view in publisher's site

Improving the Consistency of Multitemporal Land Cover Maps Using a Hidden Markov Model

Land cover and land use affect a wide range of regional-scale to global-scale ecosystem processes, and many Earth system models rely on accurate land cover information. However, multitemporal land cover products often show unrealistically high levels of year-to-year label change, particularly at coarse spatial resolution (i.e., 300-500 m). Much of this apparent land cover change arises from errors in classification and does not indicate real change in land cover or land use. In this paper, we present a novel framework that uses a hidden Markov model (HMM) to help distinguish real land cover change from spurious land cover changes in classification time series. We apply the HMM as a postprocessing step to supervised classification, and we solve for the optimal label sequence using existing HMM algorithms. Our results demonstrate that the HMM provides a rigorous framework for capturing temporal context and likelihood of land cover change at each pixel. We evaluated our approach using the MODIS Collection 5.1 Land Cover Type product (MCD12Q1), focusing on areas that have experienced little change over the MODIS time series, and areas that have experienced well characterized change (e.g., deforestation). We show that the HMM method provides label sequences that are more accurate and that exhibit less year-to-year variability than label sequences produced by ensemble-decision-tree classification or by postprocessing heuristics that have been used in recent versions of MCD12Q1 product. The framework that we present offers an improvement over conventional multitemporal land cover classification methods, and it is widely applicable to problems in multitemporal land cover and land use monitoring.

بهبود پایداری نقشه‌های پوشش زمینی multitemporal با استفاده از مدل مارکوف پنهان

پوشش زمین و کاربری زمین بر دامنه وسیعی از فرآیندهای اکوسیستم در مقیاس جهانی تاثیر می‌گذارد و بسیاری از مدل‌های سیستم زمین بر اطلاعات پوشش زمین دقیق تکیه دارند. با این حال، محصولات پوشش زمینی multitemporal اغلب نشان‌دهنده میزان بالای تغییر برچسب سال به سال، به خصوص در وضوح فضایی خشن هستند (به عنوان مثال، ۳۰۰ - ۳۰۰ متر). بیشتر این پوشش گیاهی ظاهری ناشی از خطا در طبقه‌بندی است و تغییر واقعی در پوشش زمین یا کاربری زمین را نشان نمی‌دهد. در این مقاله ما یک چارچوب جدید ارائه می‌کنیم که از یک مدل مارکوف پنهان (HMM)برای تشخیص تغییر پوشش زمین واقعی از تغییرات پوشش زمین نادرست در سری‌های زمانی طبقه‌بندی استفاده می‌کند. ما از HMM به عنوان یک گام postprocessing برای طبقه‌بندی نظارت شده استفاده می‌کنیم و برای توالی برچسب بهینه با استفاده از الگوریتم HMM مقایسه می‌کنیم. نتایج ما نشان می‌دهد که HMM چارچوبی دقیق برای ثبت موقعیت زمانی و احتمال تغییر پوشش زمین در هر پیکسل ایجاد می‌کند. ما رویکرد خود را با استفاده از مجموعه داده‌های نوع Cover ۵.۱ زمین (MCD۱۲Q۱)ارزیابی کردیم، بر حوزه‌هایی تمرکز کردیم که تغییرات اندکی را در سری‌های زمانی MODIS تجربه کرده‌اند، و مناطقی که تغییر مشخصه را تجربه کرده‌اند (به عنوان مثال، جنگل‌زدایی). ما نشان می‌دهیم که the HMM، دنباله‌های برچسب را ارایه می‌دهد که دقیق‌تر هستند و تغییرپذیری کم‌تر از سال را نسبت به دنباله‌های برچسب تولید شده توسط گروه تصمیم‌گیری گروهی یا توسط شیوه‌های اکتشافی postprocessing که در نسخه‌های جدید محصول MCD۱۲Q۱ مورد استفاده قرار گرفته‌اند نشان می‌دهد. چارچوبی که در حال حاضر شاهد بهبود روش‌های مرسوم طبقه‌بندی پوشش اراضی است و کاربرد گسترده‌ای در مشکلات پوشش اراضی و پایش کاربری زمین دارد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.