DOI: https://doi.org/10.5194/essd-16-1353-2024
تاريخ النشر: 2024-03-15
المؤلف: Xiao Zhang وآخرون
الموضوع الرئيسي: الاستشعار عن بعد في الزراعة
نظرة عامة
تقدم البحث GLC_FCS30D، مجموعة بيانات عالمية رائدة لمراقبة ديناميات تغطية الأرض بدقة 30 متر، تمتد من 1985 إلى 2022 مع 26 نقطة زمنية. تتضمن هذه المجموعة 35 فئة فرعية لتغطية الأرض وتم تطويرها باستخدام طرق الكشف عن التغيير المستمر المطبقة على السلسلة الزمنية الكاملة لصور لاندسات عبر منصة Google Earth Engine. تضمنت المنهجية تحديد البكسلات المتغيرة والمناطق المستقرة، وتوليد عينات تدريب عالية الثقة، واستخدام نماذج تصنيف محلية تكيفية جنبًا إلى جنب مع خوارزمية تحسين التناسق الزمني لتعزيز الدقة والاستقرار في معلومات تغطية الأرض.
أثبتت عملية التحقق من GLC_FCS30D دقة إجمالية بلغت 80.88% (±0.27%) لنظام التصنيف الأساسي الذي يشمل 10 أنواع رئيسية من تغطية الأرض، و73.04% (±0.30%) لنظام التحقق من تصنيف تغطية الأرض (LCCS) المستوى 1 مع 17 نوعًا. بالإضافة إلى ذلك، أكدت المقارنات مع مجموعات بيانات من جهات خارجية من الولايات المتحدة والاتحاد الأوروبي قوة المجموعة، حيث حققت دقة متوسطة بلغت 79.50% (±0.50%) و81.91% (±0.09%) على التوالي. تمثل هذه المجموعة تقدمًا كبيرًا في مراقبة التغيرات في تغطية الأرض العالمية، حيث تقدم رؤى حاسمة للتنمية المستدامة وإدارة البيئة في سياق التغير المناخي المستمر.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم لبيانات تغطية الأرض في دعم التنمية المستدامة، والحفاظ على التنوع البيولوجي، وإدارة الموارد الطبيعية. تؤكد أن التغيرات في تغطية الأرض تؤثر بشكل كبير على أنماط المناخ العالمية والدورات البيوجيوكيميائية، مما يساهم في حوالي 25% من انبعاثات غازات الدفيئة العالمية منذ الثورة الصناعية. يشير البحث إلى التقدم في تقنيات الاستشعار عن بعد التي مكنت من مراقبة أكثر دقة لتغيرات تغطية الأرض، الانتقال من منتجات ذات دقة منخفضة إلى مجموعات بيانات ذات دقة عالية، خاصة من خلال استخدام منصات مثل Google Earth Engine.
على الرغم من هذه التقدمات، تحدد المقدمة التحديات المستمرة في الكشف بدقة عن تغيرات تغطية الأرض، خاصة في المناطق ذات التباين المكاني العالي والنشاط البشري. تنتقد الخوارزميات الحالية للكشف عن التغيير لقيودها، خاصة فيما يتعلق بالتناسق الزمني وتراكم أخطاء التصنيف. يقترح المؤلفون معالجة هذه الفجوات من خلال تطوير منتج ديناميات تغطية الأرض العالمية بدقة 30 متر (GLC_FCS30D) الذي يستخدم خوارزمية الكشف عن التغيير المستمر استنادًا إلى ملاحظات لاندسات الشاملة من 1985 إلى 2022. يهدف هذا المنتج إلى تقديم رؤى مفصلة حول تغيرات تغطية الأرض وأنماطها الزمانية والمكانية بينما يقيم أيضًا أدائها مقابل مجموعات بيانات تحقق متنوعة.
الطرق
في هذا القسم، يحدد المؤلفون منهجية شاملة لمراقبة تغيرات تغطية الأرض، موضحة في الشكل 2. يدمج النهج خوارزمية الكشف عن التغيير المستمر (CCD)، كما اقترحها زو وودكوك (2014b)، مع طريقة تحديث محلية تكيفية، منظمة في أربع إجراءات رئيسية. أولاً، تحدد الطريقة البكسلات المستقرة زمنيًا والتغيرات المفاجئة في تغطية الأرض باستخدام نموذج CCD. ثانيًا، تولد عينات تدريب مستقرة زمانيًا ومكانيًا من خلال طريقة تحسين مطبقة على منتج تغطية الأرض GLC_FCS30 والأقنعة المستقرة. ثالثًا، يتم بناء نماذج تصنيف محلية تكيفية لمناطق متميزة، وتحديث معلومات تغطية الأرض في مناطق التغيير. أخيرًا، تعزز طريقة تحسين التناسق الزماني والمكاني دقة خرائط تغير تغطية الأرض بينما تقلل من الاكتشافات الخاطئة.
قبل الكشف عن التغيير، تستخدم المنهجية خوارزمية CFmask لإزالة البكسلات ذات الجودة الرديئة، مثل تلك المتأثرة بالسحب والظلال والتشبع، محققة دقة إجمالية تبلغ 96.4%، كما اعترفت بها USGS (زو وآخرون، 2015؛ زو وودكوك، 2012). بالنسبة لبكسلات السحب المتبقية، يتم استخدام خوارزمية Tmask لمزيد من تحسين الكشف عن السحب من خلال الاستفادة من البيانات الزمنية من بكسلات السماء الصافية، مما يقلل من تأثير البيانات ذات الجودة الرديئة على التحليل. يضمن هذا النهج المنهجي مراقبة قوية لتغيرات تغطية الأرض بينما يعالج القضايا المحتملة المتعلقة بجودة البيانات.
المناقشة
في هذا القسم، يناقش المؤلفون المنهجيات ومجموعات البيانات المستخدمة لمراقبة ديناميات تغطية الأرض من 1984 إلى 2022، مستفيدين من صور لاندسات المستمرة وتقنيات التصنيف المتقدمة. قاموا بجمع ومعالجة بيانات لاندسات باستخدام طرق تصحيح الغلاف الجوي لضمان انعكاس سطح عالي الجودة، وطبقوا تطبيع إشعاعي نسبي لضمان التناسق عبر مهام لاندسات المختلفة. كما استخدمت الدراسة مجموعة بيانات تغطية الأرض العالمية (GLC_FCS30-2020) بدقة إجمالية تبلغ 82.5% كنقطة انطلاق لعينات التدريب، إلى جانب مجموعة بيانات ديناميات السطح غير المنفذ عالميًا (GISD30) ومجموعة بيانات ديناميات الأراضي الرطبة (GWL_FCS30)، حيث أظهرت كلاهما دقة عالية بلغت 90.1% و86.44% على التوالي. كانت هذه المجموعات بيانات حاسمة لتحديد تغيرات تغطية الأرض بدقة وتعزيز تنوع أنواع تغطية الأرض.
نفذ المؤلفون خوارزمية الكشف عن التغيير المستمر (CCD) لالتقاط التغيرات المفاجئة في تغطية الأرض مع تقليل تأثير التغيرات الدورية والاتجاهية. استخدمت هذه الخوارزمية تحويل فورييه لنمذجة ملاحظات السلاسل الزمنية، وأجرى المؤلفون تحليلات حساسية لتحسين المعلمات من أجل تحسين دقة الكشف عن التغيير. بالإضافة إلى ذلك، استخلصوا عينات تدريب مستقرة زمانيًا ومكانيًا من خلال دمج مجموعة بيانات GLC_FCS30-2020 مع أقنعة الكشف عن التغيير، مما يضمن تدريبًا قويًا لنماذج التصنيف المحلية التكيفية. تؤكد الدراسة على أهمية عينات التدريب عالية الجودة وفعالية النمذجة المحلية التكيفية مقارنة بالنهج العالمية، مما يعزز في النهاية دقة مراقبة وتصنيف تغطية الأرض من خلال استخدام مصنفات الغابة العشوائية وطرق تحسين التناسق الزمني.
القيود
يسلط قسم القيود في مجموعة بيانات GLC_FCS30D الضوء على عدة تحديات وعدم يقين في مراقبة التغيرات العالمية في تغطية الأرض على مدى سلسلة زمنية ممتدة. بينما تدمج المنهجية مزايا نموذج الكشف عن التغيير المستمر (CCD) وملاحظات لاندسات الواسعة لتحديد نقاط تغيير تغطية الأرض، فإن موثوقية هذه الملاحظات تتأثر بشكل كبير بعوامل مثل تغطية السحب وندرة البيانات التاريخية قبل عام 2000. على وجه الخصوص، تفتقر مناطق مثل شمال شرق آسيا إلى ملاحظات لاندسات صالحة قبل هذه الفترة، مما قد يؤدي إلى تغييرات في تغطية الأرض لم يتم تسجيلها. لمعالجة هذه الفجوات، يقترح المؤلفون دمج صور الاستشعار عن بعد متعددة المصادر، بما في ذلك Sentinel-1/2 وSPOT وMODIS وAVHRR، لتعزيز قدرات المراقبة.
علاوة على ذلك، تهدف تطبيق خوارزمية تحسين التناسق الزماني والمكاني إلى تحسين جودة البيانات من خلال تقليل ضوضاء التصنيف. على الرغم من هذه التقدمات، تعترف الدراسة بالحاجة إلى تقييمات دقة أكثر قوة، خاصة في المناطق المتنوعة والمعقدة بخلاف تلك التي تم تحليلها بالفعل، مثل إفريقيا وآسيا. كما أن الاختلافات في أنظمة التصنيف بين GLC_FCS30D ومجموعات بيانات أخرى، مثل LUCAS وLCMAP_Val، تشكل تحديات للتحقق، خاصة فيما يتعلق بتصنيف الأسطح غير المنفذة. ستركز الأبحاث المستقبلية على تطوير مجموعات بيانات تحقق طويلة الأجل وتنقيح مقاييس الدقة عبر أنواع تغطية الأرض المختلفة لتعزيز الموثوقية العامة لمجموعة بيانات GLC_FCS30D.
DOI: https://doi.org/10.5194/essd-16-1353-2024
Publication Date: 2024-03-15
Author(s): Xiao Zhang et al.
Primary Topic: Remote Sensing in Agriculture
Overview
The research presents GLC_FCS30D, a groundbreaking global dataset for monitoring land-cover dynamics at a 30 m resolution, spanning from 1985 to 2022 with 26 time steps. This dataset includes 35 land-cover subcategories and was developed using continuous change detection methods applied to the full time series of Landsat imagery via the Google Earth Engine platform. The methodology involved identifying changed pixels and stable areas, generating high-confidence training samples, and employing local adaptive classification models alongside a temporal-consistency optimization algorithm to enhance accuracy and stability in land-cover information.
Validation of GLC_FCS30D demonstrated an overall accuracy of 80.88% (±0.27%) for the basic classification system encompassing 10 major land-cover types, and 73.04% (±0.30%) for the Land Cover Classification System (LCCS) level-1 validation system with 17 types. Additionally, comparisons with third-party datasets from the United States and European Union confirmed the dataset’s robustness, achieving mean accuracies of 79.50% (±0.50%) and 81.91% (±0.09%) respectively. This dataset represents a significant advancement in global land-cover change monitoring, providing critical insights for sustainable development and environmental management in the context of ongoing climate change.
Introduction
The introduction highlights the critical role of land-cover data in supporting sustainable development, biodiversity conservation, and natural resource management. It emphasizes that land-cover changes significantly impact global climate patterns and biogeochemical cycles, contributing to approximately 25% of global greenhouse gas emissions since the Industrial Revolution. The paper notes the advancements in remote-sensing technologies that have enabled more precise monitoring of land-cover changes, transitioning from coarse-resolution products to fine-resolution datasets, particularly through the use of platforms like Google Earth Engine.
Despite these advancements, the introduction identifies persistent challenges in accurately detecting land-cover changes, particularly in areas with high spatial heterogeneity and human activity. It critiques existing change-detection algorithms for their limitations, especially regarding temporal consistency and the accumulation of classification errors. The authors propose to address these gaps by developing a global 30 m land-cover dynamics product (GLC_FCS30D) that utilizes a continuous change-detection algorithm based on comprehensive Landsat observations from 1985 to 2022. This product aims to provide detailed insights into land-cover changes and their spatiotemporal patterns while also evaluating its performance against various validation datasets.
Methods
In this section, the authors outline a comprehensive methodology for monitoring land-cover changes, illustrated in Figure 2. The approach integrates the continuous change-detection (CCD) algorithm, as proposed by Zhu and Woodcock (2014b), with a local adaptive updating method, structured into four key procedures. First, the method identifies temporally stable pixels and abrupt changes in land-cover using the CCD model. Second, it generates spatiotemporally stable training samples through a refinement method applied to the GLC_FCS30 land-cover product and stable masks. Third, local adaptive classification models are constructed for distinct regions, updating land-cover information in areas of change. Finally, a spatiotemporal consistency optimization method enhances the accuracy of land-cover change maps while mitigating false detections.
Prior to change detection, the methodology employs the CFmask algorithm to eliminate poor-quality pixels, such as those affected by clouds, shadows, and saturation, achieving an overall accuracy of 96.4%, as recognized by the USGS (Zhu et al., 2015; Zhu and Woodcock, 2012). For residual cloud pixels, the Tmask algorithm is utilized to further refine cloud detection by leveraging temporal data from clear-sky pixels, thereby minimizing the impact of poor-quality data on the analysis. This systematic approach ensures robust monitoring of land-cover changes while addressing potential data quality issues.
Discussion
In this section, the authors discuss the methodologies and datasets utilized for monitoring land-cover dynamics from 1984 to 2022, leveraging continuous Landsat imagery and advanced classification techniques. They collected and processed Landsat data using atmospheric correction methods to ensure high-quality surface reflectance, and applied relative radiometric normalization for consistency across different Landsat missions. The study also employed a global land-cover dataset (GLC_FCS30-2020) with an overall accuracy of 82.5% as a baseline for training samples, alongside a global impervious surface dynamics dataset (GISD30) and a wetland dynamics dataset (GWL_FCS30), both demonstrating high accuracies of 90.1% and 86.44%, respectively. These datasets were crucial for accurately identifying land-cover changes and enhancing the diversity of land-cover types.
The authors implemented a Continuous Change Detection (CCD) algorithm to capture abrupt land-cover changes while minimizing the influence of periodic and trend changes. This algorithm utilized Fourier transformation to model time-series observations, and the authors conducted sensitivity analyses to optimize parameters for improved change detection accuracy. Additionally, they derived spatiotemporally stable training samples by integrating the GLC_FCS30-2020 dataset with change-detection masks, ensuring robust training for local adaptive classification models. The study emphasizes the importance of high-quality training samples and the effectiveness of local adaptive modeling over global approaches, ultimately enhancing the accuracy of land-cover monitoring and classification through the use of Random Forest classifiers and temporal-consistency optimization methods.
Limitations
The section on limitations of the GLC_FCS30D dataset highlights several challenges and uncertainties in monitoring global land-cover changes over an extended time series. While the methodology integrates the advantages of the Continuous Change Detection (CCD) model and extensive Landsat observations to identify land-cover change points, the reliability of these observations is significantly affected by factors such as cloud cover and the historical scarcity of data prior to 2000. Specifically, regions like northeastern Asia lack valid Landsat observations before this period, potentially leading to unrecorded land-cover changes. To address these gaps, the authors propose the integration of multisource remote-sensing imagery, including Sentinel-1/2, SPOT, MODIS, and AVHRR, to enhance monitoring capabilities.
Furthermore, the application of a spatiotemporal consistency optimization algorithm aims to improve data quality by reducing classification noise. Despite these advancements, the study acknowledges the need for more robust accuracy assessments, particularly in diverse and complex regions beyond those already analyzed, such as Africa and Asia. The differences in classification systems between GLC_FCS30D and other datasets, like LUCAS and LCMAP_Val, also pose challenges for validation, particularly regarding the categorization of impervious surfaces. Future research will focus on developing long-term validation datasets and refining accuracy metrics across various land-cover types to enhance the overall reliability of the GLC_FCS30D dataset.