基于最大值合成和最大类间方差法的东洞庭湖滩涂提取研究

内陆滩涂是湿地的重要组成部分,具有保护生物多样性、维护区域生态平衡等重要生态功能。内陆滩涂和水体时刻处于动态变化之中,需要及时、准确地掌握内陆滩涂的现状,才能实现其可持续管理。传统的滩涂提取研究依赖于训练样本、人工设定阈值等方法,而收集足够且准确的训练样本费时费力。本研究基于GEE(Google Earth Engine)云平台,以Sentinel-2为数据源,结合最大光谱指数合成法(MSIC)和最大类间方差法(Otsu),提取了2018—2021年东洞庭湖年际最大面积滩涂,得到的总分类精度为96.3%,Kappa系数为0.95。同时,对东洞庭湖滩涂面积和水位高度展开定量分析,得到的总分类精度为97.3%,Kappa系数为0.96。本研究证实了MSIC-Otsu算法可以高度完成内陆滩涂的提取工作,实现根据水位高度即可预测滩涂面积的功能。

基于全卷积神经网络和低分辨率标签的森林变化检测研究

【目的】针对目前森林变化检测中高精度标签样本缺失或不足的问题,提出一种基于全卷积神经网络和低分辨率标签的森林变化检测方法,旨在实现林地区域内森林变化的简易快速提取。【方法】首先对获取的数据进行去云、筛选、标签融合等预处理,利用全卷积神经网络模型分别提取2020年和2021年研究区森林高分遥感影像,并评价模型精度;利用分类后比较法获取森林变化区域,得到变化结果并与目视解译结果进行对比,基于像素面积计算森林变化检测的精确率等评价指标。【结果】所用全卷积神经网络(FCN)模型在2020年森林提取结果的精确率和召回率的调和均值(F1分数)为97.09%,2021年森林提取结果的F1分数为95.96%,与分割网络模型(U-Net、FPN、LinkNet)相比更优。比较两期森林提取结果得到变化区域,森林增加与森林减少的合计变化精确率为73.30%,召回率为77.37%,F1分数为75.28%。【结论】该方法实现了基于低分辨率标签对高分遥感影像森林变化区域进行快速、准确的获取。采用少量的低分辨率标签完成森林变化检测任务,同时可为大面积林地变更调查提供参考。