Py学习  »  机器学习算法

利用GEE和深度学习绘制1985 - 2021年期间巴西全年中心支点灌溉农田

GEE遥感训练营 • 1 年前 • 514 次点击  


目:Mapping annual center-pivot irrigated cropland in Brazil during the 1985–2021 period with cloud platforms and deep learning

期刊:ISPRS Journal of Photogrammetry and Remote Sensing

第一作者:Xiangyu Liu

发表单位:武汉大学

发表日期:2023年




1. 摘要 

研究背景:作为支持高效作物生产和精确水资源管理的重要农业设施,中心支点灌溉农田(CPIC)在提高作物产量和确保全球粮食安全方面发挥着关键作用。自 20 世纪 80 年代以来,CPIC 大幅扩张,已成为巴西最有价值的灌溉农田之一。然而,目前还没有全国范围的长期CPIC产品,这使得相关生态和经济因素的时空分析具有挑战性。

拟解决的科学问题:本研究旨在利用云平台和深度学习技术,对巴西在1985年至2021年期间的中心旋转灌溉农田进行映射,以解决以下科学问题:

1)如何准确地识别和分类中心支点灌溉农田?

2)中心支点灌溉农田的分布和变化如何随时间演变?

3)中心支点灌溉农田的面积和空间分布如何影响巴西的农业生产和水资源利用?

创新点: 本研究的创新点在于将云平台和深度学习技术应用于中心支点灌溉农田的映射,提供了一种高效准确的方法来监测和评估巴西的农田变化。此外,通过对中心支点灌溉农田的分布和变化进行研究,可以为巴西的农业规划和水资源管理提供科学依据。

    



2. 研究方法 

开发了一个地图框架,自动生成从1985年到2021年巴西的3000万acm。在描述了本研究中使用的图像和数据预处理之后,通过以下步骤详细描述了框架:(1)选择特征和合成图像;(2)生成训练数据集;(3)训练UNet分类器;(4)在云平台上进行预测;(5)检查时间一致性;(6)评价ACMs

利用巴西所有可用的 Landsat-5、7 和 8 图像 ,我们生成了三波段年度合成图像,在枢轴内外随机选取约5000个样本点来训练一个随机森林模型,然后根据其信息增益提供11个波段的特征重要性排序,选取EVImax,BSImax and greenmedian获得 CPIC 的稳定图像特征并减轻 CPIC 的异质性。

然后,我们构建了覆盖巴西不同气候带、跨越多年的大规模训练数据集。使用生成的训练数据集对U-Net模型进行训练,通过监测验证样本上的Union(IoU)的交叉点指标来确定最优模型。此外,还比较了具有不同骨干的HRNet和U-Net等体系结构,以确定最优分类模型。将其应用于整个巴西,并推广到其他年份。我们将CNN模型部署到云平台,并与Google Earth Engine结合,制作了巴西年度CPIC地图(ACM)。此外,分析 CPIC 的时空动态,探讨了 CPIC 扩张对森林的影响。

制定年度中心中心灌溉农田(CPIC)地图的框架概述




3. 研究结果 

准确性评估表明,我们的 ACM 在所有研究年中均达到了 0.947 ± 0.021 的平均 mIoU,并且估计的 CPIC 面积与官方统计数据高度一致。我们的研究结果表明,2021 年巴西 CPIC 面积达到 1.8 × 106 公顷,是 1985 年的 45 倍。过去几十年 CPIC 扩张主要发生在米纳斯吉拉斯州、戈伊亚斯州和巴伊亚州,平均 每年新增面积8000多公顷。我们还发现,自 1985 年以来,CPIC 的扩张已经侵占了 42,000 公顷灌木和 25,000 公顷森林,而且影响仍在持续和加剧。据我们所知,制作的ACM是巴西最长、空间最详细的CPIC产品,反映了CPIC过去四十年的时空变化,可以为巴西水资源管理和农业决策提供重要的信息服务。

验证样品的研究区域和分布情况

1985年至2021年巴西的陆地卫星图像。(a)每年陆地卫星图像数量;(b)1985-2021年陆地卫星图像的有效观测频率

11个候选特征的重要性

特征选择算法捕获了具有不同物候规律的相似且一致的CPIC特征。 (a) 显示了 EVI 的年度时间序列曲线,(b) 是 2020 年 1 月以来的假彩色合成图像。(c) 说明了 CPIC 在我们的合成图像中相似且一致的视觉外观

训练样本的生成。 (a) 训练和测试区域的空间分布。 (b) 新样本生成过程:Ipos和Ikneg分别代表正样本和负样本; ppos和pneg是其中选定的部分; Ik new 是生成的样本

U-Net的架构。 每个蓝色矩形对应一个多通道特征图。征图左侧或右侧显示的数字表示它们的大小。 特征图上方的数字表示通道数

在测试数据集上分割不同模型的结果和错误。 (a) 测试数据集的图像。 (b) CPIC 的基本事实。 (c) U-Net。 (d)ResNet101-UNet (e) EfficientNetB5-UNet。 (f) HRNet

我们的产品与现有产品的比较。 (a) De Carvalho 的 CPIC 地图。 (b) 我们的CPIC地图。 (c) 基本事实

每个映射年份 CPIC 产品的精确率、召回率、mIoU 和 F1 分数

我们的估计和ana报告的CPIC地区的州级比较。色的虚线是1:1的线。请注意,所有的线性回归都具有统计学意义,p

我们对8年人口普查的估计和ana报告的CPIC地区的国家级比较

2021年全国CPIC地区的空间分布及其局部细节图。CPIC像素用绿色表示

1985-2021年CPIC地区的变化趋势。(a) CPIC地区从1985年到2021年。(b)1986年至2021年CPIC年增加面积。(c)1986-2021年CPIC地区的年增长率

1985年至2021年,在CPIC面积扩张最大的前5个州的中心-枢轴灌溉农田(CPIC)面积的年际变化

1985年至2021年各县CPIC面积的Sen斜率。未通过MK测试的县以灰色显示

1985年至2021年在像素级调查中的CPIC变化。A、B和C站点位于巴伊亚、伯南布哥和圣保罗南˜,其中分别发生了显著的扩张、废弃和改道变化。在(a)中记录了CPIC区域的年度变化,(b-f)显示了1985年、1995年、2005年、2015年和2021年的CPIC区域

在测试集上使用不同输入特征的模型的预测结果和误差。(a)测试数据集的图像。(b-f)为输入特征分别为3、5、7、9和11个频带的模型

1985年和1990年的陆地卫星图像可视化(a,d)、ANA报告结果(b,e)和我们的测绘结果(c,f)。结果图中的白色和黑色分别表示CPIC和非CPIC

一个小的CPIC(直径为150米)在不同的空间分辨率图像中呈现出不同的形状。(a)谷歌图像,具有一米的空间分辨率。 (b)哨兵-2图像,具有10米的空间分辨率。(c)具有30米空间分辨率的陆地卫星图像

自1985年以来,不同土地覆盖产品转化为社会消费品的面积和比例

不同时期的农田、森林、灌丛、草原转化为CPIC地区的比例(a)和面积(b)

2021年CPIC增加区域近几十年土地覆盖产品转换过程

    



4. 结果与讨论 

通过利用云平台和深度学习方法,本研究实现了对巴西的年度中心旋转灌溉农田的映射。研究结果表明,利用这种方法可以提高中心旋转灌溉农田的映射精度,并实现准确的农田映射。同时,研究还发现了中心旋转灌溉农田的空间分布和时空变化,为农业规划和资源管理提供了重要的信息。

    

参考文献:Xiangyu L ,Wei H ,Wenbin L , et al. Mapping annual center-pivot irrigated cropland in Brazil during the 1985–2021 period with cloud platforms and deep learning[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2023,205.

- 往期回顾 -
1.GEE 去云专题与数据下载详解
2.GEE 学习一图像分割
3.利用谷歌地球引擎机器学习结合单基线Terrasar - X / Tandem - X和Lidar估算森林高度


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/164042
 
514 次点击