基于GEE平台的1990—2019年松涛水库水体面积时空变化

为了准确掌握松涛水库水体面积动态变化,保证区域用水安全,实现水资源的可持续利用,通过选用Landsat系列遥感数据,利用GEE(Google Earth Engine)云平台研究了1990—2019年松涛水库水体面积的时空变化。结果表明:1990—2019年间,松涛水库水体面积的年际变化波动较大,整体呈先下降后上升的趋势,而水体面积的月际变化表现出显著的季节性变化规律;研究期间,松涛水库拥有66.43 km~2的永久性水体,出现水陆交替现象的区域主要集中在水库的边缘区域;月降水量、月平均温度分别与松涛水库水体面积表现出显著的负相关关系,而在年际尺度上气候因素与水体面积无明显的相关性,但随着年降水量的增加,水库下一年度的水体面积明显增大。可见GEE云平台可用于连续时间序列、大范围的水体动态变化监测。     

基于MODIS-NDVI时序数据集的面向对象分类提取广西耕地面积的方法研究

研究提取耕地的方法是为了提高耕地提取的高效性,直接目视解译时山体阴影和水体难以区分,建设用地和未种植的耕地难以区分,本文主要以2015年的Landsat 8遥感影像,借助辅助数据DEM及MODIS-NDVI等多源数据基于eCognition平台应用多阈值分割、多尺度分割将影像进行分割成对象,再分别用阈值法、归一化水体指数(NDWI)、增强的指数型建筑指数(EIBI)等将坡度大于25度的地区、水体、建设用地剔除。最后利用影像的波段特点及MODIS-NDVI值进行多次提取研究区耕地,以达到较高精度的分类方法。利用总体面积精度及空间分布进行精度评价。其总体面积精度达到98.84%,且提取出的耕地分布情况符合作物的种植规律。     

随机森林在城市不透水面提取中的应用研究

基于高分一号数据采用随机森林模型,引入归一化水体指数NDWI、归一化植被指数NDVI、土壤调节植被指数SAVI、建筑指数BAI、Brightness指数、ICA独立分量、纹理信息及原始影像波段等共17个特征,在matlab环境下提取了深圳市某区域不透水面,并与最大似然分类和支持向量机方法进行对比.结果表明:随机森林的多特征组合方法能有效提升分类精度,在不透水面信息提取中比传统参数分类方法(MLC)总体精度提高了7.681%,Kappa系数提高了0.119 4.     

结合DEM与淹没频率的水库水体动态遥感提取优化方法

由于云、雪及山体阴影造成的无效地表像元影响，利用遥感影像难以获取高精度的水库水体信息动态监测结果.论文在大津法的基础上，提出了结合DEM和淹没频率约束条件对水库遥感提取结果进行优化的方法(DF优化方法).基于Landsat系列卫星影像数据，使用改进的归一化差分水体指数(MNDWI)，通过大津法初步提取水库水体信息.结合多期提取结果综合得到的淹没频率以及当期有效水体像元的淹没频率特征，填补了受云、雪等因素影响的无效像元.在此基础上综合高程及水体淹没频率信息，剔除了山体阴影及其他偶发性因素的影响.遴选全球九个不同类型水库验证了DF优化方法的有效性，结果显示DF优化方法能有效减小水库水体的提取误差.与全球水体数据集JRC MWH的直接修正结果相比，DF优化方法总体分类精度提高了13%，达到了95.67%.同时，结合同步卫星测高数据构建的水位－水面积关系模型，进一步验证了DF水面积提取结果的准确性.相较于JRC MWH的直接修正结果，DF优化方法提取结果构建的水位－水面积关系模型的RMSE降低了30%.此外，该方法可基于GEE平台实现，能快速完成长时序的水体动态提取，为全球大尺度范围内的水库相关研究提供基础.     

基于Google Earth Engine平台的官厅水库流域开水体动态研究

利用二阶段城市水体指数（two steps urban water index）结合地形坡度掩膜方法，基于Google Earth Engine (GEE)平台调用了5 196幅Landsat影像，提取并分析了官厅水库流域1987—2018年长时间序列的开放水体动态．水体提取总体精度达到93.5%，Kappa系数达到0.871，提取的开放水体可用于动态分析．在此基础上，基于分段线性回归，将1987—2018年官厅水库流域开放水体面积划分为缓慢上升、快速下降和迅速回升3阶段的变化．相应地，1987—1996、1997—2010和2011—2018年水体面积年均变化量分别为5.50、?7.45和15.19 km2．年均降水量的变化是官厅水库流域开放水体面积变化的重要影响因素，一元线性回归决定系数为0.29（P<0.01）．1997年后，流域水体面积变化受人类用水增加及土地利用变化的影响增强．研究结果可为城市化背景下区域水资源保护，促进区域可持续发展提供借鉴．      

基于TM影像的开封市绿地信息提取研究

本文基于TM影像,对开封市绿地专题信息进行提取,主要通过计算TM影像及各主成分分量和归一化植被指数NDVI的相关系数的方法来进行波段组合,提高遥感影像的目视解译精度和分类精度,取得较好结果.研究得出开封市绿地面积占总面积的22.56%,主要集中分布在郊区乡镇,在城市中心城区,由于人口密度大,建筑物密集,绿地面积较少.     

基于Landsat遥感影像的鄱阳湖水体信息提取与分析

鄱阳湖作为中国最大的淡水湖,具有非常重要的生态和经济价值.遥感技术的快速应用发展,使利用卫星遥感影像对鄱阳湖进行动态检测成为一种有效的途径.由于鄱阳湖季节变化特征明显,首先对鄱阳湖2018年1月枯水期和2016年7月丰水期Landsat影像分别采用归一化水体指数法、改进归一化水体植被指数法、自动水体提取指数法和谱间关系法对其进行水体信息提取.再根据该月份高精度最大似然法分类结果进行精度评定.可以得出枯水期采用MNDWI,丰水期采用AWEIsh水体提取方法效果最优.通过获取的2009—2018近10年鄱阳湖遥感影像数据,分别在枯水期采用MNDWI水体方法,丰水期采用AWEIsh水体提取方法,得出各月水体范围,然后对鄱阳湖面积进行年际及季节性的时序分析.实验结果表明:1)鄱阳湖是季节性变化很大并且存在明显规律性的湖泊,一年之中的最大面积约最小面积的2倍;2)2009—2018年的10年间鄱阳湖面积的最大值、最小值和平均值年际变化趋势一致,在枯水期鄱阳湖面积年际变化较小,在丰水期鄱阳湖面积年际变化较大,鄱阳湖水域面积并没有明显增大或减小的趋势.     

基于多特征优选的平和县蜜柚园遥感提取与扩张分析

本文基于谷歌地球引擎（google earth engine, GEE）平台中2020年Sentinel-2数据和数字高程模型（digital elevation model, DEM）数据，在递归特征消除的随机森林（random forest-recursive feature elimination, RF-RFE）特征选择算法基础上结合随机森林（random forest, RF）分类算法，实现了平和县蜜柚园的空间分布制图。根据蜜柚园扩张的先验知识，使用2020年蜜柚园的提取结果对历史Landsat数据进行掩膜，依次获得1990、2000、2010年平和县蜜柚园的空间分布，在此基础上对30年以来平和县蜜柚园的变化进行分析。结果表明：基于GEE平台，使用RF-RFE特征选择后的多特征分类方法可以快速、准确地提取平和县蜜柚园的空间分布。蜜柚园的生产精度和用户精度分别为89.83%和90.59%;平和县蜜柚园面积从1990年的10.5 km²增加到2020年632 km²,增加的蜜柚园主要来源于有林地，其次为耕地和香蕉园。本研究可为平和县蜜柚...     

基于高分二号影像的城区水体提取方法研究

针对高分二号遥感影像在进行城区水体提取时,遥感影像波段数较少,造成MNDWI、CWI等方法无法使用,同时受污染的水体与裸地、建筑物、阴影难以完全区分,本文提出采用城区水体阴影指数,结合最大似然估计的方法,通过区分水体和阴影光谱特征,完成与阴影彻底分离,实现在高分二号遥感影像上城区水体的高精度提取.对比阴影水体指数(SWI)、基于植被指数和中红外通道的混合水体指数模型(CIWI)、归一化差异水体指数(NDWI)以及单通道阈值法提取结果,本文方法的处理结果提取精度更高,噪声和阴影更少,总体精度在90%以上,Kappa系数在89%以上.评价数据结果表明,本文处理方法在高分二号遥感影像的城市及周边地区水体提取上是有效可行的.     

基于随机森林的MODIS遥感影像水体分类研究

本文采用随机森林分类方法提取MODIS影像中的水体,根据水体和非水体在不同波段的反射率特征差异计算水体指数,选择一年内水体指数总和大于零的点构造分类特征,以全球30 m地表覆盖数据作为真值进行训练和验证.依据在随机森林中分类特征的重要性选出了10个分类特征,并通过一定量的实验统计选出有较好分类结果的随机森林模型参数.采用混淆矩阵及相关精度指标、Kappa系数等进行精度评价,获得较好的水体分类结果.     

基于特征优选的随机森林算法在湿地信息提取中的应用——以湖北洪湖湿地自然保护区为例

以湖北洪湖湿地自然保护区为研究区,采用随机森林算法对研究区内湿地信息提取.以Sentinel-2A遥感影像为数据源提取光谱特征、植被指数、水体指数、红边指数、纹理特征等特征变量,在随机森林算法框架下,对不同特征变量进行特征重要性评估,比较分类后精度并对特征组合进行优选.将基于随机森林算法的分类精度与传统的基于像元的支持向量机分类方法和最大似然分类方法的分类精度相比较,并通过双比例Z检验比较各算法中正确分类像元的比例统计各分类算法之间的分布差异.结果表明： 1) 特征个数为13时,分类精度达到最大,随着特征个数的增多,分类精度呈现波动减小的趋势; 2) 特征变量中蓝光波段重要性得分最高,达到2.85,可见光(B2、B3)与红边指数(IRECI、MCARI)重要性排名靠前,对于提取湖泊湿地信息具有重要意义; 3) 基于特征优选的随机森林方法分类精度优于支持向量机和最大似然法分类后的精度,其总体精度分别高出6.02%和7.57%;经检验, χ2分别达到25.891和38.895,具有显著差异,表明基于特征优选的随机森林算法分类对湿地信息提取发挥重要作用。     

基于GEE的土地利用变化对生态系统服务价值的影响研究——以京津冀地区为例

基于Google Earth Engine(GEE)云平台提供的随机森林分类算法对京津冀地区2017年—2019年遥感影像进行分类,解译出林地、耕地、草地、建设用地,水域和未利用地等类型,由此发现三年内林地、耕地、草地面积变化幅度最大,其次为建设用地、水域和未利用地.土地利用类型主要由耕地转向林地、草地;土地利用面积的变化导致研究区生态系统服务价值(ESV)总值从2017年的3 914亿元增长到2019年的4 013.99亿元,其中林地面积的变化起主要作用,而未利用地贡献最低; ESV对三地的生态价值系数缺乏弹性,生态系统服务价值系数对ESV的影响较小,结果具有可靠性. 研究表明伴随京津冀协同发展战略的推进,生态服务有所提高,但应当根据各地区实际情况合理规划土地利用格局,加强对林地、草地、水域的保护,推进集约用地,合理开发未利用地.     

基于GEE平台的国家公园土地覆盖变化遥感检测方法构建

【目的】高效、可靠地提取土地覆盖动态变化信息对于国家公园保护与管理方案制定具有基础性数据支撑作用。本研究主要目的是构建经济高效的遥感监测方法,提取钱江源国家公园体制试点区2001—2017年的土地覆盖变化信息,评估国家公园保护与管理活动的有效性。【方法】首先定义研究区的土地覆盖分类体系(耕地、森林、草地、水体、人造地表和裸地),并利用增强型目视解译方法选取历史训练样本点;其次综合Landsat多季节复合数据的光谱波段、光谱指数、纹理特征和地形特征,基于Google Earth Engine(GEE)云平台执行随机森林分类算法,生成土地覆盖数据集;最后建立土地覆盖转换规则从而识别主要的土地覆盖变化类型及其空间分布模式。【结果】独立样本集验证结果表明,钱江源国家公园2001年、2009年和2017年土地覆盖总体分类精度分别为83.12%、81.82%和87.35%。造林活动、耕地废弃和开发建设的变化信息体现出保护管理工作取得显著成效。【结论】增强型目视解译能够高效、可靠地选取历史训练样本点,从而支持历史土地覆盖数据集构建。采用基于云计算的变化检测技术可快速评估国家公园管理措施的有效性并发现生态脆弱地带,具有高效、经济及计算资源限制性少等优势,可广泛推广应用。     

面向对象的遥感影像水体信息提取

基于面向对象的遥感影像分析方法,在不同尺度分割遥感影像的基础上,根据影像对象的特征,如亮度、光谱、归一化植被指数(NDVI)、面积和上下文等信息,对水体信息进行了提取和分类.结果显示:与传统的基于像元的分类方法相比,面向对象的遥感影像信息提取方法具有很好的效果,同时也提高了信息提取的精度.     

结合冠层密度的森林净初级生产力遥感估测

【目的】 森林冠层密度与林分年龄、植被生长状况有关,在区域森林净初级生产力遥感估测中,结合森林冠层密度以期提高估测精度。【方法】 以广东省韶关市为研究对象,选用2017年Landsat-8 OLI影像、2017年357块森林资源连续清查固定样地数据为主要信息源,分别采用随机森林、多元线性回归、人工神经网络和K最近邻分类法等4种模型,结合森林冠层密度制图器(FCD)进行区域森林净初级生产力特征变量的选取、参数建模、模型精度评价和森林净初级生产力空间制图。【结果】 特征变量中,红光波段(B4)、归一化植被指数(NDVI)、比值植被指数(RVI)、叶面积指数(LAI)、缨帽变换土壤植被因子、纹理特征和地形特征在森林净初级生产力反演中有重要作用。将森林冠层密度因子加入反演模型后,4种遥感估测模型精度均有大幅度提高。对4种遥感估测模型进行性能比较,随机森林模型精度最高,其次是多元线性回归模型、人工神经网络模型,K-最近邻分类模型精度最低。研究区内森林净初级生产力平均值为10.689 t/(hm²·a),高森林净初级生产力 [≥18 t/(hm²·a)]林分面积仅占研究区的19.61%,主要分布在海拔较高的西北部。【结论】 结合冠层密度进行森林净初级生产力的建模,可有效提高模型估测精度。     

基于深度学习的高分六号影像水体自动提取

为了探究高分六号(GF-6)卫星多光谱相机(PMS)影像提取水体的潜力,分别构建全卷积神经网络(FCN-8s)、U-Net及U-Net优化(VGGUnet1、VGGUnet2)4种神经网络进行了水体提取研究.基于水体提取结果对比分析,确定优选模型为VGGUnet1;提出基于组合损失函数FD-water loss(focal-dice-water loss)的VGGUnet1网络模型,并与归一化差分水指数(norma-lized water index,NDWI)阈值法、最大似然分类法、支持向量机分类法等方法比较.结果表明:基于FD-water loss损失函数的VGGUnet1网络模型能有效提取水体目标,增强小面积水体识别能力,减少水体错分、漏分现象,提高水体提取效果.可见全卷积神经网络在GF-6遥感影像水体提取方面具有可行性,为后续该领域的进一步研究应用提供了参考.     

基于形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法

提出一种利用形态学属性剖面和单类随机森林分类的道路路域新增建筑物提取方法。用该方法计算路域范围内两时相高分辨率遥感影像的形态学属性剖面, 将得到的形态学属性剖面与光谱特征叠加, 采用改进的单类随机森林分类方法直接提取新增建筑物。以北京市稻香湖地区两时相高分辨率影像作为实验数据, 对比分析该方法与经典两时相直接分类及分类后比较方法的新增建筑物提取精度。结果表明, 综合利用形态学属性剖面和光谱特征提取得到的新增建筑物提取精度比仅使用光谱特征的提取精度显著提高, 其中Kappa系数提高15.11%。此外, 该方法提取结果的Kappa系数比两时相直接分类方法提高1.78%, 比分类后比较方法提高25.15%, 验证了所提方法的有效性。所采用的单类随机森林方法能够有效地处理高维数据, 并可以度量不同特征对分类结果的重要性。     

基于随机森林的全波形点云数据分类研究

针对机载全波形数据,本文提出了一种基于随机森林法的点云分类算法,首先通过全波形分解获得振幅,回波次数,以及回波宽度3个特征,再结合本文中提出的特征提取方法,构建一个多维特征向量并进行特征选择,最后利用随机森林法将激光点云分为植被,地面部分以及建筑物三类.对比支持向量机分类方法,实验证明该方法具有很好的稳定性以及高效性,能够在城市区域取得很好的分类精度.