CC BY
29
НЛТУ
ы КРАЖИ
Hl/IUB
Науковий в!сн и к НЛТУУкраТни Scientific Bulletin of UNFU
http://nv.nltu.edu.ua https://doi.org/10.15421/40280105 Article received 23.01.2018 р. Article accepted 28.02.2018 р.
УДК 630*585
ISSN 1994-7836 (print) ISSN 2519-2477 (online)
@ EE3 Correspondence author V. V. Myroniuk [email protected]
В. В. Миронюк
Нацюнальний yHieepcumem 6iopecypcie i природокористування Украти, м. Knie, Украта
КЛАСИФ1КАЦ1Я Л1СОВОГО ПОКРИВУ ЗА СЕЗОННИМИ КОМПОЗИТНИМИ
МОЗА1КАМИ LANDSAT
Розглянуто методику картографування piBHmHHX лгав Украши з використанням супутникових 3hímkíb Landsat 8 OLI. Класифжащю лiсового покриву виконано за допомогою платформи Google Earth Engine (GEE) API, яка забезпечуе доступ до архшв супутникових даних i володiе необхiдними iнструментами для 1хнього оброблення. Використано попiксельну процедуру поеднання супутникових зтмюв у виглядi безхмарних композитних моза1к за принципом вiдбору "найкращих" спостережень. Для територп ргвнинно! частини Укра1ни з архгву вiдiбрано 1548 зтмюв Landsat 8 OLI, на основi яких створено безхмарш композитнi моза1ки для чотирьох сезошв: рiк, лiто, осiнь, квiтень-жовтень. Щоб забезпечити повне покриття територп доалджень якiсними спостереженнями та уникнути пропуску даних, зшмки вiдiбрано впродовж 2014-2016 рр. Не-залежними змiнними для класифжацп були спектральнi канали видимого та шфрачервоного дiапазону, 1хш вдаошення, спектральнi перетворення типу "ковпак з кистю", специфiчнi статистичнi метрики, топографiчнi показники. Для збору опор-них даних створено стратифжовану навчальну вибiрку обсягом близько 4700 спостережень, а для штерпретацп вибiркових одиниць застосовано загальнодоступнi супутниковi знiмки сервiсiв Google Maps та Bing Maps. За допомогою класифжа-цшних моделей Random Forest створено люову маску, а також тематичну карту, що ввдображае поширення хвойних, листя-них i мшаних лiсових насаджень на територп рiвнинноl Укра1ни. Пiсля перевiрки результата встановлено, що для низки областей степово! зони площа лiсiв виявилася iстотно меншою, порiвняно з даними офщшно! статистики, а для низки тв-нiчних - навпаки бшьшою. На основi цього зроблено припущення, що супутниковi знiмки Landsat 8 OLI дають змогу вияв-ляти процеси природного поновлення лiсу на колишшх сiльськогосподарських землях укра!нського Полюся, проте 1хне просторове розрiзнення недостатне для картографування насаджень лшшного типу степово! зони. Загалом карта характеризуется високою точнiстю (75-88 %). Огриманi результати свiдчать про доцшьшсть застосування сезонних композитних мо-за!к та хмарних технологiй для великомасштабного картографування лiсiв Укра1ни.
Krnuoei слова: Google Earth Engine; Random Forest; сезонш композитт моза!ки; лiсистiсть; рiвниннi лiси Укра1ни.
Вступ. Вщкритий доступ до apxiBy зшмшв Landsat сприяв широкому використанню часових серiй супутникових даних для ощнювання стану та динамши лшо-вих екосистем (Eisavi, Homayouni, Yazdi, & Alimoham-madi, 2015; Hansen et al., 2014), класифжацп лiсових насаджень залежно вiд 1хнього видового складу (Zhu & Liu, 2014), моделювання наземно! бiомаси деревостанiв (Boisvenue, Smiley, White, Kurz, & Wulder, 2016; Zald et al., 2016; Zhu & Liu, 2015), ощнювання таксацшних па-раметрiв, зокрема, суми площ перерiзiв, деревного запасу та густоти насаджень (Chrysafis, Mallinis, Gitas, & Tsakiri-Strati, 2017). Особливе значения даш Landsat вь дiграли у розробленш методiв монiторингy лiсових екосистем на репональному та глобальному рiвнях (Hansen & Loveland, 2012). На основi часових серiй супутникових зшмшв, отриманих протягом одного календарного року або тривалшого перюду, можна вирiшyвати рiзнi задачi тематично! класифжацп. Так, рiчна серiя зшмшв шформуе про фенологiчнi змiни рослинного покриву чи сезонний стан поверхш рiзних об'eктiв (наприклад, л1д, снповий покрив, пашнi) впродовж одного року, а бага-
торiчна - ввдображае усереднену тривалу динамiкy !хнього спектра та найiстотнiшi змiни. Фенологiчнi змь ни допомагають вiдшyкати вiдмiнностi мiж подiбними типами земного покриву, зокрема, сшьськогосподарсь-кими упддями та луками, люовими насадженнями та чагарниками. Зазначене покращуе точнiсть тематично-го дешифрування супутникових знiмкiв.
Навiть для найтривалшо! мюп Landsat актуальною е проблема пропуску даних, зумовлена, наприклад, хмар-шстю або певними технiчними перешкодами отриман-ня як1сних зображень. Задля усунення цих обмежень науковцями опрацювали алгоритми попiксельного ана-лiзy серiй супутникових зшмшв, що забезпечують вщ-бiр "найкращих доступних пiкселiв" (best-available-pixel - BAP) вщповщно до встановлених критерив: сезону зйомки, стану земно! поверхш, хмарносп тощо. У робот (Wulder, Masek, Cohen, Loveland & Woodcock, 2012) зазначено, що завдяки щшьним часовим рядам (dense time series) супутникових зшмшв Landsat стали доступними методи, як були розроблеш до цього вик-лючно для систем з високим темпоральних розрiзнен-
1нформащя про aBTopiB:
Миронюк BiKTop Валентинович, канд. с.-г. наук, докторант кафедри лково' таксацй' та лковпорядкування.
Email: [email protected] Цитування за ДСТУ: Миронюк В. В. КласифЫа^я лiсового покриву за сезонними композитними моза'ками Landsat. Науковий
вiсник НЛТУ Укра'ни. 2018, т. 28, № 1. С. 28-33. Citation APA: Myroniuk, V. V. (2018). Forest Cover Mapping Using Landsat-Based Seasonal Composited Mosaics. Scientific Bulletin of UNFU, 28(1), 28-33. https://doi.org/10.15421/40280105
ням MODIS та AVHRR. Насамперед зазначене сто-суеться поеднання зшмшв (помюячно чи за сезонами) у виглядi безхмарних композитних моза!к (Hansen et al., 2008; Roy et al., 2010). При цьому на основi часових се-рiй супутникових зшмшв можна вiдбирати не тiльки BAP, а й застосовувати додатковi статистичш правила, тобто вiдбирати зi спектральних каналiв конкретнi зна-чення пiкселiв: персентилi, медiани, екстремальнi зна-чення. Так, для картографування лiсового покриву в штат Огайо, США (Zhu & Liu, 2014) використали 42 спектральш змiннi, отриманi з часово! серп знiмкiв Landsat 5 TM та Landsat 7 ETM+. У дослвдженнях (Hansen et al., 2014) загальна шльшсть вхiдних параметрiв для класифшацп налiчувала 137 спектральних показни-к1в. Невипадково у лiтературi часто порушують питан-ня оптимiзацil набору змiнних, потрiбних для класифь кацп синтезованих зображень (Chrysafis et al., 2017).
Застосування сезонних композитних моза!к загос-трюе увагу на проблемах "великих даних" - типовому питанш для сучасно! геоiнформатики, осшльки для об-роблення багаточасових спектральних даних потрiбнi потужнi обчислювальнi системи. Серед сучасних тен-денцiй у цьому напрямi варто вiдзначити зростаючу роль "хмарних" технологiй, зокрема, платформи Google Earth Engine (GEE) API, яка е одночасно репозиторiем для бшьшосп ввдкритих даних дистанцiйного зондуван-ня Землi (ДЗЗ) та програмним середовищем для 1'хнього аналiзу (Gorelick et al., 2017). Увага до ще! платформи зростае, зокрема, li вже успiшно застосовували в Укра-1'н1 для дослiдження сiльськогосподарських культур (Shelestov, Lavreniuk, Kussul, Novikov & Skakun, 2017). Водночас аналiз попередшх результатiв дослвджень вказуе, що сезонш композитнi моза!ки Landsat, а також можливостi платформи GEE ще не використовували для картографування лiсiв Укра!ни. На нашу думку, ча-совi серп супутникових знiмкiв мають важливе значен-ня для розширення можливостей систем дистанцiйного монiторингу у виршенш завдань картографування лiсiв Укра!ни.
Мета дослщження - апробацiя методики велико-масштабного картографування люового покриву рiв-нинно! частини Укра1'ни на основi сезонних композитних моза!к Landsat 8 OLI та програмних можливостей платформи для хмарних обчислень Google Earth Engine API.
Матер1ал i методика дослiдження. До^дна тери-торiя. Загальна площа територп дослвджень становить близько 541 тис. км2 та охоплюе 21 область Укра!ни (окрiм Закарпатсько!, 1вано-Франк1всько1, Чершвецько! та АР Крим). На територп розташоваш практично всi рiвниннi люи Укра!ни, що зростають у трьох природно-клiматичних зонах: полiськiй, люостеповш та степовiй. Лiсистiсть областей змшюеться вiд 3,7 (Запорiзька) до 36,4 % ^вненська).
Створення сезонних композитних мозмк. Супутни-ковi знiмки отримано за допомогою платформи GGE API, яка забезпечуе доступ до архiвiв бiльшостi безкош-товних супутникових даних. У дослвдженнях викорис-тано 1548 зшмшв Landsat 8 OLI колекцп 'LAND SAT/LC8_L 1 T_TOA'. Для зменшення впливу ат-мосферних ефекпв на результати класифшацп вщбира-ли дан з хмарнiстю не бшьше 30 % (табл. 1). У просто-ровому вiдношеннi територiю дослщжень представляе 59 сцен WRS-2 (path: 174-187, row: 23-29).
Табл. 1. Характеристика 3hímkíb Landsat 8 OLI, викорис-таних для створення сезонних композитних моза'ж
Композитна моза!ка для перюду Початкова дата Кшцева дата Частка хмарноста територп, % Кшь-юсть 3HÍMKÍB
PÍK 01.01.2014 31.12.2016 30 1548
Лiто 01.06.2014 31.08.2014 30 607
01.06.2015 31.08.2015
01.06.2016 31.08.2016
OciHb 01.09.2014 30.11.2014 20 326
01.09.2015 30.11.2015
01.09.2016 30.11.2016
Квггень-жовтень 01.04.2014 31.10.2014 20 1020
01.04.2015 31.10.2015
01.04.2016 31.10.2016
Зшмки скомпоновано у виглядi чотирьох сезонних безхмарних мозак на основi алгоритму, який максимь зуе вплив пiкселiв i3 найбшьшими значениями iндексу NDVI та дае змогу вщбрати "кращГ' спостереження (Hansen et al., 2011). Вiдповiдно до нього iз серп спосте-режень для кожного спектрального каналу вщбирають-ся тшьки тi пiкселi, як не потрапили на хмари. Якщо цей критерiй для /-го шкселя задовольняють вiдразу калька знiмкiв, надаеться перевага спостереженням з найбiльшим значениям NDVI. Також за цим принципом до мозак були додаш канали, створенi на основi розра-хунку шдексу NDVI та ортогонального перетворення супутникових знiмкiв типу "ковпак з кистю" - Tasseled-Cap Transformation (TCT). Для цього використано ко-ефiцiенти, отримаиi емпiричним шляхом у робот (Baig, Zhang, Shuai & Tong, 2014).
Для мозаши сезону кытень-жовтень також створили окремi канали, до яких пiкселi вiдбиралися за допомогою певних статистичних правил: медiана, 1-й i 3-й квартал^ а також мiнiмальнi та максимальш значення перiоду квiтень-жовтень 2014-2016 рр. (табл. 2). На нашу думку, це допомагае виявити сезонну мiнливiсть спектральних властивостей рiзних категорш земного покриву, зокрема, покращуе розтзнавання груп хвойних, листяних i мшаних лiсових насаджень.
Табл. 2. Спектральш показники (метрики) сезонних композитних моза'ж Landsat 8 OLI
Показник, визначений для моза'к сезонiв: лiто, осiнь, рж Показник, визначений для мо-за'ки сезону квгтень-жовтень
Band 4 TOA вiдбиття Мшмальне та максимальне значення TOA ввдбиття для: Band 4, Band 5, Band 6, Band 7 та NDVI
Band 5 TOA ввдбиття
Band 6 TOA ввдбиття
Band 7 TOA ввдбиття 25-й та 75-й персентил для: Band 4, Band 5, Band 6, Band 7 та NDVI
NDVI TOA
Band 4 / Band 5 TOA ввдбиття Медiана для: Band 4, Band 5, Band 6, Band 7 та NDVI
Band 4 / Band 7 TOA ввдбиття
Band 5 / Band 7 TOA ввдбиття Географiчнi координати X та Y (широта та довгота)
TCT Brightness, Greenness, Wetness
Створення навчальног вибгрки. Для класифшацп композитних мозак створено стратифшовану випадко-ву вибiрку обсягом близько 4700 спостережень, яку спроектовано на основi глобального набору геоданих Global Forest Change (GFC) вщповщно до рекомендацш (Olofsson et al., 2014). Уа вибiрковi одиниш вiзуaльно дешифровано за знiмкaми високого просторового роз-рiзнення загальнодоступних сервгав Google Maps та Bing Maps у програмному зaбезпеченнi Open Foris (Bey et al., 2016). Шд час штерпретацп даних вважалося, що кожна вибiрковa одиниця е центром дмнки площею 0,25 га. Для дшянок, що були клaсифiковaиi як вкрип
люовою рослинтстю, визначали групу лiсових наса-джень: хвойнi (частка учасгi хвойних видав за сумою проекцш крон становила понад 75 %), листят (анало-гiчна умова, але для листяних видiв) та мiшанi. Врешть решт, результати вiзуального дешифрування виб!рко-вих одиниць були поеднанi зi значеннями вiдповiдних каналiв сезонних композитних моза!к Landsat 8 OLI.
Розроблення класифжацшноi моделi. Зважаючи на велику к!льк!сть незалежних змiнних, розглядали вик-лючно непарамегричнi методи класиф!кацп супутнико-вих знiмкiв. Останнiм часом досить широко почали зас-тосовувати алгоритм машинного навчання Random Forest (RF). По суп, це вдосконалена верс!я методу класи-ф!кащйних i регресiйних дерев (CART), в якому кращ1 класифiкацiйнi дерева обираються пiсля рекурсивно! змiни вихiдного масиву даних. Вiн побудований на про-цедурi bootstarap aggregating або bagging - випадковому формуваннi з навчально! вибiрки пiднаборiв даних (приблизно 2/3 ввд загального обсягу) та побудови дерев ршень. Решта спостережень використовуеться для оцшки помилок класифшацл OBB (out-of-bag). Bagging повторюеться и-раз!в, пiсля чого результати вiд уах класифiкацiйних дерев усереднюються. Процедура bo-otstaraping передбачае створення набору (ансамблю) класифiкацiйних дерев, якi забезпечують меншу мшли-вiсть моделi RF (Breiman, 2001).
Картографування лiсового фонду р!внинно! частини Укра!ни за даними сезонних композитних моза!к Landsat 8 OLI виконано в два етапи (рис. 1). Спочатку здiйснено дешифрування вкритих i невкритих лiсовою рослиннiстю далянок, внаслiдок чого отримано лiсову маску. Далi опрацьовано нову класифiкацiйну модель RF i виконано тематичне дешифрування супутникових даних з видiленням трьох категорiй деревостанiв залеж-но ввд !хнього складу: хвойнi, листянi та мшат.
Результати дослщження. На рис. 2 зображено чоти-ри сезонш композитнi моза!ки, як! використовували для дешифрування груп люових насаджень залежно ввд !хнього складу на територп р!внинно! частини Укра!ни.
Персентилi розпод!лу яскравостей пiкселiв у часовому ряд! квгтень-жовтень допомагають виявити деяю ти-пи земного покриву за характерною динамшою спек-тральних характеристик: сезонтстю сшьськогоспо-дарських роб!т, вегетащйними змiнами люових насаджень р!зного видового складу. Наприклад, на початку вегетацшного перiоду значення TOA в!дбиття в каналах iнфрачервоного спектра для хвойних насаджень будуть бшьшими, н!ж для листяних, а тд час активно! вегета-
uji - навпаки. Пiсля ретельного аналiзу створених композитних моза!к мiнiмальнi та максимальт значення TOA вщбигтя для вiдповiдних каналiв (див. табл. 1) були виключеш з навчально! виб!рки, оскшьки вони пере-важно характеризують затiненi делянки знiмкiв.
Зважаючи на велик! обсяги iнфоpмацi!, яку довелося обробляти, класиф!кащю виконано окремо за адмшс-тративними областями. За результатами розроблених алгоpитмiв створено тематичну карту, яка ввдображае просторовий pозподiл груп деревних насаджень залежно ввд !хнього складу для кожно! адмшстративно! об-ластi piвнинно! частини Укра!ни (рис. 3).
Обговорення отриманих результат1в. Лiсову маску оцiнювали за матрицями помилок. Загальна точнiсть класиф!кацшно! моделi RF, обчислена за частиною спостережень, як! не брали учасп у pозpобленнi моделi (out-of-bag error), для вае! територп' досл!джень стано-вить приблизно 75 % (табл. 3). Основт помилки дешифрування люових насаджень пов'язанi iз наявтстю змiшаних ландшафтiв, на яких трав'яний покрив чер-гуеться з деревною рослинтстю. Це призводить до включения до лсово! маски дiлянок, як! фактично не е лiсом. Показник точност user's accuracy для люово! маски становить 88 %. 1стотно меншим виявився показник producer's accuracy (77 %), який вщображае ймов!р-тсть пропуску даних. Найчастше подабт помилки трапляються для люових насаджень л!н!йного типу.
Табл. 3. Матриця помилок класифжацй категор1й
Тематичний клас Опорн! дан!
водойми водно-болотш упддя населен! пункти с.-г. уг!д-дя травосто! чагарники л!с
Водойми 68 6 0 1 0 0 3
Водно-бо-лотн! уг!ддя 3 49 2 16 40 1 27
Населен! пункти 1 2 108 40 55 2 20
С.-г. уг!ддя 3 2 12 1807 167 2 25
Травосто! 3 9 14 192 447 4 122
Чагарники 0 5 13 23 137 2 104
Л!с 2 1 7 29 93 6 1024
Дешифрування люових насаджень залежно ввд !хнього складу виконували теж за адмшютративними областями, проте в границях створених люових масок. Загальну точн!сть класифшацп л!сових насаджень залежно ввд !хнього складу, розрахована п!д час розроблення модел! RF, становить 72 %. Очшувано найб!льшу точнють мають класи чистих хвойних i листяних насаджень (табл. 4).
Рис. 1. Блок-схема дешифрування груп люових насаджень за сезонними композитними моза!ками Landsat 8 OLI
Сезон: квггень-жовтень, комбшащя канашв: 25-й персентиль Band 6 - Band 5 - Band 4 Рис. 2. Сезонш композит моза'ки Landsat 8 OLI р1внинно! частини Укра'ни для 2014-2016 рр.
Рис. 3. Шсовий покрив рiвнинноl частини Укра'ни за даними дешифрування супутникових знiмкiв Landsat 8 OLI
Аналiзуючи точнiсть лтсово! маски, варто вщзначи-ти особливосп дешифрування вкритих лiсовою рослин-шстю лiсових дiлянок у пiвденних областях Укра!ни. Лiсовий фонд у степовш зонi переважно складаеться iз захисних люових насаджень лiнiйного типу, яш складно
дешифрувати за знiмками Landsat. На нашу думку, це можна пояснити двома основними причинами - просто-ровим розрiзненням 30 м i станом полезахисних смуг. Для вах степових областей Укра!ни оцiнена за супут-никовими знiмками площа лiсових насаджень виявила-
ся ютотно меншою порiвняно з даними державного об-лiку лiсiв станом на 01.01.2011 р. Створена люова маска мае бшьшу точнiсть для люових масивiв Полiсся та Ль состепу, проте неспроможна виявити вузьш лiнiйнi на-садження завширшки до 60 м, яш переважають у Степу. Для областей полюького регюну спостерiгаеться певне завищення (до 5 %) оцшки лiсистостi територiй. Це можна пояснити заростанням колишнiх сшьськогоспо-дарських земель, на яких упродовж останшх десятирiч з'явилася значна площа лiсових насаджень природного походження, що не враховано в матерiалах облжу лiсiв 2011 р. Окрiм цього, створена люова маска не виключае з розрахунку площу зелених насаджень на територп на-селених пункпв. Загалом треба констатувати про до-цiльнiсть використання знiмкiв Landsat для картографу-вання лiсiв полiського та люостепового регiонiв Укра-1ни. Для створення достовiрноl лгсово! маски твденних областей потрiбно використовувати супутниковi зшмки бiльшого просторового розрiзнення.
Табл. 4. Матриця помилок дешифрування груп лкових _насаджень_
Тематичний клас Опорш дат
хвойний лгс листяний лгс мшаний тс
Хвойний лгс 234 22 53
Листяний л1с 8 369 40
Мшаний лгс 66 83 94
Висновки. На 0CH0Bi виконаних дослвджень проана-лiзовано можливостi класифжацп сезонних мозак Landsat 8 OLI з використанням хмарних обчислюваль-них технологiй. Отриманi результати дають змогу зро-бити шлька важливих висновк1в. По-перше, врахування сезонно! динамiки спектральних характеристик рiзних титв земного покриву вiдiграe велике значения тд час 1хньо1 класифжацп за супутниковими знiмками оптич-ного дiапазону. По-друге, застосування сезонних ком-позитних моза!к Landsat 8 OLI е перспективним для ве-ликомасштабного картографування лiсового покриву Украни, хоча просторове розрiзнения супутникових знiмкiв (30 м) дае змогу розглядати виключно методи дешифрування груп люових насаджень залежно вiд 1хнього складу. По-трете, платформа GEE виявилася надзвичайно ефективною тд час оброблення великих масивiв супутниково! шформацп, зокрема, вирiшения завдань масштабного картографування лiсового покриву. Зроблеш висновки сввдчить про необхiднiсть про-довження дослвдження методiв класифжацп лгав Укра-1ни з використанням сезонних композитних мозак за допомогою сучасних хмарних технологш. Особливо! уваги заслуговують питання зменшення розмiрностi простору ознак класифжацп та оптимiзацil наборiв не-залежних змiнних.
Перелiк використаних джерел
Baig, M. H. A., Zhang, L. F., Shuai, T., & Tong, Q. X. (2014). Derivation of a tasselled cap transformation based on Landsat 8 at-satel-lite reflectance. Remote Sensing Letters, 5(5), 423-431. https://doi.org/10.1080/2150704x.2014.915434 Bey, A., Diaz, A. S. P., Maniatis, D., Marchi, G., Mollicone, D., Ricci, S.,... Miceli, G. (2016). Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation. Remote Sensing, S(10). https://doi.org/10.3390/rs8100807 Boisvenue, C., Smiley, B. P., White, J. C., Kurz, W. A., & Wulder, M. A. (2016). Integration of Landsat time series and field plots for forest productivity estimates in decision support models. Forest
Ecology and Management, 376, 284-297. https://doi.Org/10.1016/i.foreco.2016.06.022 Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
https://doi.org/10.1023/a: 1010933404324 Chrysafis, I., Mallinis, G., Gitas, I., & Tsakiri-Strati, M. (2017). Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method. Remote Sensing of Environment, 199, 154-166.
https://doi.org/10.1016/i.rse.2017.07.018 Eisavi, V., Homayouni, S., Yazdi, A. M., & Alimohammadi, A. (2015). Land cover mapping based on random forest classification of multitemporal spectral and thermal images. Environmental Monitoring and Assessment, 187(5), 34-39. https://doi.org/10.1007/s10661-015-4489-3 Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202, 18-27. https://doi.org/10.1016/i.rse.2017.06.031 Hansen, M. C., & Loveland, T. R. (2012). A review of large area monitoring of land cover change using Landsat data. Remote Sensing of Environment, 122, 66-74.
https://doi.org/10.1016/i.rse.2011.08.024 Hansen, M. C., Egorov, A., Potapov, P. V., Stehman, S. V., Tyukavi-na, A., Turubanova, S. A., ... Bents, T. (2014). Monitoring conterminous United States (CONUS) land cover change with WebEnabled Landsat Data (WELD). Remote Sensing of Environment, 140, 466-484. https://doi.org/10.1016/irse.2013.08.014 Hansen, M. C., Egorov, A., Roy, D. P., Potapov, P., Ju, J. C., Turubanova, S.,... Loveland, T. R. (2011). Continuous fields of land cover for the conterminous United States using Landsat data: first results from the Web-Enabled Landsat Data (WELD) proiect. Remote Sensing Letters, 2(4), 279-288. https://doi.org/10.1080/01431161.2010.519002 Hansen, M. C., Roy, D. P., Lindquist, E., Adusei, B., Justice, C. O., & Altstatt, A. (2008). A method for integrating MODIS and Landsat data for systematic monitoring of forest cover and change in the Congo Basin. Remote Sensing of Environment, 112(5), 2495-2513. https://doi.org/10.1016/i .rse.2007.11.012 Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V., Woodcock, C. E., & Wulder, M. A. (2014). Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environment, 148, 42-57. https://doi.org/10.1016/i.rse.2014.02.015 Roy, D. P., Ju, J. C., Kline, K., Scaramuzza, P. L., Kovalskyy, V., Hansen, M.,... Zhang, C. S. (2010). Web-enabled Landsat Data (WELD): Landsat ETM plus composited mosaics of the conterminous United States. Remote Sensing of Environment, 114(1), 35-49. https://doi.org/10.1016/i.rse.2009.08.011 Shelestov, A., Lavreniuk, M., Kussul, N., Novikov, A., & Skakun, S. (2017). Exploring Google Earth Engine Platform for Big Data Processing: Classification of Multi-Temporal Satellite Imagery for Crop Mapping. Frontiers in Earth Science, 5, 1-10. https://doi.org/10.3389/feart.2017.00017 Wulder, M. A., Masek, J. G., Cohen, W. B., Loveland, T. R., & Woodcock, C. E. (2012). Opening the archive: How free data has enabled the science and monitoring promise of Landsat. Remote Sensing of Environment, 122, 2-10. https://doi.org/10.1016/i.rse.2012.01.010 Zald, H. S. J., Wulder, M. A., White, J. C., Hilker, T., Hermosilla, T., Hobart, G. W., & Coops, N. C. (2016). Integrating Landsat pixel composites and change metrics with lidar plots to predictively map forest structure and aboveground biomass in Saskatchewan, Canada. Remote Sensing of Environment, 176, 188-201. https://doi.org/10.1016/i.rse.2016.01.015 Zhu, X. L., & Liu, D. S. (2014). Accurate mapping of forest types using dense seasonal Landsat time-series. Isprs Journal of Photog-rammetry and Remote Sensing, 96, 1-11. https://doi.org/10.1016/iisprsiprs.2014.06.012 Zhu, X. L., & Liu, D. S. (2015). Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. Isprs Journal of Photogrammetry and Remote Sensing, 102, 222-231. https://doi.org/10.1016/iisprsiprs.2014.08.014
В. В. Миронюк
Национальный университет биоресурсов и природопользования Украины, г. Киев, Украина
КЛАССИФИКАЦИЯ ЛЕСНОГО ПОКРОВА ПО СЕЗОННЫМ КОМПОЗИТНЫМ МОЗАИКАМ LANDSAT
Рассмотрена методика картирования равнинных лесов Украины с использованием спутниковых снимков Landsat 8 OLI. Классификация лесного покрова выполнена с помощью платформы Google Earth Engine (GEE) API, которая обеспечивает доступ к архивам спутниковых данных и обладает необходимыми инструментами для их обработки. Использована попик-сельная процедура сочетания спутниковых снимков в виде безоблачных композитных мозаик по принципу отбора "лучших" наблюдений. Для территории равнинной части Украины из архива отобрано 1548 снимков Landsat 8 OLI, на основе которых созданы безоблачные композитные мозаики для четырех сезонов: год, лето, осень, апрель-октябрь. Чтобы обеспечить полное покрытие территории исследований качественными наблюдениями и избежать пропуска данных, снимки отобраны в течение 2014-2016 гг. Независимыми переменными для классификации были спектральные каналы видимого и инфракрасного диапазона, их отношения, спектральные преобразования типа "колпак с кисточкой", специфические статистические метрики, топографические показатели. Для сбора опорных данных была сформирована стратифицированная обучающая выборка объемом около 4700 наблюдений, а для интерпретации выборочных единиц применены общедоступные спутниковые снимки сервисов Google Maps и Bing Maps. С помощью классификационных моделей Random Forest создана лесная маска, а также тематическая карта, отражающая распространение хвойных, лиственных и смешанных лесных насаждений на территории равнинной Украины. После проверки результатов установлено, что для ряда областей степной зоны площадь лесов оказалась существенно меньшей по сравнению с данными официальной статистики, а для ряда северных - наоборот большей. На основе этого предположено, что спутниковые снимки Landsat 8 OLI позволяют выявлять процессы естественного возобновления леса на бывших сельскохозяйственных землях украинского Полесья, однако их пространственное разрешение недостаточное для картографирования насаждений линейного типа степной зоны. В целом карта характеризуется высокой точностью (75-88 %). Полученные результаты указывают на целесообразность применения сезонных композитных мозаик и облачных технологий для крупномасштабного картографирования лесов Украины.
Ключевые слова: Google Earth Engine; Random Forest; сезонные композитные мозаики; лесистость; равнинные леса Украины.
V. V. Myroniuk
National University of Life and Environmental Sciences of Ukraine, Kyiv, Ukraine
FOREST COVER MAPPING USING LANDSAT-BASED SEASONAL COMPOSITED MOSAICS
The paper discusses methods for mapping forests in the plain areas of Ukraine using Landsat 8 OLI satellite images. We used Google Earth Engine (GEE) API for classification of forest cover. GEE is a cloud-based planetary-scale platform which provides access to archives of free satellite data and incudes all necessary tools for their processing. We performed pixel-based composing approach to create cloudless composited mosaics so that best-available-pixels could be selected from a time series of satellite images. Based on 1548 Landsat images, four cloudless mosaics were composed for the following seasons: year, summer, autumn, April-October. To ensure complete coverage of the study area by quality imagery and exclude missing observations we selected images for the period of 2014-2016. We used a number of predictor variables for the classification that included visible and infrared spectral bands, relations of the selected bands, three tessellated cap transformation bands, specific statistical metrics (median, minimal and maximal values, percentiles), and topographic features. The reference dataset included about 4700 random points that were selected within the study area using stratified sampling approach. Each sampling point was visually interpreted using free satellite images from Google Maps and Bing Maps. We used Random Forest classifier to create forest mask and predict tree species composition of forest stands grouped as follows: coniferous, deciduous and mixed. The thematic maps allowed us to estimate total forested area and its distribution between regions of the plain areas of Ukraine. It was found that we underestimated forest area for a number of southern regions located in the Steppe of Ukraine, but we overestimated forested area for the northern regions of Polissya. As a result, we concluded that Landsat 8 OLI images are not allowed to map precisely narrow windbreaks especially if they have low tree cover level. Alternatively, the satellite images could be used to map forests appeared on abandoned agricultural fields which are quite common for Ukrainian Polissya. We used confusion matrixes to assess spatial agreement between reference and mapped pixels. The overall accuracy of the classification is approximately 75-88 %. Finally, we concluded feasibility of our approach for large scale mapping of forests of Ukraine. Application of seasonal composited mosaics increases separability between thematic classes hence cloud-based technologies accelerate computation.
Keywords: Google Earth Engine; Random Forest; time series; forest cover; plain areas of Ukraine.
