湿地“淹埋深-历时-频率”阈值研究的理论和方法

针对"淹埋深-历时-频率"(S, D, F)阈值研究存在的问题,根据土壤学、植物生态学、系统论、地理系统学说以及反演理论等的相关原理,系统分析了湿地(S, D, F)阈值确定的理论和方法。结果表明:在正常情况下,水饱和至地表的最大地下水埋深、湿地植物主要根系分布层下限和沉水植物分布下界淹水深分别是湿地土壤上界、湿地植被上界和湿地下界的S阈值;D阈值只能通过湿地土壤或湿地植被边界界定在水位过程线上反演,稳定湿地边界的D阈值应取与50%频率值对应的D值或D值的多年平均值,波动湿地边界的D阈值是常数;"非正常情况下"湿地的D阈值应参照湿地水文地貌分类的同一区域子类中"正常情况下"的湿地的D阈值;检验D阈值科学性的标准是利用D阈值确定的湿地水文边界必须与湿地土壤边界或湿地植被边界耦合。     

形成湿地的“淹埋深-历时-频率”阈值研究进展

湿地水文是形成湿地的发生学因素,“淹埋深-历时-频率”(S, D, F)是表征湿地水文的特征指标。为了推进(S, D, F)阈值研究理论和方法的发展,总结了(S, D, F)阈值研究的一致结论:S阈值确定的原则是水饱和至地表;D阈值确定的原则是从水饱和开始到厌氧环境形成的时滞;F阈值应取≥50%。通过对这些一致结论的分析后认为:D阈值确定的原则存在着科学性问题;目前(S, D, F)阈值研究理论针对正常情况下湿地类型,不适合非正常情况下的湿地类型。为了科学地解决(S, D, F)阈值问题,必须构建新的(S, D, F)阈值确定的理论和方法,包括正常情况下和非正常情况(S, D, F)阈值确定的理论和方法以及(S, D, F)阈值科学性检验的理论和方法。     

基于PS-InSAR和SBAS技术监测南京市地面沉降

利用覆盖南京地区的23幅Sentinel-1A影像,分别采用PS-InSAR技术和SBAS技术进行数据处理,获得了两组研究区域的地表沉降信息,并对两组结果进行交叉验证分析。结果表明,两种方法获取的结果无论是在沉降范围还是在形变量级上,都具有高度的一致性;研究区域在2015-04～2017-01期间存在地面沉降问题,且最大的沉降速率达到-30 mm/a。     

基于多频率极化SAR影像的洪河国家级自然保护区植被信息提取

植被是湿地生态系统健康状况的"晴雨表",明晰湿地中植被的时空分布,是湿地修复与重建、保护与合理利用的前提和基础。以洪河国家级保护区为研究区,利用全极化C-band Radarsat-2和L-band PALSAR数据,根据极化合成孔径雷达(synthetic aperture radar,SAR)目标分解理论,提取了该保护区不同波长的极化分解参数和特征参量,整合为多源极化SAR数据集,利用多尺度迭代分割算法和Random Forest机器学习算法,构建了研究区中植被的遥感识别模型,实现了对研究区中植被的高精度分类,并对比分析了不同频率SAR数据集在植被识别精度上的差异。研究结果表明,利用整合PALSAR和Radarsat-2极化数据集,获取的植被遥感分类结果的总体分类精度为86.77%,比利用PALSAR极化数据集的分类结果精度提高了15%,但是其与利用Radarsat-2极化数据集的分类结果精度差异不显著;浅水草本沼泽的生产精度达到了90.91%,深水草本沼泽的用户精度为90.63%;C-band PALSAR数据比L-band PALSAR数据更适用于高精度识别洪河国家级自然保护区中的植被。     

多平台融合的测绘类专业学生创新能力培养

本文以“科技创新”“社会实践”“科技竞赛”三大平台为出发点和落脚点,以测绘类专业学生创新能力培养为目的,通过具体分析多平台构建对测绘类专业学生创新能力提升的实现路径,挖掘多平台协同育人机制,拓展多平台融合对测绘类专业学生创新能力培养的效用,探索适合测绘类专业学生创新能力培养的模式,以期对国内其他地方高校测绘类专业学生创新能力培养提供经验借鉴。     

基于无人机影像和面向对象随机森林算法的岩溶湿地植被识别方法研究

目前对岩溶湿地的重视程度远低于其他湿地类型,缺乏利用遥感技术进行岩溶湿地植被高精度识别的研究,但岩溶湿地同其他湿地类型一样,湿地面积退化严重,亟待需要解决。因此,本文选取受人类活动影响较大、湿地退化较为严重的广西桂林会仙喀斯特国家湿地公园的部分核心区域作为研究区,以DJI大疆御Mavic Pro无人机航摄影像为数据源,利用泛化能力强、分类精度高的面向对象随机森林算法实现了会仙岩溶湿地植被的高精度分类,探究无人机可见光影像和面向对象随机森林算法在岩溶湿地植被识别中的适用性,为无人机遥感技术应用于岩溶湿地的研究和保护提供技术参考。首先,在eCognition Developer9.0中利用多尺度迭代分割算法对影像图层进行分割;然后,基于以往在进行面向对象分类研究的经验来指导我们进行特征选择,充分考虑了影像的光谱和纹理特征、植被指数、无人机遥感数据派生的研究区数字地表模型（DSM）和几何特征;最后,在RStudio中实现了随机森林算法参数的调优、模型的构建以及分类。结果显示,面向对象随机森林算法对会仙湿地植被具有较高的识别能力,在95%置信区间内总体精度为86.75%,Kappa系数为0.83。在单一典型岩溶湿地植被识别精度中,狗牙根-白茅-水龙植被群丛的用户精度在90%以上,生产者精度高于80%,竹子-马甲子-桂花生产者精度高于80%,但是用户精度较低,仅为70.59%。     

基于多源遥感的沼泽湿地水文边界界定方法研究

湿地边界的界定研究是湿地科学的基础研究.湿地水文特征是界定湿地边界的唯一可靠标准.论文以洪河自然保护区为试验区,围绕湿地水文特征指标,构建了沼泽湿地的"淹埋深-历时-频率"阈值研究的理论和方法,并利用沼泽植被边界处的长时间序列的"水位-历时"过程线反演了湿地的"淹埋深-历时-频率阈值",并利用该阈值界定了湿地水文边界,主要研究结论如下:(1) McNemar's 统计检验表明,与单一极化SAR 数据集和不同波长极化SAR 整合数据集相比,ZY-3 多光谱和极化SAR 整合数据集显著提高了湿地植被的分类精度和识别能力,总体分类精度达到了94 .15% ,从用户精度上来看:浅水沼泽植被在单一的极化SAR 数据集中分类精度高于灌草植被和深水沼泽植被,Radarsat-2 和PALSAR 的整合数据集提高了灌草植被和深水沼泽植被的识别精度.从生产者精度上来看,浅水沼泽植被和深水沼泽湿在单一极化SAR 影像中的识别精度均高于灌草植被,ZY-3 和Radarsat-2 的整合数据集使灌草植被的精度提高了14 .7% ,达到了89 .41% .     

面向对象的无人机遥感影像岩溶湿地植被遥感识别

以广西桂林会仙喀斯特国家湿地公园为研究区,以无人机航摄影像为数据源,综合利用面向对象的影像分析技术、随机森林算法、阈值分类方法和Boruta全相关特征变量选择算法进行岩溶湿地植被的遥感识别。结果表明：针对不同特征变量对岩溶湿地遥感识别的贡献率而言,光谱特征（DOM > DSM） > 纹理特征（DOM > DSM） > 几何特征 > 上下文变量;两个航摄影像数据集的总体分类精度都在85%以上,Kappa系数也高于0.85。本文研究结果对基于高空间分辨率无人机可见光影像的岩溶湿地植被遥感识别在特征变量选择、分割参数选择及方法选择方面具有一定的借鉴意义。     

联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演

红树林是世界上生产力最高、价值最高的湿地生态系统之一。冠层叶绿素含量CCC（Canopy Chlorophyll Content）作为红树林重要的生物物理参量,是估算其生产力和评价其健康状况的重要指标。本文利用珠海一号高光谱卫星（OHS）影像与Sentinel-2A多光谱数据计算传统植被指数与组合植被指数并构建了高维数据集,综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选;分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法构建了红树林CCC遥感反演模型,探明北部湾红树林CCC的最佳遥感反演模型,验证OHS高光谱影像与Sentinel-2A数据反演红树林CCC的精度差异,评估SNAP-SL2P算法反演红树林CCC的适用性。研究结果表明：（1）通过数据降维和变量选择处理,从高维度OHS数据集选取了8个特征变量,其中RSI_（12,17）、DSI_（12,18）和NDSI_（6,12）组合植被指数对红树林CCC反演精度的贡献率较高;（2）联合OHS数据和最优堆栈GBRT集成学习回归模型（Score=0.999,RMSE=0.963 μg/cm²）的训练精度优于最优RF机器学习回归模型（RMSE降低了7.531 μg/cm²）,明显优于最优Lasso线性回归模型（RMSE降低了19.383 μg/cm²）;（3）在最优堆栈集成学习回归模型下,OHS数据反演红树林CCC的精度（R²=0.761,RMSE=16.738 μg/cm²）高于Sentinel-2A影像（R²=0.615,RMSE=20.701 μg/cm²）;（4）联合OHS和Sentinel-2A数据的最优堆栈集成学习回归模型反演红树林CCC的精度都明显优于SNAP-SL2P算法（R²=0.356,RMSE=49.419 μg/cm²）。研究结果论证了正态分布检验、最大相关系数法和基于XGBoost的特征选择方法有效降低了高维数据集的维度,并得到了最优特征变量;OHS数据的最优堆栈GBRT集成学习回归模型训练精度最高,是估算红树林CCC的最优反演模型;OHS和Sentinel-2A数据都能有效反演红树林CCC（R²均大于0.61）,而OHS数据的估算精度更高（R²大于0.75）;SNAP-SL2P算法不能有效反演红树林CCC（R²小于0.4）,且对红树林CCC数值存在系统性低估。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。