Suite

Méthodologie pour la classification Hansen de Global Forest Watch ?

Méthodologie pour la classification Hansen de Global Forest Watch ?


je viens de découvrir l'incroyable classification de Hansen sur la perte et la repousse des forêts, disponible sur http://www.globalforestwatch.org/, publié dans Sciences, 2013 comme: Hansen, M.C., Potapov, P.V, Moore, R., Hancher, M., Turubanova, S.A. et Tyukavina, A. (2013). Cartes mondiales haute résolution de l'évolution du couvert forestier au 21e siècle. Science, 342 (6160) (15 novembre), 850-854. doi:DOI:10.126/science.1244693.

Cependant, je ne trouve pas dans cet article/sur le site le méthodologie exacte comment reproduire une telle carte donc quelle classification Hansen a-t-il utilisée ?

La seule chose que je peux trouver, c'est que le algorithme d'apprentissage supervisé a été utilisé pour identifier le couvert arboré, mais c'est un terme assez large.

Si c'est possible, j'aimerais utiliser la même méthodologie (mais l'appliquer sur les années 90), donc avant la classification de Hansen dans mon domaine sélectionné.


L'équipe de Matt Hansen a publié un article sur le changement du couvert forestier en Europe de l'Est qui remonte à 1985 - voir la dynamique du couvert forestier de l'Europe de l'Est de 1985 à 2012 quantifiée à partir des archives complètes de Landsat http://www.sciencedirect.com/science/article/ pii/S0034425714004817

Je vérifie également avec des collègues si l'algorithme de Matt Hansen est disponible pour une utilisation dans Google Earth Engine.

En attendant, nous mettrons à jour l'ensemble de données Hansen sur Global Forest Watch en février, pour inclure des données jusqu'en 2013.


L'article Supplementary Materials (MS) for the Science fournit des références à un certain nombre d'articles de revues différentes qui décrivent diverses parties de la méthodologie.

Le SM se trouve ici

Étendre la série chronologique pour inclure les données Landsat-5 (et potentiellement Landsat-8 pour faire de la méthodologie quelque chose qui peut être réexécuté "facilement") sera une tâche difficile et nécessitera des tests approfondis de la normalisation de l'image. La normalisation de l'image peut être rendue encore plus difficile, en raison du manque de couvertures MODIS coïncidentes. Au lieu de cela, vous devrez peut-être appliquer une approche de normalisation différente, telle qu'une combinaison de COST - article et MAD - article comme indiqué dans cet article.

Dans l'ensemble, ce n'est pas une tâche simple, et je vous souhaite bonne chance.

Les articles les plus pertinents de la SM sont :

P. Potapov, S. A. Turubanova, M. C. Hansen, B. Adusei, M. Broich, A. Altstatt, L. Mane, C. O. Justice, Quantifying forest cover loss in Democratic Republic of the Congo, 2000-2010. Remote Sens. Environ. 122, 106-116 (2012). Article

M. Broich, M. C. Hansen, P. Potapov, B. Adusei, E. Lindquist, S. V. Stehman, Analyse de séries chronologiques d'imagerie optique multi-résolution pour quantifier la perte de couvert forestier à Sumatra et Kalimantan, en Indonésie. Int. J. Appl. Earth Obs 13, 277-291 (2011). Article

M. Hansen, A. Egorov, DP Roy, P. Potapov, J. Ju, S. Turubanova, I. Kommareddy, TR Loveland, Continuous fields of land cover for the conterminous United States using Landsat data: First results from the Web- Projet de données Landsat activé (WELD). Remote Sens. Lettres 2, 279-288 (2011). Article

M. Hansen, R. S. DeFries, J. R. G. Townshend, M. Carroll, C. Dimiceli, R. A. Sohlberg, Pourcentage global de couverture arborée à une résolution spatiale de 500 mètres : premiers résultats de l'algorithme de champs continus de végétation MODIS. Interagir avec la Terre. 7, 1-15 (2003). Article

L. Breiman, J. Friedman, R. Olsen, C. Stone, Arbres de classification et de régression Wadsworth et Brooks/Cole, Monterey, CA, (1984).