XiaoMi-AI文件搜索系统
World File Search System土地覆盖
定量长期监测（1890-2020）的形态学和土地覆盖变化
摘要：欧洲阿尔卑斯山的航拍照片通常仅回到20世纪中叶，这限制了相应研究的时间跨度，这些研究的时间跨度使用地理作用的正尾可以定量分析前冰区域的长期表面变化。到小冰河时代的尽头，这导致了大约100年的差距。使用数字单斜率和几张历史陆地照片，我们显示了一个冰河时代侧面的小冰河横向变化的量化，直到19世纪下半叶，达到了130年的总研究期（1890 - 200年）。（初始）沟渠系统在1890年至2020年的整个研究期间连续扩展（几乎）。直到1953年，植被覆盖的地区也扩大了（主要是切碎的社区，高山草原和矮灌木社区），然后再次减少，尤其是在1990年至2003年之间，由于古莉系统内的大规模侵蚀。此外，我们的结果表明，土地覆盖的发育受到温度和降水变化的影响。在130年的研究期间，我们通过分析早期阶段，从而实现对冰期过程的理解，从而有助于大大改善，从而对冰山的直接响应对冰暴暴露。
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。
生命：映射土地覆盖变化对全球灭绝的影响的指标
人类驱动的栖息地丧失被认为是生物多样性危机的最大原因，但迄今为止，我们缺乏可靠的，空间显式的指标，无法量化栖息地范围对物种灭绝的影响的人为变化的影响。现有指标无法考虑物种身份，或者仅专注于最近的栖息地损失。Durán等人开发的持久分数方法。（Durán等人2020方法ECOL。Evol。11，910–921（doi：10.1111/2041-210x.13427）通过将物种的生态和土地覆盖数据相结合，同时考虑了过去栖息地损失对物种灭绝的可能性的累积和非线性影响，这代表了重要的发展。但是，它在计算上是要求的，从而限制了其全局使用和应用。在这里，我们将持久性得分方法与高性能计算相结合，以生成30 875种陆生脊椎动物的寿命（土地覆盖变化对未来灭绝的影响）的全球地图（在1 Arc-min分辨率（在赤道为3.4 km 2））。这些地图首次提供了定量估计值，即预期的灭绝数量（增加和减少）的边际变化是由于将剩余的自然植被转化为农业而引起的，并将农田恢复为自然栖息地。我们从统计学上证明，这种方法整合了有关物种丰富性，特有和过去栖息地丧失的信息。本文是讨论会议问题的一部分，“弯曲自然恢复的曲线：基于乔治娜·梅斯（Georgina Mace）的生物多样性未来的遗产”。我们所产生的地图可在0.5–1000 km 2的尺度上使用，并提供前所未有的机会，以估算影响土地覆盖变化的各种行动的影响，从个人饮食选择到全球保护区的发展。
使用正射影像和激光雷达数据进行基于对象的土地覆盖分类
基于遥感数据的图像分类是自动制图研究的主要领域。随着城市发展的加快，迫切需要更新地理数据库。城市地区土地覆盖类型的自动制图是遥感领域最具挑战性的问题之一。传统的数据库更新费时费力，通常通过人工观察和目视解译进行，为了提高效率和准确性，数据收集和提取方面的新技术越来越必要。本文研究了一种基于正射影像和激光雷达数据（单独和组合）的基于对象的决策树分类。成功提取了四种土地覆盖类型，即森林、水体、空地以及建筑物。基于正射影像的分类准确率为 89.2%，基于激光雷达数据的分类准确率为 88.6%，获得了令人满意的结果。激光雷达数据和正射影像都显示出足够的能力来单独对一般土地覆盖类型进行分类。同时，正射影像和激光雷达数据的组合显示出显著的分类结果，准确率为 95.2%。整合数据的结果显示出非常高的一致性。与单独使用正射影像或激光雷达数据的过程相比，它降低了土地覆盖类型判别的复杂性。此外，还进行了另一种分类算法，支持向量机（SVM）分类。比较
低地和高地兰花的脆弱性在对气候变化和土地覆盖变化的空间反应
a Research Center for Ecology and Ethnobiology – National Research and Innovation Agency (BRIN), Indonesia b Research Center for Applied Botany – National Research and Innovation Agency (BRIN), Indonesia c Research Center for Biosystematics and Evolution – National Research and Innovation Agency (BRIN), Indonesia d Research Center for Geological Resources – National Research and Innovation Agency (BRIN), Indonesia e Conservation Department, PT Mitra Natura Raya，Bogor Botanic Gardens，印度尼西亚F兰花专家集团亚洲（印度尼西亚国家代表），物种生存委员会，国际自然保护联盟（IUCN），印度尼西亚G森林，渔业，渔业和地球科学学院，佛罗里达大学佛罗里达大学，美国佛罗里达大学，美国佛罗里达大学，美国佛罗里达大学，佛罗里达大学，佛罗里达大学，佛罗里达州，弗洛里达大学，弗洛里达大学，纽约市，纽约市。自然科学，印度尼西亚大学
将生成人工智能和Google Earth Engine的整合用于红树林土地覆盖地图
农业产业的机器化是一种尖端解决方案，可提高当今农业部门的生产力和可持续性。通过合并新的机器人技术，可以实现许多好处。这些包括增强的任务准确性，减少对工人的身体压力，优化的资源使用情况，更快的任务完成以及环境影响的减少。在农业中使用的机器人技术的例子包括无人拖拉机，并将自动化的水果和蔬菜收获和包装结合在一起，植物护理任务，例如修剪，除草和灌溉，以及挤奶奶牛，以及监视放牧的土地。缺乏能够有效操作机器和维护自动化系统的合格人员[1-7]。在当今快速发展的技术环境中，农业工业复合物的机器化非常相关。通过将机器人技术和自动化纳入农业，可以提高效率，生产力和可持续性的潜力很高。机器人可以通过精确和预测执行诸如种植，除草，收获，甚至监测作物健康等任务。这可以帮助优化自然资源的使用，降低人工成本，并通过针对水资源（例如水和肥料）的目标使用[8-10]来最大程度地减少环境影响。农业的机器化发展有几个问题。此外，人们对数字技术在农业中日益增长的使用以及隐私问题的担忧。这些包括获取和实施机器人技术的高初始成本，对人员进行专门培训以操作和维护这些系统的需求以及农村地区人工劳动的潜在流离失所。
加拿大艾伯塔省油砂地区的土地覆盖与生物多样性的地位
ABMI在OSR中有350个监视位点，迄今已访问了328个（图2）。在每个地点，我们记录存在并测量各种栖息地特征的物种。ABMI使用精细分辨率图像，光检测和范围（LIDAR）数据和卫星图像来监测人足迹和栖息地的状态和趋势。这些数据集用于确定人类土地使用，栖息地和物种丰度之间的关系。
藏族高原的10 m分辨率土地覆盖地图，具有详细的植被类型
摘要。藏族高原（TP）拥有多种植被类型，范围从下高度的阔叶和针蛋白的森林到介质区域到高海拔高度和Xeric地区的高山草原。TP上植被分布的准确和详细的映射对于改善对气候变化对陆地生态系统的影响的理解至关重要。然而，TP的现有土地覆盖数据集是在低空间分辨率下提供的，或者具有不足的植被类型，以表征某些独特的TP生态系统，例如高山scree。Here, we produced a 10 m resolution TP land cover map with 12 vegetation classes and 3 non-vegetation classes for the year 2022 (referred to as TP_LC10-2022) by leveraging state-of-the-art remote- sensing approaches including Sentinel-1 and Sentinel-2 imagery, environmental and topographic datasets, and four machine learning models using the Google Earth Engine platform.我们的TP_LC10-2022数据集以0.854的kappa系数达到了86.5％的总体分类精度。将其与现有的四种全球土地覆盖产品进行比较后，TP_LC10-2022在反映东南TP地区的局部规模垂直变化方面显示出显着改善。此外，我们发现，在现有的土地覆盖数据集中被忽略的高山scree占据了TP地区的13.99％，而shrubland则以不同的形式（落叶般的灌木丛和常绿和常绿的灌木丛）为特征，这些形式在很大程度上是由平线所确定的，并在现有的土地覆盖范围中遗漏了4.63％的4.63％。我们的数据集为进一步的分析提供了坚实的基础，这些基础需要准确地描述TP中这些独特的植被类型。TP_LC10-2022和样品数据集可在https://doi.org/10.5281/zenodo.8214981（Huang等，2023A）和https://doi.org/10.org/10.5281/zenodo.8881/zenodo.888888822279-2（Huang et al。，2023a）中免费获得。 分别。此外，可以在https：// cold-classifier.users.earthengine.app/view/tplc10-2022（最后一次访问：2024年6月6日）上查看分类图。
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。
GEO 2016 工作计划 v4 版
土地覆盖是 GEO 的首要地球观测参数之一，因为它对许多社会利益领域具有跨领域重要性。GEO 全球土地覆盖任务致力于改善全球土地覆盖活动的协调。它寻求建立一个国际网络，GEO 成员可以在此表达对土地覆盖产品的需求，贡献制图和监测工作，并支持相关的能力发展举措。通过其活动，土地覆盖任务旨在满足众多利益相关者的产品需求，包括环境机构、科学界、国家测绘机构、商业用户和联合国公约。然而，还需要做更多的工作来有效地协调活动并传达相关的社会利益和政策联系的证据。尽管近年来取得了技术和科学进步，但迫切需要加强土地覆盖数据的协调，加强不同工作之间的合作。减少土地覆盖产品之间的不一致，嵌套更精细的信息