【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数...【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数据集。通过视觉状态空间(visual state space model,Vmamba)联合注意力机制并结合水体指数NDWI生成水体掩膜对研究区进行信息提取,统计各土地类型的位置和面积变化信息。利用像元二分法提取植被覆盖度(fractional vegetation cover,FVC),计算叶面积指数(leaf area index,LAI)和生态质量指数(ecosystem quality index,EQI)。【结果】通过本研究提出的方法对研究区内分布信息进行提取,整体精度(overall accuracy,OA)为80.85%、平均交并比(mean intersection over union,MIoU)为71.59%,宏观平均F1值(macro-F1,MF1)为79.93%。2017—2023年,在扎龙湿地内湖泊、芦苇地的覆盖面积呈增加趋势;耕地、建筑地的覆盖面积呈减少趋势;盐碱地的覆盖面积呈波动趋势。植被覆盖度、生态质量指数先升高后降低,与中国气候公报内容基本一致。【结论】Vmamba联合注意力机制并结合水体掩膜的模型,在湿地信息提取方面效果良好,一定程度上提高土地利用分类与变化监测的精度。植被覆盖度、叶面积指数、生态质量指数的监测对湿地资源管理与可持续利用提供借鉴。展开更多
植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间...植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间分辨FVC在时域上存在大量缺失。本文考虑协同30 m Landsat 8和10 m Sentinel-2数据,实现二者在时域上的互补。为解决二者空间分辨率不一致的问题,本文提出了一种基于FVC-Net的深度学习方法,通过融合10 m Sentinel-2归一化植被指数(NDVI)数据,将30 m Landsat FVC降尺度至10 m。FVC-Net方法构建双分支结构下的通道注意力模块用于FVC和NDVI的多尺度特征采集与融合,随后利用空间注意力模块将选择的特征进行细节增强,以有效描述不同获取时间下的10 m NDVI与30 m FVC之间的非线性映射关系。实验中,与4种典型非深度学习方法和4种深度学习方法相比,FVC-Net获得了更高精度的融合结果。FVC-Net有望应用于全球尺度下的30 m Landsat FVC产品的降尺度,为相关领域研究提供更为精细的数据支撑。展开更多
文摘【目的】研究芦苇(Phragmites australis)湿地土地类型变化、监测覆被特征,为湿地保护和开发提供参考。【方法】基于2017—2023年9月扎龙湿地Sentinel-2遥感影像,制作了包含湖泊、芦苇地、建筑地、耕地、盐碱地5种土地类型的遥感影像数据集。通过视觉状态空间(visual state space model,Vmamba)联合注意力机制并结合水体指数NDWI生成水体掩膜对研究区进行信息提取,统计各土地类型的位置和面积变化信息。利用像元二分法提取植被覆盖度(fractional vegetation cover,FVC),计算叶面积指数(leaf area index,LAI)和生态质量指数(ecosystem quality index,EQI)。【结果】通过本研究提出的方法对研究区内分布信息进行提取,整体精度(overall accuracy,OA)为80.85%、平均交并比(mean intersection over union,MIoU)为71.59%,宏观平均F1值(macro-F1,MF1)为79.93%。2017—2023年,在扎龙湿地内湖泊、芦苇地的覆盖面积呈增加趋势;耕地、建筑地的覆盖面积呈减少趋势;盐碱地的覆盖面积呈波动趋势。植被覆盖度、生态质量指数先升高后降低,与中国气候公报内容基本一致。【结论】Vmamba联合注意力机制并结合水体掩膜的模型,在湿地信息提取方面效果良好,一定程度上提高土地利用分类与变化监测的精度。植被覆盖度、叶面积指数、生态质量指数的监测对湿地资源管理与可持续利用提供借鉴。
文摘植被覆盖度(FVC)是描述地表植被分布的定量指标之一。通过遥感卫星(如Landsat和Sentinel-2)获取大尺度下的高空间分辨(如10 m级)FVC,能为全球生态系统研究提供重要基础数据。然而,由于云雾干扰以及卫星重返时间分辨率有限等问题,高空间分辨FVC在时域上存在大量缺失。本文考虑协同30 m Landsat 8和10 m Sentinel-2数据,实现二者在时域上的互补。为解决二者空间分辨率不一致的问题,本文提出了一种基于FVC-Net的深度学习方法,通过融合10 m Sentinel-2归一化植被指数(NDVI)数据,将30 m Landsat FVC降尺度至10 m。FVC-Net方法构建双分支结构下的通道注意力模块用于FVC和NDVI的多尺度特征采集与融合,随后利用空间注意力模块将选择的特征进行细节增强,以有效描述不同获取时间下的10 m NDVI与30 m FVC之间的非线性映射关系。实验中,与4种典型非深度学习方法和4种深度学习方法相比,FVC-Net获得了更高精度的融合结果。FVC-Net有望应用于全球尺度下的30 m Landsat FVC产品的降尺度,为相关领域研究提供更为精细的数据支撑。
