基于深度学习的外来植物互花米草遥感分类研究

摘要

互花米草已成为中国滨海湿地最为重要的入侵物种,研究互花米草高精度分类及时空演变特征对于科学管控互花米草入侵具有重要意义。以盐城湿地珍禽国家级自然保护区核心区为研究范围,首先基于2018～2020年Sentinel-2 NDVI数据集,获取研究区植被物候信息,判别互花米草提取关键物候时期。继而基于2019年关键物候时期内多源多时相遥感数据构建特征集,运用Res Net18、MSRN2、CDCNN、SVM、RF五种方法分别获取景观分类图,精度评价结果显示MSRN2的方法性能更加优越。同时,采用MSRN2算法对研究区1991～2020年多源遥感影像进行分类,获取互花米草入侵以来长时序高精度分类结果,并分析研究区内互花米草的时空变化,探讨互花米草入侵扩张的驱动力,为互花米草的科学管控提取依据。主要结论如下:1)植物物候信息和可分离性评估结果表明互花米草成熟期和衰老初期作为互花米草提取的关键物候时期最佳,互花米草衰老后期和芦苇快速生长期次之。2)植被物候特征与多尺度残差网络的结合能够明显提高滨海湿地互花米草提取精度,与传统机器学习和经典深度学习方法相比较精度更高,并可以避免椒盐现象,有效提高湿地植被分类精度。3)截止2020年,研究区内互花米草面积已达4402.35ha,仍处于入侵扩张阶段;1991～2020年期间,互花米草在盐城湿地核心区呈海陆双向扩张趋势,主要侵占芦苇和碱蓬、泥质海滩等景观类型,且具有显著的阶段性特征;互花米草在盐城滨海湿地核心区的快速入侵扩张受自然因素和人为因素共同驱动。图33幅;表17个;参78篇。

目录

摘要

abstract

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 互花米草遥感监测研究进展

1.2.2 互花米草分类算法研究进展

1.2.3 深度学习遥感影像分类研究进展

1.3 研究目标与内容

1.3.1 研究目标

1.3.2 研究内容

1.3.3 创新点

1.4 研究方案及技术路线

1.4.1 研究方案

1.4.2 技术路线

第2章 研究区概况及数据来源

2.1 研究区概况

2.1.1 地理位置

2.1.2 气候和地貌

2.1.3 盐沼植物类型

2.2 Google Earth Engine

2.3 数据与预处理

2.4 本章小结

第3章 研究方法

3.1 植被物候曲线拟合

3.1.1 时间序列谐波分析算法

3.1.2 Savitzky-Golay 滤波算法

3.2 植被可分离性评估

3.3 蚁群优化算法

3.4 机器学习算法

3.4.1 支持向量机

3.4.2 随机森林

3.5 深度学习算法

3.5.1 卷积神经网络架构

3.5.2 残差网络

3.5.3 多尺度残差网络

3.5.4 深度上下文卷积神经网络

3.6 精度评价

3.7 时空演变分析方法

3.8 本章小结

第4章 基于密集时间序列影像的湿地植被物候特征信息识别

4.1 植被物候曲线拟合对比分析

4.2 互花米草提取关键物候时期

4.3 本章小结

第5章 联合植被物候特征和深度学习的互花米草遥感分类研究

5.1 盐城滨海湿地核心区互花米草分类数据集构建

5.1.1 分类方案

5.1.2 耦合关键期多源多时相卫星影像的时间序列特征集构建

5.1.3 样本集制作

5.2 ACO特征优选结果

5.3 分类算法参数

5.4 分类结果与精度评价

5.5 本章小结

第6章 基于多源遥感数据和深度学习的互花米草长时序时空变化分析

6.1 盐城滨海湿地核心区年度长时序分类

6.1.1 盐城滨海湿地核心区年度长时序遥感分类数据集构建

6.1.2 1991

020 年盐城滨海湿地核心区景观分类精度评价

6.2 互花米草空间分布现状

6.3 盐城滨海湿地核心区互花米草时空演变分析

6.3.1 互花米草入侵扩张的阶段性特征

6.3.2 互花米草扩张过程分析

6.3.3 互花米草与周边景观类型的转化

6.3.4 互花米草质心迁移分析

6.3.5 互花米草景观格局指数变化分析

6.4 盐城滨海湿地核心区互花米草入侵扩张的驱动力分析

6.4.1 自然因素

6.4.2 人为因素

6.5 本章小结

结论

参考文献

附录 A 2019 年不同分类方法混淆矩阵