基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究

土壤湿度是地表水热交换过程和水文循环中的一个关键组成部分,获取高时空分辨率的土壤湿度数据一直是当前研究的热点。SMAP（Soil Moisture Passive and Active）主被动微波土壤湿度产品的精度高,但存在着空间分辨率低和时间分辨率缺失的问题,这限制了其在区域尺度上的应用,为解决这一问题得到更高时空分辨率的土壤湿度产品,本文利用广义回归神经网络模型（GRNN）模拟了MODIS地表温度、反射率、植被指数光学/热红外遥感数据以及高程、坡度、坡向、经纬度数据与SMAP土壤湿度的关系,从而将京津冀地区SMAP L2土壤湿度产品的时间分辨率由不连续（4~20 d）提升至1 d,空间分辨率由3 km提升至1 km,并扩展其在京津冀地区的空间覆盖范围。研究发现:① GRNN模型总体验证结果表明土壤湿度估算值与SMAP原始值的相关性较高（r=0.7392）,均方根误差（RMSE）为0.0757 cm3/cm3;② 不同季节典型日期的GRNN模型估算结果精度相差较大,春季处的相关性相比其他季节最低,精度相对较高（r_春=0.6152,RMSE_春=0.0653cm3/cm3）,秋季和夏季土壤湿度估算精度较为接近（r_夏=0.6957,r_秋=0.7053,RMSE_夏=0.0754cm3/cm3,RMSE_秋=0.0694cm3/cm3）,冬季的估算精度最高（r_冬=0.8214,RMSE_冬=0.0367cm3/cm3）;③ 2016年京津冀夏秋季节的土壤湿度较其他季节要显著提高,空间分布上坝上高原区域较低,而沿海地区的土壤湿度明显较高。本研究对京津冀地区的生态水文、气候预测以及干旱监测等应用领域具有重要价值。     

基于多特征指标和层次聚类分析的河源区范围自动划分方法研究

河源区边界是重要的国家基础地理信息之一,但除长江、黄河等大江大河外的我国大部分其他中小流域仍缺乏确切的河源区边界信息,需要科学划定河源区边界以支持流域水生态保护相关政策的规划与实施。对此,本文在确立河源区划分原则、明确划分依据的基础上,提出了基于多特征指标和层次聚类分析法的河源区边界划定方法。以沁河流域为研究案例,首先利用均值变点分析法计算沁河流域子流域提取的最佳汇流累积量分位数阈值为0.15%,再基于子流域的多特征指标运用层次聚类分析法最终确定河源区范围边界,并将该方法应用于长江、黄河流域进行验证分析。结果表明：① 基于多特征指标和层次聚类分析提取的沁河流域河源区范围处于河底比降法、水文站点方法得到的源区范围面积之间;② 该方法在长江、黄河流域河源区划分结果的交并比分别达到85.40%和79.99%,侧面验证了本文方法进行河源区边界划分的合理性与适用性。基于多特征指标和层次聚类分析的河源区边界自动划分方法可以简捷高效地识别缺乏明确河源区边界信息的流域河源区范围,为我国河源区生态安全屏障识别、水资源保护相关政策的规划和实施提供科学支撑。     

基于随机森林算法和知识规则的国际湿地城市精细湿地分类——以常德市为例

获取精细湿地资源信息对国际湿地城市湿地修复保护、管理利用以及区域可持续发展至关重要，目前面向国际湿地城市的湿地精细分类研究较为缺乏，尤其是针对湿地中水体的详细类别划分较少。本研究以全球典型国际湿地城市常德市为案例研究区，基于Google Earth Engine (GEE)云计算平台和2020年Sentinel-1/2时序遥感影像以及地形数据，首先采用最小冗余最大相关算法和递归梯度提升树算法进行湿地分类特征集优选，进而构建集成基于像元的随机森林和面向对象的知识规则决策模型的城市湿地精细分类智能模型，以实现常德市湿地资源精细分类。结果表明：(1)湿地分类特征优选前后特征数由63减少为16，总体精度下降0.9%，其中旱期的水体指数、植被频率和建成区指数的特征重要性较大，特征优选可以减少特征数据信息冗余、提高分类效率；(2)常德市湿地精细分类结果包括河流、湖泊、水库、养殖池/坑塘、运河/水渠、泥滩地、草滩地和芦苇湿地8种湿地类型，总体精度达91.53%,Kappa系数为0.89，可以满足国际湿地城市精细湿地分类的需求；(3)常德市湿地主要分布在东部西洞庭湖平原区域，呈现出东多西少的空间格局。...     

全球10 m土地覆盖数据在中国首批国际湿地城市的评价与融合

高精度的土地覆盖数据是生态系统监测评估与区域可持续发展的重要研究基础，然而目前较少有研究对较高分辨率土地覆盖数据(10 m)在城市尺度的区域上进行研究。随着国际湿地城市的建立，也需要高质量高精度的土地覆盖数据为相关研究提供信息。本文以中国首批国际湿地城市为研究区，对3套全球10 m土地覆盖数据DW (Dynamic World)、ESA (ESA WorldCover)、ESRI (Esri Land Cover))选择2020年和2021年进行空间一致性分析和精度评价，最后提出基于空间一致性分析与精度评价的融合方法，基于空间一致性分析结果和精度评价结果进行土地覆盖数据集融合以重建生产一套新数据。结果表明：(1)任何两个数据集之间，水体、林地、耕地、建设用地这些类型一致度比较高，而湿地、草地和裸地混淆度比较高。(2) ESRI与DW的空间一致性程度最高，全部一致区域占比最高(60%以上)，全部不一致区域占比最低(6%以下)且多分布在沿海沿江，湿地广布的区域，这些区域异质性强，土地覆盖类型复杂。(3) ESA的总体精度最高，DW和ESRI的总体精度较为接近；ESA的湿地类型的精度和分类细...