OBIA与RF结合的龙口市土地利用信息提取方法

为提高中分辨率遥感影像解译精度,本文提出面向对象影像分析（Object Based Image Analysis,OBIA）与随机森林（Random Forest,RF）结合的土地利用信息提取方法。采用Landsat 8 OLI影像,针对不同地物特点,阈值分割和多尺度分割结合创建影像对象,规则集和分类器协同分类,基于Relief F算法分别对光谱特征、纹理特征及所有特征降维筛选特征子集,并与全部特征一起应用RF建模,对龙口市进行土地利用信息提取与比较。结果表明：OBIA与RF结合提取土地利用信息,基于Relief F算法筛选纹理特征,保留完整光谱、几何、空间关系特征构建RF模型,建模错分率为0.0958,分类总体精度和Kappa系数分别为89.37%和0.872,取得较理想结果。该方法可应用于中分辨率遥感影像土地利用信息提取。     

基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究

针对滨海陆地复杂地物环境下如何提高土地覆盖信息遥感提取精度的关键问题,基于最新发射的国产高分(高分辨率)1 号和资源3 号影像,采用面向对象分类法和最大似然法,开展杭州湾南岸滨海陆地土地覆盖信息的遥感提取。结果表明,相比最大似然法,面向对象法结合高分1 号既考虑对象的光谱、空间和纹理等多种属性特征,又充分利用高分影像所提供的丰富纹理和空间信息,对于土地类型多样、边界模糊等混合像元具有较好的识别能力,获得较高分类总精度(90.4%)和Kappa 系数(0.876 7);分割尺度对高分影像分类精度具有重要影响,高分1 号2 m和8 m最优分割尺度分别为63%和65%,资源3 号影像最优分割尺度为66%;高分1号比资源3 号更能体现在植被和水体等地物信息提取方面的优势。     

面向对象的海域使用专题信息遥感提取关键技术研究

利用遥感技术进行海域使用专题信息提取是开展区域用海项目动态监测的有效手段。本研究以SPOT-5高空间分辨率遥感影像为数据源,探讨了面向对象的海域使用专题信息遥感提取方法,从基于多特征的遥感图像多尺度分割、海域使用特征基元的多特征表达以及面向对象的海域使用支持向量机SVM(Support Vector Machine)分类三个方面,深入研究了面向对象的海域使用专题信息遥感提取关键技术与方法,结合所提出的海域使用两级分类体系,形成了利用高分遥感技术实现区域用海遥感监测的技术流程。在江苏如东沿海进行的实证分类研究表明,该技术流程能够取得理想的分类结果,可为开发业务化的海域使用遥感动态监测平台系统提供技术支撑。     

基于面向对象的北京市区城市内部用地信息提取

选取北京市四环以内为研究区域,以资源三号卫星遥感影像为数据源,针对类型多样、特征易混淆的城市内部用地以及高分辨率遥感影像海量信息、人工提取费时费力等特点,论文基于面向对象分类方法,探讨城市内部用地自动提取方法,并对分类结果进行精度评估.结果表明:利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割和隶属度函数法,构建合理的分类层次,不仅精确提取出研究区内水体、绿地、建设用地和待开发用地,更独具创新地区分了城市建设用地内部各种地物类型,包括工业生产用地、低密度和高密度生活用地以及交通用地.该方法有效地利用了资源3 号卫星影像的光谱、纹理及空间信息特征,总体精度可达到87.00%,Kappa系数达到0.853 9,取得较好的分类效果.     

基于改进光谱角法的红树林高分遥感分类方法研究

传统影像分类方法多利用影像端元光谱进行地物分类,影像的空间结构信息被忽视,本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法,并以山口红树林国家级自然保护区为研究区,利用GF-1号遥感影像数据,在光谱特征分析和地面调查的基础上,对红树林生态系统进行分类,并对分类精度进行分析。研究结果表明:改进的光谱角分类方法对GF-1影像分类效果较好,既兼顾地类光谱组成较复杂时的特殊性,又有效避免结果的破碎化现象,且总体精度达到95%（KAPPA系数0.944）,证明了其在红树林遥感影像分类及信息提取方面的应用潜力,为红树林生态系统业务化遥感监测奠定了基础。     

基于高分1号影像的森林植被信息提取

实时最新森林植被信息的提取是林业航空植保作业的必要前提。论文以安徽省蚌埠市为研究区域,探讨了基于高分1号卫星遥感数据在亚热带农林植被混合地区的森林植被信息提取。根据植被物候信息差异选择了提取森林植被信息的5个关键时期高分影像,采用分区决策树方法监测森林植被的空间分布和面积信息,并与未分区决策树法的提取结果进行比较。结果表明：采用分区决策树法和未分区决策树法对于大中尺度森林植被信息提取的总体精度均优于85%。但分区决策树森林植被提取总体精度达到90.72%,较未分区决策树法提高3.80%、4.65%,Kappa系数达到0.81,较未分区决策树法提高约0.07~0.10,结合植被物候信息的分区决策树森林植被提取法好于未分区决策树法,能够满足林业航空植保作业的精度需求。具有较高空间分辨率、宽覆盖、短重访周期的高分1号影像,对于大区域的林业航空植保当年最新森林植被信息的提取表现出较大的潜力。     

基于eCognition的本溪典型区域生态环境变化遥感分析

基于eCgnition软件平台,采用先进的面向对象分类技术,开展本溪典型区域生态环境变化遥感监测分析。利用面向对象的多尺度分割方法,充分结合影像中的光谱、纹理、几何性信息等各种对象特征,针对不同影像、不同地物目标的信息提取,实现区域生态环境变化遥感分析。     

基于面向对象的海岸带土地利用信息提取研究

针对海岸带复杂多样的土地利用信息,选取山东省乳山市海岸带为研究区域,运用 Landsat TM遥感影像数据,基于面向对象分类方法,利用不同地物的光谱、形状、纹理和空间关系等特征,通过多尺度分割、隶属度函数法和标准最邻近分类法提取研究区土地利用信息,并对分类结果进行精度评估。结果表明：①隶属度函数法和标准最邻近分类法结合,提取出乳山市海岸带12 种土地利用类型信息,很好地区分了盐田和养殖水面、林地和园地,可提取出主要的道路和河流等细长线状地物;②将提取结果与最大似然法对比,面向对象分类方法提取精度达到82.50%,Kappa系数为0.809 1,分别比最大似然法提高了11.44%和0.105 5,很好地避免“同物异谱”和“异物同谱”对分类精度造成的影响,有效地避免了“椒盐”现象。面向对象分类方法提取中分辨率遥感影像精度较高,为海岸带土地利用信息的快速、准确提取提供了有效的技术手段。     

基于TM的陆良县遥感影像分类方法实验研究

以Landsat TM遥感影像为数据源,以云南省陆良县为研究对象,利用ENVI4.8对陆良县的Landsat TM遥感影像进行图像预处理以及最佳波段组合,运用监督分类中的平行六面体分类、最小距离分类、马氏距离分类以及最大似然分类等四种分类方法,对地物信息进行提取,并对其分类精度进行评价。最后发现,波段146组合适合陆良县的地物提取。在分类方法中,最大似然法分类的总体精度及Kappa系数均高于其他三种分类。     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

基于无人机多光谱的沼泽植被识别方法

为了探究高分辨率无人机多光谱数据对沼泽植被群丛识别能力,在洪河国家级自然保护区的核心区、缓冲区和实验区分别建立典型样区,通过低空无人机搭载的RGB及多光谱相机获取研究区正射影像,构建多维数据集并确立4种分类方案.采用面向对象的随机森林（RF）算法,对输入的多维数据集进行变量选择和参数（mtry、ntree）调优,构建适合沼泽植被群丛尺度识别模型.结果表明：优化的面向对象的RF算法对沼泽湿地植被具有较高的识别能力,在95%的置信区间内,核心区方案四（结合了光谱波段、纹理特征、几何特征、位置特征、地表高程信息和植被指数）获得最高总体精度为87.12%,kappa系数为0.850,比方案二（结合了光谱波段、几何特征和位置特征）总体精度高12.27%,kappa系数高0.140;对于单一典型沼泽湿地植被识别精度中,芦苇获得最高的用户精度高于88%,生产者精度高于90%,小叶章的生产者精度高于85%,但是在核心区用户精度较低,仅为78%.该方法可以作为沼泽植被群丛识别的有效方法,为研究沼泽湿地生态环境变化提供更准确的数据支持.     

基于遥感时-空-谱特征及随机森林模型的土壤重金属空间分布预测

获取土壤重金属的含量特征及空间分布是预防土壤污染和制定环保政策的关键.选取济南市长清区为研究区,系统采集304处表层土壤样品（0~20 cm）,利用多源遥感数据构建土壤重金属的光谱特征、时间特征和空间特征;进一步采用相关分析法选择出与土壤重金属密切相关的时-空-谱特征,并将其作为输入自变量,实测土壤砷（As）含量值为因变量,建立基于随机森林（RF）算法的空间预测模型,完成土壤重金属的含量估算和空间分布预测.结果表明：①As含量均值超出背景值43.17％,低于农用地土壤污染风险规定的筛选值和管控值,表明As在土壤中出现富集,但处于可管控范围内.②在单个遥感特征构建的土壤重金属空间预测模型中,精度由高到低依次为：空间特征（RPIQ=3.87）>时间特征（RPIQ=2.57）>光谱特征（RPIQ=2.50）,空间特征对土壤重金属空间预测最为重要.③基于“时间-空间”、“时间-光谱”和“空间-光谱”组合特征的土壤重金属空间预测模型均优于单个特征构建的模型,其精度系数RPIQ值分别为4.81、4.21和4.70.④利用“时间-空间-光谱”特征组合输入的随机森林模型达到最佳的空间预测精度（R²=0.90;RMSE=0.77;RPIQ=5.68）.⑤As在空间分布上从西北到东南含量逐步降低,主要受到黄河冲淤积和工业活动影响.研究采用的遥感时-空-谱特征结合随机森林算法的土壤重金属空间预测技术,可为土壤污染防治及环境风险管控提供有效的方法支持.     

融合多源时空数据的地下水硫酸盐预测模型

准确预测地下水SO₄ ^2-空间变化趋势对改善地下水质量、提高区域地下水管理水平具有重要意义.以2011、2014、2017和2020年叶尔羌河流域平原区土地覆盖数据、土壤参数数据、数字高程数据等多源时空数据和地下水pH值为特征变量,分析其与地下水SO₄ ^2-浓度的相关性,利用贝叶斯优化算法优化随机森林回归,建立BOA-RFR模型,并基于BOA-RFR模型对特征变量进行重要性分析,对模型预测精度进行评价,最后生成地下水SO₄ ^2-预测图.结果表明,pH值、地面高程（GE）和贡献区荒地（BAR）面积占比作为影响地下水水化学组分的重要参数,与地下水SO₄ ^2-浓度均呈现极显著负相关,对地下水SO₄ ^2-浓度预测的重要度均大于25 %;地统计插值方法作为空间分布预测建模的辅助手段,加入辅助样本后的BOA-RFR模型,地下水SO₄ ^2-浓度预测的R²均大于0.96,且多辅助样本构建模型的RMSE和MAE最大值较少样本模型的最小值分别降低了4.7 %和23.8 %;在地下水SO₄ ^2-浓度预测中,高SO₄ ^2-地下水向叶尔羌河流域平原区东北部富集,且面积呈扩张趋势.     

基于机器学习方法的西安市数值模拟优化研究

为提高西安市ρ(PM_2.5)及ρ(O₃)预报准确率,更好地服务西安市预报预警工作,以CAMx模式预报结果为基础,结合中尺度WRF气象预报数据、ρ(PM_2.5)及ρ(O₃)观测数据,基于多元线性回归、岭回归、lasso回归、决策树、随机森林以及支持向量机6种机器学习优化模型,对西安市2019年PM_2.5及O₃模拟结果进行优化.结果表明:①CAMx模式对污染物的预报存在偏差,优化模型明显修正了CAMx模式的系统性偏差,提高了预报精度.②ρ(PM_2.5)及ρ(O₃)的均方根误差(RMSE)由174.00、37.11 μg/m3分别降至34.36~39.37、24.77~28.82 μg/m3,相关性系数(R)由0.63、0.78分别提至0.70~0.78、0.83~0.88.③不同模型对模拟值的订正优势不同,随机森林对PM_2.5优化效果显著,优化提高率为80%;支持向量机对O₃的优化效果最理想,优化提高率为36%;线性回归方法对O₃的优化效果较好,但对PM_2.5的优化效果相对较差.研究显示,机器学习模型显著优化了CAMx模拟结果,反映了利用机器学习修正空气质量数值模式预报结果的研究意义和可行性.      

四川省森林资源动态变化及其影响因素分析

四川省森林资源在长江上游生态屏障建设和长江经济带发展中具有举足轻重的地位,其动态变化特征及其影响因素对区域生态文明建设乃至全国生态安全格局具有重要的理论和现实意义.针对四川省近20 a森林资源动态变化,选取森林面积、人均森林面积、森林蓄积量、活立木蓄积量、人工造林面积5个森林资源指标,GDP、人均GDP、年末常住人口、城镇化率4个社会经济因素指标,以及年平均降水量、年平均相对湿度、年平均气温和森林火灾总面积等自然因素指标进行相关性分析.结果表明:四川省GDP、人均GDP、城镇化率和年平均气温都对森林资源变化起正向促进作用,具体表现为城镇化率>人均GDP>GDP>年平均相对湿度>年平均气温(P<0.05),而年平均相对湿度则对森林资源的增长起限制作用;四川省施行的政策在森林资源的变化中也起到很大引导作用.根据森林面积空间变化分析,2005—2010年四川盆地西北部和川南山地区主要以增加为主,西部横断山区森林面积增加和减少的量相当;2010—2015年森林面积发生变化的区域整体向东南方向转移,主要集中在四川盆地内部.四川省耕地和草地是林地面积增加主要的来源地类,耕地和灌木是林地面积消耗最主要的地类.     

基于机器学习方法的小麦镉富集因子预测

应用机器学习方法解析区域土壤-小麦系统镉(Cd)富集特征有助于风险决策的准确性和科学性.基于区域调查,构建了Freundlich-type转移方程、随机森林(RF)模型和神经网络(BPNN)模型对小麦Cd富集因子(BCF-Cd)进行预测,验证不同模型的预测精度并评估其不确定性.结果表明,RF(R²=0.583)和BPNN(R²=0.490)模型预测性能均优于Freundlich转移方程(R²=0.410).重复训练结果显示RF和BPNN平均绝对误差(MAE)和均方根误差(RMSE)较为接近,但RF(R²为0.527～0.601)较BPNN(R²为0.432～0.661)模型精度和稳定性更高.特征变量重要性分析显示多重因素的共同作用导致小麦BCF-Cd的异质性,其中土壤磷(P)和锌(Zn)是影响小麦BCF-Cd变化的关键变量.参数优化可进一步提高模型精度、稳定性和泛化能力.     

基于AVMD与DPC-FCM的旋转机械无监督故障诊断方法

目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition, AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。     

晋城市沁河流域秋季浮游植物群落结构特征及其与环境因子的关系

为了摸清晋城沁河流域浮游植物的空间分布及关键驱动因子,于2020年10~11月对山西省晋城市沁河和丹河的62个采样点的浮游植物及环境因子进行调查分析.鉴定出浮游植物7门47种,由隐藻门、绿藻门、甲藻门、金藻门、硅藻门、蓝藻门和裸藻门组成.沁河的优势种为小球藻、啮蚀隐藻、尖尾蓝隐藻、具星小环藻、绿球藻和绿色裸藻.丹河的优势种为啮蚀隐藻、史密斯胸隔藻、绿色裸藻、具星小环藻、小球藻和矩圆囊裸藻.Shannon-Wiener多样性指数（H''）的范围0.35~3.15,均值为1.40,Pielou均匀度（J）的范围是0.24~1.00,均值是0.68.丹河浮游植物多样性指数高于沁河,沁河晋城段中游和丹河晋城段中下游浮游植物均匀度指数最低.典范对应分析结果表明：河岸缓冲区林地面积比例是影响沁河绿藻门绿球藻分布的主要驱动因子,绿色裸藻的分布主要受硝态氮、总磷和河岸林地面积比例的影响,具星小环藻的分布主要受城镇建设用地的面积比例和温度的影响,小球藻、啮蚀隐藻和尖尾蓝隐藻主要分布受农村聚落用地和耕地面积比例的影响.丹河啮蚀隐藻和具星小环藻的分布主要受pH和硫酸盐影响,绿色裸藻主要受河岸城镇建设和草地面积影响,矩圆囊裸藻主要受林地面积比例和Cl^-影响最大,史密斯胸隔藻的分布主要受水温和耕地面积比例影响最大,小球藻主要受氨氮和耕地面积影响最大.     

基于RS和GIS的陕西省洛川县土地利用类型和植被覆盖变化特征

明确土地利用类型转变和植被覆盖度变化的范围、幅度和归因是评估生态工程环境效应的前提。然而,在黄土高原塬区县域尺度类似的研究鲜有报道。基于长时间序列NDVI数据和Landsat系列卫星数据,探究了黄土高原洛川县土地利用和植被覆盖度的变化状况。结果表明：退耕还林（草）工程实施以来,洛川县植被覆盖度从0.6（2000年）增至0.9（2020年）,耕地面积减少了481.8 km²,其中212.8 km²为坡度＜15°的适耕区转为苹果园,耕地改种苹果后植被覆盖度从0.5增至0.8。由于坡耕地还林草的面积在洛川县土地变化总面积中仅占1.5%,远小于其他地类改种苹果的面积（占20.0%）,因此,洛川县植被覆盖度的提升主要是政府大力推广苹果树种植的结果。本研究可为黄土高原经济林建设提供基础数据和科学参考。