基于网格搜索随机森林算法的工矿复垦区土地利用分类

为提高工矿复垦区遥感影像土地利用分类精度,为土地复垦监测工作提供数据支持,该文探讨了基于网格搜索(Grid-Search)的随机森林(random forest)复垦区土地利用分类方法。研究利用GF-1影像、DEM(digital elevation model)和野外调查等数据,以随机森林分类算法为框架,采用基于OOB(Out-of-Bag)误差的网格搜索法对算法进行参数寻优,结合影像光谱、地形、纹理、空间信息,计算选取了33个特征变量,构建了4种变量组合模型开展随机森林分类试验,4个组合模型的分类精度分别达到82.79%、84.91%、86.75%、88.16%。为去除33个特征变量中的冗余信息、降低影像波段变量维度、缩短分类执行时间并保证影像分类精度,试验分别利用变量重要性估计和Relief F方法进行特征选择后再次执行随机森林分类,将分类结果与不同组合模型、不同分类方法进行比较,结果表明:基于网格搜索参数寻优的随机森林算法在多特征变量的影像分类中可以达到88.16%的分类精度,在利用不同方法降维后依然可以将分类精度保持在85%以上,精度优于相同特征变量下的SVM(support vector machine)和MLC(maximum likelihood classification)分类方法;在效率方面,随机森林分类方法执行时间优于SVM,并且在处理多维特征变量时能力更强。由此可见,采用基于网格搜索的随机森林方法对工矿复垦区土地利用信息进行分类提取可以得到较高的精度,基于该方法开展遥感影像解译可为土地复垦监测工作提供技术支持和理论参考。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于特征优选随机森林算法的农耕区土地利用分类

为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。     

基于特征优选决策树模型的河套灌区土地利用分类

为了提高土地利用遥感识别精度,探索不同识别期及不同特征变量对土地利用类型遥感识别精度的影响。该研究采用Landsat时间序列影像数据,考虑不同月份和不同特征变量(波段、光谱指数及纹理特征)组合方式建立土地利用决策树分类模型,并利用河套灌区永济灌域实测数据和Google earth影像对不同组合方式的土地利用模型进行数量结构和空间布局的验证,筛选出最优的土地利用遥感模型并确定最佳识别期。结果表明:在不同月份Green(绿波段)和Ent(熵Entropy)分别与波段和纹理特征变量中的因子所含有的信息重复率最高,需剔除,归一化植被指数(Normalized Differential Vegetation Index, NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI)在今后的研究中可选其一应用;与单一特征变量相比,不同特征变量组合后能提高模型精度,平均总体精度和Kappa系数分别提高了6.72个百分点和0.09。采用8月影像数据构建的遥感模型精度最高,最优遥感模型的特征变量组合方式为波段+光谱指数+纹理特征,总体精度、Kappa系数、制图精度和用户精度分别为80.23%、0.74、80.95%和86.26%,且减少了未利用地和居民工况用地空间布局的错分。通过综合比较,该研究区土地利用最佳识别期为8月,其次为9月。利用8月最优遥感模型(最佳识别期和最优组合)识别的耕地、林地、草地、未利用地、水域和居民工矿用地的制图精度分别为96.83%、73.33%、70.00%、65.52%、100.00%和80.00%,用户精度分别为76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可选用8月最优模型应用于长时间序列的土地利用类型识别。     

基于多源数据的南方丘陵山地土地利用随机森林分类

针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以Sentinel-1、Sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用。同时结合随机森林算法和递归特征消除法进行特征变量优选和特征重要性排序,将随机森林特征优选后的分类结果与支持向量机算法(Support Vector Machine,SVM)和K近邻算法(K-Nearest Neighbor,KNN)作对比。结果表明:在未进行特征变量优选时,仅使用Sentinel-2A的光谱特征提取的东江源地表覆盖分类总体精度和Kappa系数最低,在以光谱特征、植被指数和水体指数作为基本方案时,加入红边特征、雷达特征和地形特征后均可以有效地提升各地物分类精度,其中地形特征的加入更有助于对东江源园地和耕地信息的提取。通过结合随机森林和递归特征消除算法进行特征优选,在保持分类精度最优的情况下将所有特征变量从21个降低到13个,并且总体精度达到0.937 2,Kappa系数达到0.923 4,分类精度优于相同特征下的支持向量机算法(SVM)和K近邻算法(KNN),对东江源土地利用信息提取效果最佳。该研究提出基于多源数据的随机森林方法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。     

耕地"非农化"遥感解译样本分类体系及应用

了解耕地"非农化"的时空格局及其演变过程，是合理制定土地利用政策的重要依据；卫星遥感具有大范围的时空监测能力，基于遥感影像进行耕地监测，极为高效。针对耕地"非农化"类型复杂多样、"非农化"遥感监测分类体系缺乏的问题，该研究提出了耕地"非农化"遥感解译样本分类体系，进而构建耕地"非农化"遥感解译样本库。针对样本采集效率低、质量差的问题，该研究提出了一种基于地理国情监测成果的快速样本采集方法，用于快速获取高精度、高可靠性的"非农化"遥感解译样本。为验证方法的可行性和有效性，选取湖北省范围作为研究区域，利用该研究所提出的耕地"非农化"样本体系和样本采集方法，采集了覆盖平原、丘陵、山地、高山等地形的9类样本，并形成了深度学习模型训练的样本库；选择EfficientNet深度学习网络提取湖北省耕地"非农业"空间分布。结果表明：1）基于地理国情监测成果的样本采集方法可以极大地利用地理国情监测数据空间、属性精度高的特点，快速、精确定位变化样本。2）依据分类体系采集的样本用于模型优化后，样本数量超过5 000时，模型精度有明显提高。在验证区域，采用目视解译和外业核查点的方式进行精度验证，其正检率分别为67.0%和76.5%，召回率分别为77.9%和76.5%。3）利用样本体系训练构建的网络模型相较于全要素样本训练模型，精度有显著提高，5个核查区正检率均提高20个百分点以上。因此，该研究提出的方法可以提高耕地"非农化"遥感监测的效率和精度，可适用于区域尺度的耕地遥感季度监测。     

基于GF-2数据结合多纹理特征的塑料大棚识别

塑料大棚在全球范围的大量使用带来经济效益,同时也引发了很多环境问题,及时准确的塑料大棚空间分布信息是农业生产和土壤治理决策的重要依据。塑料大棚的使用改变了土壤表面的光谱特性和空间结构,塑料薄膜材质的特殊性,使其反射光谱具有强烈的方向性和不确定性,因而仅依靠地物反射光谱特征难以准确识别塑料大棚。本文以GF-2影像作为单一数据源,针对塑料大棚特有的空间分布细节信息,分析不同纹理提取算法对塑料大棚识别的适用性。结果表明:1)纹理能有效提高基于遥感影像的塑料大棚识别精度;2)使用单一纹理算法识别不同空间分布结构塑料大棚的分类方案中,采用LBP (local binary pattern)纹理算法的塑料大棚识别精度均优于GLCM (gray-level co-occurrence matrix)、PSI (pixel shape index)纹理算法,其中研究区A基于LBP纹理特征的塑料大棚识别总体精度为96.85%,Kappa系数为0.95,研究区B的总体识别精度为95.58%,Kappa系数为0.94;3)本文使用3种不同的纹理特征组合分类方案,均能提高塑料大棚的识别精度,但不同纹理特征组合算法运用到空间结构差异较大的2个区域时表现不同。加入GLCM的纹理特征组合能提高分布范围较大且聚集度高的塑料大棚识别精度(研究区A塑料大棚斑块平均面积为3.39 hm2,聚集度指数为80.64),对于塑料大棚使用面积小且分布破碎的区域识别精度提升效果不明显(研究区B塑料大棚斑块平均面积为1.37hm2,聚集度指数为72.98)。本试验结果中研究区A的地物光谱特征、NDVI和3种纹理特征组合的大棚识别精度最高,总体识别精度和Kappa系数分别达到了98.13%和0.97,研究区B的地物光谱特征、NDVI、PSI和LBP纹理特征组合识别精度最高(总体精度为96.13%,Kappa系数为0.95)。基于影像对象的多纹理特征能够实现塑料大棚的精细识别,该方法对塑料大棚空间分布精确制图具有重要意义。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

基于高分影像特征优选的黄土高原撂荒耕地遥感监测方法

快速、准确地监测撂荒耕地对研究土地利用变化、保障国家粮食安全和制定农业政策有着重要意义,黄土高原地区复杂地貌和耕地破碎性对监测撂荒耕地颇具挑战性。该研究以国产高分卫星遥感影像为主要数据源,使用耦合遗传算法的离散二进制粒子群算法改进最佳指数因子法优选分类特征因子,采用随机森林分类和分类后变化检测方法,获得试验区2011—2022年撂荒耕地时空分布信息,通过影像目视判读和实地调查相结合的方式进行结果验证和精度评价,结果表明：1）经重要性评估发现NDVI平均精度减少（mean decrease accuracy,MDA）得分最高,经改进的优选特征方法优选特征为：绿波段、红波段、近红外波段、蓝绿波段比值指数、坡度、NDVI、方差、对比度,特征优选有效提高了高分影像的土地利用分类精度和效率;2）国产高分卫星数据可实现地块尺度撂荒耕地的精准识别,经验证,撂荒耕地识别总体精度达到92.48%;3）2011—2022年间研究区撂荒耕地总面积为5492.51 hm²,2011—2014年撂荒率最大,达21.09%,2020—2022年撂荒率最小,为0.99%。该研究构建了黄土高原地区地块尺度撂荒耕地遥感监测的方法,并进行验证和评价,对推动撂荒耕地相关研究和国产高分卫星数据的实践应用具有积极意义。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle,UAV）航拍 "红-绿-蓝"（Red-Green-Blue,RGB）彩色影像提取作物种植信息的方法,该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity,HSI）色彩特征和纹理特征等3种特征,通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）、决策树（Decision Tree,DT）和随机森林（Random Forest,RF）共5种监督分类算法及不同特征组合的分类效果,以实现玉米种植信息的高精度提取。结果表明,使用单一种类特征或使用全部3种特征均不能获得最优的分类精度;将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%;在所有特征组合中,HSI色彩特征和纹理特征组合为最优选择,基于该特征空间的RF算法获得了最高的分类精度,总精度为86.2%,Kappa系数为0.793;基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外）,但所保留的特征因子可给出符合实际背景和意义的解释,并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

基于GF-6卫星影像多特征优选的酿酒葡萄精准识别

多源遥感信息和特征优选是提高农作物识别精度的重要支撑,高分六号（GF-6）卫星作为首次引入红边波段的国产卫星,其丰富的光谱信息为作物识别提供了新的思路和解决途径。该研究基于宁夏回族自治区银川市永宁县2018年6月-2019年3月的GF-6数据,充分利用红边优势提取光谱特征、纹理特征和植被指数特征,构建多种特征组合方案,并根据随机森林算法对特征重要性进行度量,选取最优特征组合对酿酒葡萄进行精准识别。结果表明,与单一特征相比,多源遥感特征的增加显著改善了酿酒葡萄分类效果,其中,植被指数贡献程度最大,光谱特征次之;基于随机森林的优选特征组合分类效果最佳,其中,总体分类精度为94.15%,酿酒葡萄用户精度为94.23%,制图精度为92.59%;以实地调查的4个酒庄为验证区,将酿酒葡萄提取结果与统计数据进行对比,面积相对精度均在70%以上,其中优选特征结果相对精度在90%以上,研究结果将为国产卫星红边波段在植被分类和识别方面的应用提供数据参考。     

基于高分六号卫星红边波段的森林蓄积量遥感反演——以西宁市针叶林为例

红光波段和近红外波段常被作为森林蓄积量反演的敏感波段,介于两者之间的红边波段往往被忽略,为了明确红边波段对森林蓄积量的遥感反演精度的影响,本研究基于高分六号卫星宽幅影像（GF6-WFV）,结合西宁市2014年森林资源二类调查数据,从光谱特征、植被指数、地形因子、影像纹理等4个方面选取蓄积量反演的自变量,采用多元线性回归（MLR）、随机森林（RF）模型,分析比较了有无红边波段对西宁市针叶林蓄积量遥感反演精度的影响。结果表明：（1）无红边波段（No Red-Edge）和加入红边波段（Red-Edge Added）两组处理的纹理特征变量降维后,其主成分信息主要解释了红外、近红外以及红边1波段的纹理特征。（2）与蓄积量相关的光谱特征变量：No Red-Edge处理主要包括红边波段和近红外波段的地表反射率,Red-Edge Added处理主要为红边1波段的地表反射率;植被指数变量：No Red-Edge处理主要包括NDVI和SAVI,Red-Edge Added处理为MTCI。（3）加入红边波段后,RF模型的R²优于MLR模型,分别为0.6719和0.5487,RF模型的均方根误差（RMSE）小于MLR模型,分别为26.3m³hm⁻²和20.8m³hm⁻²。（4）去除模型对反演精度的影响后,相对于No Red-Edge,Red-Edge Added处理的反演结果与观测值拟合的R2提高了11.6%,RMSE降低了9.1%。说明加入红边波段可显著提高西宁市针叶林蓄积量的反演精度,研究结果可为森林蓄积量的遥感反演提供科学依据。     

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一,对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性,该研究收集新疆艾比湖湿地78个典型样点,其中选取54个样本作为训练集,24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument,MSI）、数字高程模型（Digital Elevation Model,DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数）,经过极端梯度提升（Extreme Gradient Boosting,XGBoost）算法筛选有效特征变量,构建了关于土壤电导率（Electrical Conductivity,EC）的随机森林（Random Forest,RF）、极限学习机（Extra Learning Machine,ELM）和偏最小二乘回归（Partial Least Squares Regression,PLSR）预测模型,并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化;红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合,3类指数组合的建模取得了较为理想的预测精度,其中RF模型表现最优（验证集R2=0.83,RMSE=4.81 dS/m,RPD=3.11）;在整个研究区内,中部和东部地区土壤盐渍化程度尤为严重。因此,XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。     

倒伏水稻特征分析及其多光谱遥感提取方法研究

倒伏水稻的识别对灾后农业生产管理、灾害保险、补贴等工作有重要意义。为应用高分辨率遥感影像准确提取倒伏水稻面积,本文利用2019年9月27日获取的哨兵2号多光谱遥感影像,研究黑龙江省同江市倒伏水稻的光谱、纹理特征,并基于光谱与纹理特征建立倒伏水稻的遥感提取模型。研究结果表明水稻倒伏后可见光-近红外-短波红外等8个波段的反射率均升高,其中短波红外、红光和红边1等3个波段的反射率上升大于0.06。倒伏水稻的典型植被指数中,归一化植被指数、比值植被指数、增强植被指数和红边位置指数均降低,但差值植被指数升高。倒伏与正常水稻在红光、红边1和短波红外等3个波段的均值纹理数值差距明显,红光波段的纹理均值差异最大。利用归一化植被指数、地表水分指数、比值植被指数和差值植被指数以及红光波段的纹理均值构建决策树分类模型,监测结果表明农场内倒伏水稻分布较散,其西部和南部水稻受灾面积较大,北部受灾面积较小,中部偏北和东部基本未倒伏。将本文模型所提取的结果与实测面积对比,正常与倒伏水稻的面积识别误差分别为3.33%和2.23%。利用随机验证样本与模型验证结果进行混淆矩阵分析,倒伏水稻的用户精度和制图精度均为92.0%,Kappa系数为0.93。该方法能够适用于大区域倒伏水稻提取,可为高分辨率多光谱遥感数据调查水稻倒伏面积提供相关依据。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

基于土地利用/覆盖的干旱绿洲区植被覆盖度变化--以新疆生产建设兵团第八师为例

为了探讨西北干旱绿洲区土地利用/覆盖类型景观格局特征,以及不同土地利用/覆盖类型植被覆盖度变化,本文以干旱典型绿洲区新疆生产建设兵团第八师为研究区,选取2000年、2005年的Landsat TM和2010年环境一号星CCD遥感影像数据,采用室内解译与野外核查相结合,运用RS和GIS技术分析了该区域的土地利用/覆盖和景观格局变化特征,并基于土地利用/覆盖类型选取3年的MODIS数据进行了植被覆盖度变化分析。结果表明:1)该研究区主要以耕地、草地和灌丛为主,占总面积的88.9%。在自然因素和人为因素的综合作用下,干旱绿洲区土地利用/覆盖类型发生明显变化,草地和灌丛呈减少趋势,面积分别由2000年的2 603.2 km2和1 166.2 km2减少至2010年的1 677.3 km2和933.8 km2;耕地和城镇逐步增加,面积分别由2000年的2 892.8 km2和209.2 km2增加至2010年的4 038.3 km2和259.1 km2;耕地主要由草地和灌丛转化而来,城镇主要由耕地转化而来,土地利用变化整体处于不平衡发展趋势。2)研究区景观特征趋于简单,土地利用变化改变了该区域景观格局,景观多样性、均匀度减少,优势度明显增大,破碎化程度降低,生物多样性也呈向单一方向转变的趋势。3)受气候等主要因素的影响,2000—2010年植被覆盖度呈先降低后逐步升高的趋势,不同土地利用/覆盖类型植被覆盖度表现为林地耕地草地灌丛荒漠,林地、灌丛、草地和耕地植被覆盖度分别增加6.7%、38.2%、15.6%和12.3%;较高和高等级植被覆盖面积增加,中、较低和低等级植被覆盖度面积减少。4)温度一定的条件下,降雨量是影响干旱绿洲区植被覆盖变化的关键因素。该研究结果可为新疆生产建设兵团生态环境保护管理以及合理规划生产模式提供科学的参考依据。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。