Bản đồ Kiểm Kê Đất Ngập Nước Đầu Tiên của Newfoundland với Độ Phân Giải Không Gian 10 m Sử Dụng Dữ Liệu Sentinel-1 và Sentinel-2 trên Nền tảng Điện Toán Đám Mây Google Earth Engine
Tóm tắt
Đất ngập nước là một trong những hệ sinh thái quan trọng nhất, cung cấp môi trường sống lý tưởng cho một loạt lớn các loài thực vật và động vật. Lập bản đồ và mô hình hóa đất ngập nước sử dụng dữ liệu Quan Sát Trái Đất (EO) là điều thiết yếu cho quản lý tài nguyên thiên nhiên ở cả cấp độ khu vực và quốc gia. Tuy nhiên, việc lập bản đồ đất ngập nước chính xác là một thách thức, đặc biệt là trên quy mô lớn, do cảnh quan đa dạng và bị phân mảnh, cũng như sự tương đồng phổ giữa các lớp đất ngập nước khác nhau. Hiện tại, thiếu các kiểm kê đất ngập nước chính xác, nhất quán và toàn diện ở quy mô quốc gia hoặc tỉnh trên toàn cầu, với hầu hết các nghiên cứu tập trung vào việc tạo bản đồ quy mô địa phương từ dữ liệu viễn thám có giới hạn. Tận dụng sức mạnh tính toán của Google Earth Engine (GEE) và sự sẵn có của dữ liệu viễn thám có độ phân giải không gian cao được thu thập bởi Copernicus Sentinels, nghiên cứu này giới thiệu bản đồ kiểm kê đất ngập nước chi tiết đầu tiên ở cấp độ tỉnh của một trong các tỉnh giàu đất ngập nước nhất ở Canada về mặt mở rộng đất ngập nước. Cụ thể, dữ liệu tổng hợp từ nhiều năm radar khẩu độ tổng hợp (SAR) Sentinel-1 mùa hè và quang học Sentinel-2 được sử dụng để xác định sự phân bố không gian của năm lớp đất ngập nước và ba lớp không phải đất ngập nước trên Đảo Newfoundland, bao phủ diện tích xấp xỉ 106,000 km2. Các kết quả phân loại được đánh giá bằng cách sử dụng cả phân loại kiểu dựa trên điểm ảnh và thể đối tượng, sử dụng phương pháp rừng ngẫu nhiên (RF) được triển khai trên nền tảng GEE. Kết quả cho thấy sự vượt trội của phương pháp dựa trên đối tượng so với phương pháp phân loại dựa trên điểm ảnh cho lập bản đồ đất ngập nước. Mặc dù việc phân loại sử dụng dữ liệu quang học nhiều năm chính xác hơn so với SAR, nhưng việc kết hợp cả hai loại dữ liệu đã cải thiện đáng kể độ chính xác phân loại của các lớp đất ngập nước. Đặc biệt, độ chính xác tổng thể đạt 88,37% và hệ số Kappa đạt 0,85 với tổ hợp SAR/quang học nhiều năm sử dụng phân loại RF dựa trên đối tượng, trong đó tất cả các lớp đất ngập nước và không phải đất ngập nước đều được xác định chính xác với độ chính xác lần lượt trên 70% và 90%. Kết quả cho thấy sự chuyển đổi từ các sản phẩm và phương pháp tĩnh tiêu chuẩn sang việc tạo ra các bản đồ phủ sóng đất ngập nước động, theo yêu cầu, quy mô lớn thông qua các tài nguyên điện toán đám mây tiên tiến, đơn giản hóa truy cập và xử lý 'Dữ liệu Toàn Địa'. Ngoài ra, bản đồ kiểm kê ngày càng đòi hỏi của Newfoundland rất có giá trị và có thể được sử dụng bởi nhiều bên liên quan, bao gồm các chính phủ liên bang và tỉnh, các thành phố, các tổ chức phi chính phủ và các chuyên gia môi trường, chỉ đề cập đến một số ít.
Từ khóa
#Bản đồ đất ngập nước #Newfoundland #Quan sát Trái Đất #Điện toán đám mây #Viễn thám #Radar khẩu độ tổng hợp #Sentinel-1 #Sentinel-2 #Phân loại rừng ngẫu nhiên #Độ phân giải không gianTài liệu tham khảo
Tiner, R.W., Lang, M.W., and Klemas, V.V. (2015). Remote Sensing of Wetlands: Applications and Advances, CRC Press.
Mitsch, 2013, Wetlands, carbon, and climate change, Landsc. Ecol., 28, 583, 10.1007/s10980-012-9758-8
Mitsch, 2000, The value of wetlands: Importance of scale and landscape setting, Ecol. Econ., 35, 25, 10.1016/S0921-8009(00)00165-8
Gallant, 2015, The Challenges of Remote Monitoring of Wetlands, Remote Sens., 7, 10938, 10.3390/rs70810938
Maxa, 2009, Mapping northern wetlands with high resolution satellite images and LiDAR, Wetlands, 29, 248, 10.1672/08-91.1
Mohammadimanesh, 2016, Unsupervised Wishart Classfication of Wetlands in Newfoundland, Canada Using Polsar Data Based on Fisher Linear Discriminant Analysis, Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., 41, 305, 10.5194/isprs-archives-XLI-B7-305-2016
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
Xie, 2008, Remote sensing imagery in vegetation mapping: A review, J. Plant Ecol., 1, 9, 10.1093/jpe/rtm005
Teluguntla, 2018, A 30-m landsat-derived cropland extent product of Australia and China using random forest machine learning algorithm on Google Earth Engine cloud computing platform, ISPRS J. Photogramm. Remote Sens., 144, 325, 10.1016/j.isprsjprs.2018.07.017
Shelestov, 2017, Exploring Google earth engine platform for Big Data Processing: Classification of multi-temporal satellite imagery for crop mapping, Front. Earth Sci., 5, 17, 10.3389/feart.2017.00017
Hird, J.N., DeLancey, E.R., McDermid, G.J., and Kariyeva, J. (2017). Google Earth Engine, open-access satellite data, and machine learning in support of large-area probabilistic wetland mapping. Remote Sens., 9.
Gorelick, 2017, Google Earth Engine: Planetary-scale geospatial analysis for everyone, Remote Sens. Environ., 202, 18, 10.1016/j.rse.2017.06.031
Sazib, N., Mladenova, I., and Bolten, J. (2018). Leveraging the Google Earth Engine for Drought Assessment Using Global Soil Moisture Data. Remote Sens., 10.
Aguilar, R., Zurita-Milla, R., Izquierdo-Verdiguier, E., and de By, R.A. (2018). A Cloud-Based Multi-Temporal Ensemble Classifier to Map Smallholder Farming Systems. Remote Sens., 10.
de Lobo Lobo, F., Souza-Filho, P.W.M., de Moraes Novo, E.M.L., Carlos, F.M., and Barbosa, C.C.F. (2018). Mapping Mining Areas in the Brazilian Amazon Using MSI/Sentinel-2 Imagery (2017). Remote Sens., 10.
Kumar, L., and Mutanga, O. (2018). Google Earth Engine Applications since Inception: Usage, Trends, and Potential. Remote Sens., 10.
Waske, B., Fauvel, M., Benediktsson, J.A., and Chanussot, J. (2009). Machine learning techniques in remote sensing data analysis. Kernel Methods for Remote Sensing Data Analysis, Wiley Online Library.
Mahdianpari, 2017, Random forest wetland classification using ALOS-2 L-band, RADARSAT-2 C-band, and TerraSAR-X imagery, ISPRS J. Photogramm. Remote Sens., 130, 13, 10.1016/j.isprsjprs.2017.05.010
Thanh Noi, P., and Kappas, M. (2018). Comparison of random forest, k-nearest neighbor, and support vector machine classifiers for land cover classification using Sentinel-2 imagery. Sensors, 18.
Huang, 2002, An assessment of support vector machines for land cover classification, Int. J. Remote Sens., 23, 725, 10.1080/01431160110040323
Pal, 2005, Random forest classifier for remote sensing classification, Int. J. Remote Sens., 26, 217, 10.1080/01431160412331269698
Ghimire, 2012, An assessment of the effectiveness of a random forest classifier for land-cover classification, ISPRS J. Photogramm. Remote Sens., 67, 93, 10.1016/j.isprsjprs.2011.11.002
Gislason, 2006, Random forests for land cover classification, Pattern Recognit. Lett., 27, 294, 10.1016/j.patrec.2005.08.011
Whyte, 2018, A new synergistic approach for monitoring wetlands using Sentinels-1 and 2 data with object-based machine learning algorithms, Environ. Model. Softw., 104, 40, 10.1016/j.envsoft.2018.01.023
Pekel, 2016, High-resolution mapping of global surface water and its long-term changes, Nature, 540, 418, 10.1038/nature20584
Hansen, 2013, High-resolution global maps of 21st-century forest cover change, Science, 342, 850, 10.1126/science.1244693
Xiong, 2017, Automated cropland mapping of continental Africa using Google Earth Engine cloud computing, ISPRS J. Photogramm. Remote Sens., 126, 225, 10.1016/j.isprsjprs.2017.01.019
Tsai, Y., Stow, D., Chen, H., Lewison, R., An, L., and Shi, L. (2018). Mapping Vegetation and Land Use Types in Fanjingshan National Nature Reserve Using Google Earth Engine. Remote Sens., 10.
Huang, 2017, Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine, Remote Sens. Environ., 202, 166, 10.1016/j.rse.2017.02.021
Mahdianpari, 2018, Fisher Linear Discriminant Analysis of coherency matrix for wetland classification using PolSAR imagery, Remote Sens. Environ., 206, 300, 10.1016/j.rse.2017.11.005
Mohammadimanesh, 2018, An efficient feature optimization for wetland mapping by synergistic use of SAR intensity, interferometry, and polarimetry data, Int. J. Appl. Earth Obs. Geoinf., 73, 450
Ozesmi, 2002, Satellite remote sensing of wetlands, Wetlands Ecol. Manag., 10, 381, 10.1023/A:1020908432489
d’Andrimont, R., Lemoine, G., and van der Velde, M. (2018). Targeted Grassland Monitoring at Parcel Level Using Sentinels, Street-Level Images and Field Observations. Remote Sens., 10.
Aschbacher, 2012, The European Earth monitoring (GMES) programme: Status and perspectives, Remote Sens. Environ., 120, 3, 10.1016/j.rse.2011.08.028
Bwangoy, 2010, Wetland mapping in the Congo Basin using optical and radar remotely sensed data and derived topographical indices, Remote Sens. Environ., 114, 73, 10.1016/j.rse.2009.08.004
Mahdianpari, M., Salehi, B., Rezaee, M., Mohammadimanesh, F., and Zhang, Y. (2018). Very deep convolutional neural networks for complex land cover mapping using multispectral remote sensing imagery. Remote Sens., 10.
Rezaee, 2018, Deep convolutional neural network for complex wetland classification using optical remote sensing imagery, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 11, 3030, 10.1109/JSTARS.2018.2846178
Amarsaikhan, 2012, Comparison of multisource image fusion methods and land cover classification, Int. J. Remote Sens., 33, 2532, 10.1080/01431161.2011.616552
Mahdianpari, 2017, An assessment of simulated compact polarimetric SAR data for wetland classification using random Forest algorithm, Can. J. Remote Sens., 43, 468, 10.1080/07038992.2017.1381550
Comber, 2014, Random forest classification of salt marsh vegetation habitats using quad-polarimetric airborne SAR, elevation and optical RS data, Remote Sens. Environ., 149, 118, 10.1016/j.rse.2014.04.010
Zhang, 2010, Multi-source remote sensing data fusion: Status and trends, Int. J. Image Data Fusion, 1, 5, 10.1080/19479830903561035
Ecological Stratification Working Group (1996). A National Ecological Framework for Canada.
South, R. (1983). Biogeography and Ecology of the Island of Newfoundland, Springer Science & Business Media.
Meades, S.J. (1990). Ecoregions of Newfoundland and Labrador.
Zhang, X., Wu, B., Ponce-Campos, G., Zhang, M., Chang, S., and Tian, F. (2018). Mapping up-to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. Remote Sens., 10.
Marshall, I.B., Schut, P., and Ballard, M. (1999). A National Ecological Framework for Canada: Attribute Data.
(2018, November 13). Sentinel-1-Observation Scenario—Planned Acquisitions—ESA. Available online: https://sentinel.esa.int/web/sentinel/missions/sentinel-1/observation-scenario.
Sentinel-1 Algorithms (2018, November 13). Google Earth Engine API. Available online: https://developers.google.com/earth-engine/sentinel1.
Gauthier, 1998, Aspect and incidence angle sensitivity in ERS-1 SAR data, Int. J. Remote Sens., 19, 2001, 10.1080/014311698215117
Lee, 2009, Improved sigma filter for speckle filtering of SAR imagery, IEEE Trans. Geosci. Remote Sens., 47, 202, 10.1109/TGRS.2008.2002881
Mahdianpari, 2017, The effect of PolSAR image de-speckling on wetland classification: Introducing a new adaptive method, Can. J. Remote Sens., 43, 485, 10.1080/07038992.2017.1381549
Mohammadimanesh, 2018, Multi-temporal, multi-frequency, and multi-polarization coherence and SAR backscatter analysis of wetlands, ISPRS J. Photogramm. Remote Sens., 142, 78, 10.1016/j.isprsjprs.2018.05.009
Baghdadi, 2001, Evaluation of C-band SAR data for wetlands mapping, Int. J. Remote Sens., 22, 71, 10.1080/014311601750038857
McNairn, 2017, Radar remote sensing of agricultural canopies: A review, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 10, 2249, 10.1109/JSTARS.2016.2639043
Silva, 2016, Dual-season and full-polarimetric C band SAR assessment for vegetation mapping in the Amazon várzea wetlands, Remote Sens. Environ., 174, 212, 10.1016/j.rse.2015.12.013
Jensen, J.R. (2009). Remote Sensing of the Environment: An Earth Resource Perspective 2/e, Pearson Education.
Ji, 2009, Analysis of dynamic thresholds for the normalized difference water index, Photogramm. Eng. Remote Sens., 75, 1307, 10.14358/PERS.75.11.1307
Xu, 2006, Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery, Int. J. Remote Sens., 27, 3025, 10.1080/01431160600589179
Rogers, 2004, Reducing signature variability in unmixing coastal marsh Thematic Mapper scenes using spectral indices, Int. J. Remote Sens., 25, 2317, 10.1080/01431160310001618103
McFeeters, 1996, The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features, Int. J. Remote Sens., 17, 1425, 10.1080/01431169608948714
Flood, 2013, Seasonal composite Landsat TM/ETM+ images using the medoid (a multi-dimensional median), Remote Sens., 5, 6481, 10.3390/rs5126481
Griffiths, 2013, A pixel-based Landsat compositing algorithm for large area land cover mapping, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens., 6, 2088, 10.1109/JSTARS.2012.2228167
Roy, 2010, Web-enabled Landsat Data (WELD): Landsat ETM+ composited mosaics of the conterminous United States, Remote Sens. Environ., 114, 35, 10.1016/j.rse.2009.08.011
Wulder, M., Li, Z., Campbell, E., White, J., Hobart, G., Hermosilla, T., and Coops, N. (2018). A National Assessment of Wetland Status and Trends for Canada’s Forested Ecosystems Using 33 Years of Earth Observation Satellite Data. Remote Sens., 10.
Swain, P.H., and Davis, S.M. (1981). Remote sensing: The quantitative approach. IEEE Trans. Pattern Anal. Mach. Intell., 713–714.
Padma, 2014, Jeffries Matusita based mixed-measure for improved spectral matching in hyperspectral image analysis, Int. J. Appl. Earth Obs. Geoinf., 32, 138
Schmidt, 2003, Spectral discrimination of vegetation types in a coastal wetland, Remote Sens. Environ., 85, 92, 10.1016/S0034-4257(02)00196-7
Belgiu, 2016, Random forest in remote sensing: A review of applications and future directions, ISPRS J. Photogramm. Remote Sens., 114, 24, 10.1016/j.isprsjprs.2016.01.011
Mahdianpari, 2018, Mapping land-based oil spills using high spatial resolution unmanned aerial vehicle imagery and electromagnetic induction survey data, J. Appl. Remote Sens., 12, 036015, 10.1117/1.JRS.12.036015
Mohammadimanesh, F., Salehi, B., Mahdianpari, M., English, J., Chamberland, J., and Alasset, P.-J. (2018). Monitoring surface changes in discontinuous permafrost terrain using small baseline SAR interferometry, object-based classification, and geological features: A case study from Mayo, Yukon Territory, Canada. GIScience Remote Sens., 1–26.
Blaschke, 2010, Object based image analysis for remote sensing, ISPRS J. Photogramm. Remote Sens., 65, 2, 10.1016/j.isprsjprs.2009.06.004
Benz, 2004, Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information, ISPRS J. Photogramm. Remote Sens., 58, 239, 10.1016/j.isprsjprs.2003.10.002
Achanta, R., and Süsstrunk, S. (2017, January 21–26). Superpixels and polygons using simple non-iterative clustering. Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA.
Congalton, 1991, A review of assessing the accuracy of classifications of remotely sensed data, Remote Sens. Environ., 37, 35, 10.1016/0034-4257(91)90048-B
McNemar, 1947, Note on the sampling error of the difference between correlated proportions or percentages, Psychometrika, 12, 153, 10.1007/BF02295996
Jia, 2006, Comparing accuracy assessments to infer superiority of image classification methods, Int. J. Remote Sens., 27, 223, 10.1080/01431160500275762
King, 2011, Comparison of pixel-and object-based classification in land cover change mapping, Int. J. Remote Sens., 32, 1505, 10.1080/01431160903571791
Adam, 2010, Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: A review, Wetlands Ecol. Manag., 18, 281, 10.1007/s11273-009-9169-z
Mohammadimanesh, F., Salehi, B., Mahdianpari, M., Brisco, B., and Motagh, M. (2018). Wetland Water Level Monitoring Using Interferometric Synthetic Aperture Radar (InSAR): A Review. Can. J. Remote Sens., 1–16.
Chen, 2017, A mangrove forest map of China in 2015: Analysis of time series Landsat 7/8 and Sentinel-1A imagery in Google Earth Engine cloud computing platform, ISPRS J. Photogramm. Remote Sens., 131, 104, 10.1016/j.isprsjprs.2017.07.011
Kelley, L., Pitcher, L., and Bacon, C. (2018). Using Google Earth Engine to Map Complex Shade-Grown Coffee Landscapes in Northern Nicaragua. Remote Sens., 10.
Jacobson, 2015, A novel approach to mapping land conversion using Google Earth with an application to East Africa, Environ. Model. Softw., 72, 1, 10.1016/j.envsoft.2015.06.011
Vafaei, S., Soosani, J., Adeli, K., Fadaei, H., Naghavi, H., Pham, T.D., and Tien Bui, D. (2018). Improving accuracy estimation of forest aboveground biomass based on incorporation of ALOS-2 PALSAR-2 and sentinel-2A imagery and machine learning: A case study of the Hyrcanian forest area (Iran). Remote Sens., 10.
Dong, 2016, Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine, Remote Sens. Environ., 185, 142, 10.1016/j.rse.2016.02.016