基于多源遥感水体监测的淹没区植被变化研究

作     者：薛维宝 

作者单位：安徽大学 

学位级别：硕士

导师姓名：吴艳兰;杨辉;彭鹏

授予年度：2022年

学科分类：083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 07[理学] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 0713[理学-生态学] 

主      题：植被变化 遥感 SAR水体提取 洪涝淹没区 深度学习 

摘      要：淹没区植被变化是区域生态系统对洪涝灾害响应的综合体现,获取准确的洪涝淹没边界是研究淹没区植被变化的基础与前提。目前传统淹没区边界提取方法存在着道路及山体阴影误提、植被-水体混合体漏提和效率低等问题。同时,植被变化研究主要关注多年度长时序恢复情况,涉及洪涝发生后短时期年内变化研究较少。因此,如何准确获取洪涝淹没边界和洪涝淹没后植被年内如何变化是遥感监测和生态环境领域的热点问题。本研究以巢湖周边20km为研究区,针对上述问题,利用多源SAR(合成孔径雷达,Synthetic Aperture Radar)和光学遥感数据,改进深度学习水体提取模型,结合植被指数、综合指数法,研究淹没区植被变化。主要研究内容与创新点如下:(1)本文针对现有SAR水体提取方法中存在的问题,以GF-3双极化数据建立深度学习SAR水体样本库,设计了一个深度学习SAR水体提取模型——密集坐标特征拼接网络(DCFN)。该网络在利用密集连接块的特征重用优点的同时,引入了空间注意模块,以有效减少空间及坐标信息损失。并改进了传统的特征连接模块,可充分获取SAR影像不同等级的水体特征信息,避免特征信息冗杂的问题。本文方法在GF-3影像水体提取的精度显著提升,总体精度达到98.4%,同时实现了Sentinel-1水体提取的应用,这表明DCFN可以对多源SAR影像水体边界进行更准确的提取,降低了实际工作中的跨传感器水体提取成本,可成为SAR影像洪涝灾害监测工作的有效工具。(2)本文以2020年夏季巢湖周边20km为研究区,利用多源遥感影像获取研究区洪涝淹没总边界、各植被类型分布、洪涝后研究区植被指数,并进行洪涝后植被年内动态分析。从植被类型和植被覆盖度两个角度,分别层层深入分析了洪涝前中后(7～8月)的不同植被类型受灾情况和洪涝发生后(8～11月)研究区及淹没区、典型淹没区的植被覆盖度、区域生态环境质量动态变化。分析得出:总体上2020年夏季巢湖洪涝面积未发生骤升骤降的现象,各水体景观指数显示在7月洪涝生态扰动最大,湿地自我调节能力最弱。洪涝发生时研究区植被类型受影响程度最大的为灌丛,受影响面积最多的植被类型为农田。洪涝发生后,研究区植被前期受洪涝影响作用较大,后期主要受植被物候特征影响,区域生态环境评价结果表明当地生态系统稳定性呈先上升后下降,最后趋于动态平衡,趋于平衡的主要原因在于原淹没区域生态质量逐步向好发展,对农田生产活动导致的生态质量下降起到了抵消作用,生态环境质量动态稳定。淹没区植被和生态环境评价均向好发展后趋于稳定,与研究区生态环境质量整体恢复趋势吻合。典型淹没区中,十八联圩淹没区对于研究区和淹没区植被恢复和生态环境评价起负向消极作用,柘皋河淹没区起正向积极作用。结合遥感影像植被指数计算和实地调研显示,通过NDVI变化分析可以为实地耐涝树种及受灾树种考察时提供参考。