[最新发表] 基于图割的高山草线遥感提取方法

+ 查看更多

大量的研究表明，气候变化导致了植被边界的大幅移动，如高山林线、灌丛线等。这些植被边界的移动对生态和气候产生了广泛的影响。在植被中，高山草甸在世界高山地区分布广泛，并对气候变化非常敏感。因此，越来越多的研究者开始感兴趣，高山草甸的海拔上限是否也会随着气候的变暖产生移动。然而，由于缺乏实地观察，我们仍对高山草甸的海拔上限（后称为高山草线）的时空变化知之甚少。大范围，长时间可用的卫星数据（例如40多年的Landsat影像）为高山草线的识别提供了契机。但是，现阶段并未出现成熟的基于卫星数据的高山草线的识别方法。因此，以青藏高原为研究区，我们开发了一套基于多源遥感数据，并以Landsat影像为主的高山草线的识别算法。

我们使用了2015 到2021年间的多源遥感数据，以Landsat影像为主，提取了青藏高原上的高山草线：

1. 首先，我们使用随机森林分类器，利用MODIS影像和Landsat影像的特征，制作出250 m的青藏高原的植被陆地、非植被陆地和水体的分类图。分类器使用了GlobaLand30、WorldCover and From-GLC 2017这三种分类产品相一致的区域作为训练数据。

2. 然后，我们基于SRTM高程数据与250 m分类图，将可能有草线存在的青藏高原高山区域划分为2895个独立的山脉。我们将这类山脉们定义为草线潜在区域，在下一个步骤中，分别对各草线潜在区域进行高山草线的提取。

3. 对于每一个潜在草线区域，我们首先利用LDA（linear discriminant analysis）算法，合成了Landsat植被指数。最终，我们通过图割算法，完成了对各区域的高山草线。

高山草线是高山区域上植被陆地和非植被陆地的交界区域，因此，识别出植被区域和非植被区域是高山草线识别的基础。Otsu作为图像二值化的常用算法，在草线潜在区域可以有效的识别出高山区域的植被和非植被区域。

但与常规的二分类不同，高山草线识别任务的核心难点在于其边界的准确定位。Otsu算法基于直方图的性质决定了其遗漏了影像的纹理信息——即高山草线处植被指数突然下降的信息（该信息可以由梯度所体现）。而梯度信息对草线位置的准确定位非常重要。同时，简单的二分类算法虽然能在整体上完成对植被和非植被区域的分割，但分类算法通常在分类边缘位置的具有较低的分类精度，这给草线的精确定位带来了极大的不确定性。因此，我们额外引入了修改后的Canny 梯度信息（详细修改步骤请参考论文原文），来完成精确的草线提取。

  

图2. 论文中图割算法的示意图

     我们利用了图割算法，完成了Otsu算法和修改后的Canny 梯度信息的结合（图2）。图割算法的原理在于，在植被和非植被区域之间划出一条分割线（即高山草线）使得植被和非植被像素分割分开，同时使得如下的能量函数E(X)最小：

式子中的E(X)代表要最小化的能量函数。X为被分割线所分割后的影像的分割结果，X={x1,...,xi,..,xn}。里面的x1代表第1个像素的分割结果。x1∈[vegetated(= 1), unvegetated(= 0)]。举例来说，如果x1为1(或0)，则代表第1个像素的分割结果为有植被陆地（或无植被陆地）。通过对E1(xi)函数的设计（请参考原文），∑i∈vE1(xi)项衡量了最后的分割结果X与Otsu算法分割结果的一致性程度。分割结果X与Otsu算法分割越接近，E1(xi)越低。因此，最大化E(X)会使得X体上与Otsu算法分割结果一致。同样的，通过设计∑(i,j∈)ε E2(xi,xj)，使其衡量分割线与修改后的Canny 梯度信息的一致程度。分割线越接近于具有大梯度的边缘，则∑(i,j)∈εE2(xi,xj)越低。因此，结合∑i∈vE1(xi)与∑(i,j)∈εE2(xi,xj)，最小化E(X)会使得最终的分割结果X的大体格局与Otsu分割结果接近，但分割线（高山草线）的局部空间位置上靠近于具有大梯度值的空间位置。

       为了验证算法提取到的高山草线的精度，我们分别目视解译了13个实验区的无人机影像和40个试验区的PlanetScope影像的草线数据。验证结果表明（图3），论文算法提取到的草线有着很高的精度，与无人机草线相比，草线海拔之间的 R2为0.99，平均绝对误差为22.6米。与PlanetScope草线相比，R2为0.98，平均绝对误差为36.2米。

     

图3. 算法提取到的Landsat草线与目视解译的草线的进行验证的散点图结果。目视解译的草线分别为(a)无人机草线和(b)PlanetScope草线。

 

图 4. 论文算法提取的Landsat 30m草线和目视解译的PlanetScope、无人机草线已被分享到Google Earth Engine。

 

【论文信息】

该论文已发表于 Global Change Biology. Liu L, Chen J, Shen M, Chen X, Cao R, Cao X, Cui X, Yang W, Zhu X, Li L, Tang Y. A remote sensing method for mapping alpine grasslines based on graph-cut. Glob Chang Biol. 2023 Oct 31:e17005. doi: 10.1111/gcb.17005.

用于验证草线提取精度的无人机影像数据可以通过如下链接获取：http://dx.doi.org/10.17632/phjgbzcfh9.1

基于本论文算法提取的Landsat 30m草线和目视解译的PlanetScope、无人机草线可以通 (图 4)过如下链接获取：https://ee-licongliu.projects.earthengine.app/view/alpine-grasslines