亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遙感影像的山岳冰川信息計(jì)算機(jī)解譯方法探討
        ——以梅里雪山為例

        2021-10-14 08:26:46鐘鼎杰楊存建
        關(guān)鍵詞:分類信息方法

        鐘鼎杰,楊存建**

        (1. 四川師范大學(xué) 西南土地資源評(píng)價(jià)與監(jiān)測(cè)教育部重點(diǎn)實(shí)驗(yàn)室,四川 成都 610068;2. 四川師范大學(xué) 地理與資源科學(xué)學(xué)院,四川 成都 610068)

        冰川不僅存貯了大量的水資源,同時(shí)也是全球氣候變化的指示器[1]. 在全球氣候變暖的背景下對(duì)于冰川變化的研究迫在眉睫,在信息化時(shí)代如何運(yùn)用高效、便捷、精準(zhǔn)的方法對(duì)冰川變化做出監(jiān)測(cè)與預(yù)測(cè)是目前的研究熱點(diǎn). 相比大陸型冰川,海洋型冰川作用能大、運(yùn)動(dòng)速度快,對(duì)于氣候變化的響應(yīng)也更為迅速;海洋型冰川在大量降水與劇烈消融的作用下會(huì)產(chǎn)生破壞性的泥石流與雪崩,所以對(duì)于海洋型冰川變化的研究具有重要的意義[2]. 在冰川信息提取的方法上,近年來(lái)遙感技術(shù)、地理信息系統(tǒng)技術(shù)的不斷發(fā)展和集成應(yīng)用,可利用遙感影像和DEM 等數(shù)據(jù)快速高效地提取冰川信息并監(jiān)測(cè)冰川面積、高程和冰川末端變化. 1999 年國(guó)際全球陸地冰 空 間 監(jiān) 測(cè) 計(jì) 劃(Global Land Ice Measurements from Space Project,GLIMS)運(yùn) 用 了 衛(wèi) 星 傳 感 器ASTER 數(shù)據(jù)和Landsat 數(shù)據(jù)對(duì)世界范圍內(nèi)的冰川進(jìn)行動(dòng)態(tài)監(jiān)測(cè)[3]. Sidjak 等[4]利用了監(jiān)督分類法、TM 影像的4、5 波段比值以及歸一化積雪指數(shù)(Normalized Difference Snow Index,NDSI)等方法對(duì)加拿大冰川國(guó)家公園進(jìn)行了冰川信息提取.Kumar 等[5]采用干涉合成孔徑雷達(dá)(Interfermetric Synthetic Aperture Radar,InSAR)技術(shù)對(duì)喜馬拉雅地區(qū)冰川表面速度進(jìn)行了估算. Robson 等[6]利用基于面向?qū)ο蟮膱D像分析(Object-based Image Analysis,OBIA)技術(shù),結(jié)合Landsat 8 影像、DEM數(shù)據(jù)和ALOS-PALSAR 影像對(duì)喜馬拉雅山脈馬納斯魯峰進(jìn)行了冰川信息的自動(dòng)提取. 張世強(qiáng)等[7]利用TM 圖像并采用閾值法、譜間關(guān)系法、監(jiān)督分類和非監(jiān)督分類提取青藏高原喀喇昆侖山地區(qū)冰川信息,證明利用比值圖像取閾值是提取冰川信息最有效的手段. 懷保娟等[8]利用Landsat TM/ETM+遙感影像和DEM 數(shù)據(jù),并運(yùn)用了面向?qū)ο蟮膱D像信息自動(dòng)提取方法,對(duì)黑河流域近50 年來(lái)的冰川變化進(jìn)行了分析. 聶勇等[9]利用多光譜遙感數(shù)據(jù),采用面向?qū)ο蟮慕庾g方法,結(jié)合專家知識(shí)分類規(guī)則自動(dòng)提取1976、1988 年和2006 年3 個(gè)時(shí)期珠穆朗瑪峰地區(qū)的冰川信息. 李宗省等[10]對(duì)1900—2007 年橫斷山區(qū)部分海洋型冰川變化進(jìn)行了研究,并提出各冰川的變化幅度因冰川規(guī)模、緯度位置等因素而存在明顯差異. 李霞等[11]對(duì)貢嘎山地區(qū)近40 年來(lái)的冰川變化進(jìn)行了遙感監(jiān)測(cè)研究,并從不同的角度研究分析了冰川變化的特征.

        雖然冰川信息提取方法有多種,但因冰川類型的不同和地域性差異,并沒有通適性較高的方法,冰川監(jiān)測(cè)仍以目視解譯為主. 因此,研究分類精度較高、通適性強(qiáng)且高效的冰川信息的計(jì)算機(jī)解譯方法意義重大. 本文在已有的計(jì)算機(jī)自動(dòng)解譯冰川信息方法研究上,納入了神經(jīng)網(wǎng)絡(luò)分類方法,通過(guò)對(duì)比分析監(jiān)督分類、分監(jiān)督分類、比值閾值法、雪蓋指數(shù)法(NDSI)、基于多尺度分割的面向?qū)ο蠓ǎ∣BIA)和基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法的信息提取結(jié)果,探討每種方法的優(yōu)缺點(diǎn)及適用情況,并將梅里雪山地區(qū)冰川信息的目視解譯作為地面真實(shí)數(shù)據(jù),對(duì)6 種方法的提取結(jié)果進(jìn)行精度驗(yàn)證,發(fā)現(xiàn)了神經(jīng)網(wǎng)絡(luò)分類法提取的冰川信息精度最高. 在此研究基礎(chǔ)上,基于ENVI 深度學(xué)習(xí)模塊,利用神經(jīng)網(wǎng)分類法解譯了1989、1998、2009 年和2019 年的梅里雪山地區(qū)冰川信息. 最終,結(jié)合Google Earth數(shù)據(jù)及DEM 數(shù)據(jù)對(duì)梅里雪山地區(qū)冰川信息進(jìn)行目視修正,并通過(guò)DEM 數(shù)據(jù)分析獲取梅里雪山地區(qū)山脊線,將提取的結(jié)果分割為55 條獨(dú)立的冰川,得到了1989—2019 年梅里雪山地區(qū)較為精確的4期冰川信息的提取成果,并在此基礎(chǔ)上分析統(tǒng)計(jì)其冰川面積的變化量與變化速率. 結(jié)果表明,基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法分類精度、解譯效果明顯優(yōu)于傳統(tǒng)冰川信息計(jì)算機(jī)解譯方法,且相較于目視解譯該方法效率更高. 在全球氣候變暖背景下,本文基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法可為全球冰川時(shí)空演化的長(zhǎng)時(shí)序監(jiān)測(cè)提供有效的技術(shù)支撐.

        1 研究區(qū)概況

        橫斷山地處青藏高原東緣,是中國(guó)地勢(shì)一、二階梯的過(guò)渡地帶,區(qū)域大致包括了藏東南、云南西北部和四川的阿壩、涼山及甘孜地區(qū),總面積約為5×105km2. 橫斷山區(qū)南北走向的高山和深谷相間排列,是本區(qū)域最為顯著的地貌特征. 梅里雪山位于橫斷山東南緣,也是橫斷山地區(qū)集中低緯度海洋性/暖性冰川最多的山段[12](圖1). 梅里雪山高度大于6 000 m 的山峰有13 座,最高峰卡瓦格博海拔6 740 m,是云南省第一高峰,山腳瀾滄江海拔2 020 m,相對(duì)高差4 720 m.

        圖1 研究區(qū)位置與冰川積雪分布圖Fig. 1 Location of study area and distribution map of glacier and snow cover

        據(jù)中國(guó)第二次冰川編目數(shù)據(jù)集(V1.0)[13-16],梅里雪山地區(qū)共有冰川55 條. 梅里雪山地區(qū)的冰川受來(lái)自印度洋西南季風(fēng)帶來(lái)的暖濕氣流影響,隨著暖濕氣流的不斷深入,給梅里雪山提供了充沛的降水,為冰川提供了豐富的物質(zhì)來(lái)源.

        2 數(shù)據(jù)獲取與處理

        2.1 數(shù)據(jù)來(lái)源本文選用的遙感數(shù)據(jù)均為通過(guò)美國(guó)地質(zhì)勘探局(https://earthexplorer.usgs.gov)獲取的Landsat Level 2 產(chǎn) 品. 數(shù) 據(jù) 為L(zhǎng)andsat 5 搭 載 的TM 傳感器、Landsat 8 搭載的陸地成像儀(Operational Land Imager,OLI)傳感器所獲取的影像(表1).在實(shí)際的數(shù)據(jù)選擇過(guò)程中,需要特別注意研究區(qū)的積雪覆蓋是否會(huì)影響冰川解譯精度以及云層是否覆蓋了研究區(qū).

        表1 梅里雪山遙感影像數(shù)據(jù)信息Tab. 1 Remote sensing image data information in Meili Snow Mountain

        DEM 數(shù)據(jù)來(lái)源于美國(guó)地質(zhì)勘探局的ASTER GDEM V2 版數(shù)據(jù),其空間分辨率為30 m. 高分辨率可見光影像主要來(lái)自于Google Earth,用于輔助目視解譯. 地圖的底圖來(lái)源于國(guó)家科技資源共享服務(wù)平臺(tái)的國(guó)家青藏高原科學(xué)數(shù)據(jù)中心(http://data.tpdc.ac.cn/zh-hans/).

        2.2 傳統(tǒng)分類方法提取冰川信息

        2.2.1 非監(jiān)督分類 是指在沒有先驗(yàn)類別樣本的情況下,根據(jù)像元間地物光譜相似度統(tǒng)計(jì)分布規(guī)律將其自動(dòng)分類. 常用的非監(jiān)督分類方法有ISODATA 和K-Means 兩種,K-means 算法 初始隨機(jī)選取數(shù)據(jù)集中K個(gè)點(diǎn)作為聚類中心,以所有樣本到聚類中心距離平方和最小的為分類結(jié)果. 在Kmeans 中,K值需要預(yù)先人為確定,并且在整個(gè)算法過(guò)程中無(wú)法更改;ISODATA 算法針對(duì)這個(gè)問(wèn)題進(jìn)行了改進(jìn),并增加了“合并”和“分裂”操作. 本文選用ISODATA 算法,對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取. ISODATA 算法思想為輸入N個(gè)樣本,預(yù)選Nc個(gè)初始聚類中心和各參數(shù)指標(biāo)K、θN、θS、θc、L和I(表2). 若 θc小于閥值則歸為一類,否則為不同類;若 θN小于閥值,則將其取消[17].

        表2 初始聚類中心和參數(shù)指標(biāo)Tab. 2 Initial cluster center and parameter index

        2.2.2 監(jiān)督分類 是在已知類別的訓(xùn)練場(chǎng)地上提取不同種類的訓(xùn)練樣本,通過(guò)選擇特征變量、確定判別函數(shù)或判別規(guī)則,從而把圖像中的各個(gè)像元點(diǎn)劃歸到各個(gè)給定類的分類方法[18]. 本文選用最大似然法對(duì)梅里雪山地區(qū)進(jìn)行監(jiān)督分類,在訓(xùn)練樣本時(shí)將訓(xùn)練區(qū)內(nèi)的地物分為裸地、植被和冰川. 最大似然法算法思想是通過(guò)遙感影像的統(tǒng)計(jì)特征,假設(shè)各類的分布函數(shù)為正態(tài)分布,在多變量空間中形成橢圓(球)分布,按正態(tài)分布規(guī)律用最大似然判別規(guī)則進(jìn)行判決,得到較準(zhǔn)確的分類結(jié)果.

        2.2.3 比值閾值法 是將兩個(gè)具有一定差異的光譜波段反射率相除,比值增強(qiáng)波譜特征的微小差異,該算法對(duì)不同波段反射率差異大的地物效果明顯. 對(duì)于冰川提取,通常使用的是對(duì)于冰川反射率較高的可見光波段以及對(duì)于冰川反射率較低的波段,一般是近紅外波段[19]. 其公式表示為

        2.2.4 雪蓋指數(shù)法 受到植被指數(shù)法的啟發(fā),Dozier[20]提出了雪蓋指數(shù)法(NDSI)作為冰川信息提取的方式,主要原理基于冰川表面在可見光波段具有強(qiáng)反射的特性,以及在近紅外波段具有的強(qiáng)吸收特性. 將兩個(gè)波段反射率進(jìn)行歸一化處理,以突出冰、雪的信息特性. 其公式表示為

        常用的Landsat TM 影像波段有TM2 和TM5,Landsat OLI 影像波段選用Band 3 和Band 6. NDSI的閾值一般根據(jù)具體的情況結(jié)合經(jīng)驗(yàn)值確定,本文根據(jù)前人經(jīng)驗(yàn)及多次試驗(yàn)結(jié)果,選取的二值化分類閾值為0.6[21].

        2.3 基于多尺度分割的面向?qū)ο蠓ǎ∣BIA)提取冰川信息基于多尺度分割的面向?qū)ο蠓ǎ∣BIA)提取冰川信息是選用多尺度分割算法并結(jié)合遙感影像的光譜特征進(jìn)行. 當(dāng)全部待分割對(duì)象的綜合加權(quán)值大于某一特定閾值時(shí)分割完成;若小于閾值,則重復(fù)進(jìn)行迭代運(yùn)算,直至條件成立. 本文使用Edge 分割算法和Fast Lambda 合并算法對(duì)遙感影像進(jìn)行處理. 圖像分割完成后,對(duì)各波段的光譜、紋理特征等參照直方圖探尋相關(guān)信息的閾值,綜合梅里雪山冰川與其它地物差異性較明顯的冰川信息指數(shù)分別進(jìn)行閾值設(shè)置并建立提取知識(shí)規(guī)則[22],即①比值閾值TM3/TM5,以閾值2.4 提取冰川信息;②冰雪指數(shù)NDSI,設(shè)置閾值為0.6.

        2.4 基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法近些年來(lái),深度學(xué)習(xí)發(fā)展迅速,在圖像分類方面的應(yīng)用表現(xiàn)優(yōu)異[23-27]. 它通過(guò)學(xué)習(xí)大量樣本,提取樣本中的特征值,形成分類模型,進(jìn)而對(duì)遙感影像進(jìn)行分類. 在冰川信息提取方面,可以提高冰川識(shí)別的精度,并對(duì)有冰磧覆蓋物的冰舌部分提取效果較好. 本文通過(guò)ENVI 深度學(xué)習(xí)模塊對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取研究,該模塊基于TensorFlow 框架,利用ENVI Net5 網(wǎng)絡(luò)構(gòu)建深度學(xué)習(xí)模型. ENVI Net5 是一種U-Net 架構(gòu),它是基于掩碼(mask-based)、編碼器-解碼器(encoder-decoder)的體系結(jié)構(gòu),用于對(duì)圖像中每個(gè)像素進(jìn)行分類. 具體的分類步驟如圖2所示.

        圖2 基于ENVI 深度學(xué)習(xí)模塊的圖像信息提取步驟Fig. 2 Image information extraction steps based on ENVI deep learning module

        影像分類完成后會(huì)得到一個(gè)CAM 類激活灰度圖,灰度圖中每個(gè)像元大致表示屬于目標(biāo)類別的概率,值閾范圍為0~1. 通過(guò)密度分割,將類激活灰度圖(圖3)按不同顏色顯示,紅色部分表示深度學(xué)習(xí)識(shí)別為冰川的概率較高.

        圖3 密度分割后梅里雪山地區(qū)冰川神經(jīng)網(wǎng)絡(luò)分類結(jié)果Fig. 3 Neural network classification results of glaciers in Meili Snow Mountain after density segmentation

        3 比較與討論

        3.1 分類結(jié)果對(duì)比為驗(yàn)證本文所用方法的有效性,基于目視解釋法梅里雪山地區(qū)冰川信息,以目視解譯結(jié)果作為地面真實(shí)數(shù)據(jù),對(duì)計(jì)算機(jī)解譯結(jié)果進(jìn)行精度驗(yàn)證(表3). 精度評(píng)價(jià)指標(biāo)為冰川總面積、面積誤差、重疊部分面積、冰川精度[28-29].

        表3 梅里雪山地區(qū)冰川分類精度Tab. 3 Accuracy of glacier classification in Meili Snow Mountain

        圖4 至圖9 分別為不同分類方法提取的冰川信息結(jié)果. 其中,黃色為基于目視判讀方法手動(dòng)提取梅里雪山地區(qū)冰川信息,紅色為對(duì)應(yīng)的每種分類方法所提取的冰川信息. 如圖4 所示,非監(jiān)督分類提取冰川信息結(jié)果中,裸地被錯(cuò)分為冰川的情況較多(如圖4(d)、4(f)),有冰磧覆蓋物的冰川被漏分(如圖4(a)、4(c)),山體陰影區(qū)中的冰川未被識(shí)別出(如圖4(b)、4(e)). 如圖5 所示,監(jiān)督分類提取冰川信息結(jié)果中,水體被錯(cuò)分為冰川(如圖5(d)),山體陰影區(qū)中的冰川未被全部識(shí)別出(如圖5(b)、5(e)),有冰磧物覆蓋物的冰川被漏分(如圖5(a)、5(c)). 由圖6 可見,比值閾值法消除了山體陰影的影響,但提取結(jié)果中“椒鹽”現(xiàn)象也較嚴(yán)重(如圖6(b)、6(e)),同時(shí)也造成了大量陰影被錯(cuò)分為冰川(如圖6(a)、6(c)),水體被錯(cuò)分(如圖6(d))、冰磧覆蓋區(qū)的冰川被漏分(如圖6(a)、6(c))的情況仍未得到有效解決. 如圖7 所示,利用NDSI 法提取的冰川信息結(jié)果與比值閾值法差異不大,陰影和水體被錯(cuò)分為冰川(如圖7(a)、7(c)、7(d)),冰磧覆蓋區(qū)的冰川被漏分(如圖7(a)、7(c)). 由圖8 可見,在尺度選取合適時(shí),面向?qū)ο蠓诸惙椒ǎ∣BIA)提取冰川信息的效果較好,可以區(qū)分水體與冰川(如圖8(d)). 面向?qū)ο蠓诸惙椒ㄔ诮⑿畔⒁?guī)則時(shí),有效地結(jié)合了比值閾值法及NDSI,部分有冰磧覆蓋物的冰川被識(shí)別,但未完全正確劃分(如圖8(d)).如圖9 所示,神經(jīng)網(wǎng)絡(luò)分類的整體提取冰川信息的效果好,有效地消除了山體陰影的影響,可以區(qū)分陰影、水體與冰川,且有冰磧覆蓋物的冰川被正確劃分,但整體分類精度仍待提高.

        圖4 非監(jiān)督分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 4 Glacier information extraction of Meili Snow Mountain based on unsupervised classification

        圖5 監(jiān)督分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 5 Glacier information extraction of Meili Snow Mountain based on supervised classification

        圖6 比值閾值法提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 6 Glacier information extraction of Meili Snow Mountain based on ratio threshold method

        圖7 NDSI 法提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 7 Glacier information extraction of Meili Snow Mountain based on NDSI

        圖8 面向?qū)ο蠓诸愄崛∶防镅┥降貐^(qū)冰川信息結(jié)果Fig. 8 Glacier information extraction of Meili Snow Mountain based on object oriented classification

        圖9 神經(jīng)網(wǎng)絡(luò)分類提取梅里雪山地區(qū)冰川信息結(jié)果Fig. 9 Glacier information extraction of Meili Snow Mountain based on neural network classification

        基于遙感影像的山岳冰川信息計(jì)算機(jī)解譯方法從不同的原理角度出發(fā)提取冰川信息,不同方法提取的結(jié)果各異,但每種方法都有各自的優(yōu)缺點(diǎn).表4 結(jié)合已有研究成果與本文試驗(yàn)結(jié)果,綜合比較了6 種分類方法優(yōu)缺點(diǎn). 非監(jiān)督分類法不需要人為干涉,提取冰川信息的效率最高,但是整體提取效果較差、精度較低,裸地錯(cuò)分嚴(yán)重,山體陰影區(qū)及冰磧覆蓋區(qū)中的冰川未被有效識(shí)別. 監(jiān)督分類法非冰川錯(cuò)分的概率較低,并解決了裸地錯(cuò)分的問(wèn)題,但冰川信息提取效果受樣本質(zhì)量影響,主要問(wèn)題是水體被錯(cuò)分為冰川、山體陰影區(qū)中的冰川未被全部識(shí)別出、有冰磧覆蓋物的冰川被漏分. 比值閾值法、雪蓋指數(shù)法(NDSI)均有效地消除了山體陰影的影響,但無(wú)法區(qū)分水體與冰川,且有冰磧覆蓋物的冰川被漏分的問(wèn)題仍未得到有效地解決. 面向?qū)ο蠓诸惙ǎ∣BIA)可以有效地區(qū)分水體與冰川,精度相對(duì)較高,但操作相對(duì)復(fù)雜,精度依賴于知識(shí)規(guī)則的建立. 本文選取的6 種提取方法中,神經(jīng)網(wǎng)絡(luò)分類法是精度最高的一種方法,但是由于樣本數(shù)量較少、訓(xùn)練深度學(xué)習(xí)模型的迭代次數(shù)較少,整體的冰川精度未達(dá)到理想水平. 如何有效地結(jié)合傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法,提高深度學(xué)習(xí)冰川信息提取精度,利用有效的標(biāo)簽對(duì)大量數(shù)據(jù)進(jìn)行深度挖掘分析且減輕神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)的依賴程度,需要進(jìn)一步的研究.

        表4 梅里雪山地區(qū)冰川分類方法比較Tab. 4 Comparison of glacier classification methods in Meili Snow Mountain

        3.2 目視修正為了得到更精準(zhǔn)的梅里雪山地區(qū)冰川信息,本文結(jié)合Google Earth 數(shù)據(jù)和DEM 數(shù)據(jù),在神經(jīng)網(wǎng)絡(luò)分類法提取冰川信息的基礎(chǔ)上,對(duì)其進(jìn)行了二次目視解譯,最終得到梅里雪山地區(qū)1989—2019 年較為精確的4 期冰川信息提取成果.利用DEM 數(shù)據(jù),通過(guò)水文分析得到梅里雪山地區(qū)的山脊線對(duì)冰川進(jìn)行分割,得到了55 條獨(dú)立的冰川,并通過(guò)冰川制圖得到梅里雪山1989 年—2019年冰川邊界變化圖(圖10). 通過(guò)分析得出,1989 年梅里雪山地區(qū)冰川面積達(dá)139.58 km2,2019 年冰川面積退縮至115.81 km2. 近30 年來(lái),梅里雪山地區(qū)冰川面積共退縮23.77 km2,年均退縮0.79 km2,面積相對(duì)退縮率為17.03%,年均相對(duì)退縮率為0.57%(表5). 計(jì)算公式如下:

        圖10 1989—2019 年梅里雪山地區(qū)冰川邊界變化Fig. 10 Glacier boundary changes in Meili Snow Mountain from 1989 to 2019

        表5 梅里雪山冰川面積變化統(tǒng)計(jì)Tab. 5 Statistics of glacier area change in Meili Snow Mountain

        其中,RS代表面積絕對(duì)變化速率,S代表面積變化量,t代表時(shí)段年長(zhǎng);RS′代表面積相對(duì)變化率,A代表時(shí)段起始年份冰川面積.

        4 結(jié)論

        本文利用TM、OLI 影像,通過(guò)非監(jiān)督分類法、監(jiān)督分類法、比值閾值法、雪蓋指數(shù)法(NDSI)及基于多尺度分割的面向?qū)ο蠓ǎ∣BIA)及基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法對(duì)梅里雪山地區(qū)冰川信息進(jìn)行提取,綜合比較6 種方法的分類效果. 在此基礎(chǔ)上,對(duì)梅里雪山地區(qū)1989、1998、2009 年和2019年的冰川信息進(jìn)行了提取,得出了以下結(jié)論:

        (1)計(jì)算機(jī)自動(dòng)解譯方法中,基于神經(jīng)網(wǎng)絡(luò)的冰川識(shí)別方法不僅消除了山體陰影的影響,而且可以正確區(qū)分陰影、水體及冰川,有冰磧覆蓋物的冰川信息也能被有效地提取,冰川信息提取精度最高. 但由于樣本數(shù)量較少、訓(xùn)練深度學(xué)習(xí)模型的迭代次數(shù)較少,整體的冰川信息提取精度仍待提高.

        (2)非監(jiān)督分類法提取冰川信息效果最差、精度較低,裸地錯(cuò)分嚴(yán)重,山體陰影區(qū)、冰磧覆蓋區(qū)中的冰川未被有效識(shí)別. 監(jiān)督分類法解決了裸地錯(cuò)分的問(wèn)題,但未提取出山體陰影區(qū)、冰磧覆蓋區(qū)中的冰川,冰川信息提取效果受樣本質(zhì)量影響較大.比值閾值法和雪蓋指數(shù)法(NDSI)均有效消除了山體陰影的影響,但無(wú)法區(qū)分水體與冰川,且有冰磧覆蓋物的冰川被漏分的問(wèn)題仍未得到有效地解決.面向?qū)ο蠓诸惙梢詤^(qū)分水體與冰川,精度相對(duì)較高,但操作相對(duì)復(fù)雜,精度依賴于知識(shí)規(guī)則的建立.

        (3)目前基于遙感的冰川信息提取的過(guò)程中,目視解譯仍然是精度最高的方法,并且是冰磧覆蓋部分冰川信息解譯效果最好的方法,在計(jì)算機(jī)自動(dòng)解譯后進(jìn)行二次目視修正,仍是冰川信息解譯中最重要的部分.

        (4)1989—2019 年梅里雪山地區(qū)冰川面積退縮了23.77 km2,年均退縮0.79 km2,面積相對(duì)退縮率為17.03%,年均相對(duì)退縮率為0.57%.

        本文在解譯冰川信息的過(guò)程中發(fā)現(xiàn),目前傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法提取的冰川信息效果較差.而目視解譯的效率較低,并且受解譯人員的經(jīng)驗(yàn)和主觀因素的影響,不同人員的解譯會(huì)有一定的偏差. 在深度學(xué)習(xí)迅速發(fā)展的背景下,如何有效結(jié)合傳統(tǒng)的計(jì)算機(jī)自動(dòng)解譯方法,提高深度學(xué)習(xí)冰川信息提取精度,利用有效的標(biāo)簽對(duì)大量數(shù)據(jù)進(jìn)行深度挖掘分析且減輕神經(jīng)網(wǎng)絡(luò)對(duì)于數(shù)據(jù)的依賴程度是未來(lái)研究的方向.

        猜你喜歡
        分類信息方法
        分類算一算
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        教你一招:數(shù)的分類
        訂閱信息
        中華手工(2017年2期)2017-06-06 23:00:31
        可能是方法不對(duì)
        用對(duì)方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        捕魚
        展會(huì)信息
        久久久久久九九99精品| 人妻精品无码一区二区三区| 亚欧色一区w666天堂| 曰批免费视频播放免费直播| 漂亮人妻洗澡被公强 日日躁| 亚洲av无码片vr一区二区三区| 亚洲乱码av中文一区二区| 人伦片无码中文字幕| 精品国产一区二区三区男人吃奶| 国内揄拍国内精品人妻久久| 少妇真人直播免费视频| 欧美牲交videossexeso欧美| 欧美熟妇精品一区二区三区| 最新欧美一级视频| 亚洲中文字幕视频第一二区| 美女张开腿黄网站免费| 精品国产一区二区三区av 性色| 亚洲国产成人久久综合一区77| 亚洲综合中文一区二区| 曰韩内射六十七十老熟女影视| 国产成人啪精品视频免费软件| 色噜噜狠狠色综合中文字幕| 国产在线观看黄片视频免费| 久久精品亚州中文字幕| 久久久亚洲精品无码| 国产亚洲蜜芽精品久久| 人妻在线中文字幕视频| 极品尤物精品在线观看| 少妇丰满大乳被男人揉捏视频| 久久国产亚洲AV无码麻豆| 精品一区二区三区老熟女少妇| 亚洲爆乳无码精品aaa片蜜桃 | 成年人男女啪啪网站视频| 亚洲国产一区二区三区| 国产成熟人妻换╳╳╳╳| 亚洲自拍愉拍| 国产在线观看一区二区三区av| 日本又色又爽又黄又免费网站| 少妇被粗大的猛进69视频| 国产精品一区二区三区色| 亚洲av午夜一区二区三|