基于遥感影像与逻辑回归模型的延河流域沟壑分布概率预测

为研究黄土高原沟壑地貌空间分布特征,开展了基于遥感影像和机器学习的沟壑地貌提取,研究了延河流域沟壑地貌空间分布及其环境控制因子。以Google Earth Pro平台为支撑,在人工提取大量沟壑地貌样本的基础上,基于Landsat8 OLI影像波段信息,采用主成分分析前3个变量、缨帽变换前3个变量、NDVI、高程、坡度和坡向10个因子,使用逻辑回归模型预测整个延河流域的沟壑概率分布。结果表明:(1)在10个变量因子中,因子Brightness的R²_McF为0.158,重要性最大,因子elevation的R²_McF为3.6×10^-5,重要性最小;(2)最优逻辑回归模型由组合因子Brightness,PCA₁,Greenness,Wetness,PCA₃和slope确定,其重要性R²_McF为0.206;(3)最优逻辑回归模型的沟壑概率预测精度为73.72%,ROC曲线下面积即AUC值为0.80;(4)延河流域沟壑地貌约占整个延河流域面积的52.05%。研究表明,延河流域沟壑分布呈现从西北方向到东南方向逐渐集中的特点。     

基于机器学习的沟谷地貌识别模型对比——以黄土高原典型流域为例

探索沟谷地貌空间分布与环境控制特征之间的联系并构建沟谷地貌准确提取模型,对大尺度范围沟谷提取具有重要意义。基于人工提取黄土高原典型流域沟谷地貌样本,结合不同时期的Landsat8 OLI影像数据和DEM数据,建立随机森林模型确定黄土高原沟谷地貌提取最佳影像时期和最佳组合特征,基于最优模型参数,对比其与支持向量机和人工神经网络沟谷提取模型效果,验证模型泛化能力。结果表明:(1)黄土高原沟谷提取的最佳影像时期为12月,最佳组合特征集为Red、Blue、H、SWIR1、PNT、Coastal、GLCM4和NIR;(2)3种方法提取测试区域的沟谷空间分布一致,从定性和定量角度进行比较,随机森林模型提取效果最好,验证样区平均总体精度为80.48％,相较于支持向量机模型和人工神经网络模型分别提高4.00和8.63个百分比;(3)测试区域中,沟谷地貌面积约占总面积的56.91％,且呈现西北至东南方向逐渐集中的特点。研究表明随机森林模型在黄土高原地区高精度沟谷地貌识别研究中综合表现最佳,可大范围推广。