黄土高原“千沟万壑”的地貌形态,在多尺度空间下表现出显著自相似性,具有“局部无规则,宏观有规律”的纹理特征。目前,黄土高原地形纹理的提取方法及应用已经得到初步发展,但依然缺乏在理论层面的框架体系。本文在已有学者研究成果的基础上,限定黄土高原为研究范围,明确提出黄土高原地形纹理的概念模型,即内涵、特征、分类及表达。将内涵进行扩展,除已有的宏观形态地形纹理外,提出黄土典型地貌单元（黄土塬、梁、峁等）特征组合形成的地形纹理,以及黄土坡面坡度特征形成的地形纹理;指出以数字高程模型为主的数据表达将更有利于地形纹理的量化,特别是基于DEM派生的坡面地形因子能够扩展地形纹理的特征空间,丰富地形纹理分析的数据源;明确地形纹理的基本特征,分别是区域差异性、成因复杂性和尺度依赖性;构建划分体系,以地形纹理的基元显著性、纹理成因以及可视化形态进行类别划分。本文以期构建面向黄土高原的地形纹理概念模型,推动纹理分析方法在黄土高原的应用和发展。
空间同位模式分析是数据挖掘中一种常见的方法,可有效挖掘城市设施在空间位置上的关联特征,进而发现城市设施的分布规律。本文基于POI数据同位模式挖掘用来获取城市服务业空间关联结构：首先,通过邻近实例获取、同位候选模式存储与筛选,得到城市服务业二阶同位模式;然后,据此构造产业空间关联图,得到产业间的关联结构;最后,分别构造了产业空间关联图密度和产业空间关联显著指数,用来衡量城市服务业空间关联的紧密程度和整体关联的显著程度。本文选取成都、兰州、郑州、沈阳、上海与深圳为试验区,实验结果表明：不同城市服务业的空间关联结构存在共性与特殊性,整体上,餐饮、购物等与居民日常生活相关的服务业易与其他服务业产生空间强相关,这几类服务业内部空间集聚明显;成都与沈阳的服务业整体表现空间关联度高且紧密,兰州其次,上海与深圳的服务业则整体表现空间关联较弱,郑州的服务业空间关联较紧密但强度较低。
居民就医时空特征与空间格局反映了医疗设施的服务能力与布局合理性。本文以厦门岛为例,采用出租车轨迹数据,探讨了居民就医的时空特征和空间格局。论文提出了基于道路中心线的研究单元划分方法;提出OD轨迹偏移算法,更精细地提取出三级医院的就医OD数据,改善传统的缓冲区分析法中精确度较低的问题;对居民就医行为进行时空特征分析;基于就医意向与K-means聚类算法分析了居民的就医空间格局。结果表明：① 相对于传统的缓冲区分析,使用OD轨迹偏移算法提取医院的就医OD数据时,不要求OD数据具有较高的定位精度,仅通过偏移OD点坐标即可更加准确与完整地提取就医OD数据,精度提高约30%以上,并适用于所有浮动车轨迹数据;② 居民就医高峰期在7时与14时,休息日日均就医人次为工作日的2倍,当就医出行距离大于1 km时,就医出行人次随着出行距离的增加不断减少,整体符合韦伯分布函数;③ 居民就医时首要选择中山医院、第一医院或中医院,就医选择具有显著的区域性差异,反映居民临近就医的习惯,厦门岛西南部区域医疗资源十分充足,居民首要选择的就医最大出行距离在4 km以内,而西北部与东南部区域的居民首要选择的就医出行距离多在10 km左右,医疗资源较为匮乏,亟待加强;④ 厦门岛三级医院的吸引力具有明显的层次性,居民的强就医意向 （Pij>33%）的医院皆为中山医院、第一医院与中医院中的1所,这3所医院的服务范围基本包括整个厦门岛,对居民有着较强的吸引力,居民对其余6所医院的就医意向值在0~33%之间,服务范围基本为医院临近的一些区域,吸引力与服务能力相对较弱。研究结果不仅为挖掘居民就医时空特征提供方法参考,还为后续医疗设施资源空间配置优化提供决策支持。
随着网络技术的发展,网络舆情分析在应对突发事件中发挥的作用日益显著。自然灾害发生后,准确把握舆情信息传播特征并分析其影响因素有助于应急管理部门及时采取有效的应急救援措施。本文以台风“利奇马”为例,基于“新浪舆情通”系统搜集的相关微博、微信、论坛、网站等全网舆情数据,探究台风灾害全过程舆情信息的时空分布特征,开展灾害舆情信息影响因素相关性分析。研究表明：① 相比于灰色EGM(1, 1)模型,ARIMA模型对于舆情的短时预测具有较高的适用度,所预测的舆情信息的时序变化与利奇马台风的生命周期相符;② 舆情的空间分布具有聚集性,其分布与受灾程度呈正相关关系,但同时受灾区经济状况和网络普及率影响;③ 灾情严重程度与原创舆情信息的相关性高于转发舆情信息,原创舆情信息更能反映受灾地区的实际受灾情况。研究内容为应急管理部门及时掌握舆情走势并调整应急救助决策提供了指导价值。
我国东北地区的自然环境状况一直备受关注,其土地沙化、荒漠化、林地草地退化、森林退化、土地盐碱化等土地环境变化的原因及监测一直是科研的焦点。随着“美丽中国中脊带”的提出,位于该线东北段附近的土地环境相关的研究也不断开展。在涉及该区域土地状况的研究中,常用研究方法有实地考察以及基于遥感卫星影像来进行分析,而本文利用知识图谱技术来构建相关文献研究的知识谱系,从另一个角度探究东北土地的环境状况变化因素。首先,由于知识图谱可以广泛探究文本数据之间的关联,且便捷高效,因此本文用科学知识图谱的有关方法对目前探究东北地区土地环境变化影响因素的4318篇CNKI文献进行挖掘,再用关键词共现的方法提取大量文献中已探明的目标因素,从而构建比较全面的基于东北地区环境研究的知识谱系,这一方法不仅省时省力,而且可以归纳出比较全面的影响因素;其次,结合聚类分析归纳出影响东北地区土地变化的主要因素,并进行分析。最后,选取词频前十的因素进行汇总,统计得出东北地区土地环境变化的影响因素,如影响土地沙化的因素中,频数最高的关键词有生态环境破坏、水土流失、沙尘暴等,影响土地沙化的因素中,水土流失、土壤沙化、水资源不足等频数最高,这些因素分别代表了我国东北地区土地沙化、荒漠化、盐碱化、草地草场退化、林地退化、森林退化以及黑土地退化等土地环境变化的最主要因素。这一方法将为今后从知识图谱文本挖掘的方面深入探究地理、气候等自然现象的影响因素提供新的思路。
新时期新型城镇化建设对适宜的人居人文环境提出了切实要求。运用GIS技术,基于夜间灯光遥感影像、交通矢量、兴趣点（POI）、统计年鉴等多源数据,以500 m×500 m栅格为基础单元,选取经济水平、交通通达、历史文化、公共服务等因子（权重分别为0.36、0.27、0.17、0.20）,采用综合指数法构建人居环境人文适宜性评价模型,定量评价2017年安徽省人居环境人文适宜性。结果表明：① 安徽省人居环境人文适宜性指数介于0.83~87.10之间,划分为高度适宜区、较高适宜区、中度适宜区、一般适宜区及临界适宜区5种类型区,以中度适宜区面积最大,占全省总面积68.72%,高度适宜区面积最小,仅占总面积的1.24%,整体呈现“多核心”、“条带式”空间分异格局;② 交通通达和公共服务是造成全省人居环境人文适宜性分异的主要因子,其指数均值在中度适宜区皆达到了94.18,且贡献率均值在各类型区均在34.00%以上;历史文化对较高及临界适宜区影响明显,贡献率均值分别为10.51%和11.93%;经济水平对高度适宜区的作用最显著,其贡献率均值高达22.02%;③ 全省近90.86%的人口集中分布在人居环境人文适宜性指数43.00~66.00之间,属于中度至较高适宜区的范围,人居环境人文质量与人口分布较为匹配。测评结果较为客观地反映了安徽省人居环境的人文本底。
泉水出露受到多种因素影响,在传统地质勘查手段之外,各种模型方法及影响因子预测手段,也被越来越多地应用于泉水的研究中。本文尝试利用机器学习的方法进行泉水出露位置的预测研究。根据北京市野外调查,确定了1378个测试样本点,选取了高程、坡度、坡向、地形湿度指数、径流强度指数、距河流距离、距断裂距离、岩性、归一化植被指数及土地利用类型作为影响因子,对比了2种机器学习方法（随机森林模型、分类回归树模型）和地统计方法（证据权重模型）的预测效果。研究发现：随机森林模型的预测效果最好（Area Under Curve, AUC=0.86）,分类回归树和证据权重模型效果相当（AUC分别为0.81、0.80）;随机森林模型同时揭示,岩性、距断裂距离和距河流距离这3个影响因子对泉潜在出露的影响最大。本研究表明,在强烈人类活动影响下机器学习方法仍然具有较好的泉水出露预测能力,有望为泉水保护、恢复提供新的技术方法。
干旱是发生频率最高,造成社会、经济损失和生态破坏最严重、最广泛的自然灾害之一,因此对干旱进行可靠、有效的评估十分重要。本文以月平均降水、月平均温度、月最高温度、月最低温度、土壤湿度、蒸散发、NDVI、叶绿素荧光等作为解释变量,以基于SPI的干旱等级作为目标变量,采用随机森林算法,以2007—2012年的数据作为训练数据,以2013—2014年的数据作为预测数据,对全球11个气候区分别建立干旱等级评估模型。研究结论如下：SPI的时间尺度影响模型精度,在基于SPI1、SPI3、SPI6和SPI12划分的干旱等级的评估模型中,以基于SPI1的干旱等级为目标变量的模型的预测精度（60%~75%）较高,且模型能够捕捉到EM-DAT旱灾记录次数的90.91%、月份的78.47%,表明该模型对实际干旱事件具有良好的评估性能;干旱等级划分标准对模型的预测性能影响较小,可根据需求选择标准I（干旱/非干旱）或标准Ⅱ（重旱/非重旱）进行干旱评估;解释变量的相对重要性与SPI的时间尺度和气候差异等因素有关。降水对基于SPI1的干旱等级的重要性最大,随着SPI时间尺度的增加,降水的重要性逐渐减小,温度、土壤湿度、NDVI和ET的重要性逐渐增大。降水以外的其他变量在不同气候区的重要性不同。在热带气候区、亚寒带气候区和苔原气候区,温度或蒸散发的影响较大;在干燥气候区,土壤湿度的影响较大;在温带气候区,仍以降水的相对重要性最大;在湿润大陆性气候区,植被对干旱的影响较大。
针对目前高空间分辨率遥感影像（简称高分遥感影像）地物全自动提取无法完全实现的现实,本文结合自然地物的光谱和纹理特征,提出一种面向对象的高分遥感影像典型自然地物半自动提取方法。首先构建最小生成树（Minimum Spanning Tree, MST）进行影像初始分割,根据影像灰度平均归一化值和标准差统计对象的光谱、纹理等特征。用户通过“种子点”交互选取提供前景样本,并基于区域邻接图（Region Adjacency Graph, RAG）寻找合并代价最小的区域扩充前景样本。在自动构建的环形缓冲区内选择背景样本,利用特征空间高斯滤波实现全连接条件随机场中均值场更新。依据全连接条件随机场描述全局信息,结合不同地物的提取准则最终得到自然地物的提取结果。以航空和高分二号(GF-2)遥感影像为实验数据,分别对林地、草地、耕地、裸地和水体等典型自然地物进行提取。结果显示,基于本文方法的航空影像典型自然地物提取总精度和Kappa值为0.959和0.948,相较于SVM方法分别提升了20.757%和0.268。高分二号(GF-2)遥感影像的提取总精度和Kappa值为0.959和0.941,相比SVM方法分别提高了1.698%和0.133。证明所给方法能够通过较少的用户交互,实现高分遥感影像典型自然地物高精度智能提取。
在洪水灾情监测中,快速准确的获取淹没区域和洪灾面积,对防汛救灾和灾后重建工作具有重要价值。本文以2017年美国圣路易斯洪水为例,基于Sentinel-1 SAR数据,利用变化检测和阈值相结合的方法实现大范围洪水淹没提取,将VV/VH极化数据分别与从同期Sentinel-2光学影像中获取的洪水淹没范围进行比较,评定极化方式的洪水适用性优劣程度。不同的SAR极化数据对洪水监测的适用性不同,通过绘制各极化不同时期的后向散射横断面线来分析多极化中的散射响应特征。研究表明：Sentinel-1 VV/VH极化数据均能以超过82%的高精度识别出洪水,VV极化洪水提取时产生的误判更少;在同样的区域,相较于VH,Sentinel-1 VV极化信号的散射程度小了约28%,在洪水中的信息敏感,更适用于洪水灾害的淹没范围监测。
农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。
各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm2）,平均绝对误差(MAE=425.168 kg/hm2)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm2,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。
依托中分辨率成像光谱仪完整的数据序列和丰富的光谱信息,遥感特征指数在湿地生态系统发展变化的状态、趋向和规律研究方面发挥着不可替代的优势。传统类间距离判别的遥感特征指数选取中常存在过分依赖数据统计特征、入选指数与目标地类间生态学意义不明确、分类模型普适性差等局限性。基于此,本研究以河北省白洋淀湿地自然保护区为例,提出类可分离性距离判别（Class Separation Discrimination,CSD）与类间距离判别（Class Distance Discrimination,CDD）相结合的方法构建最优遥感特征指数集,并采用QUEST算法和马氏距离判别法构建分类决策树模型用于白洋淀湿地信息的提取研究,尝试克服传统类间距离指数选取中的不足。结果表明：运用CSD和CDD相结合的方法所选取的遥感特征指数在研究区湿地信息提取过程中的总体分类精度达到了91.32%,Kappa系数0.88,较传统的分类与回归树（Classification and Regression Tree,CART）方法,分类精度提高了1.67%;其次选取的最优指数与待提取的湿地类型均具有明确的生态学意义,如挺水植物在立地干湿交替条件下的潴育化过程决定了氧化铁比率IO可成功的将混分的耕地和挺水植物进一步分离;进一步将基于研究区2017年OLI影像构建的CSD和CDD相结合方法与CART方法的模型分别应用于研究区2019年OLI影像进行分类,基于CSD和CDD相结合方法构建的模型分类总体精度和Kappa系数分别为：86.97%、0.83,基于CART方法构建的模型无法满足分类需求,研究结果较好地证明了基于CSD和CDD相结合方法构建的模型在年际之间具有良好的适用性和稳定性。总之,CSD和CDD相结合的方法在不降低湿地信息提取精度的基础上,有效避免了传统遥感特征指数选择方法的局限性,提高了分类模型的普适性,是遥感特征指数选择算法和决策树相结合在湿地信息提取方面的有益尝试。
随着遥感技术在水体提取与监测方面的广泛应用,更多的研究者致力于提高遥感水体提取的精度。离散粒子群算法在遥感图像分类研究中获得了较高的精度和更稳健的分类效果,已经被应用到遥感水体提取领域,但其在水体提取中的适用性和精度还有待对比与验证。本文采用最新提出的2种基于离散粒子群算法的水体提取方法,即光谱匹配耦合离散粒子群算法（SMDPSO）与最大熵耦合离散粒子群算法（MEDPSO）,基于Landsat8_OLI遥感影像,分别选择了有冰雪、有云、有山体阴影和有建筑物的4种环境复杂,常规方法提取精度较低的区域进行水体提取,并与2种常用的水体指数法（NDWI、MNDWI）进行了对比与验证。结果表明：① SMDPSO和MEDPSO方法在4个实验区都能快速地寻找出最佳的水体分布,具有一定的通用性;NDWI和MNDWI方法对有冰雪、有云、有山体阴影和有建筑物影响的区域表现出水体信息的错分现象,提取精度较低;② SMDPSO方法能够识别细小河流和离散水体,水体提取精度较高,但在有冰雪、云、山体阴影和建筑物的复杂环境下提取精度较低、误判率高;MEDPSO方法不仅可以识别细小水体,而且也解决了其他3种方法在提取过程中无法抑制背景信息干扰的问题,在4个实验区的总体精度均在97.8%以上,高于其他3种方法;③ 将离散粒子群算法引入到水体提取方法之中,可增强方法的区域整体性,也可提高其水体提取的精度和自动化程度;④ 运用最大熵模型等机器学习方法,可以结合光谱、形状和纹理等影像信息以及地形信息来进行水体识别,使得水体信息提取精度更高。本文的研究可为离散粒子群算法的推广以及遥感水体提取方法的选择提供参考。
时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM （Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）进行参数敏感性分析,并系统地对比分析了2组融合实验RI（先融合波段反射率后计算植被指数）和IR（先计算植被指数后直接融合）的融合效果。结果表明： ① ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;② 相较于RI组,IR组模拟结果精度更高（R2RI-NDVI=0.866,R2IR-NDVI=0.953,R2RI-EVI =0.814,R2IR-EVI =0.930）,且能够较好地削弱“斑块”现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。
作为典型的干旱区内陆湖泊,博斯腾湖的面积变化趋势与当地自然和人文环境的变迁密不可分。本文结合GIS与RS技术,利用Landsat影像和MODIS数据共2289景及JRC GSW水体掩膜产品,基于Google Earth Engine（GEE）平台采用指数法得出2000—2019年博斯腾湖面积年际和年内变化趋势,并采用2019年Sentinel-2影像进行结果对比分析,同时通过2000—2018年焉耆、库尔勒和巴音布鲁克气象站日值数据和人类活动分析其变化原因。得出如下结论：① 本结果中基于海量遥感数据提取面积的结果表明,GEE可以充分应用高时间分辨率遥感数据进行湖泊年际尤其是年内面积变化分析。相比于Landsat-5/7/8影像与MOD09GQ数据,由于Sentinel-2影像的时空分辨率优势,基于其所得的湖岸线可显示出较多细节。② 2000—2013年博斯腾湖面积共减少181.66 km2,变化速率为13.98 km/a;2013—2019年,湖泊共增加133.13 km2,变化速率为22.19 km2/a;③ 博斯腾湖面积一般在每年的3—6月呈上升趋势,且在当年6—9月保持峰值,面积在10—12月减小;④ 博斯腾湖面积年际变化与其流域内焉耆、库尔勒、巴音布鲁克气象站的降水、蒸发及积温因素变化的相关性未达到显著水平,而年内变化与上述气候要素相关性较高。
