植被指数合成算法综述

单天观测数据中很难得到令人满意的植被指数产品,通常采用多天观测合成的方法得到更高质量的植被指数产品。从植被指数合成主要影响因子入手,将植被指数合成算法分为5类,分析误差移除具体方法,总结各类合成算法优缺点。归纳了目前常用的区域或全球尺度植被指数产品及其精度验证。在此基础上展望了植被指数合成算法的研究前景。

ERP实施能力测度模型设计与研究

在分析我国企业管理现状和信息化水平的基础上,结合国内外研究成果,提出了ERP实施能力测度模型(ICEM)。该模型力图解决国内企业实施ERP过程中缺乏有效的能力诊断及评价方法的问题。主要就ICEM的测度指标体系及指数合成算法进行了论述。

一种基于Google Earth Engine云平台的潮间带遥感信息提取方法

潮间带是滨海湿地的重要组成部分,对生态和经济的发展具有重要意义。由于海水与陆地的动态交互作用,以瞬时性遥感图像为数据源的遥感信息提取方法难以准确获取潮滩范围。针对此问题,研究提出了一种基于Google Earth Engine(GEE)云平台和遥感指数的潮间带信息提取方法。该方法利用2021年的Landsat8时序影像数据,在最大光谱指数合成算法(maximum spectral index composite,MSIC)和大津算法(OTSU)形成多层自动决策树分类模型的基础之上,构建基于融合数字高程模型(digital elevation model,DEM)数据的决策树算法,并以舟山群岛海岸带为例,计算舟山群岛潮间带面积。研究结果显示2021年舟山群岛潮间带面积为35.19 km 2。通过谷歌地球的高空间分辨率影像进行精度评价,总体精度为97.7%,Kappa系数为0.95,具有较好的提取精度和实用效果。该方法能够实现自动、快速地提取潮间带信息,为海岸带资源的可持续管理和利用提供数据支撑,进一步促进海岸带区域的高质量发展。

2020年澳大利亚潮间带滩涂空间分布制图

滩涂作为潮间带生态系统的重要组成部分,具有维持海岸线稳定,加速物质交换和促进碳循环等独特的环境调节服务功能和生态效益。对潮间带湿地现状进行准确、及时的评估对实现可持续管理目标至关重要。研究借助Google Earth Engine(GEE)云计算平台,选用2020年Sentinel-2密集时间序列遥感影像,集成最大光谱指数合成算法(Maximum Spectral Index Composite,MSIC)和大津算法(Otsu)构建多层决策树分类模型,实现澳大利亚潮间带滩涂的快速自动化提取。经过矢量化处理得到2020年澳大利亚高分辨率潮间带滩涂空间分布图,提取的滩涂面积为10708.22 km^(2),总体精度为95.32%,Kappa系数为0.94。该数据集存储格式为.shp,时间分辨率为年,空间分辨率为10 m,数据量为154 M。该数据能促进并管理沿海生态系统,如红树林造林和控制互花米草等外来物种入侵,同时还可以作为科学研究的基础数据,如生物多样性、碳储量估算和海平面上升造成的海水侵蚀。

Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类

潮间带湿地是滨海湿地的重要组成部分,具有维持生物多样性、促进碳汇等重要生态功能。及时、准确地掌握潮间带湿地现状是实现潮间带湿地可持续管理目标的基础。先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等,本研究基于GEE(Google Earth Engine)平台开发一种自动、快速、高精度的潮间带湿地分类方法。该方法首先构建高质量密集时序Sentinel-2影像堆栈;然后,分析不同潮间带湿地的遥感特征,基于最大光谱指数合成算法(MSIC)和大津算法(Otsu)建立多层自动决策树分类模型。应用该方法对2020年福建漳江口红树林自然保护区的潮间带湿地进行分类,得到的总体精度为96.5%,Kappa系数为0.95。漳江口红树林保护区内潮间带湿地包括红树林、互花米草和滩涂3种类型,面积分别为82.46 hm^(2)、218.26 hm^(2)和496.84 hm^(2)。本研究的方法能够实现潮间带湿地的自动、快速、高精度分类,对潮间带和其他内陆湿地的精准分类研究具有重要的借鉴价值。