Google Earth Engine 实现 LandTrendr 光谱-时间分割算法的指南（简介和土地趋势分析）

LT-GEE 指南

俄勒冈州立大学eMapR 实验室的Justin Braaten撰写的文档、应用程序和 API ，由Robert Kennedy 博士指导

非常感谢杨志强 (OSU) 和 Google Earth Engine 的工程师。没有您的帮助，这是不可能的！

这项工作得到了美国森林服务景观变化监测系统和 NASA 碳监测系统（NNH13AW62I，PI：Cohen；NNX16AQ25G，PI：Kennedy）、谷歌基金会赠款（肯尼迪）和美国国家公园服务合作协议的资助(P17AC00585)

1简介

本指南旨在介绍在 Google Earth Engine (GEE) 中运行 LandTrendr (LT) 的基础知识。它描述了 LT 概念框架、运行 LT-GEE 需要什么、如何运行它、输出是什么以及它们如何格式化。它还提供了三个示例脚本、一系列 LT 操作的用户界面以及一个用于固执但易于使用的 API。

LandTrendr 是一组光谱时间分割算法，可用于中等分辨率卫星图像（主要是 Landsat）时间序列中的变化检测，以及生成基于轨迹的光谱时间序列数据，这些数据基本上不存在年际信号噪声。LT 最初是在 IDL（交互式数据语言）中实现的，但在 Google 工程师的帮助下，它已经移植到 GEE 平台（移植论文；GEE 概述；GEE 论文）。GEE 框架几乎消除了 IDL 实现中繁重的数据管理和图像预处理方面。它也比 IDL 实现快了光年，在 IDL 实现中，计算时间以分钟而不是天来衡量。

我们假设您有一个GEE 账号，您对GEE JavaScript API有点熟悉，并且对 LandTrendr（方法，应用程序）有基本的了解。

土地趋势

图像时间序列中的每个像素都有一个故事要讲，LandTrendr 旨在简洁地讲述它们。让我们看一个例子；在这里，我们有一个像素相交 Lon: -123.845, Lat: 45.889（图 2.1）来自美国太平洋西北部以针叶树为主的工业林区。记录之初，它是一个成熟的二生针叶林，17年来几乎没有变化。然后，在 2000 年和 2001 年的夏天之间，一条服务道路通过它修建，去除了它的一些植被。在接下来的一年里，它经历了一次明显的收获，清除了所有剩余的植被。在过去的 14 年里，它一直在再生。最近，它是一个封闭的树冠，成熟的针叶林。

图 2.1。每个像素都讲述一个故事。Landsat 提供了景观特征的历史记录。通过从 Landsat 影像的时间序列中提取单个像素，可以重新计算构成像素 1 公顷区域的特征随时间的状态和变化。在此示例中，我们分析了太平洋西北部（美国）工业林区的针叶林像素的历史，该区域经历了一段相对稳定的时期，植被急剧迅速丧失，随后又发生了再生。

这个示例像素的历史描述当然被删节了，并且只传达了状态和森林特征变化的中等分辨率视角。此像素故事的未删节版本包括它所代表的林分中的许多其他小变化，但鉴于卫星传感器的精度和处理方法，所提供的描述是我们有信心的像素历史解释类型在图像时间序列。LandTrendr 是一种简洁算法，它会听取像素故事的年度、冗长、嘈杂的细节，并编写一个删节版本。

在实践中，LandTrendr 从像素的光谱历史中获取单一观点，如波段或指数，并通过一个过程来识别分隔光谱轨迹中持久变化或稳定时期的断点，并记录发生变化的年份发生了。这些由年份和光谱索引值定义的断点使我们能够将像素的光谱历史表示为一系列边界线段的顶点（图 2.2）。

图 2.2。LandTrendr 像素时间序列分割。图像数据被缩减为单个波段或光谱索引，然后通过断点（顶点）识别将其划分为一系列直线段。

这种光谱历史的分段视图产生了两个简洁的特征。

在顶点之间插入新值多年的能力。

线段上的简单几何计算提供有关不同光谱时期的信息

2.1 Fit-to-Vertex 图像数据

在顶点之间插入新值的能力非常有用。它确保每个观察都与与像素所在位置和去向一致的轨迹对齐。我们可以将其视为事后增强的图像时间序列数据。它有两个实用的工具。它可以填充时间序列中缺失观测的数据（因云或阴影而被掩盖），并保持预测映射随时间的一致性；例如，由于来自大气的光谱反射率或阴影差异的微小差异，年度森林分类不太可能在成熟和古老的针叶树之间反弹（图 2.3）。

图 2.3。事后增强的图像时间序列数据。时间序列断点或顶点的识别允许对顶点之间的观察进行插值，去除无关信息并将每个观察置于其所属轨迹的上下文中。这对于填充由于云和阴影而丢失的观测很有用，并使年度地图预测更加一致。

由于断点或顶点是按年份定义的，我们还可以将在一个光谱带或索引中识别的断点强加于任何其他光谱带或索引。例如，我们可以将像素时间序列分割为归一化燃烧比 (NBR: [NIR-SWIR]/[NIR+SWIR]) 以识别顶点，然后根据 NBR 分割短波红外 (SWIR) 波段-已识别的顶点（图 2.4）。

图 2.4。将一种光谱表示的分割结构强加于另一种。在这里，我们使用 NBR 确定了像素时间序列的四个断点或顶点，然后使用这些顶点的年份对同一像素的 SWIR 波段时间序列的值进行分割和插值。

这很有用，因为我们可以使像素时间序列的整个数据空间相对于单个视角保持一致（图 2.5），并总结相同时间段的所有光谱表示的起始、结束和增量值，这可以成为强大的预测因子土地覆盖、变化的推动因素和状态转换。

图 2.5。光谱表示的堆栈可以标准化为单个光谱带或索引的分割结构。在这里，我们展示了流苏帽亮度、绿色度和湿度对 NBR 分割结构的标准化。这使我们能够利用多维光谱空间来描述光谱时期和断点的特性，以从一致的角度（NBR）预测土地覆盖、变化过程和转变。

2.2时间信息

光谱历史分段世界观的第二个特点是简单的几何计算可以总结光谱时代的属性（图 2.6）。可以基于顶点时间和频谱维度为每个段计算时间持续时间和频谱幅度。这些属性让我们可以轻松查询变化发生的时间、发生的频率、平均持续多长时间、干扰（或恢复）段的平均幅度等数据。我们还可以查询相邻段的信息到焦点片段。例如，我们可以问，扰动段之后的平均恢复率是多少，或者在我们归因于火灾的扰动段之前的像素时间序列的轨迹是什么。

图 2.6。段属性图。从这些属性中，我们可以总结和查询景观上每个像素的变化。

Python

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。