基于GEE的滨海湿地互花米草信息提取方法研究

互花米草是我国海岸盐沼中最重要的入侵植物,探究遥感识别机理与量化入侵状态对于科学管控互花米草入侵及维护滨海湿地可持续发展具有重要意义。本文以盐城湿地珍禽国家级自然保护区为研究区,基于Google Earth Engine(GEE)云平台,以2021年Sentinel系列卫星遥感影像和ALOS地形数据为数据源,采用基于像元的随机森林（RF)算法和基于对象的简单非迭代聚类（SNIC）+RF算法识别入侵物种互花米草,对比两种分类精度选取最优算法进行互花米草分布提取。结果表明,多模态特征集合中雷达特征、光谱特征、植被指数以及红边指数在互花米草信息提取中具有重要作用;基于RF和SNIC+RF分类方法获得的互花米草精度均高于90%,SNIC+RF算法提取的互花米草群落信息完整性更好,分类精度更高,用户精度和生产者精度分别达到了92.86%,98.11%,并且算法能够在GEE环境下快速执行,适合推广应用于滨海湿地互花米草群落信息提取实践中。     

基于卷积神经网络高光谱影像土地利用分类方法研究

土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一。本文以高分五号高光谱影像为数据源,采用主成分分析（Principal Component Analysis,PCA）方法进行特征提取,并选用前六个主成分作为分类数据,利用基于卷积神经网络（Convolutional Neural Networks, CNN）的分类方法进行分类,并以支持向量机（Support Vector Machine, SVM）和RF(Random Forest,RF)分类方法进行对比。结果表明,基于CNN的分类方法获得的总体分类精度最高,达到87.67%,Kappa系数为0.84,总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00%和8.00%;基于SVM和RF的分类方法的分类结果“椒盐”噪声明显,基于CNN的分类方法可以很好地改善这种情况;基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低,错分比率较高,而基于CNN的分类方法可以有效地改善这种情况。     

基于InVEST模型的河北省生境质量时空演变驱动分析

利用InVEST模型与土地覆盖数据,分析了河北省1995-2020年的生境质量时空分布格局,并借助地理探测器分析了气候、人口、地形等因素对生境质量空间分异的驱动机制。结果表明:(1)1995-2020年,河北省生境质量的平均值由0.448 8降至0.441 9,下降幅度为1.54%,其中城市建成区生境质量下降明显,沿海区域生境质量有所上升;(2)空间分布呈西北高、东南低的特征,山区生境质量较高而平原较低;(3)人口密度的增加及平均气温和年降水量的变化驱动着生境质量逐年下降;(4)坡度是影响生境质量的主导因子,解释力达0.84,其次为平均高程(0.67)、人口密度(0.65)及平均气温(0.61),而年降水量(0.12)的影响最小;(5)任意两因子的交互作用均大于单一因子对生境质量的影响。