耦合多种机器学习模型与时间序列卫星图像的城市边缘区分层制图

研究背景:城市边缘区作为城市与乡村地域之间的过渡性区域，随着社会经济发展，其土地利用活动加剧，土地用途转换频繁，目前已成为全球范围内土地利用问题最多、矛盾最尖锐的地区之一。因此，对城市边缘区的土地利用和土地覆盖(LULC)进行精细分类，对于区域土地利用规划、土地资源优化配置以及缓解人地矛盾具有重要的意义。研究方法:本研究选取北京市大兴区为研究区，以Planet卫星影像为数据源，提出了一种面向城市边缘区的分层制图策略。首先，利用单时相(4 月份)Planet影像和深度学习语义分割模型对非植被类别进行分类。随后，对于未分类的类别，基于Jeffries-Matusita(J-M)距离分析类别可分离性，确定植被分类的层次结构。利用多时相(4月-11月)Planet影像和随机森林模型进行植被类别的特征优选和分层分类。研究结果:(1)深度学习语义分割模型在非植被分类方面表现出色，其中Refinent模型的精度最高。(2)利用J-M距离进行类别可分性分析，为基于随机森林的植被分类建立了一个两级层次结构。根据随机森林模型计算的Gini重要性，分别进行特征优选，最终为每层分别选择了17和 24个特征。(3)精度验证结果表明，分层制图策略的总体精度为 90.00%，kappa系数为0.891.该策略比使用多时相特征的非分层分类策略高 8.33%，比使用单时相特征的非分层分类策略高 22.33%-26.67%。(4)利用最新的面积统计数据对分层制图的误差进行分析，结果显示大兴区耕地(小麦和玉米)、林地(阔叶树和针叶树)和蔬菜的提取面积与实际面积的误差分别为-0.66%、-0.87%和-14.76%。研究结论:本研究提出的分层制图策略在城市边缘区的LULC精细分类和制图方面表现出了显著的有效性，能取得比传统非分层制图策略更高的精度。能为研究城市边缘地区土地利用现状、分布以及其他生态环境问题提供高精度的数据支持。创新点:耦合了多种机器学习模型与时间序列卫星图像的分层制图策略，能充分结合深度学习模型和传统机器学习模型的优势，充分利用多时相影像提供的物候特征，从而提高分类精度。该策略能够有效应用于城市边缘区等LULC类别复杂、LULC变化快速、植被类别的训练样本获取难度大的区域。