Py学习  »  机器学习算法

利用谷歌地球引擎和机器学习算法在孟加拉国吉大港市上绘制和监测土地利用土地覆盖动态

GEE遥感训练营 • 1 年前 • 597 次点击  


目:Mapping and monitoring land use land cover dynamics employing Google Earth Engine and machine learning algorithms on Chattogram, Bangladesh

期刊:Heliyon

第一作者:Jayanta Biswas

发表单位:库尔纳大学

发表日期:2023年




1. 摘要 

研究背景:土地利用土地覆盖变化 (LULC) 显着影响城市可持续性、城市规划、气候变化、自然资源管理和生物多样性。吉大港都会区 (CMA) 正在经历快速的城市化,这影响了土地利用和土地利用转型,加速了城市无计划扩张和无规划开发。 

拟解决的科学问题:本研究旨在解决查塔克地区土地利用和土地覆盖监测中的数据获取和处理问题。具体包括:

1. 如何利用Google Earth Engine和机器学习算法提高土地利用和土地覆盖动态的映射精度

2. 如何获取和处理大规模的遥感数据以实现土地利用和土地覆盖动态的监测?

3. 如何验证和评估土地利用和土地覆盖动态的映射和监测结果的准确性和可靠性?

创新点:该研究的创新点主要体现在以下几个方面:利用Google Earth Engine和机器学习算法,改进了土地利用和土地覆盖动态的映射和监测方法,克服了传统方法中数据获取和处理的限制。通过大规模遥感数据的获取和处理,实现了对查塔克地区土地利用和土地覆盖动态的映射和监测,为城市规划和资源管理提供了可靠的数据支持。通过与实地调查数据的对比,验证了土地利用和土地覆盖动态的映射和监测结果的 准确性和可靠性,为城市决策提供了可信的信息。该研究提供了一个具体方法,展示了利用Google Earth Engine和机器学习算法进行土地利用和土地覆盖动态映射和监测的方法和应用,为其他地区的土地利用和土地覆盖监测提供了参考和借鉴。

    



2. 研究方法 

图像预处理、寻找最佳分类器、图像分类和精度评估等关键步骤

1. 收集和预处理大规模的遥感数据,包括卫星影像和地理信息系统数据。2. 利用Google Earth Engine进行数据处理和分析,包括特征提取和机器学习模型训练。使用了支持向量机(SVM)、随机森林(RF)、分类和回归树(CART)和梯度树增强(GTB)分类器进行本研究。从本调查中,本研究找出研究区域的最佳分类集合。3. 建立土地利用和土地覆盖动态的映射和监测模型,并对遥感数据进行分类和识别。4. 进行结果验证和评估,与实地调查数据进行对比。

图像分类的方法流程图




3. 研究结果 

本研究利用 Google Earth Engine 和 GIS 来分析和量化吉大港都市区 2003 年至 2023 年 20 年间的土地利用和土地覆盖变化。集成了四种机器学习算法(CART、GTB、RF 和 SVM)来评估这些变化。 
该研究还采用统计分析和弦图来可视化 2003 年、2013 年和 2023 年之间的土地利用和土地覆盖变化,重点关注五个已确定的类别。使用混淆矩阵和受试者工作特征(ROC)曲线评估四种机器学习算法的分类准确性。根据这些评估,分类的总体准确性被认为是令人满意的。 
研究结果揭示了研究期间吉大港都市区发生了重大的土地利用和土地覆盖变化。不同算法的建成区面积呈现出一致的年度增长趋势 ,范围为 0.42% 至 4.80%。CART模型优于其他LULC模型相比之下,水体则呈现下降趋势,年下降幅度在2.06%至5.16%之间。相反,耕地在这20年里大幅减少,年均减少3.36%至22.64%。 
然而,该研究指出,由于所用 30 米图像的分辨率限制,捕捉靠近茂密植被的建筑区域存在局限性。该分析为规划者和政策制定者提供了宝贵的信息,以了解土地利用和土地覆盖动态的年度趋势,从而实现可持续的土地管理规划。建成区的扩张是以牺牲农田和水体为代价的,这凸显出需要持续监测土地利用和土地覆盖转变,以确保长期环境可持续性。

研究区域地图:城市市区

训练样本的地理分布

试验样品的地理分布

分类和回归树(CART)的可视化

分类模型的视觉表示

支持向量机的说明

视觉表示梯度树提升

CART、GTB、RF和SVM算法的AUC曲线

Chattogram 中 LULC 类别占总面积的百分比

吉大都市区多时相 LULC 地图

在2003-2013年、2013-2023年和2003-2023年期间,LULC类的空间转换

2003年至2013年LULC换算弦图

2013年至2023年LULC换算弦图

2003年至2023年LULC换算弦图

使用 ESRI 萤火虫图像进行验证

    



4. 结果与讨论 

通过利用Google Earth Engine和机器学习算法,本研究实现了对土地利用和土地覆盖动态的映射和监测。研究结果表明,利用这种方法可以提高土地利用和土地覆盖动态的映射和监测精度,并实现准确的土地利用和土地覆盖动态监测。同时,土地利用和土地覆盖动态变化,为城市规划和资源管理提供了重要的信息。

    

参考文献:Jayanta B ,Abu M J ,F. S H , et al.Mapping and monitoring land use land cover dynamics employing Google Earth Engine and machine learning algorithms on Chattogram, Bangladesh[J].Heliyon,2023,9(11):

- 往期回顾 -
1.GEE 去云专题与数据下载详解
2.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
3.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


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/164082