基于卫星测高数据的2002～2018年太湖水位变化监测

针对传统水位监测方法的弊端以及太湖水位变化监测的现实需求,基于Envisat和Cryosat-2测高数据,采用Morlet小波分析、Mann-Kendall检验法研究2002年6月~2018年12月近20a的水位以及周期变化,并应用实测数据进行精度验证,从气象因素和人为影响两方面分析其不同时间尺度的变化趋势以及原因.结果表明： Evnisat/RA2L2GDR数据和Cryosat-2/SIRAL L2GDR数据测量精度较高,与实测水位的季、年尺度相关系数分别为0.559和0.845,可以进行长时间序列水位变化的监测; 多年来太湖平均水位1.379m,最高水位为2016年6月的2.252m,最低水位为2011年10月的0.832m,每年1~4月水位逐渐上涨,在6月前后达到峰值,此后开始下降,在年末出现轻微抬升,且太湖春季水位最高,夏季最低,极差0.041m;在太湖近20a的水位变化中存在10~20个月、15~30个月以及40~60个月3类尺度的周期变化规律,且40~60个月时间尺度的周期变化最为强烈;以2015年4月份为分界点,在此之前水位呈显著下降趋势,此后水位呈上升趋势,并且在2003年3月与2004年12月水位发生显著突变;21世纪前10a太湖水位主要受控于气象因素,此后人为干预的影响逐渐加剧,使其与自然状态呈现出不一样的规律.     

一种基于集成学习的城市新增建设用地快速提取方法

城市新增建设用地是热岛效应调控、大气污染和扬尘管控、生态服务变化的重要指示信息。为准确提取新增建设用地,提出一种运用多时相Sentinel遥感数据和集成学习算法的城市新增建设用地快速提取方法。基于多时相Sentinel-1和Sentinel-2遥感影像提取光谱特征、纹理特征和后向散射特征,进行面向对象分割、全域均值滤波和归一化后得到组合特征集,运用随机森林、旋转森林、支持向量机和极限学习机多分类器集成学习进行分类来提取新增建设用地。提取了南京市2017年4月至10月间的新增建设用地并统计了各行政区分布的面积,提取整体精度达0. 95,Kappa系数达0. 88。相比与基于像素方法,面向对象技术可有效降低"椒盐现象",提高斑块完整性;与分类后提取方法比较,直接变化提取方法可减少误差产生环节及误差累积,从而降低系统误差,提高提取精度。