基于 LandTrendr 和 CCDC 算法的神东煤炭基地植被损毁识别对比分析

煤炭基地是我国煤炭资源的集中产业地,面临着植被损毁区域大、损毁原因复杂多变的问题。 定量分 析长时序植被损毁识别方法在煤炭基地的适用性,对当地生态环境质量监管具有十分重要的意义。 基于 Google Earth Engine 云计算平台的 Landsat 影像数据,从植被损毁识别、不同地表区域适用性、植被损毁时间 3 个方面,定量对比分 析了 LandTrendr (LT)和 Continuous Change Detection and Classification (CCDC)算法在神东煤炭基地进行长时序(1990 -2020 年)植被损毁识别中的适用性。 研究表明:① 在植被损毁识别上,LT 和 CCDC 算法总体精度分别为 73. 6%和 84. 4%,识别效果较好。 ② LT 和 CCDC 算法都能较好地避免林地区域的错分误差。 但 LT 算法仅能识别露天采场区 域部分植被损毁,遗漏误差较大,且基本无法识别到城市扩张所造成的植被损毁,而 CCDC 算法对这两类区域的识别 效果较好。 在水体区域,LT 算法显著优于 CCDC 算法。 ③ LT 和 CCDC 算法识别损毁时间的误差在 1 a 内的结果分别 占 95. 7%和 90%,损毁时间识别效果很好。 总体而言,相较于 LT 算法,CCDC 算法更适用于城市扩张明显、水体面积 很少的神东煤炭基地植被损毁识别。 上述分析为神东煤炭基地生态环境质量监管提供了数据参考,更为两种算法在 其他煤炭基地尺度的进一步应用提供了方法优选借鉴,但是两种算法均存在难以避免的局限性,未来需要研究一种 能够准确自适应识别煤炭基地内大范围露天矿群植被损毁事件的新方法。

Applicability Analysis of LandTrendr and CCDC Algorithms for Vegetation Damage Identification in Shendong Coal Base