基于机器学习的尼日利亚红土区土地利用与土地覆盖制图

《The Egyptian Journal of Remote Sensing and Space Sciences》:Machine learning-based mapping of land use and land cover in the Nigerian red soil region

【字体: 大 中 小 】 时间:2026年07月17日 来源:The Egyptian Journal of Remote Sensing and Space Sciences 5.1

编辑推荐:

  准确且位置特定的土地利用与土地覆盖(LULC)数据对于量化复杂热带环境中人为和气候驱动的影响至关重要。然而,许多现有LULC研究受限于粗空间分辨率、有限的光谱信息或对辅助数据(如地形因子)的不充分整合,这些因素降低了异质性景观中的分类精度。本研究评估了来自Se

  
准确且位置特定的土地利用与土地覆盖(LULC)数据对于量化复杂热带环境中人为和气候驱动的影响至关重要。然而,许多现有LULC研究受限于粗空间分辨率、有限的光谱信息或对辅助数据(如地形因子)的不充分整合,这些因素降低了异质性景观中的分类精度。本研究评估了来自Sentinel-2和Landsat-8的两种光学遥感数据集在LULC制图中的性能。利用2023年10月至12月获取的影像,研究人员在三种情景下测试了三种机器学习算法:随机森林(Random Forest, RF)、分类与回归树(Classification and Regression Trees, CART)和支持向量机(Support Vector Machine, SVM):(i)仅使用光谱波段,(ii)光谱波段加附加波段,以及(iii)光谱波段加地形变量。识别并绘制了五种主要LULC类型:水体、森林、低植被、建成区和裸地。情景(iii)和RF分类器取得了最高总体精度(Overall Accuracy, OA)89%和Cohen's kappa系数(K)0.86,而SVM表现最差(OA 74%,K = 0.64)。尽管Landsat-8影像在数值精度上略高,但Sentinel-2影像提供了更精细的空间细节和更精确的类别划分。这些发现凸显了两个数据集的互补性,并表明纳入地形预测因子显著提升了LULC分类性能。总体而言,本研究强调了免费可用的卫星数据与机器学习集成在湿润热带地区进行可靠、高分辨率LULC制图的潜力,为改进环境监测、资源规划和气候适应策略提供了基础。
**论文解读:基于机器学习的尼日利亚红土区土地利用与土地覆盖制图**

**研究背景**
土地利用与土地覆盖(LULC)变化是全球环境研究的核心议题,直接影响生物多样性、气候调节、生态系统服务及人类生计。在热带地区,尤其是尼日利亚东南部的红土区,由于土壤高度易蚀、土地碎片化、小农农业混合种植以及快速城市化,LULC制图面临巨大挑战。现有研究多依赖单一传感器(如Landsat)或仅关注分类精度,缺乏对多种机器学习算法与环境协变量(如地形因素)整合的综合评估。此外,湿润热带地区常受云层覆盖、光谱混淆等问题限制,导致分类可靠性不足。因此,本研究旨在系统比较Sentinel-2和Landsat-8光学遥感数据,结合随机森林(RF)、分类与回归树(CART)和支持向量机(SVM)三种算法,并引入光谱指数和地形变量,以提升尼日利亚红土区LULC制图的精度和实用性。该研究发表在《The Egyptian Journal of Remote Sensing and Space Sciences》上。

**主要技术方法**
研究人员利用Google Earth Engine(GEE)平台获取2023年10月至12月期间云量低于15%的Sentinel-2(10 m分辨率)和Landsat-8(30 m分辨率)影像。计算了四种光谱指数:归一化差分植被指数(NDVI)、归一化差分建成区指数(NDBI)、改进归一化差分水体指数(MNDWI)和裸土指数(BSI),并从SRTM数字高程模型(DEM)提取高程和坡度作为地形变量。训练与验证数据基于专家实地知识和Google Earth高分辨率影像,共2364个随机分布点,覆盖五类LULC(水体、森林、低植被、建成区、裸地),其中70%用于训练,30%用于验证。采用三种分类器(RF、CART、SVM)在三种输入场景下进行制图:仅光谱波段、光谱波段加光谱指数、光谱波段加光谱指数加地形变量,并通过混淆矩阵计算总体精度(OA)和Kappa系数(K)进行精度评估。

**研究结果**

**3.1 精度评估**
通过对比不同输入变量和分类器,研究发现加入地形变量后所有分类器精度均有提升。RF分类器表现最优:在Landsat-8影像中,光谱波段加光谱指数加地形变量情景下,OA达89%,K=0.86;在Sentinel-2影像中,OA达88%,K=0.84。CART和SVM的精度较低,SVM最差(Landsat-8下OA仅74%,K=0.67)。仅加入光谱指数未提升RF精度,但改善了SVM表现。仅RF的OA超过85%的推荐阈值。

**3.2 LULC分类**
基于RF分类器的LULC空间分布图显示,低植被覆盖面积最大(Sentinel-2下占58%,Landsat-8下占54%),其次为森林(19-20%)、裸地(14%)、建成区(6-11%),水体最少(约2%)。Sentinel-2影像在空间细节和类别边界刻画上优于Landsat-8,但Landsat-8在数值精度上略高。CART对建成区分类不规则,SVM对裸地分类混乱,而RF处理噪声数据更稳健。

**3.3 类别级精度评估**
分类混淆矩阵显示,水体类别精度最高(用户精度UA 95-97%,生产者精度PA 98-100%),森林次之(UA 89-96%,PA 94-96%)。低植被类别UA和PA分别为73-85%和82-86%。建成区分类中,Landsat-8表现优于Sentinel-2(UA 86% vs 79%,PA 80% vs 73%)。裸地分类中,Landsat-8的PA达89%,而Sentinel-2仅67%,表明Sentinel-2在区分裸地与低植被时存在困难。

**讨论与结论**
研究表明,整合光谱指数和地形变量显著提升了LULC分类的类别可分性,尤其在高异质性的红土区,地形因子有助于区分光谱相似的低植被和裸地。RF算法的集成结构使其在碎片化小农景观中保持稳定,优于单树(CART)和边界(SVM)分类器。尽管Landsat-8数值精度略高,但Sentinel-2提供了更精细的空间细节,两者互补,可依据制图目标灵活选用。研究还发现,低植被(>50%)、裸地(14%)和建成区(11%)的占比暗示了人类活动对脆弱生态系统的压力,可能加剧土壤侵蚀和土地退化风险。

**结论部分(原文翻译)**
LULC制图在评估土壤侵蚀风险和理解气候变化对环境系统的影响中扮演关键角色。本研究发现,将Sentinel-2和Landsat-8的免费光学卫星数据集与环境协变量及机器学习分类器整合,显著提升了异质性、易侵蚀、碎片化小农景观(许多热带非洲地区典型特征)的LULC制图精度。在研究区,面积最大的是低植被,其次是森林、裸地、建成区和水体。在评估的分类器中,RF在所有LULC类别中持续取得最高精度和性能。CART和SVM对低植被和裸地类别存在误分类。基于LULC图和总体精度,Sentinel-2在视觉细节上更优,而Landsat-8获得了更高的分类精度。本研究的关键贡献在于展示了Sentinel-2和Landsat-8光学遥感数据集在尼日利亚东南部湿润热带景观及类似环境中的互补优势。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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