基于GF-1影像的蒙古高原干旱半干旱地区自然道路提取——以蒙古国古尔班特斯苏木为例

蒙古高原广袤的干旱半干旱地区存在大量未经规划的自然道路,也称临时道路或越野公路。此类道路由车辆任意行驶碾压导致,会对地表生态及其稳定性造成影响,加剧干旱半干旱地区土地退化。由于自然道路数量众多、分布不规则且易随着区域发展而改变,因而高效精确获取这些信息是大范围草原地区的一个紧迫需求和难点。该文以蒙古国自然道路为主要提取目标,基于国产高分一号(GF-1)影像采用面向对象的方法进行研究区道路信息提取。首先对覆盖研究区的GF-1影像进行数据预处理,采用多尺度分割方法进行影像对象分割;然后对需要提取的自然道路进行特征分析,通过计算光谱、几何特征参数及随机选取道路样本统计样本特征值,选出能表达自然道路特征的参数构建道路提取规则集;进而结合多种方法的组合应用,最终通过最邻近分类法实现对道路的初步提取,采用阈值分类法等分类算法优化道路信息。结果表明,提取的蒙古国古尔班特斯苏木研究区自然道路长度为3708.745 km,密度为0.129 km/km^(2),总体呈现东南密集,西、北部稀疏的分布特征,与本地区实际的煤矿企业生产和居民城镇生活情况相符。研究表明所提方法可以较完整地提取出研究区自然道路,可为蒙古高原等广大干旱半干旱地区自然道路提取提供方法借鉴。

基于稀疏样点的蒙古国产草量估算方法研究

产草量是衡量草原生产力和诊断草原健康状况的指标,是草地资源管理的重要依据。近年来,遥感数据结合地面实测数据建模已成为产草量估算的重要手段。充足的实测样点信息是产草量遥感建模估算的基础。受境外采样多重因素的制约,蒙古国产草量估算研究中无法获取足够且分布均匀的实测样点,估产模型的精度受到影响,这一问题目前尚未发现有好的解决方法。本研究选取中蒙铁路沿线(蒙古段)两侧200 km缓冲区作为研究区,针对产草量遥感估算中野外样点稀少且分布不均的问题,引入P-BSHADE方法,基于多年NDVI数据和获取的少量地面实测样点数据,考虑草地分布的非均匀性以及样点之间的相关性,对均匀分布的模拟样点处的产草量数据进行插值实验。结果显示,P-BSHADE法的插值效果优于Kriging法,可得到均匀分布于研究区的样点。基于以上实测样点和插值样点,结合NDVI、EVI、PsnNet 3种植被指数进行遥感建模,最优模型精度达到80%,精度优于已有相关研究。选取其中最优的基于NDVI的指数模型对研究区2000—2019年产草量进行反演,获得的产草量空间格局与年际变化与已有研究结果趋势吻合,进一步印证了结果的可靠性和插值方法的可行性。本研究通过插值的方式改善数据源从而提高估算模型精度是一种全新的思路与尝试,对于"一带一路"等境外区域资源环境监测具有借鉴意义。

基于TRMM降水数据的1998-2015年“一带一路”干旱时空分布（英文）

干旱是一种世界范围的自然灾害,长期影响各国农业生产和社会经济活动。"一带一路"沿线区域生态环境脆弱、农业耕地集中、干旱灾害频繁,利用遥感卫星监测大区域的干旱水平及其时空变化,对于科学掌握"一带一路"地区的干旱格局、区域分异特征,及其对农业耕地的影响具有重要的科学和现实意义。本文基于TRMM降水数据,利用降水距平百分率干旱模型研究和获取了N50°以南的"一带一路"沿线地区1998-2015年逐月干旱时空分布,得知冬季的干旱主要分布在东北亚、东南亚和南亚地区,夏季的干旱主要分布在中亚和西亚地区,干旱的发生具有明显的季节周期性。利用BFAST算法以经济走廊为骨干划分六大片区分析了"一带一路"地区干旱的区域分异特征,可知18年来,东北亚、西亚北非、南亚和中东欧地区的干旱平均水平呈现小范围的减轻趋势,中亚地区的干旱平均水平呈现小范围的增强趋势,东南亚地区的干旱平均水平变化呈现先减后增的波动特征。1998-2015年间"一带一路"地区的干旱总面积以每年40260 km^2的总趋势不断减少。

基于深度神经网络的蒙古国色楞格河流域水体信息提取

蒙古高原地处干旱半干旱地区,河流水系对该区域的资源环境格局及其生态环境影响重大。发源于蒙古国的色楞格河是蒙古高原最主要的水资源来源,准确掌握该流域的水体信息对东北亚地区生态环境问题及资源保护具有重要意义。本文以蒙古高原色楞格河流域为研究对象,基于谷歌地球引擎(Google Earth Engine,GEE)云平台,使用Sentinel-2多光谱卫星遥感影像,利用深度神经网络(Deep Neural Network,DNN)方法对色楞格河流域的水体信息进行提取,并与支持向量机方法进行对比;利用全球30 m SRTM数据生成水系分布矢量图,通过空间分析形成河流提取目标区,结合深度神经网络分类结果,绘制蒙古国色楞格河流域2019年河流分布图。研究结果表明:①该方法能够准确地完成大流域范围内的水体制图,提取结果能够体现色楞格河流域河流的空间分布,且能够减少河流断流、空洞现象;②深度神经网络模型中批量大小设置为8时,在处理数据速度与精度中达到最优,而神经网络结构中隐含层数达到4层时,在精度评价指标测试数据集上达到0.9666,保证了模型特征挖掘能力;③经样本点的验证,结果总体精度达到97.65%,可以满足实际应用需求。本研究预期可以为蒙古高原的水体提取提供方法支持和相关数据支持。