遥感监测东北地区典型湖泊湿地变化的方法研究

湖泊湿地生态脆弱,易受环境因子的影响。近十年来,东北地区湖泊湿地的时空格局发生了显著变化。如何简单、有效地提取湿地变化范围进而确定其变化类型是湿地变化检测中最需要解决的问题。基于2006~2016年30 m空间分辨率的Landsat-TM/OLI影像数据,水体、植被和土壤等生态因子的动态变化率被用于提取东北地区湖泊湿地变化范围;多维特征数据集的湿地分类方案确定湿地的变化类型。另外,湿地变化检测类型分为转出类型（湿地减少）,转入类型（湿地增加）和湿地间转换类型（湿地相对稳定）。最终基于动态变化率计算方法,松嫩平原湿地、兴凯湖湿地和呼伦湖湖泊湿地变化结果的正检率均高于90%。同时,利用年内多时相数据和综合多维生态指数共同表征地表的状态变化,实验区的湖泊湿地分类结果的整体分类精度和 Kappa 系数分别达到 84.31%和0.788。湖泊湿地变化检测方法具有很好的检测精度,可以代表研究区湖泊湿地类型的实际变化,是湿地资源调查与遥感监测技术研究的有益补充,为进一步深化与拓宽地表生态质量评价及其动态变化检测的方法研究提供理论基础。     

基于Sentinel-1,2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究

湿地具有季节性特征,高时间分辨率遥感监测能够更为客观精准地认识其时空变化规律。选择季节性变化显著、我国第一大淡水湖生态湿地——鄱阳湖湿地为典型案例,利用Sentinel-1,2和Landsat 8卫星的2017～2019年所有可以获取的不同时相影像,采用随机森林分类(Random Forest,RF)方法,对研究区的湿地进行遥感分类和信息提取,发挥海量遥感影像在湿地宏观连续监测的优势,解析鄱阳湖湿地的年际、年内时空动态变化特征。研究结果表明:Sentinel-2影像为鄱阳湖湿地动态变化监测提供良好的数据基础,随机森林分类总体分类精度高于90%,提取效果具有比较优势。对3 a分类结果进行统计分析,各湿地类型在年内均呈现出动态变化的特点,在每年2月泥滩和草洲面积到达年内最大,水体面积为年内最小;每年6、7月份水域面积达到年内最大,泥滩和草洲面积最小,季节性变化明显;月度时间序列的分类结果,能更准确地说明湿地类型的月度和季度变化。因此,结合Seninel-1,2以及Landsat 8数据,基于RF算法,能及时、有效地对鄱阳湖等季节性变化强烈的湿地进行动态监测,对开展湿地资源高效调查工作具有重要意义。     

基于多尺度分割的遥感影像滨海湿地分类

基于多尺度的高分辨率遥感影像分类方法研究,可以为滨海湿地动态监测、规划保护提供更详尽的湿地分类信息和更快速的数据获取方法,对湿地保护具有重要意义。选取连云港青口河入海口处湿地为研究区,以高分辨率遥感影像WV\|Ⅱ和航空遥感影像为数据源,利用多尺度分割方法将影像分割成不同层次的实体对象;在不同层次,以实体对象为单元,结合光谱、形状、纹理等不同影像特征,进行滨海湿地分类研究,结果表明:利用该方法分类后,研究区各种湿地类型都达到较高精度。基于多尺度分割的影像分类方法能充分利用各种影像特征完成湿地分类,有效地减少了遥感影像中的“椒盐”现象,提高了分类精度;选择适宜的分割尺度和分割参数是基于多尺度分割的遥感影像分类方法提高精度的前提。     

基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析

海岸带湿地具有重要的生态价值和经济开发价值,明确其时空变化特征与影响因素对于维持区域生态系统平衡和可持续发展具有重要意义。以Landsat TM/ETM+/OLI影像为基本数据源,综合利用面向对象与深度学习分类方法对1985~2015年闽东南低海拔海岸带地区的湿地信息进行提取,以揭示其时空演变特征与驱动力因素。结果表明：基于面向对象—深度学习分类方法对湿地进行信息提取,整体分类精度可达93%以上,分类结果整体性好;1985~2015年自然湿地面积呈减少趋势,人工湿地面积呈增加趋势,分别减少和增加250.31 km²和251.36 km²;湿地二级类型中,30 a间河口/浅海水域和淤泥质海滩面积减少最大,盐田/水产养殖场面积增加最大;1985~2015年湿地变化类型多样,且2000~2015年较1985~2000年湿地变化更为剧烈;湿地变化是人类活动和自然环境变化共同作用的结果,其中人类活动是影响湿地变化的主要原因。该方法及研究结果可为海岸带湿地监测与保护管理提供技术支持和决策参考。     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

双台子河口湿地景观时空变化研究

在遥感和地理信息系统的支持下,利用2000年的一景Landsat ETM数据及2005年的一景CBERS-02星CCD数据对双台子河口湿地进行了景观时空变化研究。通过对两期图像进行景观类型提取,得到了两个年份的研究区景观分类结果,采用景观类型转移矩阵对两个时段的景观类型变化进行了分析,并利用两个时段间的转移变化情况应用马尔科夫模型对研究区湿地景观演化趋势进行预测。研究结果表明,在2000年到2005年间,研究区湿地景观类型变化比较显著,天然湿地呈现出向人工湿地转化的趋势。同时预测结果也表明,研究区内湿地景观的面积在未来呈减少的趋势。     

基于多时相遥感和GIS技术的湿地识别研究

本以江苏省洪泽湖湿地为例,首先利用秋季成像的TM影像进行分类,采用了混和分类法。然后利用同年度春季成像的TM影像制作湖泊掩膜来纠正分类中湿地类型与高地类型的错分现象。研究发现,该方法能有效地降低分类的误差,提高分类的精度。     

湿地变化监测研究现状与展望

从湿地变化监测与分类方法、湿地景观格局变化分析、湿地生态环境退化研究、湿地生态系统模型研究、湿地生态服务功能价值评估和以往研究中取得的主要成果等几个方面,总结了当前已有的湿地变化监测和分类的各种方法,并举例说明湿地变化监测的主要研究领域。同时,针对当前卫星遥感技术和计算机技术发展特点,指出以大时空尺度、高时空分辨率和高精度数值模拟为代表的遥感手段,与水文、生态、地理等手段有机结合将成为未来湿地变化监测研究领域的重点发展方向。     

基于ALOS影像的盐城海滨湿地遥感信息分类方法研究

盐城海滨湿地类型丰富多样,湿地植物覆被类型之间的生态交错带十分明显,如何更为准确地获得海滨湿地覆盖信息,对湿地研究具有重要价值和意义。以ALOS影像为数据源,江苏盐城海滨湿地核心区为试验区,开展湿地信息遥感分类研究。在对研究区进行非监督分类,分析其限制分类精度原因基础上,针对研究区域的特点提出适合的分类精度改进方法。以非监督分类后的结果为模板,借助分区分层分类方法的思想,通过分析遥感影像光谱信息、纹理信息、主成分变换信息,得到知识规则,以基于知识规则修改的方法对芦苇、米草和盐蒿3种植被交错带进行修正。然后以基于GIS规则的方法对剩余区域进行修正。通过GPS数据进行精度检验,分类精度达到92.6829%,Kappa系数为0.9098。实验证明基于GIS规则和知识规则的分区分层分类法是提高海滨湿地遥感分类精度的有效方法。     

基于面向对象分类方法的乌苏里江流域中俄跨境区域湿地景观动态研究

选取乌苏里江中下游干流50km缓冲区为研究区,以1989、2000和2013年的Landsat TM、OLI遥感影像为数据源,利用面向对象的分类方法获取湿地信息;在GIS技术支持下,选取斑块类别面积(CA)、面积所占比例(PLAND)、最大斑块面积指数(LPI)、平均斑块面积(AREA-MN)、斑块数(NP)、斑块密度(PD)等景观格局指数,分析了研究区1989~2013年湿地的景观格局动态特征。结果表明:面向对象的分类方法能够准确提取湿地信息,并且有效地避免"椒盐现象";1989~2013年,该区水田、水库/坑塘、运河/水渠、灌丛沼泽增加和河流、湖泊、草本沼泽、森林沼泽减少;大量草本沼泽转为水田为该区湿地变化主要特征;1989年湿地类型以草本沼泽为主,2013年水田的斑块面积略高于草本沼泽斑块面积;湿地景观变化区主要分布于中国一侧的挠力河流域和穆棱河流域;天然湿地景观破碎化程度逐年加深,人工湿地景观趋于聚集,人为干扰是导致湿地景观格局变化的主要动力;中俄两国境内湿地景观变化程度差异显著,中国境内大量天然湿地转为人工湿地;俄罗斯境内的湿地变化微小,天然湿地保存较好。农田垦殖是导致两国湿地景观破碎程度差异的主要原因。     

Study on optimization‐based layered classification for separation of wetlands

The classification and dynamics monitoring of wetlands using remotely sensed data is a complicated, time‐consuming process involving high costs, and the accuracy varies depending on the techniques used for image processing and analysis, and the time and costs required for training, etc. This paper presents an optimization‐based layered classification method for the classification and dynamics monitoring of wetlands based on a decision procedure of multiple objectives. Four driven factors including techniques to be used, classification accuracy, and the time and cost needed for the classification, were selected as the indicators of criteria in optimization of the layered classification. This method was applied to Thematic Mapper (TM) image classification of the wetlands in Minjiang River estuary and led to the overall correct percentage of 85.13% for seven categories of the wetlands.     

Wetland mapping by fusion of airborne laser scanning and multi-temporal multispectral satellite imagery

Wetlands play a major role in Europe’s biodiversity. Despite their importance, wetlands are suffering from constant degradation and loss, therefore, they require constant monitoring. This article presents an automatic method for the mapping and monitoring of wetlands based on the fused processing of laser scans and multispectral satellite imagery, with validations and evaluations performed over an area of Lake Balaton in Hungary. Markov Random Field models have already been shown to successfully integrate various image properties in several remote sensing applications. In this article, we propose the multi-layer fusion Markov Random Field model for classifying wetland areas, built into an automatic classification process that combines multi-temporal multispectral images with a wetland classification reference map derived from airborne laser scanning (ALS) data acquired in an earlier year. Using an ALS-based wetland classification map that relied on a limited amount of ground truthing proved to improve the discrimination of land-cover classes with similar spectral characteristics. Based on the produced classifications, we also present an unsupervised method to track temporal changes of wetland areas by comparing the class labellings of different time layers. During the evaluations, the classification model is validated against manually interpreted independent aerial orthoimages. The results show that the proposed fusion model performs better than solely image-based processing, producing a non-supervised/semi-supervised wetland classification accuracy of 81–93% observed over different years.     

基于决策树的干旱区湿地信息自动提取——以疏勒河流域为例

以疏勒河流域为研究区,探讨了干旱区湿地的遥感影像自动提取方法。以Landsat 8卫星影像数据为主要数据源并辅以数字高程模型(DEM),利用改进的干旱区湿地指数(MAZWI)、归一化植被指数(NDVI)、地表反照率(Albedo)、灰度共生矩阵(GLCM)的非相似性分量等识别指数构建决策树模型,对研究区湿地进行提取,并将结果与最大似然分类结果进行对比。结果表明:该方法在一定程度上提高了湿地提取的精度,与最大似然分类结果相比总体精度和Kappa系数分别提高了6.52%和0.124。证明决策树法是干旱区水域湿地自动提取的一种有效手段。     

A Multiple Classifier System to improve mapping complex land covers: a case study of wetland classification using SAR data in Newfoundland,Canada

ABSTRACT

There are currently various classification algorithms, each with its own advantages and limitations. It is expected that fusing different classifiers in a way that the advantages of each are selected can boost the accuracy in the classification of complex land covers, such as wetlands, compared to using a single classifier. Classification of wetlands using remote-sensing methods is a challenging task because of considerable similarities between wetland classes. This fact is more important when utilizing synthetic aperture radar (SAR) data, which contain speckle noise. Consequently, discriminating wetland classes using only SAR data is generally not as accurate as using some other satellite data, such as optical imagery. In this study, a new Multiple Classifier System (MCS), which combines five different algorithms, was proposed to improve the classification accuracy of similar land covers. This system was then applied to classify wetlands in a study area in Newfoundland, Canada, using multi-source and multi-temporal SAR data. The results demonstrated that the proposed MCS was more accurate for the classification of wetlands in terms of both overall and class accuracies compared to applying one specific algorithm. Therefore, it is expected that the proposed system improves the classification accuracy of other complex landscapes.     

A Remote Sensing Classification Methods of Coastal Wetlands Considering the Distance to Main Water

Coastal wetlands is complex,"different objects with the same spectrum" is serious in the remote sensing image,so the classification accuracy only based on spectral information is low.For this issue,based on the coastal zone wetland's spatial distribution rule,this paper established two kinds of distance layers,distance to coastline layer and distance to river layer,which applied maximum likelihood method and decision tree method,and developed a coastal wetland remote sensing information extraction methods,taking Sheyang County,Jiangsu Province for example.The developed methods highly improved the classification accuracy with the overall classification accuracy of 81.5%,and Kappa of 0.79.The maximum likelihood supervised classification method classification accuracy was lower with overall classification accuracy of 62.3%,and Kappa of 0.60.     

基于环境一号小卫星CCD图像的滨海湿地监测研究

湿地生态系统是与森林和海洋并列的三大生态系统之一,在全球气候和环境保护中发挥着非常重要的作用,因此,湿地的监测对环境保护和人类健康至关重要。本文以渤海湾-莱州湾为研究区域,利用环境与灾害监测预报小卫星（简称HJ-1）CCD图像通过分层分类法提取滨海湿地的分布,并以黄骅市为例对湿地的变化进行景观格局的动态分析。结果表明,利用HJ-1 CCD图像进行滨海湿地的监测是可行的,且与Landsat图像相比HJ-1 CCD数据具有高获取频率和宽覆盖范围,从而可以为湿地分布和变化的监测与管理提供经济有效的支撑。对湿地景观格局的评价表明,由于人类活动的影响,近年来湿地景观正在悄然地发生变化,天然湿地逐渐减少,人工湿地相对增多,人类的影响正日益加剧,需要引起重视。     

基于TM影像的典型内陆淡水湿地水体提取研究

水是维系湿地生态系统稳定和健康的决定性因子,利用卫星遥感影像快速、准确地提取湿地水体信息已经成为湿地调查、研究与保护的重要手段。鉴于TM遥感影像具有较高的空间分辨率、波谱分辨率、极为丰富的信息量、较高的定位精度和相对较低的价格,其必然成为近一段时期湿地调查、研究与保护的重要数据源之一。研究基于TM遥感影像,运用多种方法针对典型内陆淡水湿地的水体信息进行了提取实验,通过对实验结果的分析得出：在面积的准确性、提取的准确度以及视觉效果3种指标下,光谱分类法较其它方法效果要好,其次为单波段阈值分析法与植被指数法,较差的是多波段谱间关系法与水体指数法;影响提取效果的主要原因是湿地水体提取不够完全,这是由影像的分辨率及湿地特殊的水文条件所造成的,采用像元分解及多源遥感数据融合技术将成为提高水体提取精度的重要手段。     

基于扩展自然邻居的无参分类方法

基于k-最近邻（kNN）的分类方法是实现各种高性能模式识别技术的基础,然而这些方法很容易受到邻域参数k的影响,在完全不了解数据集特性的情况下想要得出各种数据集的邻域是比较困难的。基于上述问题,介绍了一种新的监督分类方法：扩展自然邻居（ENaN）方法,并证明了该方法在不人为选择邻域参数的情况下提供了一种更好的分类结果。与原有的基于kNN需要先验k的方法不同,ENaN方法在不同的阶段预测不同的k值。因此,无论是在训练阶段还是在测试阶段,ENaN方法都能从动态邻域信息中学习到更多的信息,从而提供更好的分类结果。在不同类型不同规模的真实数据上的分类检测结果均表明了ENaN方法的有效性。