基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

doi:10.13474/j.cnki.11-2246.2019.0076

测绘通报 ›› 2019, Vol. 0 ›› Issue (3): 46-52,75.doi: 10.13474/j.cnki.11-2246.2019.0076

基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

修晓敏^1,2, 周淑芳³, 陈黔^1,2, 蒙继华², 董文全², 杨广斌¹, 李晓松²

1. 贵州师范大学地理与环境科学学院, 贵州贵阳 550025;
2. 中国科学院遥感与数字地球研究所数字地球重点实验室, 北京 100094;
3. 二十一世纪空间技术应用股份有限公司, 北京 100096

收稿日期:2018-11-09 修回日期:2019-01-22 出版日期:2019-03-25 发布日期:2019-04-02
通讯作者: 李晓松。E-mail:lixs@radi.ac.cn E-mail:lixs@radi.ac.cn
作者简介:修晓敏(1993-),女,硕士生,主要从事生态遥感应用研究。E-mail:gznuxxm@126.com
基金资助:
高分辨率对地观测系统重大专项（30-Y20A03-9003-17/18）；全省草地资源清查项目（2017FACZ2974）

Above-ground biomass estimation of provincial scattered grassland based on Google Earth Engine and machine learning

XIU Xiaomin^1,2, ZHOU Shufang³, CHEN Qian^1,2, MENG Jihua², DONG Wenquan², YANG Guangbin¹, LI Xiaosong²

1. School of Geography and Environmental Science, Guizhou Normal University, Guiyang 550025, China;
2. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Science, Beijing 100094, China;
3. Twenty First Century Aerospace Technology Co., Ltd., Beijing 100096, China

Received:2018-11-09 Revised:2019-01-22 Online:2019-03-25 Published:2019-04-02

摘要/Abstract

摘要： 大区域草地地上生物量估算对草地资源利用管理及全球碳循环研究具有重要意义。为高效快速地估算大区域零散分布草地地上生物量，本文选取安徽省为研究区，在谷歌地球云引擎（Google Earth Engine）平台的支撑下，通过机器学习方法建立Landsat 8 OLI及其他辅助数据与地面实测草地地上生物量之间的联系，开展了草地零散分布地区省级尺度草地地上生物量高分辨率估算，并与传统的基于归一化植被指数（NDVI）回归模型进行了比较。研究结果表明，综合利用光谱与地形因子的机器学习方法，估算零散化分布草地地上生物量的精度可以达到65%以上，其中分类回归树（CART）模型R²=0.57，预测精度为68.60%，支持向量机（SVM）模型R²=0.59，预测精度为75.74%，而使用NDVI的回归分析产生的误差较大，R²=0.37，预测精度为57.51%，因此机器学习方法相对于传统基于NDVI的回归分析具有明显优势。另外，谷歌地球云引擎平台数据来源广泛、获取方便，可以高效地实现海量影像数据的预处理及计算分析，大大提升了工作效率，与地面调查数据的结合可实现更大区域乃至全国尺度上的零散分布草地地上生物量高分辨率遥感估算。

关键词: 草地生物量, Google Earth Engine, 机器学习, 回归分析

Abstract: Estimating above-ground biomass of grassland in large areas is of great significance for grassland resource utilization,management and global carbon cycle research.In order to pursue efficient and rapid estimation of above-ground biomass of provincial scattered grassland,this study selected Anhui province as the research area,built the relationship between Landsat8 OLI,auxiliary data and measured above-ground biomass data through machine learning and Google Earth Engine (GEE) platform.The main results showed that the model which constructed by spectral information,terrain factors and machine learning had obvious advantages,the estimated accuracy was more than 65%.The classification and regression tree (CART) model R² was 0.57,the estimated accuracy was 68.60%.Support vector machine (SVM) model R² was 0.59,the estimated accuracy was 75.74%.The GEE platform has rich and available data,it can complete pre-processing and calculation analysis efficiently.The combination of GEE and ground survey data has the potential to estimate above-ground biomass of scattered grassland on a national scale.

Key words: grassland biomass, Google Earth Engine, machine learning, regression analysis

中图分类号:

P237

修晓敏, 周淑芳, 陈黔, 蒙继华, 董文全, 杨广斌, 李晓松. 基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算[J]. 测绘通报, 2019, 0(3): 46-52,75.

XIU Xiaomin, ZHOU Shufang, CHEN Qian, MENG Jihua, DONG Wenquan, YANG Guangbin, LI Xiaosong. Above-ground biomass estimation of provincial scattered grassland based on Google Earth Engine and machine learning[J]. 测绘通报, 2019, 0(3): 46-52,75.

参考文献

[1] Food and Agriculture Organization of the United Nations. FAOSTAT[EB/OL].[2018-10-21].http://www.fao.org/faostat/en/#country/351.
[2] 方精云,杨元合,马文红,等.中国草地生态系统碳库及其变化[J].中国科学(生命科学),2010,40(7):566-576.
[3] ALI I, CAWKWELL F, DWYER E, et al. Satellite remote sensing of grasslands:from observation to management-a review[J]. Journal of Plant Ecology, 2016, 9(6):649-671.
[4] POKLUDA P, HAUCK D,CIZEK L. Importance of marginal habitats for grassland diversity:fallows and overgrown tall-grass steppe as key habitats of endangered ground-beetle carabus hungaricus[J]. Insect Conservation and Diversity, 2012, 5(1):27-36.
[5] PUNJABI G A, CHELLAM R, VANAK A T. Importance of native grassland habitat for den-site selection of Indian foxes in a fragmented landscape[J]. PloS One, 2013, 8(10):e76410.
[6] SWAAY C A. The importance of calcareous grasslands for butterflies in Europe[J]. Biological Conservation, 2002, 104(3):315-318.
[7] 方精云,白永飞,李凌浩,等. 我国草原牧区可持续发展的科学基础与实践[J].科学通报,2016,61(2):155-164,133.
[8] 沈海花,朱言坤,赵霞,等. 中国草地资源的现状分析[J]. 科学通报, 2016, 61(2):139-154.
[9] 王新云,郭艺歌,何杰. 基于多源遥感数据的草地生物量估算方法[J]. 农业工程学报,2014,30(11):159-166.
[10] 方金. 基于多源遥感数据的甘南牧区草地生物量遥感监测研究[D]. 兰州:兰州大学,2013.
[11] 刘占宇,黄敬峰,吴新宏,等. 草地生物量的高光谱遥感估算模型[J]. 农业工程学报,2006,22(2):111-115.
[12] 除多,姬秋梅,德吉央宗,等. 利用EOS/MODIS数据估算西藏藏北高原地表草地生物量[J]. 气象学报,2007,65(4):612-621.
[13] 金云翔,徐斌,杨秀春,等. 内蒙古锡林郭勒盟草原产草量动态遥感估算[J]. 中国科学(生命科学),2011,41(12):1185-1195.
[14] 李庆,王洪涛,刘文,等. 以HJ-1卫星遥感数据估算高寒草地植被净第一性生产力的潜力评估——以若尔盖草地为例[J]. 中国沙漠,2013,33(4):1250-1255.
[15] 王红岩,李晓松,张瑾,等. 北京一号,环境星,Landsat TM传感器估算草地覆盖度、叶面积指数、地上生物量比较研究[J]. 光谱学与光谱分析,2013,33(10):2803-2808.
[16] 王磊,耿君,杨冉冉,等. 高分一号卫星影像特征及其在草地监测中的应用[J]. 草地学报,2015,23(5):1093-1100.
[17] 张旭琛,朱华忠,钟华平,等. 新疆伊犁地区草地植被地上生物量遥感反演[J]. 草业学报,2015,24(6):25-34.
[18] 行敏锋,何彬彬. 干旱区草原地上植被生物量估算——以乌图美仁大草原芦苇植被为例[J]. 地球信息科学学报,2014,16(2):335-340.
[19] 张正健,刘志红,郭艳芬,等. 基于NDVI的西藏不同草地类型生物量回归建模分析[J]. 高原山地气象研究,2010,30(3):43-47.
[20] SIMONETTI D, SIMONETTI E, SZANTOI Z, et al. First results from the phenology-based synthesis classifier using Landsat 8 imagery[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(7):1496-1500.
[21] 徐晗泽宇,刘冲,王军邦,等. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报,2018,20(3):396-404.
[22] DONG J W, XIAO X M, MENARGUEZ M A, et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine[J]. Remote Sensing of Environment, 2016, 185:142-154.
[23] LOBELL D B, THAU D, SEIFERT C, et al. A scalable satellite-based crop yield mapper[J]. Remote Sensing of Environment, 2015, 164:324-333.
[24] HANSEN M C, POTAPOV P V, MOORE R, et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2014, 344(6187):850-853.
[25] PEKEL J F, COTTAM A, GORELICK N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633):418-422.
[26] TRIANNI G, LISINI G, ANGIULI E, et al. Scaling up to national/regional urban extent mapping using Landsat data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(7):3710-3719.
[27] PATEL N N, ANGIULI E, GAMBA P, et al. Multitemporal settlement and population mapping from Landsat using Google Earth Engine[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 35(Part B):199-208.
[28] KAUFMAN Y J, TANRE D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2):261-270.
[29] 梁栋,管青松,黄文江,等. 基于支持向量机回归的冬小麦叶面积指数遥感反演[J]. 农业工程学报,2013,29(7):117-123.
[30] 臧淑英,张策,张丽娟,等. 遗传算法优化的支持向量机湿地遥感分类——以洪河国家级自然保护区为例[J]. 地理科学,2012,32(4):434-441.
[31] CHANG C C, LIN C J. LIBSVM:A library for support vector machines[EB/OL].[2018-10-21].http://www.csie.ntu.edu.tw/~cjlin/libsvm.
[32] FARUTO. LIBSVM-faruto ultimate version a toolbox with implements for support vector machines based on libsvm[EB/OL].[2018-10-21].http://www.matlabsky.com.
[33] 中华人民共和国农业部.天然草原等级评定技术规范.NY/T 1579-2007[S].北京:中国农业出版社,2008.
[34] 吴朝阳,牛铮. 基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J].植物学通报,2008,25(6):714-721.
[35] 何亚娟,潘学标,裴志远,等. 基于SPOT遥感数据的甘蔗叶面积指数反演和产量估算[J].农业机械学报,2013,44(5):226-231.
[36] JU J C, ROY D P. The availability of cloud-free Landsat ETM+ data over the conterminous United States and globally[J]. Remote Sensing of Environment, 2008, 112(3):1196-1211.
[37] ROY D P, JU J C, LEWIS P, et al. Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data[J]. Remote Sensing of Environment, 2008, 112(6):3112-3130.
[38] VRIELING A, JONG S M D, STERK G, et al. Timing of erosion and satellite data:a multi-resolution approach to soil erosion risk mapping[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(3):267-281.
[39] GORELICK N, HANCHER M, DIXON M, et al. Google Earth Engine:planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202:18-27.
[40] 赵萍,傅云飞,郑刘根,等. 基于分类回归树分析的遥感影像土地利用/覆被分类研究[J].遥感学报,2005,9(6):708-716.
[41] 王健峰,张磊,陈国兴,等. 基于改进的网格搜索法的SVM参数优化[J].应用科技,2012,39(3):28-31.
[42] 杜京义,侯媛彬. 基于遗传算法的支持向量回归机参数选取[J].系统工程与电子技术,2006,28(9):1430-1433.
[43] 王道明,鲁昌华,蒋薇薇,等. 基于粒子群算法的决策树SVM多分类方法研究[J].电子测量与仪器学报,2015,29(4):611-615.
[44] WASKE B, BENEDIKTSSON J A, ÁRNASON K, et al. Mapping of hyperspectral AVIRIS data using machine-learning algorithms[J]. Canadian Journal of Remote Sensing, 2009, 35(S1):106-116.
[45] 贾坤,姚云军,魏香琴,等. 植被覆盖度遥感估算研究进展[J].地球科学进展,2013,28(7):774-782.

基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

Above-ground biomass estimation of provincial scattered grassland based on Google Earth Engine and machine learning

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孔瑞瑶, 谢涛, 马明, 孔瑞林. CatBoost模型在水深反演中的应用[J]. 测绘通报, 2022, 0(7): 33-37.
[2]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[3]	赵侃, 师芸, 牛敏杰. Google Earth Engine平台下秦岭地区植被覆盖时空变化分析[J]. 测绘通报, 2022, 0(5): 49-55.
[4]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[5]	肖真, 丁明军, 刘怡媛, 黄柯依, 张臻. Google Earth Engine平台下的1990-2019年江西省森林覆被连续变化分析[J]. 测绘通报, 2022, 0(3): 18-22.
[6]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[7]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[8]	严夏青, 金双根, 黄敏敏. 基于Sentinel-1的长江干流水域面积动态变化遥感监测[J]. 测绘通报, 2022, 0(1): 33-38.
[9]	叶烨星, 杨飞. 基于介数中心性的交通拥堵指数计算[J]. 测绘通报, 2021, 0(5): 86-90.
[10]	张鹏, 马庆勋, 吕杰, 季金亮, 李紫微. 机器学习算法在森林地上生物量估算中的应用[J]. 测绘通报, 2021, 0(12): 28-32.
[11]	夏汉庸, 尹和军, 徐教煌, 王嘉伟, 黄毅. 基于机器学习的多施工参数盾构施工姿态预测[J]. 测绘通报, 2021, 0(1): 157-160,164.
[12]	王晓静, 唐超, 杨晓飞. 激光点云在地铁盾构隧道病害诊断中的应用[J]. 测绘通报, 2020, 0(9): 33-37.
[13]	李月, 何宏昌, 王晓飞, 张国民. 农作物冠层光谱分析及反演技术综述[J]. 测绘通报, 2019, 0(9): 13-17.
[14]	张金盈, 姚光虎, 林琳, 郭怀轩. 结合主动学习和词袋模型的高分二号遥感影像自动化分类[J]. 测绘通报, 2019, 0(2): 103-107.
[15]	刘克强, 汪云甲, 陈锐志, 褚天行. 基于随机森林算法的多维情境特征活动识别[J]. 测绘通报, 2017, 0(7): 29-33,44.