이전|다음

무인 항공기 및 위성 영상을 융합한 온대 산림초원 목본 및 초본 식물 피복도 원격 탐사 추정

  • role： First author第一作者
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

  • Email：lixiaoya@caf.ac.cn
  • Introduction：李晓雅，研究方向为生态遥感与机器学习。E-mail：lixiaoya@caf.ac.cn
LI Xiaoya1,  
  • Affiliation：

    Institute of Forest Resource Information Techniques, Chinese Academy of Forest, Beijing 100091, China

TIAN Xin2,  
  • Affiliation：

    Institute of Microelectronics of the Chinese Academy of Sciences, Beijing 100029, China

DUAN Tao3,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

CAO Xiaoming1,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

YANG Kaijie1,  
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

LU Qi1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Institute of Desertification Studies, Chinese Academy of Forest, Beijing 100091, China

  • Email：wangfeng@caf.ac.cn
  • Introduction：王锋，研究方向为干旱区生态遥感和模型。E-mail：wangfeng@caf.ac.cn
WANG Feng1*

추상적인

중국 반건조 지역에 분포하는 온대 산림초원 생태계는 숲과 초원 사이의 전이 생태계 유형으로, 독특한 기후 및 지형 조건에서 사질토양에 발달한 지역성 최고 식생 군락이다. 산림초원은 교목, 관목 및 초본 식생이 혼합하여 자라는 특징과 높은 공간 이질성을 가지고 있다. 식생 원격 감지는 어려움이 크며 현재까지 전 세계적으로 가장 부정확한 토지 피복 유형 중 하나이다. 정밀도와 범위를 동시에 고려하여 온대 산림초원 지역 규모에서 다양한 유형 식물 생장 상태 모니터링을 수행하는 것은 현재 건조 지역 식생 원격 탐사의 주요 연구 주제이자 난제이다. 본 연구는 기계 학습 알고리즘을 기반으로, 근지면 무인 항공기 원격 감시 플랫폼을 통해 지표 식생 유형 정보를 획득하여 훈련 데이터 세트를 구축하고, 고해상도 위성 영상을 결합하여 산림초원의 목본 및 초본 식물 피복도 추정 모델을 구축하였다. 이를 통해 무인 항공기부터 위성까지 온대 산림초원의 목본 및 초본 식물 피복도의 동시 추정을 구현하였으며, 두 가지 고해상도 위성 영상이 산림초원 목본 및 초본 식물 피복도 추정에 미치는 차이를 비교하였다. 연구 결과는 다음과 같다: (1) 무인 항공기 근지면 원격 감지 영상을 이용하여 지표 피복 유형을 정확하게 분류할 수 있어 지역 온대 산림초원 목본 및 초본 식물 피복도 추정 모델에 많은 정확한 훈련 샘플 데이터를 제공하였다; (2) 기계 학습 알고리즘을 기반으로 GF-6와 Sentinel-2 두 가지 고해상도 위성 영상을 이용해 구축된 산림초원 피복도 모델은 목본 및 초본 식물 피복도 추정이 양호하게 수행되었다. GF-6 기반 산림초원 목본 및 초본 피복도 추정 결과의 결정계수는 각각 0.72와 0.66이며, 평균 제곱근 오차는 각각 6.76%와 10.69%, 추정 정확도는 각각 46.31%와 77.88%였다; Sentinel-2 기반 산림초원 목본 및 초본 피복도 추정 결과의 결정계수는 각각 0.72와 0.81이며, 평균 제곱근 오차는 각각 6.53%와 8.20%, 추정 정확도는 각각 54.30%와 83.17%였다; (3) Sentinel-2 위성 영상을 기반으로 한 산림초원 목본 및 초본 식물 피복도 추정 정확도가 GF-6 위성보다 약간 높았으며, 두 위성 영상 모두 초본 식물 피복도 추정 정확도가 목본 식물보다 현저히 더 높았다. 본 연구는 산림초원 목본 및 초본 식물 피복도의 경관 규모에서 지역 규모로 확장하는 추정에 새로운 아이디어를 제공하며, 무인 항공기에서 위성으로의 크로스 스케일 협동 관측 방법은 지역 온대 산림초원 내 서로 다른 생활형 식물의 생장 상태 모니터링에 효과적인 방법적 지원을 제공할 수 있음을 나타낸다. 향후 다중 시기 고해상도 위성 데이터를 기반으로 지역 규모 온대 산림초원의 목본 및 초본 식물 동적 모니터링이 가능할 것이다.

키워드

원격 감지; 느릅나무 숲초원; 무인 항공기; GF-6; Sentinel-2; 랜덤 포레스트; 분류 및 회귀 트리

References

  1. 1.
    Adams J B, Smith M O and Johnson P E. 1986. Spectral mixture modeling: a new analysis of rock and soil types at the Viking lander 1 site. Journal of Geophysical Research: Solid Earth, 91(B8): 8098-8112
  2. 2.
    Brandt M, Hiernaux P, Tagesson T, Verger A, Rasmussen K, Diouf A A, Mbow C, Mougin E and Fensholt R. 2016. Woody plant cover estimation in drylands from Earth Observation based seasonal metrics. Remote Sensing of Environment, 172: 28-38
  3. 3.
    Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32
  4. 4.
    Breiman L, Friedman J, Olshen R A and Stone C J. 1984. Classification and Regression Trees. Belmont, CA: Wadsworth International Group
  5. 5.
    Cai D, Li W L, Zhu Y L, Su W L, Zhu G F, Zhao Z G and Wei W. 2019. Remote sensing monitoring of vegetation coverage in Gannan grassland based on multi-source data. Journal of Lanzhou University (Natural Sciences), 55(3): 373-379
  6. 6.
    Cai Z L, Miao Z H, Chang X, Liu Y H, Hao G and He L T. 2019. Research on grassland fractional vegetation coverage inversion method based on drone large quadrat data and domestic satellite. Acta Agrestia Sinica, 27(5): 1431-1440
  7. 7.
    Chen Q, Li X S, Xiu X M and Yang G B. 2019. Large scale shrub coverage mapping of sandy land at 30 m resolution based on Google Earth Engine and machine learning. Acta Ecologica Sinica, 39(11): 4056-4069
  8. 8.
    Cui Y L, Sun H, Wang G X, Li C J and Xu X Y. 2019. A probability-based spectral unmixing analysis for mapping percentage vegetation cover of arid and semi-arid areas. Remote Sensing, 11(24): 3038
  9. 9.
    DeFries R S, Achard F, Brown S, Herold M, Murdiyarso D, Schlamadinger B and de Souza CJr. 2007. Earth observations for estimating greenhouse gas emissions from deforestation in developing countries. Environmental Science and Policy, 10(4): 385-394
  10. 10.
    González-Roglich M and Swenson J J. 2016. Tree cover and carbon mapping of Argentine savannas: scaling from field to region. Remote Sensing of Environment, 172: 139-147
  11. 11.
    Guo Q H, Hu T Y, Ma Q, Xu K X, Yang Q L, Sun Q H, Li Y M and Su Y J. 2020. Advances for the new remote sensing technology in ecosystem ecology research. Chinese Journal of Plant Ecology, 44(4): 418-435
  12. 12.
    Han D, Wang H Z, Zheng B Y and Wang F. 2018. Vegetation type classification and fractional vegetation coverage estimation for an open elm (Ulmus pumila) woodland ecosystem during a growing season based on an unmanned aerial vehicle platform coupled with decision tree algorithms. Acta Ecologica Sinica, 38(18): 6655-6663
  13. 13.
    Haralick R M. 1979. Statistical and structural approaches to texture. Proceedings of the IEEE, 67(5): 786-804
  14. 14.
    Harris A, Carr A S and Dash J. 2014. Remote sensing of vegetation cover dynamics and resilience across southern Africa. International Journal of Applied Earth Observation and Geoinformation, 28: 131-139
  15. 15.
    Herrmann S M, Wickhorst A J and Marsh S E. 2013. Estimation of tree cover in an agricultural parkland of Senegal using rule-based regression tree modeling. Remote Sensing, 5(10): 4900-4918
  16. 16.
    Higginbottom T P, Symeonakis E, Meyer H and van der Linden S. 2018. Mapping fractional woody cover in semi-arid savannahs using multi-seasonal composites from Landsat data. ISPRS Journal of Photogrammetry and Remote Sensing, 139: 88-102
  17. 17.
    Hunter F D L, Mitchard E T A, Tyrrell P and Russell S. 2020. Inter-seasonal time series imagery enhances classification accuracy of grazing resource and land degradation maps in a savanna ecosystem. Remote Sensing, 12(1): 198
  18. 18.
    James G, Witten D, Hastie T and Tibshirani R. 2013. An Introduction to Statistical Learning. New York: Springer
  19. 19.
    Jia K, Yao Y J, Wei X Q, Gao S, Jiang B and Zhao X. 2013. A review on fractional vegetation cover estimation using remote sensing. Advances in Earth Science, 28(7): 774-782
  20. 20.
    Kattenborn T, Lopatin J, Förster M, Braun A C and Fassnacht F E. 2019. UAV data as alternative to field sampling to map woody invasive species based on combined Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 227: 61-73
  21. 21.
    Latifovic R and Olthof I. 2004. Accuracy assessment using sub-pixel fractional error matrices of global land cover products derived from satellite data. Remote Sensing of Environment, 90(2): 153-165
  22. 22.
    Li X S, Gao Z H, Li Z Y, Bai L N and Wang B Y. 2010. Estimation of sparse vegetation coverage in arid region based on hyperspectral mixed pixel decomposition. Chinese Journal of Applied Ecology, 21(1): 152-158
  23. 23.
    Liao X H, Xiao Q and Zhang H. 2019. UAV remote sensing: popularization and expand application development trend. Journal of Remote Sensing, 23(6): 1046-1052
  24. 24.
    Liu L F, Chen Y H and Li J. 2003. Texture analysis methods used in remote sensing images. Remote Sensing Technology and Application, 18(6): 441-447
  25. 25.
    Ludwig M, Morgenthal T, Detsch F, Higginbottom T P, Lezama Valdes M, Nauß T and Meyer H. 2019. Machine learning and multi-sensor based modelling of woody vegetation in the Molopo Area, South Africa. Remote Sensing of Environment, 222: 195-203
  26. 26.
    Prasad A M, Iverson L R and Liaw A. 2006. Newer classification and regression tree techniques: bagging and random forests for ecological prediction. Ecosystems, 9(2): 181-199
  27. 27.
    Reinhard E, Adhikhmin M, Gooch B and Shirley P. 2001. Color transfer between images. IEEE Computer Graphics and Applications, 21(4): 34-41
  28. 28.
    Shi Y F, Jin Y H and Jin L S. 2011. Review on elm sparse forest grassland in China. Technology of Soil and Water Conservation, (2): 32-35
  29. 29.
    Tian F, Brandt M, Liu Y Y, Rasmussen K and Fensholt R. 2017. Mapping gains and losses in woody vegetation across global tropical drylands. Global Change Biology, 23(4): 1748-1760
  30. 30.
    Wan C J, Wu X D and Lin X W. 2019. Impact of spatial and temporal scales of remote sensing data on the spatiotemporal change in geographic elements. Journal of Remote Sensing, 23(6): 1064-1077
  31. 31.
    Wang F, Pan X B, Gerlein-Safdi C, Cao X M, Wang S, Gu L H, Wang D F and Lu Q. 2020. Vegetation restoration in Northern China: a contrasted picture. Land Degradation and Development, 31(6): 669-676
  32. 32.
    Wang H Z, Han D, Mu Y, Jiang L N, Yao X L, Bai Y F, Lu Q and Wang F. 2019. Landscape-level vegetation classification and fractional woody and herbaceous vegetation cover estimation over the dryland ecosystems by unmanned aerial vehicle platform. Agricultural and Forest Meteorology, 278: 107665
  33. 33.
    Yang J, Weisberg P J and Bristow N A. 2012. Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands: comparison of vegetation indices and spectral mixture analysis. Remote Sensing of Environment, 119: 62-71
  34. 34.
    Yu S L and Chen H W. 2007. Characteristics and formation causes of temperate sparse forest grassland ecosystem in Inner Mongolia Plateau. Chinese Journal of Ecology, 26(4): 549-554
  35. 35.
    Yu S L. 2011. Geographical distribution, ecological position, and formation causes of temperate zone sparse forest in China. Science Technology Review, 29(25): 26-29
  36. 36.
    Yue J, Mu G J, Tang Z H, Yang X F, Lin Y C and Xu L S. 2020. Remote sensing estimation models for vegetation coverage in desert regions of Xinjiang based on NDVI. Arid Land Geography, 43(1): 153-160
  37. 37.
    Zhang S, Zhao Y J, Bai Y F, Yang L and Sun Z Y. 2019. Remote sensing identification of grassland shrubs using low-altitude unmanned aerial vehicles. Tropical Geography, 39(4): 512-520
  38. 38.
    Zhang W M, Brandt M, Wang Q, Prishchepov A V, Tucker C J, Li Y M, Lyu H and Fensholt R. 2019. From woody cover to woody canopies: how Sentinel-1 and Sentinel-2 data advance the mapping of woody plants in savannas. Remote Sensing of Environment, 234: 111465
  39. 39.
    Zhou P C, Cheng G, Yao X W and Han J W. 2021. Machine learning paradigms in high-resolution remote sensing image interpretation. National Remote Sensing Bulletin, 25(1): 182-197

더 읽기

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website