论文部分内容阅读
准确提取森林扰动信息能为全球碳汇估算、森林可持续管理等研究提供基础的数据支撑。针对森林扰动遥感监测研究中缺乏高效提取森林覆盖不变区域方法的情况,本研究充分利用已有土地覆盖分类产品中包含的样本-地类关系,搭建监督分类训练样本的自动提取框架,构建了多时期土地覆盖自动分类方法。同时,针对现有扰动检测算法在历史森林扰动资料匮乏区域应用受限,本研究将森林扰动检测转换为时间序列数据集中序列异常检测问题,提出了一种基于深度序列到序列自编码器的半监督学习森林扰动检测模型。论文主要工作和结论如下:(1)森林覆盖不变区域提取为森林扰动监测开展的前提,其本质为多时期土地覆盖分类,本研究针对土地覆盖分类中训练样本收集费时费力问题,以现有土地覆盖产品为样本-地物类别关系知识库,借助样本关系迁移理论、IR-MAD变化检测和局部可达密度方法实现了样本-地物类别关系的跨时期迁移以及高置信样本的自动筛选,并结合随机森林算法实现了多时期土地覆盖分类的全自动制图。该方法获取的分类结果在四个时期的总体精度均达到85%以上,其中森林覆盖的用户和制作者精度均大于90%。(2)针对现有扰动检测算法在历史扰动资料匮乏区域应用困难的问题,本研究从时间序列异常检测角度出发,将扰动森林时间序列视为时间序列中的异常,采用结合注意力机制的序列到序列自编码器作为半监督学习模型,以未扰动森林遥感指数时间序列为训练样本,结合异常检测理论构建森林扰动自动检测模型。模型扰动检测的总体精度为92.7%,且具有较强的泛化能力。此外,不同算法间的对比分析中所提模型也获得了更高的扰动森林检测精度。(3)基于所构建的扰动检测模型开展湖南省阳明山区域的森林扰动时空变化特征分析以及探索扰动发生与环境因素间的关系。阳明山森林覆盖不变区域中大约25%发生了森林扰动现象,面积约为454.88km~2,其中绝大部分扰动属于轻度和中度扰动,且持续时长多在4-6年。结合该区域地形、居民地和道路基础数据定量化分析发现海拔越低(<500m),离居民地(<9km)和道路(<800m)越近,扰动发生的概率越大。