草地景观中的土地覆被变化：将增强型大地遥感卫星数据组成、LandTrendr 和谷歌地球引擎中的机器学习分类与 MLP-ANN 场景预测相结合

目录

简介

方法

结论

代码1：影像集合

代码2： 随机森林和svm分类

结果

简介

了解草原生境在空间和时间上的动态对于评估保护措施的有效性和制定可持续管理方法至关重要，特别是在自然 2000 网络和欧洲生物多样性战略范围内。 根据遥感数据绘制的土地覆盖图对于了解植被覆盖和土地利用的长期变化以及评估土地利用变化对草原生态系统的影响至关重要。 在本研究中，我们利用谷歌地球引擎中的随机森林分类法对意大利翁布里亚的草地景观进行了为期 20 年的土地覆被分析。 我们的分析基于 2000 年、2010 年和 2020 年。 我们整合了谐波建模、灰度共现矩阵（GLCM）纹理分析、统计图像和梯度分析，以及其他光谱和数字地形模型（DTM）得出的指数，以增强分类能力。 GEE 中使用了 LandTrendr（LT）算法来自动收集无变化区域的地面控制点。 我们使用了一种基于多层感知器-人工神经网络（MLP-ANN）的方法来预测 2040 年的土地覆被。 我们的土地覆被分类和情景模式验证的总体准确率超过 90%。然而，由于灌木地的混合组成和独特的空间模式，灌木地的分类具有挑战性，导致准确率较低。 特征重要性分析表明了增强地图组成的价值，而应用 LandTrendr 算法则通过支持自动训练数据收集，简化了土地利用和土地覆被 (LULC) 的非同步分类和变化分析。 结果支持对过去二十年翁布里亚草原动态的解释，并确定了受灌木、木本植物侵蚀或绿色生