《Ecological Informatics》:Hierarchical classification of urban LULC using Sentinel-2 and WorldView imagery: A comparative study for conservation applications
编辑推荐:
准确且可操作的城市湿地与土地覆盖制图仍然是保护管理机构在日益加剧的开发压力下管理破碎化自然景观时面临的持续性挑战。目前,直接针对城市湿地环境、对免费获取的中等分辨率影像与高成本的甚高分辨率替代方案进行专门比较的研究较少,导致相关机构缺乏基于证据的传感器投资决策
准确且可操作的城市湿地与土地覆盖制图仍然是保护管理机构在日益加剧的开发压力下管理破碎化自然景观时面临的持续性挑战。目前,直接针对城市湿地环境、对免费获取的中等分辨率影像与高成本的甚高分辨率替代方案进行专门比较的研究较少,导致相关机构缺乏基于证据的传感器投资决策指导。本研究提出了一种在谷歌地球引擎(Google Earth Engine, GEE)中实现的两阶段分层随机森林(Random Forest, RF)分类框架,利用多年季相的Sentinel-2(S2, 10 m)和可见光近红外(Visible Near Infrared, VNIR)WorldView-2/3(WV, 1.8 m和1.2 m)影像,对加拿大安大略省布兰普顿市一处50.7 km2的城郊保护区的广义城市土地覆盖和湿地子类进行了制图。两种传感器在相同的算法和训练条件下独立进行评估。多季相波段堆叠(band stacking)对两种传感器均一致优于单季相影像,分别使S2和WV的总体精度(Overall Accuracy, OA)提高了5.1%和8.6%,表明在该研究背景下,时间特征丰富度是比空间分辨率更强的分类性能驱动因素。在广义类别层面,S2和WV分别达到了91.2%和90.5%的可比总体精度。S2在包括湿地和草本植被在内的水分敏感自然类别上表现出持续优势,这归因于其短波红外(Short-Wave Infrared, SWIR)和红边波段提供了标准WV多光谱产品中不可用的光谱敏感性。在湿地子类制图中,S2在沼泽(bog)和swamp分类263分类中优于WV,而两种传感器对沼泽(marsh)的分类表现相当。这些发现表明,对于基于像素的RF框架,在可扩展的云端GEE工作流中实施的免费S2影像,在城市土地利用与土地覆盖(Land Use and Land Cover, LULC)和湿地监测方面,其分类性能与标准VNIR WV产品相当或更优,为保护组织提供了可实际应用且可迁移的常规湿地清查和长期LULC监测方法。
研究背景方面,自20世纪以来,前所未有的城市人口增长和人类活动引发了全球范围内土地覆盖的深刻转变。城市扩张导致森林砍伐、栖息地破碎化和污染加剧,对物种多样性和生态系统服务产生不利影响。加拿大休伦-伊利平原显示出最高的人类景观改造指数(Human Landscape Modification Index, HLMI),森林、草地和湿地的自然状态发生了广泛转变。特别是在大多伦多地区等加拿大城市化最密集的区域,尽管有立法保护,湿地覆盖在过去一个世纪中大幅衰退,且持续损失仍在继续。这种趋势凸显了在城市景观中监测湿地范围和LULC动态的准确、可重复且可操作工具的迫切需求。传统地面测绘和人工数字化方法虽然历史悠久,但存在数据收集效率低、成本高、主观性强以及缺乏系统性方法等固有限制。自动遥感技术已成为大规模土地覆盖制图的替代方案。
研究人员开展的研究旨在:一是测绘广义城市土地覆盖,二是在破碎化的城市保护景观中对沼泽、泥沼沼泽地(marsh)和swamp三种湿地子类进行分类,同时直接评估免费中等分辨率与昂贵甚高分辨率影像在保护导向监测中的操作权衡。研究在加拿大安大略省布兰普顿市50.7 km
2的Heart Lake保护区(Heart Lake Conservation Area, HLCA)进行,该区域位于Etobicoke Creek流域,拥有冰碛湖、溪流源头、湿地复合体以及安大略省最大的森林区块之一。
研究结果表明,多季相波段堆叠对两种传感器均一致优于单季相影像。S2的多季相堆叠OA达到91.2%,秋季、夏季、春季分别为88.0%、86.1%和86.3%;WV的多季相堆叠OA为90.5%,春季、夏季、秋季分别为84.3%、82.6%和81.9%。WV的单季相变异性更大。在广义类别层面,S2和WV的OA相当。S2在水分敏感自然类别上表现更强:湿地UA为86.8%、PA为92.6%,而WV分别为79.0%和80.7%。草本植被是两种传感器最具挑战性的类别,S2的UA为69.1%、PA为70.1%,WV的UA为71.7%、PA为56.7%。森林类别对两种传感器也存在挑战,S2的UA为71.7%、PA为79.6%,WV的UA为77.4%、PA为75.9%。水体类别的分类整体较好。
在湿地子类方面,沼泽(bog)的S2 UA为87.5%、PA为70.0%,WV的UA为76.0%、PA为63.3%。泥沼沼泽地(marsh)的分类表现最强且传感器间高度可比,S2的UA为86.1%、PA为91.2%,WV的UA为86.2%、PA为82.4%。S2的沼泽地(marsh)PA是三个子类中最高的。swamp的S2 UA为73.9%、PA为63.0%,WV的UA为60.0%、PA为66.7%。除swamp的PA外,S2在五项指标中的六项比较中表现更高或相当。
讨论部分指出,多季相波段堆叠对WV的提升更大,因为WV缺乏SWIR和红边波段,更依赖时间特征变化。夏季是两种传感器最可靠的单季相选择,但单季相结果均低于90%的操作阈值。S2的SWIR和red-edge波段对水分敏感类别至关重要,这与Zhang等人的研究一致。WV的较细空间分辨率在农业和建成区有边际优势,但其较窄的光谱范围无法补偿在光谱复杂且水分敏感的自然类别上的不足。WV的离轴观测角较大,可能加剧了阴影效应和几何畸变。像素级精度评估对甚高分辨率影像在边界处存在固有不公,基于斑块或边界的评估方法能更好反映WV的操作潜力。
研究结论部分指出,本研究开发并测试了一种分层分类框架,利用多年季相S2和WV影像在加拿大安大略省布兰普顿市的破碎化城郊保护景观中进行城市土地覆盖和湿地子类制图。多季相波段堆叠对两种传感器均一致优于单季相影像,S2在广义类别层面与WV达到可比的OA(S2: 91.2%,WV: 90.5%)。S2在水分敏感自然类别上表现更强,湿地PA达到92.6%,沼泽地子类PA达到91.2%。这些优势由S2的SWIR和红边波段驱动,提供了标准WV多光谱产品中不可用的对的必要。结果表明,在使用标准多光谱WV产品的基于像素分类框架下,昂贵的甚高分辨率商业影像并未对城湿地市制图提供持续的精度优势。从操作角度看,S2多季相堆叠在基于云的GEE工作流中代表最实用且经济高效的解决方案,用于常规LULC评估和湿地子类清查;标准WV采集最好保留用于需要亚米空间精度的针对性场地调查。该框架在可比输入数据可用的GEE中可重复实施,无需专业计算基础设施即可供保护从业者直接应用。未来研究应探索该框架在更广阔流域单元的可迁移性、面向对象分类方法以更好发挥WV空间分辨率的潜力,以及融合Sentinel-1 SAR和LiDAR数据以改善湿地环境中的结构和水分歧视。