Google earth engine là gì? Các công bố khoa học về Google earth engine

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.

Thông tin về lớp phủ đất đóng vai trò quan trọng trong nhiều khía cạnh của cuộc sống, từ khoa học và kinh tế đến chính trị. Thông tin chính xác về lớp phủ đất ảnh hưởng đến độ chính xác của tất cả các ứng dụng tiếp theo, do đó thông tin lớp phủ đất chính xác và kịp thời đang rất được yêu cầu. Trong các nghiên cứu phân loại lớp phủ đất trong thập kỷ qua, độ chính xác cao hơn được tạo ra khi sử dụng chuỗi thời gian hình ảnh vệ tinh so với khi sử dụng hình ảnh đơn lẻ. Gần đây, sự sẵn có của Google Earth Engine (GEE), một nền tảng điện toán dựa trên đám mây, đã thu hút sự chú ý của các ứng dụng dựa trên quan sát viễn thám nơi các phương pháp tổng hợp thời gian từ chuỗi thời gian hình ảnh được áp dụng rộng rãi (tức là, sử dụng các chỉ số như trung bình hoặc trung vị), thay vì chuỗi thời gian hình ảnh. Trong GEE, nhiều nghiên cứu đơn giản lựa chọn càng nhiều hình ảnh càng tốt để lấp đầy khoảng trống mà không quan tâm đến việc hình ảnh của các năm/mùa khác nhau có thể ảnh hưởng như thế nào đến độ chính xác của phân loại. Nghiên cứu này nhằm phân tích ảnh hưởng của các phương pháp hợp thành khác nhau, cũng như các hình ảnh đầu vào khác nhau, đối với kết quả phân loại. Chúng tôi sử dụng dữ liệu phản xạ bề mặt Landsat 8 (L8sr) với tám chiến lược kết hợp khác nhau để tạo ra và đánh giá bản đồ lớp phủ đất cho một khu vực nghiên cứu ở Mông Cổ. Chúng tôi thực hiện thí nghiệm trên nền tảng GEE với một thuật toán được áp dụng rộng rãi, bộ phân loại rừng ngẫu nhiên (RF). Kết quả của chúng tôi cho thấy tất cả tám dữ liệu đều tạo ra các bản đồ lớp phủ đất với độ chính xác từ trung bình đến rất cao, với độ chính xác tổng thể trên 84,31%. Trong số tám dữ liệu này, hai dữ liệu chuỗi thời gian của cảnh mùa hè (hình ảnh từ 1 tháng 6 đến 30 tháng 9) tạo ra độ chính xác cao nhất (89,80% và 89,70%), tiếp theo là hợp thành trung vị của cùng các hình ảnh đầu vào (88,74%). Sự khác biệt giữa ba phân loại này không đáng kể dựa trên kiểm định McNemar (p > 0,05). Tuy nhiên, sự khác biệt có ý nghĩa (p < 0,05) được quan sát thấy đối với tất cả các cặp khác liên quan đến một trong ba dữ liệu này. Kết quả chỉ ra rằng tổng hợp thời gian (ví dụ, trung vị) là một phương pháp hứa hẹn, không chỉ giảm đáng kể khối lượng dữ liệu (dẫn đến phân tích dễ dàng và nhanh chóng hơn) mà còn tạo ra độ chính xác cao tương đương với chuỗi thời gian dữ liệu. Sự nhất quán về không gian giữa các kết quả phân loại tương đối thấp so với độ chính xác cao nói chung, cho thấy rằng việc lựa chọn tập dữ liệu được sử dụng trong bất kỳ phân loại nào trên GEE là một bước quan trọng và cần thiết, bởi vì các hình ảnh đầu vào cho việc hợp thành đóng vai trò thiết yếu trong phân loại lớp phủ đất, đặc biệt khi ở các khu vực có tuyết, mây và rộng lớn như Mông Cổ.

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.

Phổ biến ở các khu vực cận nhiệt đới và nhiệt đới thuộc Nam Bán cầu, thảo nguyên là một loại thảm thực vật tự nhiên có tính không đồng nhất và tính mùa vụ rất cao, khiến việc phát hiện thay đổi (tự nhiên so với nhân tạo) trở thành một nhiệm vụ thách thức. Cerrado của Brazil đại diện cho thảo nguyên lớn nhất ở Nam Mỹ, và là kiểu sinh cảnh bị đe dọa nhất ở Brazil do mở rộng nông nghiệp. Để đánh giá những khu vực thực vật Cerrado tự nhiên (NV) dễ bị thay đổi tự nhiên và nhân tạo nhất theo thời gian, chúng tôi đã phân loại 33 năm (1985–2017) dữ liệu ảnh Landsat có sẵn trên nền tảng Google Earth Engine (GEE). Chiến lược phân loại đã sử dụng sự kết hợp giữa cây quyết định kinh nghiệm và thống kê để tạo ra các bản đồ tham chiếu cho phân loại học máy và một tập dữ liệu hàng năm mới của các loại Cerrado NV chính (rừng, thảo nguyên và đồng cỏ). Chúng tôi thu được các bản đồ NV hàng năm với độ chính xác trung bình từ 87% (ở cấp độ phân loại NV 1) đến 71% trong chuỗi thời gian, phân biệt ba loại NV chính. Chuỗi thời gian này sau đó được sử dụng để tạo bản đồ xác suất cho mỗi lớp NV. Thực vật tự nhiên trong sinh cảnh Cerrado đã giảm với tốc độ trung bình 0,5% mỗi năm (748.687 ha/năm), chủ yếu ảnh hưởng đến rừng và thảo nguyên. Từ năm 1985 đến năm 2017, 24,7 triệu hecta NV đã bị mất, và hiện chỉ còn 55% phân bố NV ban đầu. Trong số NV còn lại vào năm 2017 (112,6 triệu hecta), 65% đã ổn định qua các năm, 12% thay đổi giữa các loại NV, và 23% đã chuyển đổi sang các mục đích sử dụng đất khác nhưng hiện đang ở một mức độ nào đó của NV thứ cấp. Kết quả của chúng tôi rất cơ bản trong việc chỉ ra các khu vực có tỷ lệ thay đổi cao trong chuỗi thời gian dài ở Cerrado Brazil và để làm nổi bật các thách thức của việc lập bản đồ các loại NV khác biệt trong một thảo nguyên có tính mùa vụ và không đồng nhất cao.

Bản đồ sử dụng đất đai và lớp phủ đất (LULC) chính xác và thời gian thực rất quan trọng để cung cấp thông tin chính xác cho việc giám sát động, quy hoạch và quản lý Trái Đất. Với sự ra đời của các nền tảng điện toán đám mây, các kỹ thuật trích xuất đặc tính theo chuỗi thời gian và các bộ phân loại học máy, đang xuất hiện những cơ hội mới trong việc lập bản đồ LULC chính xác và quy mô lớn hơn. Trong nghiên cứu này, chúng tôi nhằm tìm hiểu cách hai phương pháp ghép hỗn hợp và các chỉ số quang phổ–thời gian được trích xuất từ chuỗi thời gian vệ tinh có thể ảnh hưởng đến khả năng của một bộ phân loại học máy trong việc tạo ra bản đồ LULC chính xác. Chúng tôi đã sử dụng nền tảng điện toán đám mây Google Earth Engine (GEE) để tạo ra chuỗi thời gian Sentinel-2 (S-2) và Landsat-8 (L-8) không có mây trên tỉnh Tehran (Iran) tính đến năm 2020. Hai phương pháp ghép hỗn hợp, cụ thể là hỗn hợp theo mùa và chỉ số phần trăm, đã được sử dụng để định nghĩa bốn tập dữ liệu dựa trên chuỗi thời gian vệ tinh, chỉ số thảm thực vật và các lớp địa hình. Bộ phân loại rừng ngẫu nhiên đã được sử dụng trong phân loại LULC và để xác định các biến quan trọng nhất. Kết quả đánh giá độ chính xác cho thấy rằng S-2 vượt trội hơn so với các chỉ số quang phổ–thời gian của L-8 ở cấp độ tổng thể và cấp lớp. Hơn nữa, sự so sánh giữa các phương pháp ghép hỗn hợp chỉ ra rằng hỗn hợp theo mùa vượt trội hơn chỉ số phần trăm trong cả chuỗi thời gian S-2 và L-8. Ở cấp lớp, hiệu suất cải thiện của hỗn hợp theo mùa liên quan đến khả năng của chúng cung cấp thông tin tốt hơn về sự biến đổi thời kỳ sinh thái của các lớp LULC khác nhau. Cuối cùng, chúng tôi kết luận rằng phương pháp luận này có thể tạo ra bản đồ LULC dựa trên GEE đám mây điện toán một cách chính xác và nhanh chóng và có thể được sử dụng trong lập bản đồ LULC quy mô lớn.

Các bộ phân loại học máy ngày nay đang được sử dụng ngày càng nhiều cho việc lập bản đồ Sử dụng Đất và Phủ Lớp (LULC) từ hình ảnh viễn thám. Tuy nhiên, để chọn đúng bộ phân loại cần phải hiểu các yếu tố chính ảnh hưởng đến hiệu suất của chúng. Nghiên cứu hiện tại đã điều tra trước hết là tác động của thiết kế lấy mẫu huấn luyện đến kết quả phân loại thu được bởi bộ phân loại Random Forest (RF), và thứ hai là so sánh hiệu suất của nó với các bộ phân loại học máy khác cho việc lập bản đồ LULC sử dụng dữ liệu viễn thám vệ tinh đa thời gian và nền tảng Google Earth Engine (GEE). Chúng tôi đã đánh giá tác động của ba phương pháp lấy mẫu, cụ thể là Lấy Mẫu Ngẫu Nhiên Phân Tầng Đều (SRS(Eq)), Lấy Mẫu Ngẫu Nhiên Phân Tầng Theo Tỷ Lệ (SRS(Prop)), và Lấy Mẫu Hệ Thống Phân Tầng (SSS) đến kết quả phân loại thu được bởi mô hình LULC được huấn luyện RF. Kết quả của chúng tôi cho thấy rằng phương pháp SRS(Prop) có lợi cho các lớp lớn đồng thời đạt được độ chính xác tổng thể tốt. Phương pháp SRS(Eq) cung cấp độ chính xác tốt ở cấp độ lớp, ngay cả đối với các lớp thiểu số, trong khi phương pháp SSS hoạt động tốt cho các khu vực có độ biến đổi trong lớp lớn. Để đánh giá hiệu suất của các bộ phân loại học máy, RF vượt trội hơn Cây Phân Loại và Hồi Quy (CART), Máy Vector Hỗ Trợ (SVM), và Máy Vector Liên Quan (RVM) với mức độ tin cậy >95%. Hiệu suất của các bộ phân loại CART và SVM được thấy là tương tự nhau. RVM đạt được kết quả phân loại tốt với số lượng mẫu huấn luyện hạn chế.