基于高原湖泊的数据处理与空间可视化研究

近年来,随着工业化和城市化进程的加快,生态破坏、环境污染、湖泊品质恶化等一系列环境问题日趋严重,高原湖泊作为生态环境的重要指示剂,已逐渐成为研究的重点。空间可视化技术特有的交互性、多维性和可视化多样性的本质,更能直观形象地体现高原湖泊的变化。本文以阿雅克库木湖为研究区域,基于GIS平台,利用Landsat遥感影像数据(包括MSS、TM和ETM影像),运用改进的湖泊边界矢量化提取方法和GIS空间可视化技术,对高原湖泊的变化规律进行了研究。结果表明,历年的湖泊变化规律表现为湖泊的面积随着年份的增大而逐渐增大,某一年内的湖泊变化规律表现为减-增-减的规律,其中在2月份达到最低,在10月份达到最高,这对于保护高原湖泊和环境、预测未来环境等具有重要意义。     

基于遥感和机器学习的内陆水体水深反演技术

文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel_2多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明：1）RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。