Triển khai thuật toán LandTrendr trên nền tảng Google Earth Engine
Tóm tắt
Thuật toán LandTrendr (LT) đã được sử dụng rộng rãi trong phân tích thay đổi dữ liệu thời gian quang phổ Landsat, nhưng yêu cầu sự xử lý trước phức tạp, quản lý dữ liệu và tài nguyên tính toán lớn, và chỉ có thể truy cập bởi cộng đồng trong ngôn ngữ lập trình sở hữu (IDL). Tại đây, chúng tôi giới thiệu LT cho nền tảng Google Earth Engine (GEE). Nền tảng GEE đơn giản hóa các bước xử lý trước, cho phép tập trung vào việc dịch thuật của thuật toán phân đoạn thời gian cốt lõi. Phân đoạn thời gian liên quan đến một loạt các truy xuất ngẫu nhiên đến chuỗi dữ liệu thời gian mỗi pixel, kết quả là một tập hợp các điểm gián đoạn ('vertices') bao quanh các phân đoạn đường thẳng. Việc dịch thuật thuật toán thành GEE bao gồm cả dịch thuật mã và phân tích mã, dẫn đến việc cải tiến và sửa lỗi logic. Tại sáu khu vực nghiên cứu đại diện cho nhiều loại hình che phủ đất đa dạng trên khắp Mỹ, chúng tôi đã tiến hành so sánh trực tiếp giữa mã LT-GEE mới và mã gốc (LT-IDL). Các thuật toán đồng ý với nhau trong hầu hết các trường hợp, và ở những điểm bất đồng, chúng chủ yếu do sửa lỗi logic trong quá trình dịch mã. Tác động thực tiễn của những thay đổi này là tối thiểu, như được chứng minh bởi một ví dụ về lập bản đồ rừng bị ảnh hưởng. Chúng tôi kết luận rằng thuật toán LT-GEE đại diện cho một sự dịch thuật chân thành của mã LT vào một nền tảng dễ dàng truy cập bởi cộng đồng người dùng rộng hơn.
Từ khóa
#LandTrendr #Google Earth Engine #phân đoạn thời gian #mã lập trình #dữ liệu quang phổ Landsat #phân tích thay đổi #logic lỗi #mã gốc LT-IDL #GEE #xử lý trước #nền tảng mởTài liệu tham khảo
Wulder, 2012, Opening the archive: How free data has enabled the science and monitoring promise of Landsat, Remote Sens. Environ., 122, 2, 10.1016/j.rse.2012.01.010
Zhu, 2017, Change detection using Landsat time series: A review of frequencies, preprocessing, algorithms, and applications, ISPRS J. Photogramm. Remote Sens., 130, 370, 10.1016/j.isprsjprs.2017.06.013
Kennedy, 2010, Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr—Temporal segmentation algorithms, Remote Sens. Environ., 114, 2897, 10.1016/j.rse.2010.07.008
Kennedy, 2007, Trajectory-based change detection for automated characterization of forest disturbance dynamics, Remote Sens. Environ., 110, 370, 10.1016/j.rse.2007.03.010
Griffiths, 2012, Using annual time-series of Landsat images to assess the effects of forest restitution in post-socialist Romania, Remote Sens. Environ., 118, 199, 10.1016/j.rse.2011.11.006
Bartz, K.K., Ford, M.J., Beechie, T.J., Fresh, K.L., Pess, G.R., Kennedy, R.E., Rowse, M.L., and Sheer, M. (2015). Trends in Developed Land Cover Adjacent to Habitat for Threatened Salmon in Puget Sound, Washington, USA. PLoS ONE, 10.
Kennedy, 2015, Attribution of disturbance change agent from Landsat time-series in support of habitat monitoring in the Puget Sound region, USA, Remote Sens. Environ., 166, 271, 10.1016/j.rse.2015.05.005
Kennedy, 2018, An empirical, integrated forest carbon monitoring system, Environ. Res. Lett., 13, 041001, 10.1088/1748-9326/aa9d9e
Schwantes, 2016, Quantifying drought-induced tree mortality in the open canopy woodlands of central Texas, Remote Sens. Environ., 181, 54, 10.1016/j.rse.2016.03.027
Wang, X., Huang, H., Gong, P., Biging, G.S., Xin, Q., Chen, Y., Yang, J., and Liu, C. (2016). Quantifying Multi-Decadal Change of Planted Forest Cover Using Airborne LiDAR and Landsat Imagery. Remote Sens., 8.
Schneibel, 2017, Assessment of spatio-temporal changes of smallholder cultivation patterns in the Angolan Miombo belt using segmentation of Landsat time series, Remote Sens. Environ., 195, 118, 10.1016/j.rse.2017.04.012
Shen, 2017, Spatio-temporal variations in plantation forests’ disturbance and recovery of northern Guangdong Province using yearly Landsat time series observations (1986–2015), Chin. Geogr. Sci., 27, 600, 10.1007/s11769-017-0880-z
Gorelick, 2017, Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sens. Environ., 202, 18, 10.1016/j.rse.2017.06.031
Zhu, 2012, Object-based cloud and cloud shadow detection in Landsat imagery, Remote Sens. Environ., 118, 83, 10.1016/j.rse.2011.10.028
Homer, 2007, Completion of the 2001 National Land Cover Database for the conterminous United States, Photogramm. Eng. Remote Sens., 73, 337
Lutes, D.C. (2005). Landscape Assessment: Remote Sensing of Severity, the Normalized Burn Ratio, in FIREMON: Fire Effects Monitoring and Inventory System.
Cohen, 2018, A LandTrendr multispectral ensemble for forest disturbance detection, Remote Sens. Environ., 205, 131, 10.1016/j.rse.2017.11.015
Kennedy, 2012, Spatial and temporal patterns of forest disturbance and regrowth within the area of the Northwest Forest Plan, Remote Sens. Environ., 122, 117, 10.1016/j.rse.2011.09.024