排序方式: 共有3条查询结果,搜索用时 5 毫秒
1
1.
基于联合变化检测的耕地撂荒信息提取与驱动因素分析 总被引:1,自引:0,他引:1
撂荒地遥感提取方法主要为分类方法和变化检测方法。由于撂荒地覆被类型复杂,容易同草地、灌木混分,导致分类方法的提取精度不高。而变化检测方法易受非耕地变化因素干扰,且只能提取监测周期内的新增撂荒,无法提取监测周期之前的历史撂荒。此外,受遥感数据本身的制约,中低分数据受混合像元干扰而提取能力不足,高分遥感易受地形起伏、云层遮蔽、覆盖周期长等因素干扰而损失精度,因此,传统遥感方法提取撂荒地困难。本研究提出多源数据联合变化检测方法以提取撂荒地。利用多源数据的异质性和不同方法的互补性,针对不同类型的撂荒地制定不同的提取策略,并进行耦合分析以提取撂荒地。经实地调查验证,该方法提取总精度达到97. 6%。在此基础上,提取撂荒地的距离特征、高差特征、灌溉特征和邻域特征等自然地理指标,对其进行了显著性分析,判别了区域撂荒主导因素,为撂荒驱动力研究、定向提升撂荒地管理提供了依据。 相似文献
2.
基于多源数据的村域撂荒驱动力分析及模型模拟 总被引:2,自引:0,他引:2
耕地撂荒受多重驱动力影响,从多重驱动力中梳理出主要驱动力、次要驱动力或伪驱动力,对撂荒地的研究和管理有重大意义。本研究以内蒙古和林格尔县为研究区,采用高分遥感数据(哨兵二号、资源三号、高分一号)结合土地变更调查数据,利用联合变化检测方法提取撂荒地,提取结果的总体精度为97.6%。在此基础上,结合村干部的问卷调查数据,设计了可能影响区域撂荒的9个自变量。将70个样本村分为训练集(50个)和验证集(20个),用多元线性模型对训练集进行逐步回归,最终进入模型的4个自变量为常户比、地形、耕村比、城市距离。该模型的调整R方为0.811,验证集的预测值与真实值拟合效果良好,说明模型对村域撂荒驱动力的解释能力较强,输出结果较为稳定。模型模拟认为,村域撂荒主要驱动力为村庄地形、人口流失程度、农垦程度和城市距离;次要驱动力为地表水资源;伪驱动力为村庄海拔、乔木林覆盖率、人均收入和小农机普及率。本研究可为判别区域撂荒驱动力、定向提升撂荒地管理提供依据。 相似文献
3.
中国耕地生态管护呈现主体与政策双重碎片化倾向。一方面,国土、农业、环保、水利、林业、发改、财政等部委皆在耕地生态管护中发挥作用,"九龙治水"的格局明显;另一方面,耕地生态管护相关政策在理念和工具层面也存在着空白、重叠和冲突,未能形成合力。鉴于此,文中以整体性治理理论为基础,结合2018年国务院机构改革方案和相关部委"三定"规定,以协调与整合为手段,以破解碎片化困境为目标,提出优化中国耕地生态管护制度的实现路径。即,在管护体制层面,清晰决策者、参与者、监督者和协调者的职责,建立国家耕地生态信息平台,明确剩余治理权归属;在管护政策层面,建立耕地生态管护政策的三级协调与整合机制。 相似文献
1