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。     

基于PS-InSAR的广西北部湾沿岸形变探测及成因分析

受强降雨等极端天气影响,广西地区沉降地质灾害频发。为保障区域可持续发展,利用36景Sentient-1A卫星影像,探究广西北部湾沿岸地区土地形变情况并分析其成因。首先基于PS-InSAR技术和SBAS-InSAR技术,获取2018年1月～2020年12月广西北部湾地区地表沉降信息。结果表明：两种方法具有高度一致性,研究区域最大累计沉降量达-78.1 mm,最大平均形变速率为-22.664 mm/a。其次结合降雨量数据与人类活动强度,分析地表形变成因,结果进一步表明：广西北部湾地区累计沉降量与人类活动强度呈现正相关;每年7、8月雨季时,地表形变速率提高,雨季结束后,部分地面出现抬升。人类活动与降雨是导致广西北部湾地区大面积不规则沉降的重要原因。     

测量学课程改革与实践

教育改革的核心问题是课程的改革，教育改革只有进入到课堂的层面，才是真正进入了教育改革的深水区。本文以测量学课程改革为立足点，对测量学课程改革的持续建设进行了总结，提出并不断丰富“一中心，三育人”课程教学理念；深化教学资源改革，构建了一种长效的“多主体、全过程、可量化”课程发展机制；教学相长，实现了“重素质、强能力、多元开放”的测量学课程教学。     

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。