准确掌握森林覆盖空间分布对于森林生态系统保护、恢复和可持续利用至关重要。但高效、精准地获取县域尺度复杂森林覆盖变化依靠低空间分辨率遥感影像结合传统计算机分类模型已经无法满足。以黑龙江省佳木斯汤原县复杂森林为研究对象,...准确掌握森林覆盖空间分布对于森林生态系统保护、恢复和可持续利用至关重要。但高效、精准地获取县域尺度复杂森林覆盖变化依靠低空间分辨率遥感影像结合传统计算机分类模型已经无法满足。以黑龙江省佳木斯汤原县复杂森林为研究对象,采用哨兵一号、二号(Sentinel-1、Sentinel-2)中空间分辨率卫星遥感影像,构建基于粒子群优化算法(particle swarm optimization,PSO)优化的机器学习模型,检测县域尺度森林覆盖变化,应用K-折交叉验证对检测森林覆盖结果进行精度评价。研究结果表明,基于粒子群算法优化的支持向量机和随机森林2个机器学习模型与未经参数优化的自身模型相比,森林覆盖变化检测精度均得到提高,支持向量机模型提高6.52%,随机森林模型提高4.65%。与目前主流ESA World Cover土地覆盖产品相比,基于粒子群算法优化的随机森林模型精度最高,总体精度达到0.92。优化后的随机森林模型对森林覆盖变化检测也更加精细。通过粒子群优化算法的随机森林模型对中空间分辨率遥感影像进行分类,可以快速、准确地掌握县域尺度森林覆盖空间分布情况,为森林生态系统保护、恢复和可持续利用提供数据和技术支撑。展开更多
文摘准确掌握森林覆盖空间分布对于森林生态系统保护、恢复和可持续利用至关重要。但高效、精准地获取县域尺度复杂森林覆盖变化依靠低空间分辨率遥感影像结合传统计算机分类模型已经无法满足。以黑龙江省佳木斯汤原县复杂森林为研究对象,采用哨兵一号、二号(Sentinel-1、Sentinel-2)中空间分辨率卫星遥感影像,构建基于粒子群优化算法(particle swarm optimization,PSO)优化的机器学习模型,检测县域尺度森林覆盖变化,应用K-折交叉验证对检测森林覆盖结果进行精度评价。研究结果表明,基于粒子群算法优化的支持向量机和随机森林2个机器学习模型与未经参数优化的自身模型相比,森林覆盖变化检测精度均得到提高,支持向量机模型提高6.52%,随机森林模型提高4.65%。与目前主流ESA World Cover土地覆盖产品相比,基于粒子群算法优化的随机森林模型精度最高,总体精度达到0.92。优化后的随机森林模型对森林覆盖变化检测也更加精细。通过粒子群优化算法的随机森林模型对中空间分辨率遥感影像进行分类,可以快速、准确地掌握县域尺度森林覆盖空间分布情况,为森林生态系统保护、恢复和可持续利用提供数据和技术支撑。
文摘青藏高原是全球重要的生态系统,其森林覆盖状况对全球气候变化和生态系统保护具有重要意义。为获取更为精确的青藏高原森林覆盖信息,本研究基于Sentinel-1、Sentinel-2遥感数据和DEM(Digital Elevation Model)数据,采用优化随机森林模型,生成了2021年青藏高原10米分辨率森林覆盖产品。该方法的主要特点在于针对青藏高原复杂的地表环境和植被类型,优化了随机森林模型的参数和训练特征,提高了模型的精度和泛化能力。精度验证结果表明,本产品的总体精度和Kappa系数分别为98.29%和0.9496,优于现有的ESA World Cover2020产品的95.04%和0.7712。本产品提供了青藏高原地区高精细度的森林覆盖信息,可为青藏高原森林资源管理、森林生态系统的碳储量和碳循环等研究提供基础数据。
