整理。参考文献:FAO,2020;Goudineau,1997;Sarzynski等人,2020;Shi,2008。利益冲突:“作者声明不存在利益冲突。”出版伦理声明:我代表所有合著者保证,我们提交的文章遵循了出版伦理原则。本研究准确描述了所开展的工作,所有数据均真实可靠,研究方法也详细到足以让他人重复实验。本手稿为完全原创作品;若使用了他人的成果或文字,均已适当引用,并在必要情况下获得了许可。资金支持:本研究由日本自然与人类研究所(FairFrontiers,项目编号14200149)提供资助。利益冲突声明:? 作者声明没有已知的可能影响本文所述工作的财务利益或个人关系。致谢:我们要对老挝国立大学、沙巴PACOS信托基金以及皮塔斯地区的G20村庄的合作伙伴们表示衷心的感谢,感谢他们的大力支持与协作。同时也要感谢京都的FairFrontiers团队在整个项目中的贡献。特别感谢阿里奥·阿迪·康德罗博士在本研究初始提案准备阶段就Google Earth Engine技术提供的宝贵建议。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号