一种基于U-Net的高分影像土地利用/覆盖变化检测方法

[目的] 介绍一种基于U-Net的高分影像的土地利用/覆盖变化检测方法,为该模型在遥感影像变化检测方面的应用提供理论支持。[方法] 采用U型神经网络对河南省禹州市两期高分一号影像和WHU building dataset建筑物变化检测数据集中的变化图斑进行自动检测试验,并与FCN和SegNet两种模型进行比较。[结果] 在两个数据集的验证样本中,U型神经网络模型的F₁值分别为0.699,0.66和0.673,均优于其他两种模型,并且漏检率较低,更加接近变化参考图。[结论] 采用U型神经网络对高分辨率遥感影像进行土地利用/覆盖变化检测是可行的,且能有较高的检测精度。     

2000-2020年黄土高原植被覆盖度时空格局变化分析

以2000—2020年MODIS-NDVI植被指数为数据源,反演计算黄土高原植被覆盖度,通过转移矩阵和重心迁移等方法分析黄土高原植被覆盖度时空格局变化及其与降水、气温、坡度和土壤类型等因素的关系。结果表明:(1)2000—2020年黄土高原植被覆盖度由0.39提高到0.61,整体呈上升趋势,2017年后实现快速提升;(2)近20年,黄土高原植被覆盖度显著好转类型与极显著好转类型改善面积比例达到37.93%,2009年前以低覆盖和中低覆盖植被为主,2010年后以中覆盖及更高等级覆盖植被为主,2019年以后中高覆盖植被所占比例最高;(3)从2000年到2020年,黄土高原低覆盖、中低覆盖、中覆盖和中高覆盖植被向更高等级覆盖植被转化比例分别为93.10%,96.57%,82.99%,43.34%,中低覆盖、中覆盖、中高覆盖和高覆盖植被向更低等级覆盖植被转化比例分别为0.30%,2.21%,7.83%,12.47%;(4)近20年黄土高原植被覆盖度变化与气温和降水的变化表现敏感,斜坡地和陡坡地植被覆盖度较高,淋溶土类型下的植被覆盖度较高,国家政策和措施实施等人为因素对植被覆盖度改善发挥重要作用。