一、The analysis of SPOT-5 characteristics on land cover Classification（论文文献综述）
刘洋[1]（2021）在《基于Sentinel影像的图们江中游典型湿地分类研究》文中进行了进一步梳理湿地生态系统作为地球的三大生态系统之一,具有气候调节、水土保持、净化水质等功能,同时它也是各种珍稀动植物的栖息地,对人类的生产生活具有重大意义,被誉为“地球之肾”。尽管湿地具有重要意义,但全球范围内湿地动态的统计数据显示出持续下降的趋势,因此对湿地监测的科学研究势在必行。遥感技术是监测区域内湿地斑块分布、植被物种分化和生长状态的重要工具。基于遥感和GIS技术的湿地资源调查和土地覆被类型动态监测已成为湿地科学研究与管理不可或缺的手段。本文利用2019年的Sentinel-2B多光谱影像和Sentinel-1A雷达影像,综合多源遥感影像的优势,建立一套适合当地的分类体系,提取多种特征变量,同时运用面向对象的分类方法,对研究区内的湿地信息进行精确提取以及对比研究,为这一地区的多源遥感影像分类研究提供进展,为图们江流域的生态保护和湿地研究提供重要的数据支持。本文主要研究内容和研究结果如下:（1）将Sentinel-2B光学卫星获取的多光谱影像与Sentinel-1A雷达卫星获取的雷达影像作为湿地土地覆被分类研究的基础数据,综合丰富的光谱特征信息和对植被穿透力好且不受天气影响的雷达特征,实现遥感信息的互补。首先在结合实地考察的基础上,建立适合研究区的分类体系,包括林地、森林沼泽、草本沼泽、旱地、水库、建设用地等土地覆被类型。其次通过实验和最佳分割尺度评价工具的计算,确定对象分割参数,结合最优特征变量的筛选,进行光谱特征、几何特征、纹理特征、雷达特征和地形特征的选取。最后运用随机森林分类方法来识别,实现了以对象为处理单元的信息提取,为图们江流域湿地分类研究并综合多源遥感数据的优势提供科学依据。（2）根据对土地覆被分类数据进行统计,总体分类精度为83%,Kappa系数为0.78,这说明研究区的土地分类精度较高,分类结果处于高度的相关性。研究区内主要的土地覆被类型依次是林地、森林沼泽和旱地,共占研究区总面积的94%左右,生产者精度分别为90%、88%和87%,建设用地和水库的生产者精度均达到了92%。整体效果显示,基于面向对象的随机森林分类可以将森林沼泽和草本沼泽很好区分开,地物连续性和完整程度较高。同时根据此次研究表明,雷达数据的极化特征和后向散射系数加入可以改善森林沼泽等地物类型的错分及混分现象,能够更加客观真实的反映地物信息。（3）通过与其他的分类方法相比,基于多源遥感影像的面向对象随机森林分类方法的总体分类精度和Kappa系数更高,地物信息的分类精度更好。在与基于Sentinel-2B影像的面向对象分类精度对比时发现,在缺少雷达影像特征的情况下,仅依靠多光谱影像分类会造成某些土地覆被类型的分类精度降低,例如森林沼泽和草本沼泽等。在与基于Sentinel-2B影像像元的随机森林分类对比时发现,由于是基于像元为分类单元的方法,“椒盐”现象比较严重。而多尺度分割算法生成的对象,是将同类别的像元聚集在一起,既保持像元的基本特征,又有新的空间信息生成,分类精度又有显着的提高。在与基于Landsat-8影像的面向对象随机森林分类对比时发现,此方法分类效果最差,说明遥感数据源的空间分辨率和辐射分辨率对于研究区的分类精度起到至关重要的作用,在某些情况下,可能会比分类方法更能影响分类精度。
潘霞[2]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中研究说明以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
宋洁[3]（2021）在《祁连山森林碳储量与森林景观格局时空变化研究》文中研究说明高纬度山地森林由于受人为干扰的影响相对较小,已被证实成为不断增长的陆地碳汇的主要贡献者。但由于高纬度山地森林中贮存的碳极容易受到气候变化的影响,使得其森林景观及森林碳储量在数量和空间分布上都存在很大的不确定性。监测高纬度山地森林景观及碳储量的时空变化情况,对理解全球碳循环具有重要的意义。祁连山是我国西部重要的生态安全屏障和固碳场所。2017年6月祁连山国家公园体制试点的设立,更为实现祁连山生态系统整体保护和系统修复奠定了坚实的基础。在此背景下,本研究基于多源遥感数据、样地调查数据、空间环境数据以及相关辅助数据,综合运用3S现代技术手段,在对森林类型进行分类的基础上,对祁连山森林碳储量现状进行估算。并从森林面积、森林覆盖度、森林景观格局角度分析祁连山1990-2018年森林景观时空动态变化情况。建立基于光学遥感变量的森林碳储量估算模型,监测祁连山森林碳储量1990-2018年间时空分布变化。并基于不同海拔、坡向、水平范围以及行政区域空间梯度对森林景观和森林碳储量时空变化模式进行分析。基于不同的空间尺度,分析祁连山森林景观格局与森林碳储量之间的相关关系。为理解山地森林生态系统碳循环以及制定祁连山国家公园森林资源保护及生态系统管理措施提供参考。本研究主要结果如下:（1）相比仅依据光谱特征进行分类,依据光谱及垂直结构综合特征分类时,总体分类精度提高了10.67%,具有相似光谱特征但不同垂直结构的不同植被类型分类精度提升作用明显,森林范围的识别精度提高。地形信息加入后森林类型的分类精度提升了23.94%,显着提升了森林类型识别精度。相比海拔信息,坡向信息对提升分类精度效果更为显着。季相特征能够对不同森林类型的识别提供帮助,而不同波段组合虽然对地物增强的效果不同,但其对分类精度几乎没有影响。（2）2018年祁连山国家公园森林总碳储量为30.09×106t,平均森林碳储量密度为47.55t/hm2。公园内针叶林总碳储量约为阔叶林碳储量的5.5倍,但阔叶林森林平均碳密度稍高于针叶林。不同空间梯度森林碳储量的分布有较大的不同,对于不同的海拔梯度,海拔2770～3770m以及海拔1770～2770m分别拥有最多的森林碳储量和最高的森林平均碳密度;对于不同的坡向,森林碳储量与森林平均碳密度分布从高到低均依次为阴坡>半阴坡>半阳坡>阳坡;对于不同的水平范围,森林碳储量分布从高到低依次为东段>中段>西段,而森林平均碳密度在中段最高,接下来依次为东段和西段,西段森林碳储量与碳密度与东中两段差距较大;对于不同的行政梯度,甘肃省境内森林碳储量与碳密度均大于青海省。其中不同海拔梯度森林碳储量与森林平均碳密度差距最大,接下来森林碳储量与森林平均碳密度均差距较大的为不同行政区域,山区复杂的地形和不同行政区域管理措施的不同对森林碳储量及碳密度均有较大的影响。（3）1990-2018年间,祁连山国家公园内森林面积变化呈现先上升,后减少的趋势。其中1990-2010年,公园内针叶林和阔叶林面积均逐年增加。2010年起,阔叶林面积下降,2015-2018年,区内针叶林及阔叶林面积均较前一时期有所减少,且阔叶林下降幅度较大。不同空间梯度森林面积变化的分布不同,森林面积变化波动较大的区域主要分布在以畜牧业生产为主的地区。1990-2018年,祁连山国家公园森林覆盖度占比最大的值域区间均为70～100%,研究区内森林覆盖度较高的区域主要分布在祁连山中、东段针叶林分布较为密集的地区。2015年以前,区内森林植被覆盖未发现有明显的变化。2015-2018年,研究区森林覆盖度出现下降现象。针叶林作为研究区内的绝对优势景观,其景观异质性程度、景观复杂程度、景观聚集程度均较阔叶林高,而阔叶林的分布相较针叶林而言在区内更为分散。1990-2018年间,区内森林景观格局基本呈现逐步破碎化、逐步分散、以及逐渐均匀的趋势,森林生态系统脆弱度逐渐升高。（4）1990-2018年间,祁连山国家公园森林碳储量增加了1.09×106t。1990-2010年,公园森林碳储量持续增长,从2010年起,区内森林碳储量出现下降趋势。基于不同的空间梯度分析森林碳储量的时空变化模式,发现各空间梯度上森林碳储量变化强度排序与其所分布森林范围面积排序基本一致。且对研究区而言,相对于森林碳密度,森林面积对森林碳储量的蓄积影响更大。（5）随着尺度的增加,与平均森林碳密度具有相关关系的景观格局指数逐渐减少,说明随着尺度的增加,森林碳密度的影响因素也愈加复杂。与森林碳密度具有显着相关关系的景观格局指数其与森林碳密度间的相关关系模型平均拟合程度均较低,说明景观格局指数与森林碳密度之间的复杂关系较难用简单的线性关系直接进行描述。相反,与森林总碳储量具有相关性的景观格局指数随着研究尺度的增大逐渐增多。斑块总面积、斑块个数、景观形状指数、平均斑块面积、面积加权平均形状指数、斑块连结度指数以及聚集指数在各尺度上均与森林总碳储量呈显着的正相关关系,说明通过增加森林景观面积、增加景观形状复杂度以及景观聚集度和连通性,能够提升森林碳储量的蓄积。而斑块密度在各尺度上均与森林碳储量具有显着的负相关关系,说明减小森林破碎化程度能够在有限空间内为基于发挥最大固碳功能的森林空间布局优化提供帮助。斑块总面积与森林总碳储量间的幂函数关系在各尺度下其模型拟合系数均达到0.95以上。综上所述,本文分别以垂直结构特征、光谱特征、季相特征和地形特征为分类依据,探讨了提升祁连山山地森林面积提取及类型识别精度的可行方法,为森林景观及森林碳储量变化监测研究奠定了基础;以GPS定位、RS遥感以及GIS空间分析技术为基础,梳理了近30年间祁连山重点区域森林景观及森林碳储量时空动态变化情况,并统计了祁连山森林景观及森林碳储量在不同空间梯度的变化模式;以森林碳贮存功能为例,探讨了高海拔山地森林生态系统基于尺度的森林景观格局与森林生态系统功能间的相互关系,为景观生态学“格局—过程—尺度”核心理论的研究提供了实验实例。在未来的研究工作中,探索基于不同传感器的多源数据对历史影像森林类型进行更准确的分类并对森林碳储量变化进行估算,量化气候变化背景下山地区域环境的改变及人为活动因素对山地森林碳储量变化产生的影响,是下一步的研究方向。
杨彩云[4]（2021）在《辽河保护区生态保护与修复成效评估》文中研究表明随着可持续发展战略的实施,建立自然保护区是加强生态环境建设,实现区域经济、社会、环境协调发展的重要措施之一。对保护区实施生态保护与修复成效评估,可以深入了解在人类活动和气候变化下区域生态环境变化规律及保护效益程度,对保护区的成效评估是保护区工程规划与管理的基础,对制定生态保护对策,提升保护区生态成效,优化布局保护区实施宏观战略具有重大意义。本研究选取辽河保护区为研究区,通过系统总结国内外成效评估体系结合辽河保护区生态保护目标,综合构建辽河保护区生态保护与修复成效评估体系。利用地理信息系统（GIS）技术、遥感技术构建辽河保护区生态系统监测评估数据库,并利用评估模型对辽河保护区生态保护与修复成效测算评估。利用气象要素、生态工程措施等对保护区生态驱动因素进行分析,依据分析结果提出生态保护规划、管理实施等政策建议。研究主要结论如下:（1）通过对辽河保护区生态系统结构分析,辽河设立保护区18年以来,生态系统结构向逐渐完善方向发展,保护区设立之前生态系统以耕地、湿地和水体为主要生态类型,建立保护区后草地、林地生态系统明显增加,耕地面积呈大范围缩减,生态系统结构变化指数在2010-2013年、2013-2015年、2015-2018年分别评估为6.55、5.95及5.15,表现为较明显转好-微弱转好-微弱转好的变化趋势,说明2010-2018年保护区生态系统结构明显好转,退耕封育等生态保护政策取得明显成效。（2）通过对辽河保护区生态系统质量分析,2000-2009年植被覆盖度呈增加趋势,而2011-2018年植被覆盖度呈波动减少趋势。植被退化指数在2010-2018期间表现明显恢复—显着退化—轻微好转的趋势,2015年为保护区成立以来植被状态最差的年份,2015年植被状况向良好方向发展,说明生态系统退化趋势得到初步遏制,根据土地覆被转类指数2010-2013年为55.87,2013-2015年14.75,2015-2018年13.19,指数类型由下降为主转为以上升和稳定为主,说明辽河保护区生态系统状况呈现明显好转趋势。通过对辽河保护区生态系统质量综合评估,呈现显着转好—微弱转差—较明显转好的趋势。（3）通过对辽河保护区主要生态系统服务功能分析,水源涵养服务功能呈增长趋势;土壤保持能力呈递增趋势,生态系统固碳服务呈现增加的趋势,物种保育能值总量呈逐年增加趋势。通过主要对生态系统服务功能变化指数分析,2010-2018年辽河设立保护区期间保护区生态系统服务功能呈现好转趋势。（4）重点生态建设工程区生态状况好转,通过对重点生态工程成效分析,退耕封育区其水源涵养能力、土壤保持能力、生态系统固碳及物种保育能力都较非退耕封育区明显提高。湿地工程在2010-2018年其主要生态系统服务功能服务能力呈逐年增加趋势,辽河保护区成立后,区域内生态系统呈现整体好转趋势
党元君[5]（2020）在《滔河流域土地利用变化及驱动力分析》文中认为滔河,丹江的主要支流,地处秦岭南麓,河流全长155km,流域面积为1210km2。依次流经陕西省商洛市商南县、湖北省十堰市郧阳区、河南省南阳市淅川县。近十年来,三个县的社会经济、政策法规均发生了不同程度的发展,其内的土地利用/覆被变化程度不断加深。本文研究了滔河流域十年间的土地利用变化及驱动力,有助于揭示生态环境治理成效,为科学制定发展规划和土地管理措施提供可靠的理论依据,同时也对未来研究类似山高林密、沟峡谷深的流域区提供指导帮助。本文以研究区SPOT5、ZY03和GF01等高分辨遥感影像为数据源,首先,分别采用非监督分类、监督分类中的最小距离分类法和面向对象分类法,三种不同方法提取土地利用信息,选择精度最高的分类方法对研究区2008年、2013年、2018年三期影像进行土地利用分类。其次,通过计算土地利用变化幅度R、动态度K、程度变化量ΔL等指标,分析土地利用面积结构、程度及空间的变化,研究不同时空格局内的土地转移的来源和去向,归纳土地演变规律。最后,结合社会统计数据,建立驱动因子指标体系,定性、定量探索研究区内土地利用变化的主要驱动因素。主要研究结果如下:（1）非监督分类、监督分类中的最小距离分类法和面向对象分类法3种分类方法,总体分类精度分别为83.01%、85.07%、84.64%,分类精度平均达80%以上,解译效果较好。三种分类方法的Kappa系数（KIA）分别0.646、0.78、0.653,Kappa系数均达到0.6以上。其中,最小距离分类法的总体精度以及Kappa系数均略高于其他两种。（2）在2008年、2013年、2018年三个时期林地面积占总面积的3/4以上,面积比例分别为80.08%、79.30%、81.88%,平均值达80%。在研究期内,土地类型结构稳定,变化较大的是未利用地,说明未利用地都得到了有效利用。土地利用转移主要发生在林地与耕地之间,研究前期（2008～2013年间）林地转向耕地面积>耕地转向林地面积,林地流失较严重。在研究后期（2013～2018年间）林地转向耕地面积<耕地转向林地面积,说明后期退耕还林实施面积大,落实效果较好。（3）通过定性分析发现,人口密度与耕地面积、GDP与建设用地面积、农林牧渔业产值比例与林地面积呈正相关。即人口密度越大的区县,耕地面积占比越重;GDP越高的区县,城市建设用地面积占比越大;农林牧渔业产值比例越高,林地面积占比例也更高。同时,农林牧渔业产值比例的波动情况,和林地变动情况基本吻合。（4）通过定量分析发现,政策因素、社会因素是主要驱动因素。2008～2013年间驱动因素权重前三位为:退耕还林、人均GDP、至居民点距离。2013～2018年间驱动因素权重前三位为:退耕还林、海拔、人口密度。总体来说,政策因素、社会因素（人口、GDP）主要驱动因素,这两类因素的作用力和影响力平均强于自然因素和空间因素。此外,研究表明社会因素会增加发生变化概率,退耕还林、人均GDP、人口密度Exp（B）值均大于1。说明有执行退耕还林政策、增加人均GDP、扩大人口密度均有可能增加变化发生的概率。
宋亚萍[6]（2020）在《基于多源影像融合和面向对象的土地利用分类技术研究》文中认为加快推进新型城镇化建设是兵团经济社会发展的必然要求,利用遥感数据获取团场土地利用信息及农业概况,既可以为政府决议提供基础依据,同时也是农业信息化发展的必要条件,能够提高效率、节省人力和资源,使农业更加科学地发展。而随着卫星产品的空间分辨率的不断提升和普及,高分辨率卫星影像所包含的信息也越来越丰富。每一个卫星传感器由于自身硬件设备的差异,所获取的信息参数也不尽相同。对于影像中的同一种目标对象,不同数据源的影像信息所呈现的细节信息也各有差异,多源影像融合可以综合不同卫星传感器的有利信息,使融合后的影像既能提高原始影像的利用率,也能增大遥感影像的应用范围。以往进行影像分类的方法是根据影像像元的光谱特征完成分类,此方法忽略了影像中所包含的其它信息,不仅影像数据的使用率低,而且也产生了极大的浪费。针对多源影像融合及面向对象分类过程中存在的问题,本文基于资源三号多光谱影像和快舟一号全色遥感影像,对影像的预处理、多源影像融合方法、影像分割参数确定、分类以及精度评价等方面进行研究,主要工作如下:（1）针对不同遥感卫星传感器参数、特性及影像分辨率的不同开展研究。系统地研究了多源遥感影像数据的预处理工作,主要完成影像辐射定标、大气校正及影像配准等预处理工作,保证原始影像之间像元的一致性,为影像进一步融合提供数据基础。（2）针对多源传感器图像融合的方法开展研究。为探讨适合资源三号（ZY-3）多光谱影像和快舟一号（KZ-1）全色影像的多源数据融合方法,本文使用PCA融合、Brovey融合、Gram-Schmidt融合、NNDiffuse融合、Subtractive融合及Pansharp融合等六种像素级常用融合方法对资源三号和快舟一号影像开展融合试验,并改进超分辨率贝叶斯算法以提高融合后图像质量。经过目视解译和定量评价（空间信息融入度、光谱信息保持度、清晰度）指标综合对比分析,改进后的超分辨率贝叶斯算法较适合资源三号遥感影像的多源融合,既保持了影像的光谱信息,也增强了遥感影像的细节纹理特征。（3）针对面向对象的图像分割实验开展研究。使用面向对象的分类方法,充分利用遥感影像中地物的光谱特征信息和空间特征信息。借助无人机获取的125团研究区遥感影像,生成样本矢量文件对实验分类结果进行验证,结果表明:实验区I总体分类精度为84.75%,Kappa系数为0.8248,实验区II总体分类精度为84.42%,Kappa系数为0.8145,总体分类精度与Kappa系数均高于80%,能有效了解研究区土地利用概况。本文以资源三号和快舟一号遥感影像为数据源,基于多源影像数据,通过像素级影像融合,探讨适合资源三号多源影像融合的融合算法,通过改进超分辨率贝叶斯算法,使用面向对象的影像分割技术进行融合影像地物类别提取,有效地提取了研究区的土地覆被利用情况,可为土地资源配置、水资源管理等提供理论基础和科学指导。
汤敏[7]（2020）在《基于面向对象和随机森林方法的SPOT6湟水流域土地利用/土地覆被信息提取》文中指出精确的土地利用/土地覆被数据对区域土地规划、城镇化建设以及生态环境保护等方面均具有重要的指导意义。本文以SOPT6影像为研究数据,基于面向对象分类方法与机器学习方法之一的随机森林分类方法,分别对湟水流域土地利用/土地覆被信息进行提取,并对两种方法的分类精度进行评价与对比分析,旨在为研究区确定更适合的土地利用/土地覆被信息提取方法。主要研究结论如下:（1）面向对象分类最优的分割尺度在40-150之间,颜色因子权重高于形状因子权重,紧致度因子权重高于光滑度因子权重时,分割结果比较符合研究区各地物特征。确定的三个分割层,Level1分割尺度确定在110-150之间,用于区分植被与非植被;Level2分割尺度在60-90之间,用于区分一级地物类型;Level3分割尺度为40-60之间用以区分二级地物类型。这一分割过程符合实际状况,相应取得了较好的分类结果。（2）面向对象分类中对象特征作为影像分析的重要依据,本文中利用长宽比和形状指数区分开了河流和水库;城乡、工矿、居民用地在波段均值和各纹理特征与其它地物区别较为明显;耕地与林地分别利用近红外波段标准差、红波段均值、标准差以及纹理特征中的协同性、方差、均值、标准差等多特征结合进行区分;研究区的有林地与疏林地主要利用DEM数据来区分。表明了多对象特征相互补充对于提高影像分类精度是非常有必要的。（3）随机森林分类中选取了光谱特征、地形因子、纹理特征共24个特征参数,分别对三个分区的24个分类特征进行重要性评估和筛选,三个分区的特征参数重要性评价结果均显示光谱特征中除影像原始的四个多光谱波段外,NDVI与NDWI均较为重要,地形因子中海拔高度和坡度较为重要,纹理特征中的均值（Mean）、协同性（Homogeneity）、非相似性（Dissimilarity）、信息熵（Entropy）均较为重要。（4）分类精度评价时整个流域面向对象的多层次分类规则方法总体分类精度为90.93%,Kappa系数为0.90。基于机器学习的随机森林分类方法总体分类精度为90.63%,Kappa系数为0.90,面向对象分类精度与分类效率均优于随机森林分类。（5）在随机森林方法的分类结果出现较为严重的“椒盐”现象,一定程度上对分类精度产生影响;而面向对象分类结果中地物边界较为清晰规整。面向对象的分类结果更为符合实际地物分布,相比随机森林分类方法更加适合研究复杂地形区中高分辨率的影像信息提取。
朱晓霞[8]（2020）在《高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用》文中认为自然资源是发展之基、生态之源、民生之本,对于经济社会发展具有重要的支撑和保障作用。随着我国人口的不断增加,城镇化进程的逐渐加快,掌握自然资源数量和空间分布对于应对日益增加的自然资源需求危机,做好自然资源监管和国土空间规划具有重要的意义,因此精确地监测自然资源势在必行。当前的第三次全国国土调查等自然资源监测工作模式仍以人工目视解译为主,自动化程度较低。影像分割是解决自然资源监测自动化的重要基础,然而当前的影像分割方法只考虑基元自身的光谱、形状和纹理等内在特征,忽略了对基元边界特征的分析和运用,导致分割的边界定位精度较低、分割结果过于细碎及整体性不强等现象。本文将高精度地表覆盖数据的边界先验知识作为约束条件融入多尺度分割中,运用优化高分辨率影像分割方法解决分割对象边界精度低等问题,从而提升自然资源监测精度和效率。在优化分割结果的基础上,实现多特征变量选取以及分类器算法在土地利用分类中的应用,实现多源多时序数据在退耕还林信息自动提取中的应用。研究结果表明:（1）高精度地表覆盖数据优化影像分割方法使影像对象的边界更加精确。该分割方法以分形网络演化算法为基础,将地表覆盖数据的的边界作为约束条件融入多尺度分割中,结合ESP尺度评价工具及NDAI指数评价分割结果并获得最优分割尺度参数。该方法解决了分割对象边界精度低等问题,使分割边界与真实地物的轮廓更吻合,分割效果更佳。（2）高精度地表覆盖数据优化影像分割方法结合多特征变量优化方法较大地提升了土地利用分类的精度。本研究以高精度地表覆盖数据优化影像分割方法为基础,采用基于高精度地表覆盖数据优化影像分割的分类方法和无地表覆盖数据辅助分类方法,运用朴素贝叶斯、决策树、随机森林和最邻近分类器开展武功县土地利用分类。地表覆盖数据优化影像分割的分类方法在精度方面有较大的提升,其总体精度达到95.3%,Kappa系数达到0.94,表明此方法对提取土地利用信息具有较好的可行性和有效性。（3）地表覆盖数据优化影像分割方法结合哨兵二号影像的时序特征较大地提升了退耕还林信息提取精度。本研究将高分辨率影像的边界特征和哨兵2号影像的物候特征联合,实验表明最有效的区分退耕地还林和其他地类的方法是红边指数（NDVIre2+NDVIre3）在11月份和10月份的特征差值。基于（NDVIre2+NDVIre3）11-10的隶属度分类法相比其他三种方法提取精度更优,在王益区和王益区的退耕还林信息提取精度均达到90%以上,表明该方法用于退耕还林信息提取具有可行性和适用性。
席瑞[9]（2020）在《基于长时间序列Landsat卫星影像的泰国呵叻高原土地利用/土地覆被变化遥感监测研究》文中研究说明土地是人类在地球上生存生活的基本物质资源,也是人类生存所必须的重要资源之一,因而土地利用/覆被变化监测与分析研究尤为重要。随着遥感技术的快速发展,使得局部地区甚至全球尺度上探讨土地利用类型数量、空间变化关系与特征分析以及变化因素的剖析等等成为可能,不仅包括对社会经济发展的影响还会生物生长环境、鸟类或昆虫迁飞迁徙行为。此外,土地利用/覆被研究也可以作为未来土地利用/覆被规划和实践的重要参考依据。本文选取1972年至2017年平均间隔约为10年的Landsat系列影像.利用归一化水体指数、支持向量机法以及目视解译相结合的方法,提取了泰国东北部呵叻高原那空帕侬府的土地利用/覆被变化信息,总体精度达到了88%以上,Kappa系数为0.86。还采用了单一土地利用类型动态度、土地利用类型转移矩阵、土地利用类型状态指数、土地综合利用程度指数和景观格局指数等五种土地利用变化分析模型与指数,进行土地利用/覆被类型的数量及空间变化特征及趋势分析。并从自然因素和社会因素两个方面对那空帕侬府近45年土地利用/覆被变化情况进行驱动力因素的深入分析。该研究着重分析了过去45年森林、农田和水利设施变化状况以及城镇化发展速度和规模,探究其相互转化情况。从1972年到2017年的单一土地利用动态度和土地利用转移矩阵可以得出,建设用地、水体和道路增速较快,分别为7.84%、2.52%和2.20%;耕地面积变化幅度较小,单一动态度为0.63%;林地面积与数量减少速度较快,单一动态度达到了-0.89%。林地与耕地间的分布与相互间转移的区域差异明显,主要依次发生在西北,中部、部分西南和东南地区。依据土地综合利用程度以及景观格局指数分析可知,研究区内整个斑块形状趋向简单、破碎化斑块减少、地类间的离散程度降低,总体的土地综合利用程度越来越高;土地利用空间格局逐渐稳定和均衡化。以前述研究为基础,采取定性方法对那空帕侬地区土地利用变化驱动机制进行分析,在受到特有的自然和社会条件制约下,因地制宜地适度开发利用,保证能够满足人类生活需求的同时,为未来土地利用预测、规划、生物防治以及生存境况的科学的决策提供数据支撑。
钟滨[10]（2019）在《基于多源数据的庐山国家级自然保区土地利用/覆被变化及其机理研究》文中提出庐山是长江中下游大平原上的“生态交汇岛”,保存了较为完整的生态系统。庐山同时也是国家重点风景名胜区,长期受到人为活动影响,土地利用变化程度较大,给自然生态系统带来沉重的压力。在自然保护区中,植被是保护区的主要覆盖类型,植被的覆盖情况对保护区的生态环境具有重要影响。掌握保护区植被覆盖的时空变化情况,科学分析植被与气候和人类活动之间的关系,对保护区制定可持续管理措施具有重要意义。近年来,庐山竹林向周边邻近常绿阔叶林或针阔混交林边界扩张蔓延趋势日益明显,毛竹扩张严重干扰周围原始植被,并引发了森林景观破碎化、生物多样性减少、森林土壤退化等问题,严重威胁着庐山自然保护区森林生态系统稳定性和庐山森林景观格局。如何对保护区土地利用/覆被的变化情况进行动态监测,科学认知森林植被时空演变及其机理,构建森林生态保护示范模式已迫在眉睫。本论文以可持续发展理论为指导,以江西庐山国家级自然保护区为研究区域,将1988-2017近30年的遥感数据与地理国情普查、林业资源调查等多源数据进行有效融合,建立包括自然地理条件、土地利用变化、社会经济发展、林业调查数据相融合的庐山自然保护区基础数据要素空间数据库,在此基础上,对保护区长时间序列土地利用/覆盖变化及机理进行分析。宏观上针对保护区主要覆盖类型植被的覆盖情况（NDVI）进行动态监测,对庐山保护区1988-2017年18期的Landsat影像数据进行处理和分析,获取保护区近30年NDVI时间变化和空间变化情况,探究区域NDVI时空变化规律。微观上,结合高分二号和Landsat卫星数据,构建典型植被竹林的遥感定量反演模型,获取竹林演变和质心迁移趋势,分析竹林扩张对森林植被的影响。基于宏观与微观分析,结合气候、地形、人为活动等驱动因子进行相关分析,揭示保护区植被时空演变规律和机理。基于以上分析研究,建立NDVI变异性和重点野生植物保护预警机制,并对保护区的边界和功能区划界线进行了优化分析,为保护区制定管护措施提供科学依据,实现保护区的可持续经营管理,本文的主要结论如下:（1）土地利用/覆被时空分布格局基于长时间序列的Landsat遥感影像和样地数据,通过遥感的技术手段提取多层次的土地利用/覆被信息,掌握保护区的土地利用分类、NDVI特征、竹林信息的时空分布格局。基于高分二号的竹林信息定量提取,辅以纹理特征的支持向量机分类方法取得的效果最好,竹林分类生产精度和用户精度均达到90%以上。庐山土地利用/覆被变化格局中,林地、竹林、草地三种地类占保护区面积的80%以上,其中林地面积1988-2013年间持续上升,2013-2017年小幅下降。从NDVI分布上看,近30年保护区NDVI均值为0.663,整体上看庐山自然保护区NDVI值中间高,四周低,保护区边缘地区由于靠近建筑区及道路,NDVI均值较低。整体上竹林面积呈现下降趋势,以0.92/a的速度减少,从空间分布上看,总体上竹林面积核心区>实验区>缓冲区;竹林在1200-1446m高程范围内分布最少,主要分布在400-600m和600-800m高程范围内;竹林在黄棕壤分布最少,主要分布红壤和黄壤中,其中在红壤中分布的面积比例最大;竹林在坡度类型上分布面积大小排序为斜坡>陡坡>缓坡>急坡>平坡;竹林在坡向类型上分布面积大小排序为阳坡>半阳坡>半阴坡>阴坡。（2）土地利用/覆被时空演变特征通过计算土地土地利用/覆被变化动态度和转移矩阵来分析各类土地类型间的转化情况,结果表明:林地变化程度较为稳定,变化程度较为激烈的均为建设用地及裸地、竹林和耕地。林地在1988-2017年间,不发生转变的比率均在90%以上,主要转变类型为竹林和耕地;建设用地及裸地主要转变成林地和耕地;耕地主要转变为林地和竹林;竹林主要转变成林地和耕地。从保护区不同分区来看:区域土地利用/覆被类型变化综合动态度中,核心区和缓冲区的程度比较接近,变化程度较小,实验区的综合动态度较为激烈。从不同研究时期来看:1988-2013年间综合动态均呈现降低趋势,土地利用变化程度放缓;2013-2017年间区综合动态均呈现剧烈上升趋势。通过对NDVI变化情况进行一元线性回归分析,近30年来庐山NDVI整体上呈现下降趋势,以0.017/10a的趋势减少,NDVI值从1988到1993年一直下降,1993至1996年NDVI值持续上升;1996-2002年间NDVI变化幅度较少;2002-2017年呈现先降后升趋势,于2013年降入谷底后开始快速上升趋势。为了进一步分析保护区NDVI长时间序列变化趋势,通过耦合Theil-Sen Median趋势分析和Mann-Kendall显着性检验结果分析,将NDVI变化趋势分为轻微减少、显着减小、显着增加、轻微增加、基本不变五个类型,五个类型占保护区总面积比例顺序为:轻微减小>轻微增加>基本不变>显着增加>显着减少。庐山自然保护区1988-2017年间NDVI的变异系数的结果,总体上为较低变异>中等变异>高变异>较高变异>微小变异,其所占保护区面积分别为52.54%、31.02%、7.78%、7.16%和1.51%。（3）土地利用/覆被变化驱动机理通过综合一元线性回归趋势分析、Pearson相关性分析、空间叠加耦合分析等方法,对森林植被NDVI时空演变的影响机理进行了分析。在土地利用/覆被变化特征中,影响土地利用/覆被变化的驱动因子主要是人为活动,整体上核心区和缓冲区的土地利用/覆被变化动态度要低于实验区。NDVI时空演变特征中,主要影响因子为高程和人为活动,保护区NDVI均值随着高程的增加而提高,NDVI均值大小在各功能分区的分布情况为核心区>缓冲区>实验区;NDVI变异性剧烈程度为阴坡>半阴坡>半阳坡>阳坡;NDVI趋势变化显着变化区域主要分布于缓坡中,显着减少区域主要分布于游客聚集密度较大区域和功能分区的核心区中;温度与保护区历年NDVI均值变化呈不显着正相关,降雨与保护区历年NDVI均值变化呈不显着负相关。通过加权质心模型分析竹林质心变化情况,庐山保护区近30年竹林质心演变的趋势和机理是往高海拔、坡度较低、阳坡的区域迁移,整体上往东北方向扩张。（4）保护区可持续经营管理对策基于保护区森林植被时空演变的机理,对保护区植被时空演变进行了 NDVI变异性和重点野生植物保护预警分析,从森林植被时空演变动态监管、完善森林植被保护预警机制、优化保护区边界和功能分区三个方面提出提升保护区森林植被质量对策,保持生态系统完整性,深入推动庐山国家公园建设,实现保护区的可持续经营管理。
二、The analysis of SPOT-5 characteristics on land cover Classification（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、The analysis of SPOT-5 characteristics on land cover Classification（论文提纲范文）
（1）基于Sentinel影像的图们江中游典型湿地分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究进展 |
| 1.3.1 湿地分类遥感数据源 |
| 1.3.2 基于面向对象影像分类方法研究 |
| 1.3.3 图们江流域湿地遥感研究进展 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 研究区概况及数据预处理 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 社会经济概况 |
| 2.2 遥感数据来源及预处理 |
| 2.2.1 Sentinel-2B数据来源及预处理 |
| 2.2.2 Sentinel-1A数据来源及预处理 |
| 2.3 地形辅助数据 |
| 2.4 野外采样数据 |
| 第三章 基于面向对象分类方法的特征选取 |
| 3.1 研究区分类体系和解译标志的确定 |
| 3.1.1 分类体系 |
| 3.1.2 解译标志 |
| 3.2 基于光学遥感影像的多尺度分割 |
| 3.3 雷达特征 |
| 3.3.1 基于Sentinel-1A单视复数影像生成极化散射矩阵 |
| 3.3.2 双极化Sentinel-1A数据的H/A/α分解 |
| 3.3.3 雷达特征选取 |
| 3.4 其他特征选取 |
| 3.4.1 光谱特征 |
| 3.4.2 纹理特征 |
| 3.4.3 几何特征 |
| 3.4.4 最优特征变量筛选 |
| 3.5 训练样本的选取 |
| 第四章 研究区湿地分类及精度对比 |
| 4.1 基于Sentinel卫星多源遥感数据的面向对象分类及精度评价 |
| 4.1.1 基于面向对象的随机森林分类器 |
| 4.1.2 土地覆被分类结果 |
| 4.1.3 精度评价 |
| 4.2 与其他分类结果对比 |
| 4.2.1 基于Sentinel-2B影像的面向对象分类结果对比 |
| 4.2.2 基于Sentinel-2B影像像元的随机森林分类结果对比 |
| 4.2.3 基于Landsat-8 影像的面向对象分类结果对比 |
| 第五章 结论与不足 |
| 5.1 结论 |
| 5.2 不足 |
| 参考文献 |
| 致谢 |
（2）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（3）祁连山森林碳储量与森林景观格局时空变化研究（论文提纲范文）
| 摘要 |
| SUMMARY |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 相关研究进展 |
| 1.2.1 森林分类研究 |
| 1.2.2 森林空间分布变化监测研究 |
| 1.2.3 森林景观格局研究 |
| 1.2.4 森林碳储量研究 |
| 1.3 研究内容、技术路线与预期目标 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 预期目标 |
| 第二章 研究区与数据 |
| 2.1 研究区 |
| 2.1.1 整体研究区概况 |
| 2.1.2 重点研究区概况 |
| 2.2 数据收集及预处理 |
| 2.2.1 光学遥感影像数据 |
| 2.2.2 激光雷达数据 |
| 2.2.3 空间环境数据 |
| 2.2.4 野外实地调查数据 |
| 2.2.5 辅助数据 |
| 第三章 山地森林识别精度提升研究 |
| 3.1 研究方法 |
| 3.1.1 构建分类系统 |
| 3.1.2 基于GLAS数据的山地地物高度提取 |
| 3.1.3 森林范围识别 |
| 3.1.4 森林类型识别 |
| 3.2 结果分析与讨论 |
| 3.2.1 森林范围识别精度比较 |
| 3.2.2 森林类型识别精度比较 |
| 3.2.3 讨论 |
| 3.3 本章小结 |
| 第四章 祁连山森林碳储量现状研究 |
| 4.1 研究方法 |
| 4.1.1 森林类型分类及森林区域GLAS脚印点筛选 |
| 4.1.2 GLAS脚印点森林冠层高度估算 |
| 4.1.3 GLAS脚印尺度森林碳储量估算 |
| 4.1.4 基于Max Ent模型的研究区森林碳储量空间分布估计 |
| 4.2 结果分析与讨论 |
| 4.2.1 GLAS脚印点森林冠层高度估算结果 |
| 4.2.2 GLAS脚印点森林碳储量估算结果 |
| 4.2.3 研究区森林碳储量空间分布估计结果 |
| 4.2.4 研究区森林碳储量空间分布特征 |
| 4.2.5 讨论 |
| 4.3 本章小结 |
| 第五章 近30 年祁连山森林景观动态变化研究 |
| 5.1 研究方法 |
| 5.1.1 历史影像森林面积提取及类型识别 |
| 5.1.2 森林面积动态变化分析 |
| 5.1.3 森林覆盖度动态变化分析 |
| 5.1.4 森林景观格局动态变化分析 |
| 5.2 结果分析与讨论 |
| 5.2.1 研究区1990-2018 年森林类型分类结果 |
| 5.2.2 研究区1990-2018 年森林面积动态变化分析 |
| 5.2.3 研究区1990-2018 年森林覆盖度动态变化分析 |
| 5.2.4 研究区1990-2018 年森林景观格局动态变化分析 |
| 5.2.5 讨论 |
| 5.3 本章小结 |
| 第六章 近30 年祁连山森林碳储量时空变化研究 |
| 6.1 研究方法 |
| 6.1.1 森林碳储量估算 |
| 6.1.2 相对辐射校正 |
| 6.1.3 森林碳储量的时空变化分析 |
| 6.2 结果分析与讨论 |
| 6.2.1 基于遥感变量的森林碳储量估算 |
| 6.2.2 研究区1990-2018 年森林碳储量空间分布 |
| 6.2.3 研究区1990-2018 年森林碳储量时空变化分析 |
| 6.2.4 讨论 |
| 6.3 本章小结 |
| 第七章 不同尺度森林景观格局与森林碳储量相关性研究 |
| 7.1 研究方法 |
| 7.1.1 实验区域选择 |
| 7.1.2 划分不同尺度森林样区 |
| 7.1.3 景观指数选取 |
| 7.1.4 不同尺度样区内森林碳储量及景观指数提取 |
| 7.1.5 统计分析 |
| 7.2 结果分析与讨论 |
| 7.2.1 研究区不同尺度样区划分结果 |
| 7.2.2 不同尺度森林景观格局与森林碳储量相关性分析 |
| 7.2.3 不同尺度森林景观格局与森林碳储量相关关系模型 |
| 7.2.4 讨论 |
| 7.3 本章小结 |
| 第八章 结论、讨论与展望 |
| 8.1 讨论 |
| 8.2 主要研究结论 |
| 8.2.1 山地森林识别精度提升研究 |
| 8.2.2 祁连山森林碳储量现状研究 |
| 8.2.3 近30 年祁连山森林景观动态变化研究 |
| 8.2.4 近30 年祁连山森林碳储量时空变化研究 |
| 8.2.5 不同尺度森林景观格局与森林碳储量相关性研究 |
| 8.3 特色与创新点 |
| 8.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
（4）辽河保护区生态保护与修复成效评估（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 成效评估研究 |
| 1.2.2 成效评估体系 |
| 1.2.3 存在问题与不足 |
| 1.3 研究目标及内容和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 研究区概况及数据处理 |
| 2.1 生态环境本底状况 |
| 2.1.1 地理位置 |
| 2.1.2 气候条件 |
| 2.1.3 地形地貌 |
| 2.1.4 土壤植被 |
| 2.1.5 生物多样性 |
| 2.1.6 径流水系 |
| 2.2 辽河保护区社会经济状况 |
| 2.3 保护区生态保护与建设工程状况 |
| 2.4 数据来源及预处理 |
| 2.4.1 数据来源 |
| 2.4.2 数据处理 |
| 第三章 研究方法 |
| 3.1 评估指标体系构建 |
| 3.1.1 评价方法 |
| 3.1.2 指标构建原则 |
| 3.1.3 指标体系建立 |
| 3.2 辽河保护区生态系统格局与评估方法 |
| 3.2.1 土地利用数据提取及分类体系 |
| 3.2.2 生态系统格局 |
| 3.2.3 成效评估 |
| 3.3 辽河保护区生态系统质量与评估方法 |
| 3.3.1 植被覆盖度数据处理 |
| 3.3.2 植被退化及恢复情况 |
| 3.3.3 成效评估 |
| 3.4 辽河保护区生态系统服务与评估方法 |
| 3.4.1 水源涵养功能 |
| 3.4.2 土壤保持功能 |
| 3.4.3 生态系统固碳功能 |
| 3.4.4 物种保育功能 |
| 3.4.5 成效评估 |
| 第四章 保护区生态保护与修复成效评估 |
| 4.1 生态系统宏观结构评价 |
| 4.1.1 生态系统分布特征 |
| 4.1.2 生态系统转化情况 |
| 4.1.3 生态系统格局变化 |
| 4.1.4 生态系统结构评估 |
| 4.2 生态系统质量变化评价 |
| 4.2.1 生态系统质量变化 |
| 4.2.3 生态系统质量评估 |
| 4.3 生态系统服务变化评价 |
| 4.3.1 水源涵养功能 |
| 4.3.2 土壤保持功能 |
| 4.3.3 生态系统固碳功能 |
| 4.3.4 物种保育功能 |
| 4.4 生态系统服务综合评估 |
| 4.4.1 生态系统服务能值估算 |
| 4.4.3 评估结果 |
| 4.5 综合评价 |
| 第五章 驱动因素及对策建议 |
| 5.1 驱动因素 |
| 5.1.1 气候变化 |
| 5.1.2 生态修复工程 |
| 5.2 重点生态工程修复成效 |
| 5.2.1 退耕封育工程 |
| 5.2.2 湿地工程 |
| 5.4 生态保护管理对策和建议 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 讨论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间主要研究成果 |
（5）滔河流域土地利用变化及驱动力分析（论文提纲范文）
| 摘要 |
| abstract |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究进展 |
| 1.2.1 遥感信息提取技术 |
| 1.2.2 驱动力分析技术 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 2.研究区概况和数据处理 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 地形地貌 |
| 2.1.3 植被资源 |
| 2.1.4 气候条件 |
| 2.1.5 土壤条件 |
| 2.2 数据来源及处理 |
| 2.2.1 数据来源 |
| 2.2.2 数据预处理 |
| 3.土地利用遥感信息提取方法研究 |
| 3.1 非监督分类 |
| 3.2 监督分类 |
| 3.2.1 最小距离分类法 |
| 3.2.2 面向对象分类法 |
| 3.3 分类精度评价 |
| 3.3.1 精度评价方法 |
| 3.3.2 非监督分类法的精度评价 |
| 3.3.3 监督分类的精度评价 |
| 3.4 分类结果 |
| 4.土地利用动态变化分析 |
| 4.1 土地利用类型数量变化分析 |
| 4.1.1 土地利用类型面积变化 |
| 4.1.2 土地利用变化幅度、动态度 |
| 4.2 土地利用程度变化分析 |
| 4.2.1 土地利用程度综合指数Lp |
| 4.2.2 土地利用程度变化量和变化率 |
| 4.3 土地利用空间变化分析 |
| 5.驱动力分析 |
| 5.1 驱动力定性分析 |
| 5.1.1 人口因素 |
| 5.1.2 经济因素 |
| 5.2 驱动力定量分析 |
| 5.2.1 指标体系选择 |
| 5.2.2 驱动因子空间化 |
| 5.2.3 Logistic回归分析 |
| 5.3 发展建议 |
| 6.结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（6）基于多源影像融合和面向对象的土地利用分类技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状与进展 |
| 1.2.1 多源影像融合技术现状 |
| 1.2.2 影像融合质量评价研究现状 |
| 1.2.3 面向对象的地物分类研究现状 |
| 1.3 研究目的、内容与技术路线 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 结构安排 |
| 1.5 本章小结 |
| 第二章 研究区与数据获取 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.2.1 多光谱数据 |
| 2.2.2 全色数据 |
| 2.3 数据预处理 |
| 2.3.1 辐射校正 |
| 2.3.2 几何校正 |
| 2.4 本章小结 |
| 第三章 多源影像融合及质量评价 |
| 3.1 多源影像融合 |
| 3.2 常用像素级融合方法 |
| 3.2.1 PCA融合 |
| 3.2.2 Brovey融合 |
| 3.2.3 Gram-Schmidt融合 |
| 3.2.4 NNDiffuse融合 |
| 3.2.5 Subtractive融合 |
| 3.2.6 Pansharp融合 |
| 3.3 改进的Pansharp融合方法 |
| 3.3.1 改进Pansharp融合原理 |
| 3.3.2 改进Pansharp融合步骤 |
| 3.4 影像融合效果评价方法 |
| 3.4.1 定性评价方法分析 |
| 3.4.2 定量评价方法分析 |
| 3.5 影像融合实验及分析 |
| 3.6 本章小结 |
| 第四章 面向对象的影像分割 |
| 4.1 面向对象分类 |
| 4.2 影像分割原理 |
| 4.2.1 影像分割 |
| 4.2.2 多尺度影像分割 |
| 4.3 分割参数确定 |
| 4.3.1 波段权重的选择 |
| 4.3.2 最佳分割尺度的选择 |
| 4.3.3 均值因子的确定 |
| 4.4 影像特征优化 |
| 4.4.1 纹理特征 |
| 4.4.2 几何特征 |
| 4.4.3 光谱特征 |
| 4.4.4 特征的组合选择 |
| 4.5 面向对象分类实验 |
| 4.6 分类结果验证及精度评价 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 导师评阅表 |
（7）基于面向对象和随机森林方法的SPOT6湟水流域土地利用/土地覆被信息提取（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与选题意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 面向对象的土地利用/土地覆被分类方法研究 |
| 1.2.2 随机森林的土地利用/土地覆被分类方法研究 |
| 1.3 研究目标与研究内容 |
| 1.4 技术路线和论文框架 |
| 1.4.1 技术路线 |
| 1.4.2 论文结构 |
| 1.5 研究特色、创新与难点 |
| 第二章 研究区概况与数据源 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候 |
| 2.1.3 水系 |
| 2.1.4 土壤与植被 |
| 2.1.5 土地利用/土地覆被类型空间分布 |
| 2.2 数据源与数据预处理 |
| 2.2.1 数据源 |
| 2.2.2 数据预处理 |
| 第三章 面向对象分类与随机森林分类方法 |
| 3.1 面向对象分类原理 |
| 3.1.1 影像分割 |
| 3.1.2 多尺度分割算法 |
| 3.1.3 面向对象分类 |
| 3.2 随机森林分类 |
| 3.2.1 决策树 |
| 3.2.2 随机森林分类原理 |
| 第四章 湟水流域土地利用/土地覆被分类 |
| 4.1 湟水流域土地利用/土地覆被分类系统的确定 |
| 4.2 特征参数 |
| 4.3 基于面向对象的湟水流域土地利用/土地覆被分类 |
| 4.3.1 多层次的最优分割尺度参数 |
| 4.3.2 分类层次与分类规则 |
| 4.3.3 面向对象土地利用/土地覆被分类结果 |
| 4.4 基于随机森林的湟水流域土地利用/土地覆被分类 |
| 4.4.1 训练样本以及验证样本的选择 |
| 4.4.2 最优特征参数集 |
| 4.4.3 随机森林土地利用/土地覆被分类结果 |
| 4.4.4 分类后处理 |
| 第五章 精度评价 |
| 5.1 精度评价指标 |
| 5.2 分类结果精度评价对比 |
| 5.3 分类结果对比分析 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 土地利用/覆被分类系统 |
| 1.2.2 影像分割方法 |
| 1.2.3 信息提取方法 |
| 1.2.4 存在问题 |
| 1.3 研究目标与技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 技术路线 |
| 1.4 论文的组织结构 |
| 2 研究区概况与数据源 |
| 2.1 研究区概况 |
| 2.2 数据源 |
| 2.3 数据预处理 |
| 2.3.1 高分辨率影像预处理 |
| 2.3.2 Sentinel-2 影像预处理 |
| 2.4 本章小结 |
| 3 高精度地表覆盖数据优化的影像分割方法 |
| 3.1 分形网络演化算法原理 |
| 3.2 分形网络演化算法的基本流程 |
| 3.3 分割结果评价原理 |
| 3.3.1 ESP原理 |
| 3.3.2 归一化最大最小面积指数 |
| 3.4 地表覆盖数据优化影像分割方法 |
| 3.5 分割结果及比较 |
| 3.5.1 高精度地表覆盖数据优化影像分割分析 |
| 3.5.2 两种分割方法比较分析 |
| 3.6 本章小结 |
| 4 基于优化分割方法的土地利用分类 |
| 4.1 分类体系及选择依据 |
| 4.2 特征选取方法及依据 |
| 4.2.1 光谱和几何特征 |
| 4.2.2 纹理特征 |
| 4.2.3 自定义特征 |
| 4.2.4 特征选取 |
| 4.3 面向对象分类方法原理 |
| 4.3.1 贝叶斯分类 |
| 4.3.2 决策树分类 |
| 4.3.3 随机森林 |
| 4.3.4 最临近分类 |
| 4.3.5 四种分类方法的比较 |
| 4.4 分类后处理方法 |
| 4.5 精度评价方法 |
| 4.6 土地利用分类结果评价 |
| 4.6.1 高精度地表覆盖数据优化影像分割的分类精度比较 |
| 4.6.2 四种分类器算法的分类精度比较 |
| 4.7 本章小结 |
| 5 基于优化分割方法的退耕还林信息提取 |
| 5.1 哨兵2号影像特征选择 |
| 5.2 时间序列特征分析和最佳物候时点选择 |
| 5.3 分类方案设计 |
| 5.4 退耕还林提取的精度评价 |
| 5.4.1 精度评价方法 |
| 5.4.2 退耕还林结果精度评价 |
| 5.5 方法的适用性评价 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读学位期间的研究成果 |
（9）基于长时间序列Landsat卫星影像的泰国呵叻高原土地利用/土地覆被变化遥感监测研究（论文提纲范文）
| 摘要 |
| abstracts |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 土地利用/覆被变化及驱动力的内涵 |
| 1.3 国内外研究现状 |
| 2 研究内容与方法 |
| 2.1 研究目的 |
| 2.2 研究内容 |
| 2.3 研究方案与技术路线 |
| 2.4 研究方法 |
| 2.4.1 土地利用/覆被信息提取方法 |
| 2.4.2 土地利用/覆被变化分析方法 |
| 2.4.3 土地利用/覆被变化驱动力分析方法 |
| 3 研究区概况、数据来源和处理方法 |
| 3.1 研究区概况 |
| 3.1.1 地理位置 |
| 3.1.2 自然环境条件 |
| 3.1.3 社会经济概况 |
| 3.2 研究数据来源和处理 |
| 3.2.1 数据收集 |
| 3.2.2 遥感数据预处理 |
| 3.2.3 影像数据分类 |
| 4 土地利用/覆被数量变化特征研究 |
| 4.1 土地利用/覆被面积变化分析研究 |
| 4.2 土地利用/覆被类型间的转移趋势分析 |
| 4.3 小结 |
| 5 土地利用/覆被空间变化特征研究 |
| 5.1 土地利用/覆被变化强度时空分异特征研究 |
| 5.2 土地利用/覆被格局变化特征研究 |
| 5.3 小结 |
| 6 土地利用/覆被变化驱动力分析研究 |
| 6.1 自然因素驱动力分析研究 |
| 6.1.1 气候因素驱动力分析研究 |
| 6.1.2 地形地貌因素驱动力分析研究 |
| 6.1.3 水文因素驱动力分析研究 |
| 6.1.4 土壤因素驱动力分析研究 |
| 6.2 社会因素驱动力分析研究 |
| 6.2.1 经济因素驱动力分析研究 |
| 6.2.2 人口因素驱动力分析研究 |
| 7 结论与讨论 |
| 7.1 结论 |
| 7.2 讨论 |
| 7.3 不足与展望 |
| 参考文献 |
| 作者简历及在学期间所取得的科研成果 |
| 致谢 |
（10）基于多源数据的庐山国家级自然保区土地利用/覆被变化及其机理研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1. 绪论 |
| 1.1 研究背景与目的意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 土地利用/覆被变化研究 |
| 1.2.2 植被遥感提取研究 |
| 1.2.3 植被覆盖信息遥感定量估算 |
| 1.2.4 植被时空演变及其机理分析 |
| 1.2.5 文献评述 |
| 1.3 研究目标与主要内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 研究技术路线 |
| 2. 研究方法与数据处理 |
| 2.1 研究的基础理论 |
| 2.1.1 植被演变理论 |
| 2.1.2 遥感技术与理论 |
| 2.1.3 可持续发展理论 |
| 2.1.4 景观生态学理论 |
| 2.2 研究的技术方法 |
| 2.2.1 土地利用变化分析 |
| 2.2.2 NDVI特征分析方法 |
| 2.2.3 竹林遥感分类方法 |
| 2.2.4 竹林时空演变分析方法 |
| 2.3 研究区概况 |
| 2.3.1 位置与范围 |
| 2.3.2 自然资源情况 |
| 2.3.3 社会经济情况 |
| 2.4 数据源及其处理 |
| 2.4.1 数据源介绍 |
| 2.4.2 数据处理 |
| 3. 土地利用/覆被多层次信息遥感提取 |
| 3.1 土地利用分类 |
| 3.1.1 数据准备 |
| 3.1.2 土地利用分类图 |
| 3.1.3 分类结果验证 |
| 3.2 植被覆盖NDVI特征分析提取方案 |
| 3.2.1 数据准备 |
| 3.2.2 植被覆盖NDVI特征分析 |
| 3.3 典型植被——竹林信息遥感提取 |
| 3.3.1 数据准备 |
| 3.3.2 竹林定量提取流程 |
| 3.3.3 提取结果与精度 |
| 3.3.4 提取结果分析 |
| 4. 庐山自然保护区土地利用/覆被时空演变特征分析 |
| 4.1 土地利用变化情况分析 |
| 4.1.1 近30年土地利用变化情况 |
| 4.1.2 土地利用变化转移矩阵分析 |
| 4.1.3 土地利用/覆被变化动态程度分析 |
| 4.1.4 不同功能分区土地利用/覆被变化综合动态程度分析 |
| 4.2 植被覆盖NDVI时空演变特征分析 |
| 4.2.1 庐山自然保护区NDVI时间变化特征 |
| 4.2.2 近30年NDVI均值空间分布特征 |
| 4.2.3 近30年NDVI变化趋势分布特征 |
| 4.2.4 近30年NDVI变化趋势显着性耦合分析 |
| 4.2.5 近30年NDVI变异性合分析 |
| 4.3 典型植被一一竹林时空演变特征分析 |
| 4.3.1 庐山保护区近30年竹林时间变化特征 |
| 4.3.2 庐山保护区近30年竹林空间变化特征 |
| 4.4 小结与讨论 |
| 5. 庐山自然保护区土地利用/覆被时空演变驱动机理分析 |
| 5.1 土地利用变化驱动力分析 |
| 5.1.1 立地因子 |
| 5.1.2 气象因子 |
| 5.1.3 人为活动因子 |
| 5.2 植被覆盖NDVI时空演变驱动力分析 |
| 5.2.1 立地因子 |
| 5.2.2 气象因子 |
| 5.2.3 人为活动因子 |
| 5.3 典型植被——竹林时空演变驱动力分析 |
| 5.3.1 竹林质心迁移距离和方向 |
| 5.3.2 竹林质心迁移驱动力分析 |
| 5.4 土地利用/覆被变化驱动机理分析 |
| 5.5 小结与讨论 |
| 6. 庐山自然保护区森林植被时空演变预警分析 |
| 6.1 基于NDVI时空演变森林植被变异性预警分析 |
| 6.1.1 庐山自然保护区NDVI变异特征 |
| 6.1.2 庐山自然保护区NDVI变异性预警分析 |
| 6.2 基于竹林时空演变趋势的保护区重点野生植物保护预警机制 |
| 6.2.1 庐山自然保护区重点野生植物时空分布特征 |
| 6.2.2 庐山自然保护区重点保护野生植物与周围竹林最小距离分析 |
| 6.2.3 庐山自然保护区重点野生植物保护预警机制 |
| 6.3 小结与讨论 |
| 7. 庐山自然保护区优化方案分析 |
| 7.1 庐山自然保护区可持续经营管理现状及问题分析 |
| 7.2 庐山自然保护区优化方案分析 |
| 7.2.1 庐山自然保护区森林植被质量优化分析 |
| 7.2.2 庐山自然保护区边界优化分析 |
| 7.2.3 庐山自然保护区功能区划优化分析 |
| 7.3 小结与讨论 |
| 8. 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究的创新 |
| 8.3 研究展望 |
| 9. 参考文献 |
| 作者简介 |
| 致谢 |
四、The analysis of SPOT-5 characteristics on land cover Classification（论文参考文献）
- [1]基于Sentinel影像的图们江中游典型湿地分类研究[D]. 刘洋. 延边大学, 2021(02)
- [2]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [3]祁连山森林碳储量与森林景观格局时空变化研究[D]. 宋洁. 甘肃农业大学, 2021(01)
- [4]辽河保护区生态保护与修复成效评估[D]. 杨彩云. 贵州师范大学, 2021(12)
- [5]滔河流域土地利用变化及驱动力分析[D]. 党元君. 北京林业大学, 2020(02)
- [6]基于多源影像融合和面向对象的土地利用分类技术研究[D]. 宋亚萍. 石河子大学, 2020(08)
- [7]基于面向对象和随机森林方法的SPOT6湟水流域土地利用/土地覆被信息提取[D]. 汤敏. 青海师范大学, 2020(02)
- [8]高精度地表覆盖数据优化影像分割方法及在自然资源监测中的应用[D]. 朱晓霞. 兰州交通大学, 2020(01)
- [9]基于长时间序列Landsat卫星影像的泰国呵叻高原土地利用/土地覆被变化遥感监测研究[D]. 席瑞. 杭州师范大学, 2020(02)
- [10]基于多源数据的庐山国家级自然保区土地利用/覆被变化及其机理研究[D]. 钟滨. 江西农业大学, 2019