XiaoMi-AI文件搜索系统
World File Search SystemLULC
用于映射UMNGENI集水区LULC的机器学习算法，夸祖鲁 - 纳塔尔省
摘要：集水区的土地使用/土地覆盖（LULC）的分析是保护淡水资源的第一个措施。流域中的LULC信息已在自然科学领域中广受欢迎，因为它可以帮助水资源管理者和环境卫生专家根据可用的定量内形式制定自然保护策略。因此，遥感是解决集水层面与环境相关问题的问题。In this study, the performance of four machine learning algorithms (MLAs), such as Random Forests (RF), Support Vector Machine (SVM), Artificial Neural Networks (ANN), and Naïve Bayes (NB) was investigated to classify the catchment into nine rele-vant classes of the undulating watershed landscape using Landsat 8 Operational Land Imager (L8-OLI) imagery.对MLA的评估是基于对分析师的目光检查和常用的评估指标，例如用户的准确性（UA），生产者的准确性（PA），整体准确性（OA）和KAPPA系数。MLA产生了良好的结果，其中RF（OA = 97.02％，Kappa = 0.96），SVM（OA = 89.74％，Kappa = 0.88），Ann（OA = 87％，Kappa = 0.86）和NB（OA = 68.64 kappa = 68.64 kappa = 0.58）。结果表明，RF模型在SVM和ANN上具有较小的边缘的外观性能。NB产生令人满意的结果，这可能主要受到其对有限训练样本的敏感性的影响。相比之下，RF的稳健型号可能是由于能够用有限的火车数据对高维数据进行分类的能力。关键字：翁根尼河流域；机器学习； lulc; Landsat 8;遥感
使用多传感器和多分辨率遥感图像的长期土地覆盖变化检测：中国长大学的案例研究
更改检测是遥感应用程序中最重要的方面之一。但是，由于图像采集的有限条件，从相同类型的遥控传感器获得的图像通常用于监视长期土地使用和土地覆盖（LULC）的变化。由于航空航天技术的发展和新的光学遥控传感器，LULC更改检测可以很好地使用多传感器和多分辨率图像进行。本文的主要贡献是验证通过将不同的更改检测方法应用于多传感器和多分辨率遥感图像来执行长期LULC更改检测是可行且可行的。在这项研究中，从1998年至2018年，在Landsat，Quickbird，Worldview-4和GF-2图像上使用了不同的变更检测方法，以检测中国Chang'an University的Weishui校园的LULC变化。结果表明，使用LandSat-5图像的直接光谱比较方法比使用LandSat-7图像在1998年至2008年之间更有效地检测到1998年至2008年之间的LULC变化。然而，在2008 - 2018年间，基于对象的变更检测方法比使用时间序列的高分辨率图像来监视校园中LULC更改的分类后方法更适用。这项研究可用作使用多传感器和多分辨率遥感图像的参考，以及在LULC变化检测场中不同变化检测方法的组合。
REDD+根据决定14/CP.19
使用IPCC方法2估算活动数据活动数据。为不丹生成森林砍伐活动数据，三个国家土地使用和土地覆盖（LULC）数据集-Lupp 1995，LCMP 2010和LULC 2016-被审查，但由于方法和决议的不同而发现不一致。因此，全球森林变化数据集（Hansen等，2013）用于生成LULC地图。每年的树覆盖损失和增益与2000 Tree Canopy覆盖基线集成在一起，以产生两个连续的地图，涵盖了2004 - 2009年和2010- 2014年的周期。像素级数据通过区域统计数据汇总到最小映射单元。分层面积估计以得出最终活动数据，有效地减少了不确定性，同时考虑了参考期间的实际森林损失，尽管总森林面积净增加。
科学
深度脱碳的预测需要大量的太阳能，这可能会与其他土地使用竞争，例如农业，城市化和自然土地的保护。现有的容量扩展模型不会将土地使用土地覆盖变化（LULC）动态整合到预测中。我们通过将LULC的投影与一个模型将太阳能PV的未来部署与高空间分辨率的模型相结合，从而探索了预计的LULC，太阳能光伏（PV）部署以及太阳能对自然土地和农田的相互作用。，我们使用了从2010年至2050年的气候变化中的LULC预测的场景，有关排放场景的特别报告，并进行了两个电网场景，以模拟未来的PV部署，并将这些结果与2010年土地覆盖率的基线进行了比较，该基线与2010年的土地覆盖率保持不变。尽管Solar PV的总体技术潜力受LULC方案的影响最小，但部署的PV在2050年与基线情景相比，pV在-16.5％至11.6％之间。预计PV的总土地需求与其他研究相似，但是PV对自然系统的影响取决于情况下发生的潜在土地变化动态。在2050年部署的太阳能光伏导致1.1％ - 2.4％的耕地和0.3％ - 0.7％的自然土地转化为PV。然而，当整合了包括PV在内的所有土地覆盖变化动态（包括PV）的完整净收益和损失时，在PV撞击和与土地覆盖的相互作用下最深的是最深的。例如，即使PV驱动了更大比例的
17. 土地利用土地覆盖分类的初级阶段
土地利用/土地覆盖 (LULC) 描述了地球的特征并表明了土地如何用于各种活动。土地覆盖变化是一个持续的过程，与城市化、森林砍伐、湖泊干涸、农业用地过度利用等有关。因此，它构成了经济规划和资源管理的重要基础。然而，在空间域中准备 LULC 数据是一项耗时费力的工作，需要大量的人力资源。在使用遥感卫星数据时，对一个区域的 LULC 进行分类是一项重大挑战。在过去十年中，机器学习 (ML) 因其强大的学习能力而呈现出日益上升的趋势和极大的兴趣，因为它能够在多个处理层上学习具有多个抽象级别的数据样本表示。由于 ML 方法的输出一致且对人为干预的要求较少，因此使用该方法对土地特征进行分类是地理空间领域的正确方法和当前趋势。用于 LULC 分类的 ML 技术：支持向量机 (SVM)、随机森林 (RF)、最大似然分类器 (ML) 和深度人工神经网络 (ANN) 等监督算法是从多光谱卫星图像中提取主题信息的一些常用方法。1. 2001 年，Breiman 提出了一种集成分类方法，即随机森林 (RF)
使用 LiDAR 点云和 GIS 分析自动检测土地覆盖变化和监测森林演替
摘要：本文探讨了将光探测和测距 (LiDAR) 点云和地理信息系统 (GIS) 分析应用于土地利用和土地覆盖 (LULC) 变化检测的可能性，主要目的是监测后农业土地上发生的不受控制的森林演替。这项研究是在 Milicz 行政区（波兰中西部地区）的一部分进行的。感兴趣的区域是已经放弃农业用途并且森林演替过程已经进展的地块。机载激光扫描 (ALS) 数据（于 2007 年、2012 年和 2015 年获取）揭示了由于森林演替过程的进展而导致的土地覆盖的详细变化。使用 ALS 数据，显示了 LULC 变化和次生林演替的进展，并给出了植被参数（LiDAR 指标）。
摩洛哥的Fezmeknes地区的案例研究
摘要。通过确定最脆弱的区域以及影响洪水易感性的最脆弱的区域以及相关特征，洪水易感性的映射和评估是减轻洪水和预防计划的组成部分。因此，本研究的目的是首次使用多标准方法，尤其是分析层次结构过程（AHP）技术和地理信息系统（GIS），首次使用Fez-Meknes地区（摩洛哥）识别洪水泛滥的地区。选择了洪水的15个条件因子：距离河流的距离，河流网络密度，降水，流动积累，高程，坡度，平面曲率，TWI，TWI，Extix，NDVI，LULC，LULC，TRI，TRI，地质，土壤类型和SPI。所有因素均定义为栅格数据集，分辨率为30 x 30 m。结果表明，洪水易感性图的效率测试表明，使用曲线下的区域（AUC）的良好准确性（0.90）（0.90）。此外，LULC被认为是最重要的因素，随后是影响洪水图的流功率指数。
使用 Sentinel 进行填海区土地覆盖制图... - MDPI
摘要：本文探讨了使用融合 Sentinel-2 影像（2016 年，ESA）和光探测和测距 (LiDAR) 点云实现土地覆盖制图自动化的可能性，主要重点是探测和监测森林覆盖区域，并获取有关复垦区植被空间（2D 和 3D）特征的精确信息。这项研究针对复垦区进行——位于波兰东南部的两个前硫磺矿，即 Jezi ó rko，其中 216.5 公顷的森林覆盖区在钻孔开采后得到复垦，以及 Mach ó w，其中 871.7 公顷的垃圾场在露天开采后得到复垦。根据 Sentinel-2 图像处理得出 Machów 和 Jeziórko 前硫磺矿的当前土地利用和土地覆盖 (LULC) 等级，并确认了两个分析区域所应用的复垦类型。以下 LULC 等级显示出显著的空间范围：阔叶林、针叶林和过渡林地灌木。不仅在占用面积方面，而且在树木和灌木的生长方面，都证实了森林覆盖区域的进展。研究结果显示植被参数存在差异，即高度和树冠覆盖率。还观察到了植被生长的各个阶段。这表明植被生长过程正在进行中，这是这些区域填海工程的效果。
应用于土地利用和土地覆盖的时间序列指标...
摘要。山体滑坡是巴西经常发生的现象，造成了许多社会经济损失和人员伤亡。为了监测山体滑坡，土地利用和土地覆盖 (LULC) 以及山体滑坡清单图对于识别高易发区域至关重要。从这个意义上讲，本研究的主要目的是通过半自动方法，使用遥感时间序列图像的数据挖掘技术，对以山体滑坡检测为重点的 LULC 进行分类。为此，从 Sentinel-2 图像中提取了不同的指数，例如归一化差异植被指数、归一化差异建筑指数 (NDBI) 和土壤调整植被指数。从时间序列中提取了基本、极坐标和分形指标。从航天飞机雷达地形任务数字高程模型中提取了六个地貌特征。然后，使用四种不同方法的随机森林进行分类：单时间、双时间、度量和全部。在每种方法中，NDBI 指数或从中得出的度量都具有最高重要性，而斜率则排在前六个预测因子之中。全部方法显示出最高的总体准确率 (OA) (88.96%)，其次是度量 (87.90%)、双时间 (82.59%) 和单时间 (74.95%)。简而言之，度量方法呈现出最有益的结果，呈现出高 OA 和低水平的犯错和遗漏错误。© 作者。由 SPIE 根据知识共享署名 4.0 国际许可发布。分发或复制本作品的全部或部分内容需要完全注明原始出版物，包括其 DOI。[DOI：10.1117/1.JRS.16.034518]
“使用太空技术对迈索尔·塔鲁克（Mysore Taluk）的森林和农业部门的影响及其对森林和农业部门的影响”
摘要通过使用遥感技术来评估迈索尔·塔卢卡（Mysore Taluka）的水资源，土壤水分以及植被指数进行了一项研究。研究区域位于12.630°N的纬度和76.607°E的纬度之间，涵盖了约79,788公顷的面积。土地使用和土地覆盖（LULC）地图是从Landsat图像和地面真相结合使用的。也尝试找出与气候参数有关的LULC和温度对农业的影响。使用Landsat图像使用用于分析NDVI，NDWI和NDMI图。相反，使用相对湿度，土壤水分，太阳辐射和水径径的数据进行NCEP重新分析。该研究的结果表明，年度最高温度从2000年到2016年升高，而在此期间，年度最低温度和年降雨量减少。2000-2016的NDVI分析表明它是增加的。在NCEP重新分析的情况下，在此期间的相对湿度，土壤水分和水径流的年平均值中观察到降低。年度太阳辐射也显示出增加。发现在迈索尔·塔鲁克（Mysore Taluk）减少了用于谷物，小米，豆类，油种子，棉花和粒土植物的裁剪区域。另一方面，迈索尔·塔卢卡（Mysore Taluka）的水果，蔬菜和甘蔗的裁剪区域显示出来。GCM模型的C-MMAC预测，迈索尔·塔卢克（Mysore Taluk）分别降雨和2020年和2030年的温度下降。关键词：土地使用和土地覆盖，归一化差异植被指数，NCEP重新分析和MODIS数据。