在Google Earth Engine中使用边界特定的两级学习方法增强辅助特征进行土地利用分类

遥感图像在气候变化、城市发展和土地退化监测等多个领域中的地表利用和 地表覆盖（LULC）分类 是一项宝贵的资源。印度的 马杜赖（Madurai）因其 多样化的地理元素 和丰富的文化遗产而 著名，其中包括“Jallikattu”这一文化体育活动，其主要竞争对手——肩峰牛（zebus）因为 水域和牧场被充水坝和人造森林转变 深受影响。因此，监测 土地退化 对于保护研究区域的地理和文化遗产至关重要。

拟解决的科学问题

创新点

研究方法

适用于LULC类别的边界特定的两级分类框架，同时还比较了使用Landsat 8数据集的PB和两种OB技术的分类准确性，包括是否使用SNIC（OBS和OB）。 工作流程包括以下步骤： （i） 数据合成 ，（ii） PB和OB数据的创建 ，（iii） 边界特定的两级分类 ，以及（iv） 精度评估 。

第一步，为了增加定量和定性信息，将Landsat 8数据与日期、ROI（感兴趣区域遮罩）和云覆盖过滤器结合起来。然后，从预处理图像中收集特征，主要包括三种类型的特征： 光谱、纹理和指数 。

创建PB和OB数据 。PB数据是波段Surface Reflectance_Band7（SR_B7）、SR_B5和SR_B3的组合。在OB中，将该光谱复合图像分割成一个对象（一组相似的像素），通过多分辨率分割。基于这些对象，使用图像的 光谱和纹理信息进行分类 。然后，为了实现第二个OBS方法，添加了辅助特征，并与现有的光谱特征进行了比较，同时采用了 新的SNIC分割方法用于对象的创建 。

最后的方法步骤是边界特定的两级分类；在这里，第一级数据集被分为两部分，训练和测试，然后它被用SVM分类。根据分类结果，训练数据被标记并与用户定义的类标签进行比较。 kNN分类被实施以细化训练集并提高SVM分类的准确性 。根据分类输出和地面真实值，为每种方法生成混淆矩阵。使用这些矩阵解释和生成输出LULC地图的精度水平，这些水平用于创建一些定性和定量的指标，有助于比较各种技术的性能。

流程图展示了在Google Earth Engine中实现的所提出方法的数据处理和分析过程

研究结果

这项研究为监测马杜赖地区的土地退化提供了宝贵的见解。该研究的主要重点是通过结合 辅助特征、利用SNIC分割算法 ，并采用 基于边界的两级分类方法 （使用SVM和kNN）来提高分类精度。对PB和OB分类技术的评估突出了与OB相比PB方法的局限性。像GEE这样的平台的计算能力的进步以及 SNIC分割算法的改进 将使得即使在 30米分辨率下，也能提升对Landsat 8数据的LULC分类结果 。该研究有效地展示了整合辅助特征（如 森林覆盖、内陆水体、土壤特性和人口数据 ）的效率。该研究还开发了一种新的基于边界的两级分类方法，将SVM和kNN技术协同结合以减少错误分类率。所提出的OBS方法将OA和K从（ 94.42%提高到95.78% ）和（ 0.92提高到0.94 ）。总的来说，本研究为进一步研究奠定了坚实的基础，为改进LULC分类技术开辟了道路，从而为各种科学和实践目的提供了更准确可靠的土地覆盖信息。该方法的局限性在于没有利用深度学习技术，而这些技术可以从大量数据和复杂模式中学习，这将在未来的研究中考虑。所提出的LULC分类方法可以扩展并应用于不同的时间数据，以识别一定时期内的变化。

研究区域的位置图

研究区域的多光谱图像，a显示了云和感兴趣区域（ROI）遮罩处理前，b显示了应用遮罩处理后

研究中使用的辅助数据集。A 全球人类聚居区白色像素表示人类聚居区。B 森林覆盖绿色像素表示森林地区。C 土壤特征绿色和灰色像素表示不同的土壤纹理。D 内陆水体蓝色像素表示水体区域

在GEE环境中SNIC分割的结果及参数列表

在二维空间中的边界特定的两级分类

PB LULC分类的逐步结果

OB LULC分类的逐步结果

OBS LULC分类的逐步结果

研究区域的6个LULC类的分布

边界特定的两级分类方法在OBS方法中的土地利用/土地覆盖分类结果

讨论

研究结果表明，采用辅助特征和边界特定的两级学习方法结合Google Earth Engine提供的数据资源，能够有效提高土地利用和土地覆盖的分类精度和准确性。特别是在处理复杂地物边界和多类别分类时，该方法表现出较高的稳健性和可靠性，为土地资源管理和环境监测提供了有力支持。