社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

RSE最新成果|基于多分辨率光学遥感与机器学习的北极苔原覆被分数及年际变化制图

GEE遥感训练营 • 5 月前 • 224 次点击  

论文摘要



气候变化驱动北极苔原植被发生改变,或将引发生态系统服务功能与北极碳收支格局的重大转变,同时改变高纬度区域对气候系统的反馈作用。实地观测研究已证实气候变暖促使灌木大范围扩张;遥感监测结果也表明,北极全域夏季峰值植被绿度整体呈上升趋势,但空间变化存在显著异质性。然而,若要跳出仅依靠遥感光谱 “绿化” 指标的局限,实现灌木扩张范围与扩张速率的定量估算,始终受制于多项难点:不同苔原植被光谱特征相近、地面真值数据匮乏、卫星重访周期不足,以及 30 米中等分辨率影像内部的亚像元地物混杂问题。针对上述难题,本研究构建一套机器学习方法,融合2 米高分辨率商业卫星影像与Landsat–Sentinel-2 一体化协调数据集,依托该方法完成塞沃德半岛至图克托亚图克半岛间三大北极苔原生态区(总面积 33.5 万平方千米)2016—2023 年逐年 30 米分辨率亚像元地物组分占比制图;并采用蒙特卡洛重采样法逐像元量化制图不确定性。独立精度检验结果显示制图精度优良:低矮植被、直立灌木覆盖度的均方误差分别为 15.98%、11.89%,精度持平或优于以往同类制图成果。依托多时相配对商业卫星影像。
研究首次实现北极苔原地物组分变化量的定量校验:低矮植被与直立灌木覆盖度变化量决定系数\(R^2\)分别为 0.46、0.55,变化方向判对率依次达 77%、78%。本套多源传感器协同、可规模化推广的地物组分制图新方案,产出全球首套北极苔原逐年地物组分数据集,可为精准刻画植被动态规律、厘清植被演变与气候变化及扰动过程的关联关系提供数据支撑。

关键图表



图 1.2023 年植被夏季鼎盛期真彩色影像图,界线划分北极山麓、塞沃德半岛、布鲁克斯山脉三大生态分区。图中标注两类点位:彩色方框为用于模型训练与精度验证的超高分辨率卫星(VHSR‑Sat)影像采样区;彩色圆点为依托无人机(UAV)实测真值图开展产品检验的独立验证点位。研究范围还包含加拿大西北地区因纽维克 — 图克托亚图克之间马更些河三角洲的阿蒙森平原局部,该区域两处独立真值点位纳入精度评估。小插图标示研究区在北美北极的地理位置;独立验证点位做放大处理便于查看,点位视觉重叠不代表实地位置重合。

图 2.逐年地物组分制图、模型不确定性量化与结果验证整体技术框架。各子图标注左上角数字对应论文方法章节分项编号。左上子图(3.1 特征提取)示意:选取典型像元(黄色星号标注),分别在植被返青中期、双波段增强植被指数(EVI2)峰值期、枯黄中期三个物候节点提取综合光谱特征。
图 3.反演得到的灌木覆盖度组分符合区域生物地理规律与真值数据。全域 2020 年灌木组分空间分布详见主图;同时附 1 处训练样区 (a)、1 处常规检验样区 (b)、1 处无人机独立真值样区 (c) 结果,各样区位置以蓝色标注点位落在总图上。单样区排布:左侧真彩色影像、中间≤2m 分辨率精细分类结果、右侧同年份 30m 分辨率模型反演灌木组分图。
图 4.各类地物(a 水体、b 裸地、c 乔木、d 低矮植被、e 灌木)模型预测组分与实测组分对比。单个圆圈代表一个统计分组:各样区独立真值数据按 0~100% 组分每 10% 划分为一组,圆圈半径代表组内像元数量,回归参数基于全部样本计算。苔原类地物真值取自独立样区无人机测绘成果;* 乔木无充足无人机真值,其验证数据来自超高分辨率卫星检验点位。

图 5.上图:本研究灌木组分产品与同期主流遥感数据集对比;下图:独立无人机真值点位精度对比,本研究结果用绿色标注,其他数据集结果用灰色标注,附带各项精度统计指标。

图 6.各地物类型排名前十的输入特征重要度分布,误差棒为 100 次重复建模结果的标准差;Mid‑GUP、Mid‑GDN 分别指代返青中期、枯黄中期。

图 7.全部训练像元内各地物端元:EVI2 物候曲线关键三节点 (a/b/c) 的反射光谱与植被指数(阴影包络线为 ±1 倍标准差范围),以及各地物地形分布特征 (d)。

图 8.基于蒙特卡洛抽样得到的 2020 年灌木组分不确定性空间分布图;配套直方图 (a~e) 说明:区域内分布占比越高的组分区间,像元反演不确定性整体更低。直方图按 10% 组分间隔统计各地物中位不确定性与组分频次;附图统计 100 次建模后各地物组分标准差的全域频次分布。图中黑色为缺值区域,对应当年无有效无冰无云观测的高山裸岩、极低植被覆盖地带。

图 9.各地物类型:模型预测误差随蒙特卡洛 100 次模拟标准差(模型不确定性)升高而增大,n 为单分组像元总量。子图 (b)(d)(e) 仅纳入样本量超全部独立点位 5% 的分组;水体、乔木样本稀缺,筛选单组像元>100 的分组参与统计。

图 10.模型逐年捕捉火灾扰动后的植被消亡与恢复过程:分别展示 2019 年库格鲁克河一号火场 (a)、2019 年卡卢克塔维克河火场 (b)、2017 年迪特里希河火场 (c) 灾后次年裸地组分与 2023 年裸地组分空间图,搭配扰动区组分逐年时序曲线;火场边界取自阿拉斯加大型火灾数据库(Hrobak 等人,2024)。时序图阴影为扰动区组分平均不确定性,红色虚线标记起火年份。

图 11.逐年地物变化产品刻画热喀斯特滑塌(RTS)扩张,包含已知边界 (a/b) 和新发现边界 (c/d)。分别展示扰动起始年与 2023 年裸地组分图,以及奇克塔鲁克海岸全域 (a)、皮尔高原 (b~d) 滑塌区时序变化;a、b 滑塌边界来自 DARTS 数据集(Nitze 等人,2025),c、d 边界依托多时相超高分辨率卫星影像(左侧附真彩色图)人工解译(点位信息见表 S1);时序阴影代表扰动区组分标准差均值。

图 12.依托 3 处超高分辨率卫星变化监测样区(图 1、附表 S1),开展 (a) 水体、(b) 裸地、(c) 低矮植被、(d) 灌木的组分变化量精度验证。回归图采用泰尔‑森斜率拟合,对比实测变化量与产品反演变化量,量化变化幅度与变化方向一致性;混淆矩阵按增减方向分组统计,单独核验变化方向准确率。

版权声明

声明:本推文仅用于学习交流,不做其他任何目的。若有侵权,请联系微信号:GeeStudy_2020删除或修改!论文doi链接:https://doi.org/10.1016/j.rse.2026.115511,点赞、收藏、关注!

更多阅读



RSE最新成果|尺度转移+迭代伪标签!STaPL 实现大范围、长时序农业耕作方式年度监测

2026-06-02

RSE最新成果|北京大学郭庆华团队融合多源遥感与 PAIe-MoE 模型的全国森林垂直结构数据集构建

2026-06-01

ISPRS最新成果|中国科学院毛德华团队知识驱动机器学习,构建 2016–2024 全国10 米年度湿地数据集

2026-05-31

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/197297