Classification and mapping of low-statured ‘shrubland’ cover types in post-agricultural landscapes of the US Northeast

要約

新しい植物群落は景観を再形成し、土地被覆の分類とマッピングに課題をもたらし、研究と管理の努力を制約する可能性があります。
米国北東部では、農業後の景観における二次林の代わりに低身長の木本植生または低木地の出現がフィールド研究によって十分に文書化されていますが、景観の観点からはよく理解されておらず、体系的に研究および管理する能力が制限されています
これらの土地。
歴史的にまれであった低身長被覆タイプの分類/マッピングのギャップに対処するために、ランダム フォレストと勾配ブースティング マシンを組み合わせたスタック アンサンブルを使用して、ニューヨーク州 (NYS) 全体で 30m の解像度で低木の分布を予測するモデルを開発しました。
、植生被覆の構造 (航空機 LIDAR) および光学 (衛星画像) 特性のリモートセンシングを統合するための人工ニューラルネットワーク。
最初に、低木の有無を定義するために、利用可能な LIDAR カバレッジのパッチワークから派生した 1m の林冠高モデル (CHM) を分類しました。
次に、これらの不連続マップを使用して、時間的にセグメント化された画像に基づいてモデル アンサンブルをトレーニングし、研究風景全体 (NYS) の低木地確率を予測しました。
CHM の対象地域の約 2.5% が低木地に分類されました。
分類された CHM でトレーニングされたランドサット予測子を使用したモデルは、低木地の識別 (テスト セット AUC=0.893、実世界の AUC=0.904)、低木/若い森林と他の被覆クラスの識別に効果的であり、拡張した場合でも定性的に適切なマップを作成しました。
元のトレーニング データを超えています。
私たちの結果は、カバレッジの不連続なパッチワークからでも、空中LiDARを組み込むことで、歴史的にまれであるが、より広い地域でますます普及している低木生息地の土地被覆分類を改善できることを示唆しています。

要約(オリジナル)

Novel plant communities reshape landscapes and pose challenges for land cover classification and mapping that can constrain research and stewardship efforts. In the US Northeast, emergence of low-statured woody vegetation, or shrublands, instead of secondary forests in post-agricultural landscapes is well-documented by field studies, but poorly understood from a landscape perspective, which limits the ability to systematically study and manage these lands. To address gaps in classification/mapping of low-statured cover types where they have been historically rare, we developed models to predict shrubland distributions at 30m resolution across New York State (NYS), using a stacked ensemble combining a random forest, gradient boosting machine, and artificial neural network to integrate remote sensing of structural (airborne LIDAR) and optical (satellite imagery) properties of vegetation cover. We first classified a 1m canopy height model (CHM), derived from a patchwork of available LIDAR coverages, to define shrubland presence/absence. Next, these non-contiguous maps were used to train a model ensemble based on temporally-segmented imagery to predict shrubland probability for the entire study landscape (NYS). Approximately 2.5% of the CHM coverage area was classified as shrubland. Models using Landsat predictors trained on the classified CHM were effective at identifying shrubland (test set AUC=0.893, real-world AUC=0.904), in discriminating between shrub/young forest and other cover classes, and produced qualitatively sensible maps, even when extending beyond the original training data. Our results suggest that incorporation of airborne LiDAR, even from a discontinuous patchwork of coverages, can improve land cover classification of historically rare but increasingly prevalent shrubland habitats across broader areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google