Google Earth Engine 實現 LandTrendr 光譜-時間分割算法的指南（簡介和土地趨勢分析）

LT-GEE 指南

俄勒岡州立大學eMapR 實驗室的Justin Braaten撰寫的文檔、應用程序和 API?，由Robert Kennedy 博士指導

非常感謝楊志強 (OSU) 和 Google Earth Engine 的工程師。沒有您的幫助，這是不可能的！

這項工作得到了美國森林服務景觀變化監測系統和 NASA 碳監測系統（NNH13AW62I，PI：Cohen；NNX16AQ25G，PI：Kennedy）、谷歌基金會贈款（肯尼迪）和美國國家公園服務合作協議的資助(P17AC00585)

1簡介

本指南旨在介紹在 Google Earth Engine (GEE) 中運行 LandTrendr (LT) 的基礎知識。它描述了 LT 概念框架、運行 LT-GEE 需要什么、如何運行它、輸出是什么以及它們如何格式化。它還提供了三個示例腳本、一系列 LT 操作的用戶界面以及一個用于固執但易于使用的 API。

LandTrendr 是一組光譜時間分割算法，可用于中等分辨率衛星圖像（主要是 Landsat）時間序列中的變化檢測，以及生成基于軌跡的光譜時間序列數據，這些數據基本上不存在年際信號噪聲。LT 最初是在 IDL（交互式數據語言）中實現的，但在 Google 工程師的幫助下，它已經移植到 GEE 平臺（移植論文；GEE 概述；GEE 論文）。GEE 框架幾乎消除了 IDL 實現中繁重的數據管理和圖像預處理方面。它也比 IDL 實現快了光年，在 IDL 實現中，計算時間以分鐘而不是天來衡量。

我們假設您有一個GEE 賬號，您對GEE JavaScript API有點熟悉，并且對 LandTrendr（方法，應用程序）有基本的了解。

土地趨勢

圖像時間序列中的每個像素都有一個故事要講，LandTrendr 旨在簡潔地講述它們。讓我們看一個例子；在這里，我們有一個像素相交 Lon: -123.845, Lat: 45.889（圖 2.1）來自美國太平洋西北部以針葉樹為主的工業林區。記錄之初，它是一個成熟的二生針葉林，17年來幾乎沒有變化。然后，在 2000 年和 2001 年的夏天之間，一條服務道路通過它修建，去除了它的一些植被。在接下來的一年里，它經歷了一次明顯的收獲，清除了所有剩余的植被。在過去的 14 年里，它一直在再生。最近，它是一個封閉的樹冠，成熟的針葉林。

圖 2.1。每個像素都講述一個故事。Landsat 提供了景觀特征的歷史記錄。通過從 Landsat 影像的時間序列中提取單個像素，可以重新計算構成像素 1 公頃區域的特征隨時間的狀態和變化。在此示例中，我們分析了太平洋西北部（美國）工業林區的針葉林像素的歷史，該區域經歷了一段相對穩定的時期，植被急劇迅速喪失，隨后又發生了再生。

這個示例像素的歷史描述當然被刪節了，并且只傳達了狀態和森林特征變化的中等分辨率視角。此像素故事的未刪節版本包括它所代表的林分中的許多其他小變化，但鑒于衛星傳感器的精度和處理方法，所提供的描述是我們有信心的像素歷史解釋類型在圖像時間序列。LandTrendr 是一種簡潔算法，它會聽取像素故事的年度、冗長、嘈雜的細節，并編寫一個刪節版本。

在實踐中，LandTrendr 從像素的光譜歷史中獲取單一觀點，如波段或指數，并通過一個過程來識別分隔光譜軌跡中持久變化或穩定時期的斷點，并記錄發生變化的年份發生了。這些由年份和光譜索引值定義的斷點使我們能夠將像素的光譜歷史表示為一系列邊界線段的頂點（圖 2.2）。

圖 2.2。LandTrendr 像素時間序列分割。圖像數據被縮減為單個波段或光譜索引，然后通過斷點（頂點）識別將其劃分為一系列直線段。

這種光譜歷史的分段視圖產生了兩個簡潔的特征。

在頂點之間插入新值多年的能力。

線段上的簡單幾何計算提供有關不同光譜時期的信息

2.1?Fit-to-Vertex 圖像數據

在頂點之間插入新值的能力非常有用。它確保每個觀察都與與像素所在位置和去向一致的軌跡對齊。我們可以將其視為事后增強的圖像時間序列數據。它有兩個實用的工具。它可以填充時間序列中缺失觀測的數據（因云或陰影而被掩蓋），并保持預測映射隨時間的一致性；例如，由于來自大氣的光譜反射率或陰影差異的微小差異，年度森林分類不太可能在成熟和古老的針葉樹之間反彈（圖 2.3）。

圖 2.3。事后增強的圖像時間序列數據。時間序列斷點或頂點的識別允許對頂點之間的觀察進行插值，去除無關信息并將每個觀察置于其所屬軌跡的上下文中。這對于填充由于云和陰影而丟失的觀測很有用，并使年度地圖預測更加一致。

由于斷點或頂點是按年份定義的，我們還可以將在一個光譜帶或索引中識別的斷點強加于任何其他光譜帶或索引。例如，我們可以將像素時間序列分割為歸一化燃燒比 (NBR: [NIR-SWIR]/[NIR+SWIR]) 以識別頂點，然后根據 NBR 分割短波紅外 (SWIR) 波段-已識別的頂點（圖 2.4）。

圖 2.4。將一種光譜表示的分割結構強加于另一種。在這里，我們使用 NBR 確定了像素時間序列的四個斷點或頂點，然后使用這些頂點的年份對同一像素的 SWIR 波段時間序列的值進行分割和插值。

這很有用，因為我們可以使像素時間序列的整個數據空間相對于單個視角保持一致（圖 2.5），并總結相同時間段的所有光譜表示的起始、結束和增量值，這可以成為強大的預測因子土地覆蓋、變化的推動因素和狀態轉換。

圖 2.5。光譜表示的堆棧可以標準化為單個光譜帶或索引的分割結構。在這里，我們展示了流蘇帽亮度、綠色度和濕度對 NBR 分割結構的標準化。這使我們能夠利用多維光譜空間來描述光譜時期和斷點的特性，以從一致的角度（NBR）預測土地覆蓋、變化過程和轉變。

2.2時間信息

光譜歷史分段世界觀的第二個特點是簡單的幾何計算可以總結光譜時代的屬性（圖 2.6）。可以基于頂點時間和頻譜維度為每個段計算時間持續時間和頻譜幅度。這些屬性讓我們可以輕松查詢變化發生的時間、發生的頻率、平均持續多長時間、干擾（或恢復）段的平均幅度等數據。我們還可以查詢相鄰段的信息到焦點片段。例如，我們可以問，擾動段之后的平均恢復率是多少，或者在我們歸因于火災的擾動段之前的像素時間序列的軌跡是什么。

圖 2.6。段屬性圖。從這些屬性中，我們可以總結和查詢景觀上每個像素的變化。

Python

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。