Page 86 - 《武汉大学学报（信息科学版）》2025年第9期
P. 86

1814                            武 汉 大 学 学 报  （信 息 科 学 版）                        2025 年 9 月

                长时序动态植被分类制图较为困难                 ［14-15］ 。对于实     分类制图。本文以内蒙古自治区阿鲁科尔沁旗
                现长时序植被分类与动态制图来说，获取较为可                            为试验区，实现利用历史植被分类图进行长时序
                靠的历史样本是目前面临的难题。现有的植被                             动态快速植被分类制图，为长时序植被分类分析
                分类样本数据集包括全球自然带植被类型分布                             提供支持。
                图及 2000 年 1∶1 000 000 中国植被图       ［16］ 、2020 年
                更新的 1∶1 000 000 中国植被图        ［17］ 等。尽管现存         1 研究区域与数据
                的植被分类大标签样本数据存在很多噪声，但对
                                                                 1.1 研究区
                于实现长时序植被分类制图来说是丰富而珍贵
                                                                     阿 鲁 科 尔 沁 旗 位 于 内 蒙 古 自 治 区 中 部 ，赤
                的历史数据集。因此，文献［18］提出了一种从历
                                                                 峰 市 东 北 部 ，地 理 坐 标 为 119°02'E~121°01'E、
                史土地覆盖数据集中获取可靠样本，并利用最近
                                                                 43°21'N~45°24'N，研 究 区 范 围 及 地 形 如 图 1 所
                的多光谱图像的时间序列对土地覆盖进行更新
                                                                 示。研究区整体地势为西北向东南倾斜，最高海
                的无监督的分类方法。通过充分利用历史植被
                                                                 拔高度 1 527 m，最低海拔高度 231 m，相对高差
                分类数据集大标签样本，从中挖掘多时相的可利
                                                                                                         2
                                                                 1 296 m，平均海拔 430 m。总面积为 14 277 km ，属
                用的植被分类训练样本，在一定程度上能够为解
                                                                 于中温带半干旱大陆性季风气候区                ［28］ 。
                决当前长时序动态快速植被分类制图费时费力
                的 问 题 提 供 帮 助 。 兼 顾 空 间 和 时 间 分 辨 率 的
                Landsat、Sentinel-2 等 系 列 卫 星 数 据 常 被 用 于 植
                被分类及动态监测，尤其是拥有最长连续全球覆
                盖影像档案（1973 年至今）的 Landsat 系列卫星，为
                长期环境分析提供了信息丰富的多时相数据                    ［19］ 。
                     基于变化检测的样本迁移方法通过确定多
                个时相影像之间的不变区域来进行样本迁移，能
                够降低多时相之间样本传递过程中的噪声，从而
                具有较好的鲁棒性         ［20-21］ 。基于 Landsat 时序数据
                的变化检测方法主要包括模型法、轨迹拟合法和
                光谱-时间轨迹法 3 类       ［22-23］ ，其中光谱-时间轨迹法
                通过地表变化过程中光谱-时间轨迹的特点来判
                定干扰事件是否发生，Landsat 干扰和恢复趋势监
                                                                             图 1 研究区范围及地形
                测（LandTrendr）算 法 主 要 检 测 以 年 为 步 长 的 变
                                                                     Fig. 1 Scope and Topography of the Study Area
                化，能更全面地检测出渐变和突变事件，并且能
                够检测变化趋势和扰动事件              ［24］ 。然而，在基于变          1.2 研究数据
                化检测的样本迁移的源训练样本往往不够精准，                                研究选用的植被分类样本数据来自 2000 年
                如采用大标签的历史植被分类图数据集作为类                            《1∶1 000 000 中国植被图集》数据集           ［16］ ；Landsat
                别标签，缺乏降低源训练样本中噪声的方法将难                            数据来自 Landsat Collection 2 数据集，使用经去
                以 获 得 理 想 的 长 时 序 动 态 快 速 植 被 分 类                云 裁 剪 等 预 处 理 的 2000 年 、2005 年 、2010 年 、
                结果  ［25-27］ 。                                    2015 年、2020 年、2022 年 Level-2 数据；气象数据
                     综上，针对长时序动态植被分类制图，缺乏                         来自 ERA5-Land 数据集，在本研究中选取上述年
                一 种 更 为 便 捷 、快 速 、轻 量 且 较 为 可 靠 的 方 法 。          份的一级土壤温度、植被冠层或土壤上薄层含水
                直接对大标签植被分类图采用基于变化检测的                             量、地球表面反射率、地表径流、地表温度 5 个变
                样本迁移方法缺乏对大标签样本中存在噪声、不                            量；MODIS 数据来自 MOD13Q1 数据集，本文使
                确定性的考虑。因此，本文提出一种针对长时序                            用的是 2005 年、2010 年、2015 年、2020 年、2022 年
                动态植被分类制图方法，基于现有的植被分类数                            的 增 强 型 植 被 指 数（enhanced  vegetation  index，
                据集，并综合土地覆盖产品，从大标签中自动获                            EVI）时 序 数 据 ；数 字 高 程 模 型（digital elevation
                取高质量的训练样本集并与基于变化检测的多                             model，DEM）空间分辨率为 30 m，根据研究区范
                时相样本迁移方法相结合，从而实现多时相植被                            围进行裁剪，并生成海拔、坡度、坡向 3 个变量。
   81   82   83   84   85   86   87   88   89   90   91