基于机器学习的沟谷地貌识别模型对比——以黄土高原典型流域为例

探索沟谷地貌空间分布与环境控制特征之间的联系并构建沟谷地貌准确提取模型,对大尺度范围沟谷提取具有重要意义。基于人工提取黄土高原典型流域沟谷地貌样本,结合不同时期的Landsat8 OLI影像数据和DEM数据,建立随机森林模型确定黄土高原沟谷地貌提取最佳影像时期和最佳组合特征,基于最优模型参数,对比其与支持向量机和人工神经网络沟谷提取模型效果,验证模型泛化能力。结果表明:(1)黄土高原沟谷提取的最佳影像时期为12月,最佳组合特征集为Red、Blue、H、SWIR1、PNT、Coastal、GLCM4和NIR;(2)3种方法提取测试区域的沟谷空间分布一致,从定性和定量角度进行比较,随机森林模型提取效果最好,验证样区平均总体精度为80.48%,相较于支持向量机模型和人工神经网络模型分别提高4.00和8.63个百分比;(3)测试区域中,沟谷地貌面积约占总面积的56.91%,且呈现西北至东南方向逐渐集中的特点。研究表明随机森林模型在黄土高原地区高精度沟谷地貌识别研究中综合表现最佳,可大范围推广。

基于遥感影像与逻辑回归模型的延河流域沟壑分布概率预测

为研究黄土高原沟壑地貌空间分布特征,开展了基于遥感影像和机器学习的沟壑地貌提取,研究了延河流域沟壑地貌空间分布及其环境控制因子。以Google Earth Pro平台为支撑,在人工提取大量沟壑地貌样本的基础上,基于Landsat8 OLI影像波段信息,采用主成分分析前3个变量、缨帽变换前3个变量、NDVI、高程、坡度和坡向10个因子,使用逻辑回归模型预测整个延河流域的沟壑概率分布。结果表明:(1)在10个变量因子中,因子Brightness的R_(McF)^(2)为0.158,重要性最大,因子elevation的R_(McF)^(2)为3.6×10^(-5),重要性最小;(2)最优逻辑回归模型由组合因子Brightness,PCA_(1),Greenness,Wetness,PCA_(3)和slope确定,其重要性R_(McF)^(2)为0.206;(3)最优逻辑回归模型的沟壑概率预测精度为73.72%,ROC曲线下面积即AUC值为0.80;(4)延河流域沟壑地貌约占整个延河流域面积的52.05%。研究表明,延河流域沟壑分布呈现从西北方向到东南方向逐渐集中的特点。

基于长时间序列NDVI的黄土高原延河流域及其沟壑区植被覆盖变化分析

为探究退耕还林(草)等生态工程实施后延河流域坡面与沟壑地貌区的植被恢复情况,基于长时间序列NDVI和降雨数据,采用趋势分析法、Pettitt突变点分析和残差分析以及人工交互样本法对2000—2019年延河流域以及流域坡面和沟壑区植被NDVI变化特征进行了分析。结果表明:(1)2000—2019年延河流域植被恢复明显(年均趋势率为1.30%),但呈现分段特征,其中2000—2008年植被覆盖恢复迅速(年均趋势率为2.00%);2009—2019年植被覆盖恢复速度有所减缓(年均趋势率为0.70%),且部分区域出现退化。(2)2000—2019年延河流域的沟壑区域NDVI随着坡面区域NDVI的增加而增加,且相关性较强(R^(2)=0.967),沟壑区域NDVI与坡面区域NDVI数据值相近。(3)2000—2019年延河流域NDVI变化与降雨量的相关性较弱,降雨不是该地区NDVI变化的主导因子。人类活动与延河流域NDVI变化呈正相关关系,相关性较强;人类活动对NDVI年均贡献率为1.29%。研究表明“退耕还林”等生态工程对植被恢复起到了重要作用,且沟壑区植被覆盖随着坡面植被覆盖变化而变化。