基于卫星影像时间序列聚类的大区域植被制图的 scalable 聚类方法

《Remote Sensing》：A Scalable Clustering-Based Method for Vegetation Mapping in Large Areas Using Satellite Image Time Series

　　

巴西塞拉多（Cerrado）是全球生物多样性热点地区，正承受农业扩张与原生植被转化带来的日益增大的压力，凸显了高效监测对支撑保护与环境政策的必要性。在异质景观中，利用监督分类方法进行土地利用/土地覆被（LULC）制图面临主要瓶颈：需要大量高质量的训练数据集。为解决此挑战，研究人员提出一种半自动、基于聚类的 methodology，用于在先前砍伐区域内制图次生植被（secondary vegetation），减少训练样本需求并通过卫星影像时间序列（Satellite Image Time Series, SITS）聚类实现可扩展制图。第一阶段，无监督过程集成图形处理单元（GPU）加速的自组织映射（Self-Organizing Maps, SOM）与采用动态时间规整（Dynamic Time Warping, DTW）距离度量的层次聚类分析（Hierarchical Clustering Analysis, HCA），生成光谱—时间聚类。第二阶段，专家通过目视解译对这些聚类进行标注与精修，将专家知识从单个像素转移至分组的光谱—时间模式。应用于塞拉多生物群落内692,000 km2的先前砍伐土地，该方法学产出制图次生植被面积81,209 km2（占11.74%）。设计基估计面积为98,683 ± 10,071 km2，总体精度（Overall Accuracy, OA）为96.45 ± 1.52%，用户精度（User's Accuracy, UA）为96.27 ± 2.40%，生产者精度（Producer's Accuracy, PA）为79.22 ± 7.94%，F1值为86.90%。初始聚类标注贡献了最终次生植被面积的86.3%，并将解译工作限制在约3000个聚类级判定。该工作流程纳入TerraClass Cerrado 2024周期，使次生植被制图阶段由约两年缩短至六个月，同时保持大尺度业务监测所需的专题精度。

论文解读：基于卫星影像时间序列聚类的大区域植被制图方法——以巴西塞拉多次生植被制图为例

研究背景与意义

巴西塞拉多（Cerrado）面积约200万km²，是全球生物多样性热点，也是巴西主要农业扩张前沿，近50年近半数原生植被被转为农田和牧场。次生植被（secondary vegetation，即人为干扰后自然再生的植被）对固碳、生物多样性保护及景观连通性恢复具重要生态价值，但其大面积精确制图是Land Use and Land Cover（LULC，土地利用/土地覆被）监测难点。现行TerraClass项目第三阶段（Phase 3）依赖专家目视解译Sentinel-2影像手动勾绘次生植被多边形，虽专题质量高但耗时约两年/周期，且监督分类法需数万代表性训练样本，在塞拉多异质景观中采集成本极高，构成大尺度制图的瓶颈。因此，亟需减少训练样本依赖、提升制图效率的半自动化方法。

研究人员提出一种将像素级解译转为聚类级标注的半自动化、基于无监督聚类的工作流，整合卫星影像时间序列（Satellite Image Time Series, SITS）、GPU加速自组织映射（Self-Organizing Maps, SOM）、动态时间规整（Dynamic Time Warping, DTW）距离的层次聚类分析（Hierarchical Clustering Analysis, HCA）及专家知识，在塞拉多20个生态区分别独立处理，应用于PRODES划定先前砍伐土地（约692,000 km²），在TerraClass Cerrado 2024周期中验证。结果表明该方法将Phase 3耗时缩至六个月，制图次生植被81,209 km²（11.74%），设计基估计面积98,683±10,071 km²，总体精度（Overall Accuracy, OA）96.45%，次生植被用户精度（User's Accuracy, UA）96.27%、生产者精度（Producer's Accuracy, PA）79.22%，F1值86.90%；初始聚类标注贡献最终次生植被面积的86.3%，解译决策仅约3000个（150簇×20生态区），较往期全手动勾绘大幅提升效率且精度不低于历史产品。该方法为大异质区次生植被可扩展、高质量制图提供可行方案，支持《巴黎协定》国家自主贡献（NDCs）及《原生植被恢复国家计划》（Planaveg）履约监测。

主要关键技术方法

研究人员选用Brazil Data Cube（BDC）平台S2-16D（Sentinel-2每16天合成地表反射率Level-2A）产品，提取各生态区旱季时窗影像，做线性插值与光谱特征筛选［含Sentinel-2原始波段、5×5均值滤波窄近红外B8A及NDVI、NBR、MNDWI、AWEI_nsh植被/水体/火烧指数］；依Sano等定义的20个塞拉多生态区分区独立处理，并用PRODES原生植被层、水体层及TerraClass前期已制图农田/城市/矿区掩膜限定分析域仅剩次生植被与牧场二分类。对掩膜后像素以加权时间平均（Weighted Temporal Average, WTA）做时间降维，等宽分层（Q=500 bin），按比例分配最小1样本/层抽样约1%像素取完整SITS输入无监督模型。每生态区训练20×20神经元SOM（GPU加速，欧氏距离，1000轮），对400个SOM原型向量以DTW距离为相异度、平均联接法进行HCA并截断为150簇。专家结合假彩色合成与时序剖面将簇标为次生植被或牧场（双人独立判读+高级审核），标签回赋全图得初版分类；经2公顷最小制图单元（Minimum Mapping Unit, MMU）空间滤波、栅格孔洞填充后矢量化，专家在QGIS中以1:50,000假彩色合成辅以时序剖面做加入（漏分）/剔除（错分）编辑得终产品，最后重投影SIRGAS 2000（EPSG:4674）。精度评估采用Olofsson等推荐的分层随机抽样（241个次生植被+454个牧场/背景点）与设计基面积估计。

研究结果

3. Results（结果总述）

经掩膜后分析域为691,958.83 km²先前砍伐地，终产品次生植被81,209 km²（11.74%），最大为Floresta de Cocais（13,380 km²）与Paraná Guimar?es（12,730 km²），最小为Depress?o Cárstica do S?o Francisco（374 km²）与Costeiro（589 km²）。

3.1. Map Refinement and Composition（地图精修与组成分析）

七成分分解显示：初始聚类标出120,398 km²次生植被，其中经MMU滤波去除29,801 km²（24.8%）、专家手动去除20,519 km²（17.0%），保留为一致的（concordance）70,078 km²（58.2%初始标记面积）；终产品中concordance占86.3%，自动孔洞填充贡献5.1%（4111 km²），手动增补6.6%（5377 km²），MMU误删后专家恢复2.0%（1656 km²）。各生态区concordance率变幅33.9%（Planalto Central）～77.2%（Floresta de Cocais），反映景观破碎度差异所致编辑强度不同。与农业掩膜重叠的冗余去除占总去除8.7%（4527 km²），最高达Basaltos do Paraná的26.6%。

3.2. Accuracy Assessment（精度评估）

分层随机抽样695点（次生植被241、牧场/背景454）得出：OA=96.45% (95% CI: ±1.52%)，次生植被UA=96.27% (±2.40%)、PA=79.22% (±7.94%)，F1=86.90%；设计基估计次生植被面积98,683 km²(95% CI: 88,612–108,754 km²)。制图面积低于CI下界，表明受MMU滤波系统性低估。验证点中漏分误差16个、错分误差9个；漏分中56.3%从未被聚类捕获为次生植被（其中7/9在5×5邻域内有次生植被像素，属＜2 ha碎片或过渡带），43.8%曾被聚类识别但在后处理（MMU或人工审图）中被去除；错分中55.6%源自聚类标注并全程未被修正，属牧场与次生植被光谱—时间渐变致混分。

讨论与结论总结

讨论指出：(1) SOM-HCA初步捕获主要次生植被信号并以偏高估便于专家削减（减法式精修），concordance占比86.3%证实聚类级标注有效性；(2) MMU是最大面积缩减源（去除24.8%初标面积），部分为真次生植被碎片＜2 ha，专家恢复机制部分补偿但有限，漏分误差中18.8%归因MMU移除；(3) 生态区间concordance与增补率差异反映景观异质性与标准化参数（150簇、20×20 SOM）未随生态区调参的局限，未来宜探索生态区自适应参数；(4) 加权时间平均（WTA）仅为抽样分层用降维，完整SITS仍输入SOM，稀有时序模式可能欠代表但不影响聚类本身；(5) 与完全监督法比，本法定标解读量降至约3000簇决策，避免数万训练样本采集与跨生态区样本迁移难题，且并行分区处理压缩周期；(6) 局限性含跨生态区间时窗差异潜在影响簇组成、边界拼接连续性、掩膜年份与制图期不匹配引致冗余编辑、未细分次生植被演替阶段等。与TerraClass 2018–2022手动版比，2024年次生植被UA（96.27% vs 78–88%）与PA（79.22% vs 49–74%）均有提升，证明半自动流程保/提精度且大幅增效。

结论：研究人员提出并验证了结合SOM-HCA-DTW无监督聚类与专家簇标注的半自动SITS方法，应用于巴西塞拉多约692,000 km²先前砍伐地次生植被制图，终产品81,209 km²（11.74%），设计基估计98,683±10,071 km²，OA 96.45%，次生植被UA 96.27%、PA 79.22%、F1 86.90%；初始聚类标注贡献终产品86.3%次生植被面积，解译限于约3000簇级决策。TerraClass Cerrado 2024 Phase 3周期由原需约两年缩至六个月（2024年6月–11月），精度不低于历史手工产品。该法实现大异质区次生植被可扩展高质量制图，支持更频密的土地利用动态追踪及国家环境承诺履约监测；未来应评估生态区自适应参数化（SOM网格、簇数、抽样设计、光谱特征）以提升局部可分性并减精修量。