中亚阿姆河干流地表水体面积时空变化分析
文献类型：学位论文
| 作者 | 李冬冬 |
| 答辩日期 | 2020-06-30 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 杨辽 |
| 关键词 | 陆表水体 水体提取 遥感 时间序列 机器学习 Land surface water Water extraction Remote sensing Time series Machine learning |
| 学位专业 | 工程硕士 |
| 其他题名 | Analysis of Spatio-Temporal Variation of Surface Water of the Main Stream of Amu River in Central Asia |
| 英文摘要 | 本研究针对面对水体提取对河流，尤其是中亚干旱与半干旱区域河流提取分类研究较少，阿姆河历史影像冗余利用率不高，利用时间序列的中高分辨率Landsat 卫星遥感影像， 通过对比多种水体指数与构建简单随机森林分类器的机器学习分类对阿姆河流域陆表水河流的提取精度，对其进行水体提取，构建时间序列阿姆河主干河流水体数据集。 通过机器学习的方法，借助 Python 编程的方法实现近 2900 景数据的处理以及水体提取，最终统计出 1986-2018 年这 33 年的阿姆河主干河流的水体面积，进行变化分析探究。结果表明：(1)通过对比主要 NDVI、 MNDWI、 WI2015、 Wetness 遥感指数在不同时间节点分类阈值的不一致，已经复杂多变，虽然 MNDVI 在对于选中的验证数据的分类精度对于水体达到 93.5%， 但是对于非水体的分类精度确存在一定偏差， 低于 90%， 而且同一阈值运用到另一验证样本是精度均不及当前精度。(2)基于像元的特征学习构建的简单随机森林分类器，通过对不同时序的样本点进行学习，预测分类来区别水体与非水体。 避开繁琐的经验阈值的尝试与选择，在总体分类上看， 对于水体与非水体的正负类别的预测识别精度相对较稳定均高于 92%， 与此同时由于学习样本时间跨度覆盖月份范围交广，能够避免由于季节性影像差异带来的水体分类的错分的影响。 通过综合精度较高的随机森林RF 分类器对研究区的 Landsat 多种数据源的历史影像进行分类预测， 对分类结果通过算法优化进一步消除错分类别进一步提高提取结果，最终通过影像拼接裁剪，构建阿姆河主干河流的水体提取数据集。(3)通过Landsat数据集对阿姆河干流进行水体提取，整理拼接裁剪得到1986-2018 年这 33 年的阿姆河主干河流水体 4 月、 7 月和 9 月的水体提取结果。从历年提取结果中看：阿姆河主干河流年内面积： 7 月>4 月>9 月。 1986-2018 年年平均水面积变化具有具有较高的线性相关， R²=0.7837。水体面积整体呈现下降趋势。 1986 年主干河流水体面积为 965.102Km²，截止 2018 年水体面积为 720.814Km²，面积减少约为 25.31%，平均每 10 年减少 7.67%。（4）通过面积变化对比分析，阿姆河主干河流水体面积变化可以分为三个阶段： 1986 年-2001 年、 2002-2008 年、 2009—2018 年。其中 1986 年-2001 年为第一阶段，水体面积变化巨大，波动较为明显，水体面积小范围增加，随后减少，整体呈现下降趋势。 2002-2008 年间与前一阶段相近，出现小范围极值，但是面积变化波动较小。 2009-2018 年间为第三阶段，水体面积平稳中下降，逐年下降幅度约为-1.6%。 |
| 学科主题 | 测绘工程 |
| 语种 | 中文 |
| 源URL | [http://ir.xjlas.org/handle/365004/15431]  |
| 专题 | 中国科学院新疆生态与地理研究所 新疆生态与地理研究所_研究系统 |
| 作者单位 | 中国科学院新疆生态与地理研究所 |
| 推荐引用方式 GB/T 7714 | 李冬冬. 中亚阿姆河干流地表水体面积时空变化分析[D]. 北京. 中国科学院大学. 2020. |
入库方式： OAI收割
来源：新疆生态与地理研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。