基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演

植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明：随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元（试验区）、区域（研究区）尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关（P<0.01）;在单元、区域尺度上,构建的植被覆盖度反演模型测试集R²分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度（R²=0.78,大于0.63）,也为区域生态环境监测与生态系统健康评价提供支持。     

黑土区土壤有机质和全氮含量遥感反演研究

以东北典型黑土区耕地为研究区,以Sentinel-2A（全球环境与安全监测计划的第二颗卫星,于2015年6月23日发射）影像作为数据源,构建光谱指数,分别采用多元逐步线性回归（Multiple Stepwise Linear Regression, MSLR）和随机森林（Random Forest, RF）算法建立土壤有机质（SOM）和土壤全氮（STN）预测模型,并采用十折交叉验证方法评估模型的性能。研究对比分析了不同气候、土壤类型和地形下土壤有机质和全氮的空间分布差异。研究表明：① 海伦示范区的SOM和STN含量最高,其年均温最低,高程最高,年降水量多,SOM含量升高,其年均温最低,年降水量多,STN含量升高;② 与基于多元逐步线性回归算法建立的SOM和STN预测模型相比,随机森林算法建立的SOM和STN预测模型,有着更高的精度和稳定性;③ 运用RF算法建立的SOM反演模型的R²为0.96,均方根误差为5.49 g/kg,STN反演模型的R²为0.95,均方根误差为0.27 g/kg; ④ 不同示范区统一建立SOM和STN预测模型,有助于提高预测精度,实现跨区域建模与制图。     

三峡库区塌岸灾害易发性评价方法——以奉节—云阳段为例

塌岸灾害广泛分布于中国三峡库区。塌岸易发性评价对库区灾害防治具有重要意义。当前塌岸易发性评价的研究程度低,评价模型的适用性差,评价指标的选取依据不充分,并没有考虑波浪对库岸稳定性的影响。本研究以塌岸灾害广泛发育的三峡库区奉节段至云阳段为研究对象,考虑波浪和库岸形态对研究区塌岸发育的影响,提出江岸宽度、库岸形态、风速这三个指标,并基于研究区塌岸灾害发育和分布特征共选取8个影响因子,构建三峡库区塌岸灾害易发性评价指标体系;采用三种机器学习模型,实现三峡库区塌岸灾害易发性分区及检验、模型精度预测、评价结果的分区和实地验证。结果表明：(1)江岸宽度、岸坡形态和风速等影响因子权重靠前,对奉节段塌岸发育的贡献较大;(2)ANN模型、RF模型与SVM模型的较高-高易发区灾害点数量分别占总灾害点的53.1%、48.9%和39.3%。ANN模型与RF模型塌岸强度从低至高依次增大,分区结果较为合理,而SVM模型分区结果不太理想。(3)ANN模型、RF模型和SVM模型的AUC值分别为0.798、0.793、0.766,三种机器学习模型的预测精度较为可靠;(4)RF模型高易发性区域最符合实际地质条件,其易发性...     

基于机器学习模型的海河北系干旱预测研究

提高干旱预测精度能为流域干旱应对及风险防范提供可靠数据支撑,构建比选合适的干旱模型是当前研究的热点。研究以4个时间尺度（3、6、9、12月）标准化降水指数（SPI）为表征指标,利用小波神经网络（WNN）、支持向量回归（SVR）、随机森林（RF）三种机器学习算法分别构建了海河北系干旱预测模型,利用Kendall、K-S、MAE三种检验方法判定模型表现及其稳定性。研究表明：（1） WNN、SVR模型呈现结果在不同时间尺度SPI存在差异,WNN最适合12个月尺度SPI干旱预测;SVR最适合6个月尺度SPI干旱预测。（2） 对3、12个月尺度SPI,RF预测性能最优（Kendall>0.898,MAE<0.05）;对6、9个月尺度SPI,SVR预测性能最优（Kendall>0.95,MAE<0.04）。（3） 模型预测性能稳定性存在区别,RF预测稳定性最高,其次为SVR。（4） 构建的三种模型表现异同主要是因为SVR转为凸优化问题解决了WNN易陷入局部最优解的不足,从而提高了模型预测性能,RF集成多样化回归树,降低了弱学习器的负面影响,提高了模型预测准确率及稳定性,同时,RF处理包含噪声的降水数据的能力更强。     

基于WorldView-2卫星影像的红树物种种群识别方法研究

为了准确地识别红树林中的各种红树物种种群分布区,以广东湛江红树林国家级自然保护区核心区的高桥红树林区为研究区,采用决策树算法、随机森林算法、自适应提升算法、梯度提升决策树算法、极端梯度提升算法和轻量级梯度提升机算法,利用WorldView-2卫星的高分辨率影像数据,构建影像的原始光谱波段、原始光谱波段+植被指数、原始光谱波段+植被指数+纹理特征3种特征组合数据集,识别研究区红树林中的各种红树物种种群分布区,分析各种算法在红树物种识别中的适用性。研究结果表明,5种集成学习算法的分类结果都优于决策树算法,其中,轻量级梯度提升机算法分类结果的分类精度最高,基于WorldView-2影像的8个原始光谱波段+12种植被指数+28种纹理特征,轻量级梯度提升机算法分类结果的总体分类精度值为93.15%,其分配不一致性值为5.07%,数量不一致性值为1.78%;极端梯度提升算法和随机森林算法在红树物种识别中也具有良好的适用性。WorldView-2卫星影像是对红树林中各种红树物种进行遥感分类的理想数据源,其纹理特征能显著提高分类精度,轻量级梯度提升机算法在红树物种识别中具有很大的应用潜力。     

地貌分带下基于ICESat-2与GF-1的珊瑚礁水深遥感优化反演方法

研究以中国南海西沙群岛华光礁西部剖面为试验区,采用高分一号（GF-1）遥感影像及“冰、云和陆地高程2号”（ICESat-2）星载激光测高数据,基于珊瑚礁地貌分带建模优选策略构建了试验区25 m以浅水深遥感反演模型,并将模型外推应用至西沙群岛有实地调查水深数据的珊瑚礁剖面研究区。建模结果显示,礁坡和深潟湖地貌采用波段比值二项式回归模型,礁坪、浅潟湖和点礁地貌均采用多波段比值回归模型,可以使得地貌单元内基于GF-1影像的水深遥感反演达到最优效果。模型反演水深数据与实地调查水深数据相关系数为0.95;实地调查水深数据与ICESat-2深水区数据综合验证结果显示,模型均方根误差为1.34 m,平均绝对误差为1.08 m,平均相对误差为17.10%。研究表明,本文提出的基于地貌的主被动遥感水深反演模型显著改进了珊瑚礁区中分辨率遥感水深反演模型的精度,可为大范围珊瑚礁区高精度的水深反演提供方法支持。     

基于宽度学习模型的泥石流灾害预报

在泥石流灾害预报模型研究中,科学确定泥石流灾害影响因子及保证模型较高的预报准确率和快速的训练速度是关键问题,也是泥石流灾害预报预警和防灾减灾的重要基础。本研究针对目前泥石流预报模型输入数据维度较大和训练时间较长的问题,采用快速多个主成分并行提取算法(Fast multiple principle components extraction algorithm,FMPCE),选取出6个泥石流灾害影响因子,包括降雨量、山坡坡度、沟床比降、相对高差、土壤含水率和孔隙水压力。基于宽度学习(Broad learning,BL)算法,以泥石流影响因子为输入,泥石流发生概率为输出,构建了泥石流预报模型,并用矩阵随机近似奇异值分解(矩阵随机近似SVD)对模型进行了优化,将优化后宽度学习模型的预报结果与梯度下降法优化的BP神经网络预报模型(GD-BP)、基于支持向量机的预报模型(SVM)、宽度学习预报模型(BL)的结果进行对比,同时,通过输入数据集的扩展,从训练时间上对不同模型进行比较。结果表明,优化宽度学习泥石流灾害预报模型的预报准确率为93.52%,较GD-BP模型、SVM模型和BL模型的预报准确率分别高出1.60%、1.15%和0.03%;优化宽度学习泥石流灾害预报模型的训练时间为0.9039s,较GD-BP模型、SVM模型和BL模型的训练时间分别节省了25.3867 s、17.2620 s和0.8974 s。本研究说明宽度学习算法可以用于对泥石流灾害的发生概率进行预报,同时也可为泥石流预报的实际应用提供新的思路。     

基于机器学习模型的区域土壤重金属空间预测精度比较研究

为识别区域土壤重金属的空间变异特征并厘清其影响因素,本研究构建了多元线性回归（MLR）、弹性网络回归（ENR）、随机森林（RF）、随机梯度提升（SGB）、堆叠（stacking）集成模型、反向传播神经网络（BP-ANN）、基于模型平均的神经网络集成（avNNet）、线性核支持向量机（SVM-L）和高斯核支持向量机（SVM-R）共九种机器学习模型,利用山东省中部土壤重金属（Cd、Cu、Hg、Pb和Zn）和环境辅助变量数据,开展区域土壤重金属空间预测精度比较研究。结果表明：RF对五种重金属空间预测的决定系数（R²）介于0.263~0.448之间,平均绝对误差（MAE）和均方根误差（RMSE）分别小于8.408和10.636,预测值/实际值（P/O）均接近于1,对五种重金属的预测效果均较为理想,是研究区土壤重金属空间预测的最优模型;SVM-R整体预测性能仅次于RF,各项精度评价指标均相对稳健,可作为备选模型;其余七种模型的预测性能均明显低于RF和SVM-R。RF的空间预测结果显示,研究区五种重金属呈现出相似的空间分布格局,含量均由研究区东北部向西南部递减,包括东北部、北部和南部3个高值区,且高值区与当地工业–交通密集区的分布格局一致,反映出人类活动是研究区土壤重金属空间分异的主要影响因素。本研究可为区域土壤污染调查、评价和管控提供科学参考。     

基于高分辨率遥感影像的城市典型乔木树种分类研究

为探索高分辨率遥感影像对城市复杂环境优势乔木树种分类的有效性,采用面向对象分类方法,基于WorldView-2影像对首都师范大学及周边地区(CNU)、北京师范大学及周边地区(BNU)两个研究区进行优势乔木树种(泡桐、法国梧桐、杨树、国槐、银杏)分类。首先对WorldView-2影像进行分割,获得树冠区域及其49个属性特征,包括31个光谱属性和18个纹理属性;随后利用随机森林RF与支持向量机SVM两种分类算法对树冠区域进行分类。CNU研究区SVM与RF总体分类精度分别为86.5%、75.8%,Kappa系数为0.801、0.648;BNU研究区SVM与RF总体分类精度分别为66.9%、65.3%,Kappa系数为0.541、0.520。实验表明WorldView-2影像能有效实现城市非阴影区域优势乔木树种分类,但异质性较高、树种分布分散的区域分类精度低于异质性较小、树种分布密集的区域;WorldView-2影像的4个新增波段尤其是红边波段的派生属性在分类过程中所占权重值较高。     

海岸带浅海水深高光谱遥感反演方法研究

近红外波段(760~900 nm)反射率对水深最为敏感,通过波段比值方法可以提高与水深的相关性,而711nm处反射率一阶微分值与水深的相关系数高达-0.87。对于近岸混浊度高的样本,单波段和比值模型反演效果不好,平均相对误差均高于30%;而光谱微分模型的精度较好,平均相对误差为17%。研究结果证明:水体反射率的一阶微分可以有效地削弱水质变化给水深反演带来的误差。     

Application and comparison of two prediction models for groundwater levels: A case study in Western Jilin Province,China

Evaluation and prediction of groundwater levels through specific model(s) helps in forecasting of groundwater resources. Among the different robust tools available, the Integrated Time Series (ITS) and Back-Propagation Artificial Neural Network (BPANN) models are commonly used to empirically forecast hydrological variables. Here, we discuss the modeling process and accuracy of these two methods in assessing their relative advantages and disadvantages based on Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) and coefficient of efficiency (CE). The arid and semi-arid areas of western Jilin province of China were chosen as study area owing to the decline of groundwater levels during the past decade mainly due to overexploitation. The simulation results indicated that both ITS and BPANN are accurate in reproducing (fitting) the groundwater levels and the CE are 0.98 and 0.97, respectively. In the validation phase, the comparison of the prediction accuracy of the BPANN and ITS models indicated that the BPANN models is superior to the ITS in forecasting the groundwater levels time series in term of the RMSE, MAE and CE.     

基于XGBoost的多源降水数据融合方法研究

气象站点观测降水难以精确反映降水时空分布与变化,而雷达降水存在复杂地形区域精度不高等问题。为了最大限度发挥两者的优势,文章以广东省北部山区为研究区域,选择2018-08-26—30一次暴雨过程为研究对象,结合地形、与海岸线距离、植被指数、经纬度等地表辅助参量,分析地面站点降水与地表辅助参量、雷达降水的相关关系,利用XGBoost算法与克里金插值方法,构建地面-雷达日降水数据融合模型,得到了空间分辨率为1 km的日降水融合数据集。此外,采用多元线性回归（LM）与克里金插值方法,实现了地面-雷达日降水数据的融合,并利用地面降水数据分别对XGBoost与LM日降水融合性能进行精度验证。结果表明：1）地面降水与雷达降水存在显著的正相关,地面降水与地表辅助参量之间的相关性随时间变化;2）XGBoost预测精度整体上高于LM预测结果;经模型残差校正后,XGBoost融合模型的精度整体上优于LM融合模型,这是因为XGBoost方法在捕捉地面降水与地表辅助参量、雷达降水之间关系性能上优于LM方法。     

基于NDSI-Albedo特征空间的MODIS积雪丰度信息反演方法研究

积雪是新疆地区重要的水源补给,是冰冻和融雪洪水灾害的直接原因,也是水资源管理、气候变化、灾害防治和融雪模拟预报的主要参数。针对多种积雪信息提取方法的优缺点,提出运用特征空间方法,构建积雪丰度反演模型,并与支持向量机提取积雪丰度进行精度对比分析,NA模型方法的相关系数（R²）值比支持向量机方法高2.4百分点,而均方根误差（RMSE）提高了0.106。结果表明：利用归一化差分积雪指数（NDSI）和反照率（Albedo）建立二维特征空间反演积雪丰度的方法是可行的,并且提取精度优于支持向量机（SVM）方法。因此,该方法对水资源管理、气候变化以及洪水模拟预测等方面的研究具有一定参考意义。     

Self-Learning Random Forests Model for Mapping Groundwater Yield in Data-Scarce Areas

Globally, groundwater plays a major role in supplying drinking water for urban and rural population and is used for irrigation to grow crops and in many industrial processes. A novel self-learning random forest (SLRF) model is developed and validated for groundwater yield zonation within the Yeondong Province in South Korea. This study was conducted with an inventory data initially divided randomly into 70% for training and 30% for testing and 13 groundwater-conditioning factors. SLRF was optimized using Bayesian optimization method. We also compared our method to other machine learning methods including support vector machine (SVM), artificial neural networks (ANN), decision trees (DT), and voting ensemble models. Model validation was accomplished using several methods, including a confusion matrix, receiver operating characteristics, cross-validation, and McNemar’s test. Our proposed self-learning method improves random forest (RF) generalization performance by about 23%, with SLRF success rates of 0.76 and prediction rates of 0.83. In addition, the optimized SLRF performed better [according to a threefold cross-validated AUC (area under curve) of 0.75] than that using randomly initialized parameters (0.57). SLRF outperformed all of the other models for the testing dataset (RF, SVM, ANN, DT, and Voted ANN-RF) when the overall accuracy, prediction rate, and cross-validated AUC metrics were considered. The SLRF also estimated the contribution of individual groundwater conditioning factors and showed that the three most influential factors were geology (1.00), profile curvature (0.97), and TWI (0.95). Overall, SLRF effectively modeled groundwater potential, even within data-scarce regions.

     

若尔盖县弯曲河流精细提取研究

利用Google Earth Engine遥感大数据云平台,以若尔盖县的弯曲河流为研究对象,以空间分辨率为10 m的Sentinel-2多光谱卫星遥感影像为数据源,选用归一化差分水体指数(NDWI)、改进型归一化差分水体指数(MNDWI)和自动水体提取指数(AWEI)相组合的方式,建立支持向量机模型,进行弯曲河流信息的提取;利用归一化差分水体指数、改进型归一化差分水体指数和自动水体提取指数,提取出弯曲河流信息,并与支持向量机模型提取的结果进行了比较。研究结果表明,利用归一化差分水体指数提取的弯曲河流的整体性和连续性最优;利用改进型归一化差分水体指数提取的地势复杂区域细小河流的精度较高;利用支持向量机模型提取的弯曲河流更为准确,并消除了山体和植物阴影对弯曲河流提取的影响;与利用3种指数提取的结果相比,支持向量机模型提取的弯曲河流的总体精度和用户精度都相对最高。     

基于反射率和亮度温度的锡林郭勒积雪深度估算

积雪是我国西北干旱半干旱区重要的水资源，也是影响全球气候变化的重要因子之一。 目前光学影像反射率和雷达亮温数据是积雪遥感领域的主要数据，本文首次结合两类遥感数据估 算积雪深度，并比较偏最小二乘法和机器学习算法（人工神经网络、支持向量机和随机森林算法） 在积雪深度估算方面的表现。以锡林郭勒盟 2012—2015 年积雪深度数据为例，基于反射率和亮度 温度相结合的积雪深度估算精度优于单个数据源，且随机森林算法表现最好，均方根误差为 2.93 cm，满足实际应用的需求。研究结果对我国西北地区水资源分布、生态环境评估等研究具有重要 意义。     

基于GPS数据的MODIS近红外水汽线性回归模型

针对地基GPS反演水汽空间不连续以及MODIS近红外水汽产品精度不足的问题,利用2010年香港地区地基GPS水汽数据和MODIS近红外水汽数据,提出了一种基于地基GPS订正MODIS水汽产品继而得到高精度空间连续分布可降水汽的方法。通过比较3种干延迟模型,选取最适合香港地区的Hopfield模型并利用高精度软件GAMIT解算GPS水汽,建立GPS水汽与MODIS水汽之间的线性模型,以实现对MODIS近红外水汽产品的逐月订正。结果表明,经过订正的MODIS水汽产品在各月的MRE、RMSE、PBIAS均有所改善,该方法能够有效融合地基GPS和MODIS的优点,可以得到连续区域的高精度水汽数据,这对天气预报、气候监测等有重要意义。