文献分享✦
利用Landsat观测数据（1988-2017年）和Google Earth Engine来检测草原地区的植被覆盖变化——首次尝试用于识别退化土地以进行保护
题目：Using Landsat observations (1988–2017) and Google Earth Engine to detect vegetation cover changes in rangelands - A first step towards identifying degraded lands for conservation
来源期刊：Remote Sensing of Environment
1
导读
全球范围内，环境恶化造成了农业用地面积的缩小。征用和恢复不再用于农业的退化土地可能会带来重大的保护机会。从区域到全球范围内高效、准确地识别这些土地将有助于保护管理，最终增强全球实现可持续发展目标（SDG）的前景。本文使用 Google Earth Engine (GEE) 提出了在像素级别 (30 m) 上绘制植被覆盖量变化的新方法。研究可为从区域到全球范围内高效准确地识别不再用于农业的退化土地，并与土地退化相联系提供潜在的工具。
研究结果表明，与给定的参考水平相比，所识别的植被覆盖变化可分为减少、增加或稳定，这些参考水平是在所有干旱年最持久的地面覆盖地点获得的。总体而言，20%的研究区植被覆盖减少，相似比例的土地恢复，其余(约60%)保持稳定。植被覆盖减少的土地对干旱的适应能力明显降低。准确度评估结果显示，植被覆盖显著减少地区的分类准确度为82.6%(±3.32标准误差)，其中生产者和使用者的分类准确度分别为75.0%(±5.16%)和70.0%(±4.13%)。确定退化土地的区域将需要多个阶段的空间数据分析，这项工作为确定大规模牧场环境中植被覆盖变化提供了第一阶段，并为今后的研究和发展提供了一个平台，以确定退化土地及其对实现保护工作的效用。
2
数据与方法
数据：本文用到的数据有陆地卫星时间序列和季节复合数据，水文气象数据，土地利用图
动态参考覆盖法：本研究使用了动态参考覆盖方法（DRCM）来区分人为引起的植被覆盖变化和降雨年际变化引起的植被覆盖变化。通过从Landsat衍生的季节性地表覆盖度数据中提取植被地表覆盖数据，并基于此构建了DRCM，在昆士兰州澳大利亚的大规模草原上应用了这一方法，利用三十年的Landsat卫星图像（1988-2017年）和实地观测数据验证。该方法通过移动搜索窗口和邻域搜索窗口来计算焦点像素的降雨调整后的地面覆盖（ΔGC），以评估由人为土地管理引起的植被地面覆盖变化。在原方法的基础上进行了修改和更新，以提高效率，并解决了之前方法的一些限制。最终生成的DRCM图像包含降雨调整后的地面覆盖和参考地被覆盖两个变量，用于分析人类地表覆盖管理效应和降雨变率。尽管该方法在大部分研究区域表现可靠，但在确定参考/基准地点时仍存在一定的不确定性，需要进一步研究来解决这些限制。
干旱指数计算：由于其面积大，昆士兰州草原的气候模式具有显著的多样性，降雨量变化很大。因此，选取固定的干湿期对整个研究区进行地表覆盖趋势分析是不现实的。为了更好地在区域尺度上跨越时间和空间表征气候条件，需要一个干旱指数来识别像元水平上的连续干旱期。本文选择使用标准化降水-蒸散指数(SPEI)，这是一个基于气候数据的多标量干旱度量。它可用于确定在全球变暖背景下，相对于正常条件下各种自然和管理系统中不同干旱类型的发生、持续时间和程度。
精度评估：本研究中的制图准确性是通过使用总体误差矩阵（也称为区域调整混淆矩阵）进行系统和定量评估的。与样本误差矩阵不同，当地图上所有区域的参考和图像分类都可用时，构建总体误差矩阵，其中误差矩阵中的Pij表示映射类别i和参考类别j中的面积比例。总体误差矩阵可以通过类区域校正来减少样本中稀有类的出现，从而提高分类精度评估。植被覆盖变化图的分类精度包括总体精度、用户精度和生产者精度，连同估计量的标准误差一起，通过矩阵和下面的方程（表1）进行了估计：根据我们研究区域的土地状况得分独立样本验证分类地图，实现了这一准确性评估，该研究区域面积为69000平方公里。从2004年到2012年，生物物理现场观测结果被收集为道路沿线随机1公里缓冲圈的土地状况得分（A、B、C或D），呈现了从“非减少”到“潜在减少”再到“显著减少”的三种一般土地状况。因此，在最终计算总体误差矩阵之前，需要进行以下预处理：1）由于大约2/3的数据是在2011年收集的，并且均匀分布在布尔德金地区，我们重新运行了我们的制图方法，以创建2011年的第二张植被覆盖变化图，以便通过2011年的这些观测（超过500点）对其进行验证；2） 我们将分类的土地条件类别汇总为三个一般类别，以匹配实地观测的参考数据，即“显著增加”、“潜在增加”和“稳定”类别对应于稳定的土地条件（A和B），“潜在减少”对应于C条件，“显著减少”类别适用于D条件；3） 与田间土地条件等级比较。
表1 以被映射类i和参考类j的面积比例表示的具有单元条目(Pij)的种群误差矩阵。用于估计种群误差矩阵、用户精度、生产者精度、总体精度和相关标准误差的方程。
3
结果
1.Wambiana放牧试验区的制图结果
图1 (A) 1988 - 2017年Wambiana地区5个围场在3种放牧策略(HSR、MSR和Exc)下的降雨量调整植被覆盖(ΔGC)和季节性SPEI值，紫色线代表SPEI干旱阈值。(B)五个围场所有连续干旱期ΔGC时间序列和(C)五个围场干湿年冬季的趋势线和回归统计表(斜率和p值)。(D)从1998年开始放牧试验到2016年，五个围场年降雨量与ΔGC之间的相关性(蓝色点)和p值(橙色直方图)。(E)从1988年到2016年五个围场累积的年度ΔGC值。
图2 (A)“所有干旱期”(x轴)与“干湿年冬季”(y轴)的ΔGC趋势散点图，这些散点图来自Wambiana地区每个植被覆盖变化类别的随机1000个Landsat像素。(B) Wambiana放牧试验的植被覆盖度变化图，分为“显著减少”、“可能减少”、“稳定”、“可能增加”和“显著增加”五个等级。
2.昆士兰牧场植被覆盖变化图
图3 (A)新州牧地植被覆盖度变化图，分为“显著减少”、“可能减少”、“稳定”、“可能增加”和“显著增加”五个等级。黑色边界表示覆盖整个研究区域的生物区域，饼状图表示整个研究区域的植被覆盖变化类别统计。(B)三个“显著减少”级站点的区域展望，这些站点位于地块1公里缓冲区内，土地状况评分为“D:土地状况严重下降”(“稳定”级除外)。(C)不同生物区的植被覆盖变化统计。
4
总结
本文利用1988年至2017年的Landsat时间序列数据收集的信息，绘制了昆士兰州大部分牧场的植被覆盖变化图。文章关注的重点是在设定的参考水平下，识别和分类这些植被覆盖变化，并生成地图，可以根据用户指定的阈值来评估土地状况。对植被覆盖变化进行广泛、可靠、有效和可持续的监测具有迫切性，这有助于进一步确定土地退化情况，以便更有效和高效地进行资源管理和保护性土地管理。通过利用Google Earth Engine云计算平台的“大数据”解决方案，在精细的空间分辨率下，取得了更好地了解大范围地区地表变化的重要进展。
文章信息：
Xie, Z., et al., Using Landsat observations (1988–2017) and Google Earth Engine to detect vegetation cover changes in rangelands - A first step towards identifying degraded lands for conservation. Remote Sensing of Environment, 2019. 232: p. 111317.
DOI: https://doi.org/10.1016/j.rse.2019.111317
分享人：
胡森苗，2023级硕士研究生
研究方向：融合遥感技术的城市代谢研究
邮箱：3031960595@qq.com
来源：灾害与环境遥感
https://mp.weixin.qq.com/s/_L6OmjdE0hzfSfQC59s2kg
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
