基于SNIC-CNN-SVM模型的京津风沙源二期工程区土地利用_土地覆盖遥感识别研究.pdfVIP

第 ４２ 卷第 ２３期 生 态 学 报 Ｖｏｌ.４２ꎬＮｏ.２３ ２０２２年１２月 ＡＣＴＡ ＥＣＯＬＯＧＩＣＡ ＳＩＮＩＣＡ Ｄｅｃ.ꎬ２０２２ ＤＯＩ:１０.５８４６/ ｓｔｘｂ２０２１０９２６２７０７ 李长龙ꎬ李增元ꎬ高志海ꎬ孙斌ꎬ王丝丝.基于ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ模型的京津风沙源二期工程区土地利用/ 土地覆盖遥感识别研究.生态学报ꎬ２０２２ꎬ４２ (２３):９８３０￣９８４２. Ｌｉ Ｃ ＬꎬＬｉ Ｚ ＹꎬＧａｏ Ｚ ＨꎬＳｕｎ ＢꎬＷａｎｇ Ｓ Ｓ.Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｌａｎｄ ｕｓｅ/ ｌａｎｄ ｃｏｖｅｒ ｉｎ ｔｈｅ Ｂｅｉｊｉｎｇ￣Ｔｉａｎｊｉｎ ｓａｎｄｓｔｏｒｍ ｓｏｕｒｃｅ ｒｅｇｉｏｎ ｂａｓｅｄ ｏｎ ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ ｍｏｄｅｌ.Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａꎬ２０２２ꎬ４２(２３):９８３０￣９８４２. 基于 ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ 模型的京津风沙源二期工程区 土地利用/ 土地覆盖遥感识别研究 １ꎬ２ꎬ３ ２ꎬ３ ２ꎬ３ ２ꎬ３ꎬ∗ ４ 李长龙 ꎬ李增元 ꎬ高志海 ꎬ孙　 斌 ꎬ王丝丝 １广州商学院信息技术与工程学院ꎬ广州　 ５１１３６３ ２ 中国林业科学研究院资源信息研究所ꎬ北京　 １０００９１ ３ 国家林业和草原局林业遥感与信息技术重点实验室ꎬ北京　 １０００９１ ４ 国家遥感中心ꎬ北京　 １０００８４ 摘要:稀疏植被覆盖(草地、沙地、戈壁)演变能够直接表征区域生态环境和人类活动的动态影响变化ꎮ 但由于大尺度稀疏植被 区一般都具有地理跨度大ꎬ景观结构复杂多样ꎬ破碎化程度高ꎬ现有地表覆盖分类产品针对性不足等问题ꎬ使得该区域内林草沙 的遥感提取难度较大ꎬ精度普遍偏低ꎬ直接制约生态效应评价模型的应用效果ꎮ 因此ꎬ以典型大尺度稀疏植被区———京津风沙 源治理二期工程区为研究区ꎬ研建了ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ(ＳＣＳ)模型ꎬ实现了大尺度稀疏植被区林草沙典型要素的信息自动提取和 主要土地利用/ 土地覆盖类型识别ꎮ 研究结果表明:１)引入惩罚性机制优化后的ＳＮＩＣ分割算法ꎬ有效提升了稀疏植被区与沙 地区的边界区分度ꎬ有助于分类精度的提升ꎻ２)基于改进ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ模型方案的研究区总体分类精度达８９.４１％ꎬ较优化前 提高了１１.１７％ꎬ特别是乔、灌、草、沙地和戈壁的分类识别精度显著提升ꎬ表明该优化方案在以研究区为代表的稀疏植被区域分 类中具有较好的应用效果和推广价值ꎻ３)分类结果显示ꎬ２０２０年工程区草地面积最大ꎬ占到了一半以上(５１.５２％)ꎬ沙地占比 － － １１.９６％ꎬ稀疏植被覆盖(草地、沙地、戈壁)区域占比６８.６８％ꎬ表明工程区处在林地 稀疏植被 沙地的过渡地带ꎬ生态环境保护 压力与防沙治沙形势依然严峻ꎻ４)近２０年来ꎬ乔灌草等植被增加面积约占工程区２０.６４％ꎬ主要由沙化土地转化ꎬ沙化土地减少 面积约占工程区的４.５８％ꎬ表明研究区植被状况不断改善ꎬ实施的各项生态工程作用显著ꎬ能够更有效地服务于多维度生态系 统服务功能评价ꎮ 该研究以期能够为京津风沙源二期工程区的生态系统演变规律研究及生态工程评价等工作提供重要科学 支撑ꎮ 关键词:稀疏植被ꎻ京津风沙源治理二期工程区ꎻＳＮＩＣ￣ＣＮＮ￣ＳＶＭ模型ꎻ土地利用/ 土地覆盖 Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｌａｎｄ ｕｓｅ/ ｌａｎｄ ｃｏｖｅｒ ｉｎ ｔｈｅ Ｂｅｉｊｉｎｇ￣Ｔｉａｎｊｉｎ ｓａｎｄｓｔｏｒｍ ｓｏｕｒｃｅ ｒｅｇｉｏｎ ｂａｓｅｄ ｏｎ ＳＮＩＣ￣ＣＮＮ￣ＳＶＭ ｍｏｄｅｌ １ꎬ２ꎬ３ ２ꎬ３ ２ꎬ３ ２ꎬ３ꎬ∗ ４ ＬＩ Ｃｈａｎｇｌｏｎｇ ꎬＬＩ Ｚｅｎｇｙｕａｎ ꎬＧＡＯＺｈｉｈａｉ ꎬＳＵＮ Ｂｉｎ ꎬＷＡＮＧ Ｓｉｓｉ １Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ＥｎｇｉｎｅｅｒｉｎｇꎬＧｕ