利用光学和SAR遥感数据的若尔盖湿地植被分类与变化监测

湿地植被在固碳过程中扮演重要角色。作为高寒湿地生态系统的典型代表,若尔盖湿地的植被分类与变化监测对于研究其碳汇功能具有重要意义。光学遥感和微波遥感在植被监测中各有其优缺点,因此本研究提出结合Sentinel-2光学数据和Sentinel-1合成孔径雷达SAR(Synthetic Aperture Radar)数据的若尔盖湿地植被分类与变化监测方法。基于动态时间归整算法DTW(Dynamic Time Warping)提取Sentinel-1 SAR数据的时间序列物候特征,结合Sentinel-2多光谱数据的光谱特征,以2020年实地获取的植被样本及使用样本迁移得到的2017年样本,通过随机森林算法分别对两个时期的若尔盖湿地植被进行分类并对其变化进行分析。研究表明:(1)结合Sentinel-1和Sentinel-2数据,充分发挥各自多时相、多光谱的优势对若尔盖湿地植被进行分类得到可靠的分类结果,总精度达到了97.43%,Kappa系数为0.96。(2)基于样本迁移原理,本研究通过将2020年实地采集的样本迁移至2017年,解决了历史时期实地样本不可得的问题,并针对SAR数据的特点提出基于DTW的样本迁移方法,顺利实现了2017年的植被分类过程。(3)通过对2017年—2020年植被变化进行分析,发现近年来若尔盖湿地植被总体变化不大,演变类别以恢复演替为主,约占研究区面积的7%。

基于随机森林特征变量优化的湿地植物分类与密度反演

以长江口滨海湿地为研究区域,采用随机森林算法对滨海湿地植被进行分类。在提取Landsat-8 OLI影像植被指数和水体指数的基础上,提出利用植被指数季节差值对模型进行特征变量优化,分析了长江口滨海湿地植物群落分布的空间特征。以所占面积最大的互花米草(入侵物种)为例,采用多元线性回归模型结合实地测量数据,估算了秋季的互花米草植物密度的空间特征。提出的多时相遥感数据结合随机森林特征变量优化方法,可以较为便捷地提取长江口湿地3种优势物种的空间分布特征,与最大似然法相比,分类精度有较大提高,总体分类精度由78.35%提高至87.55%,Kappa系数由0.72提高至0.84。该方法适用于存在“异物同谱”问题的湿地植物群落研究。

基于GF-2的江苏滨海湿地遥感深度学习分类算法研究

以江苏盐城滨海湿地为研究区,基于高分二号(GF-2)高空间分辨率遥感影像,应用VGG16BN深度学习网络对研究区不同地物类别进行分类,并与VGG16、SVM和BP神经网络分类结果进行对比,综合评价分析分类结果精度与适用性。研究结果表明:与其他分类算法结果相比,基于深度学习VGG16BN网络的影像分类精度相对最高,总体分类精度达99.32%,Kappa系数0.99,均显著高于其它分类算法精度。此外,通过局部可视化分析,VGG16BN网络算法分类结果可有效保持大面积同类地物的区域一致性,有效避免"椒盐"噪声,对道路、河流等线状地物的连续性和边界提取较为完整和清晰。