基于集成学习的全球农地区域旱情监测方法与研究

农业是对全球变化响应最为敏感的部门之一,也是国民经济发展和社会稳定的基石。在全球农地区域,利用2002—2020年的MODIS数据分别计算归一化植被指数(NDVI)、植被健康指数(VHI)、叶面积指数(LAI)、总初级生产力指数(GPP),通过皮尔森相关系数(r)分别检验不同遥感指数之间的相关性,以评估不同指数在全球农地监测中的适用性和一致性,结果表明:不同遥感指数在全球的农地区域具有较好的相关性,每8d的NDVI与VHI、LAI、GPP的相关性分别为0.70、0.72、0.60,呈强相关。基于ERA5再分析资料,利用机器学习方法对多遥感指数进行融合,提高旱情监测的准确性,基于逻辑回归、贝叶斯模型、XGBoost模型、LightGBM及Stacking集成学习模型,在测试集上的分类准确率分别为0.69、0.66、0.84、0.83及0.86,基于集成学习融合策略可以有效提高旱情分类的准确率,本文的研究为全球农地旱情监测提供了新的思路和方法,具有较为重要的科研意义与广泛的应用价值。

基于耕地质量评价和局部空间自相关的高标准农田划定

高标准农田建设是优化农田空间布局,改善耕地基础设施,提高耕地质量和综合生产能力的重要举措。而科学合理地划定建设区域是高标准农田建设的重要环节。以河南省焦作市为例,构建了耕地综合质量评价体系,并通过层次分析法对各个评价指标赋权。再结合理想点逼近法和局部空间自相关分析对高标准农田建设分区及时序提出了方案。研究结果表明:焦作市耕地整体质量较好,且在空间分布上体现出了较强的正相关性;利用局部空间自相关分析可将耕地分为4个高标准农田建设区域。

耕地自然质量空间分布及其影响因子分析——以北京市大兴区为例

定量分析耕地质量的空间分布特征，是制定与实施耕地保护措施的重要依据。本文以耕地质量等级补充完善成果为基础，以自然等指数为空间变量，采用空间自相关分析方法对北京市大兴区耕地自然质量的空间分布特征进行了研究，并采用变异系数、二元相关分析和偏相关分析方法对其影响机制进行分析，揭示了耕地自然质量空间差异的主导影响因子。研究结果表明：大兴区耕地自然质量在200～900m尺度范围内呈显著的空间正相关性，正相关HH型高等地明显聚集分布，LL型低等地面积较大且聚集性较低，负相关类型（HL和LH型）耕地无明显集中区域，零星分布。土壤有机质、表土质地和土壤剖面构型是影响耕地自然质量空间分布格局的主导因子，但影响程度有所差异。

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。