• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于遙感云計算的鄱陽湖濕地植被群落分類研究

    2023-08-08 14:24:34韓新星艾金泉葉子君牛春妹唐鑫濤
    人民長江 2023年7期
    關鍵詞:訓練樣本鄱陽湖分類器

    韓新星 艾金泉 葉子君 牛春妹 唐鑫濤

    摘要:

    針對大型通江湖泊濕地植被精細分類中精度不高、算法穩(wěn)健性不強的問題,以鄱陽湖濕地植被為研究對象,基于遙感云平臺GEE和Sentinel-2影像,著重研究不同訓練樣本數(shù)量、不同時相特征數(shù)據(jù)及不同機器學習算法對鄱陽湖濕地植被類型分類的影響。結果表明:① 隨著訓練樣本數(shù)量的增加,植被類型的分類精度呈現(xiàn)先上升后平穩(wěn)的規(guī)律,當不同植被類型訓練樣本達到550個時,精度達到峰值平穩(wěn)狀態(tài);② 不同時相特征的數(shù)據(jù)集分類精度具有顯著差異,具體為:月度時序>枯水期>四季多時相>單時相,其中,月度時序數(shù)據(jù)集的總體精度最高,總體精度及Kappa系數(shù)分別為82%和0.79;③ 不同遙感算法獲得的分類結果精度不同,RF分類精度最高,SVM和CART次之;④ 當不同植被類型的訓練樣本達到550個時,使用Sentinel-2月時序影像和RF算法能取得最優(yōu)的分類結果。研究成果可為鄱陽湖濕地精細分類提供方法借鑒,為鄱陽湖濕地保護提供技術支持。

    關 鍵 詞:

    濕地植被; 植被群落分類; 機器學習; Google Earth Engine; Sentinel-2; 鄱陽湖

    中圖法分類號: TP751

    文獻標志碼: A

    DOI:10.16232/j.cnki.1001-4179.2023.07.008

    0 引 言

    湖泊濕地是全球內(nèi)陸濕地的重要組成部分,在調(diào)蓄洪水、凈化環(huán)境、保護生物多樣性等方面發(fā)揮著重要作用[1]。鄱陽湖濕地作為中國最大的淡水湖泊濕地,受氣候變化、圍墾和水利設施建設等的影響,面臨著嚴重的退化問題[2]。濕地植被作為濕地生態(tài)系統(tǒng)極為重要的組成部分,是濕地提供水禽棲息地及魚類繁殖場所的基礎,是濕地碳匯的來源,也是表征濕地環(huán)境質(zhì)量的重要指示器[3-5]。因此,對濕地植被分布進行精準監(jiān)測和制圖,可為濕地管理與保護提供科學依據(jù)。

    早期植被信息提取,主要依靠野外實地調(diào)查,費時費力且不適合大面積作業(yè)。隨著遙感技術的發(fā)展,遙感影像分類成為獲取植被信息的重要方式[6]。在以往的研究中,濕地植被多采用單時相數(shù)據(jù)進行分類。例如,Martínez等[7]利用單時相Landsat5-TM影像進行濕地植被分類,Kappa系數(shù)為0.5;Kumar等[8]使用單時相Quickbird對鹽沼植被群落分類時,總體精度僅有42%。這是因為植被之間的光譜極易混淆,常常產(chǎn)生“同譜異物,異物同譜”現(xiàn)象,致使單時相影像無法精準分類。而多時相遙感數(shù)據(jù)的影像序列可以反映植被的季相特征及物候規(guī)律,有效增加植被識別精度,被廣泛應用于植被信息提取。Rapinel等[9]利用年度時序Sentinel-2數(shù)據(jù)進行草原植被群落分類,總體精度達到78%;朱琦等[10]依托GEE平臺多時相Landsat 8數(shù)據(jù),對熱帶天然林進行分類,分類精度達到91%。然而,目前針對不同影像選取策略對于大型通江湖泊濕地植被制圖精度影響的研究還不多,尚需進一步深入研究。

    除了時相特征影響分類精度外,分類方法的選擇也是重要影響因素之一[11]。目前較為常用的濕地植被分類研究方法有隨機森林、決策樹、支持向量機、面向?qū)ο蠓治龇椒ǖ龋?2]。例如:張晨宇等[13]將面向?qū)ο笈c隨機森林算法相結合,利用多時相Landsat 8衛(wèi)星影像,對黃河口保護區(qū)典型濕地植被進行分類,總體精度達到了92.3%;Heumann等[14]使用Worldview-2傳感器,將決策樹分類與機器學習支持向量機分類相結合,對紅樹林與其他沿海濕地植被進行分類,總體精度達到94%。對于大型通江湖泊濕地而言,現(xiàn)有的研究仍缺乏對不同分類器的分類性能和效果的比較,需要進一步研究。

    已有研究表明,利用遙感影像進行信息提取時,不僅依賴分類器的選擇,而且還依賴于訓練分類器時樣本數(shù)量的選擇[15]。如盧小平等[16]以GF-2影像為數(shù)據(jù)源,研究K近鄰算法、SVM算法在不同訓練樣本數(shù)量下,對濕地信息提取精度的影響,結果表明不同訓練樣本數(shù)量對于分類精度的影響不同;吳振彪等[17]基于Landsat 8-OLI影像應用最大似然法對東莞市土地覆蓋類別進行監(jiān)督分類,并探究不同數(shù)量的訓練樣本對地物分類精度的影響。然而,當前的研究仍然集中在樣本數(shù)量變化對于土地覆蓋類別、濕地大類的劃分上,針對湖泊濕地植被分類精度影響研究較少。

    針對以上問題,本文基于谷歌地球引擎(Google Earth Engine,GEE)與Sentinel-2影像,主要實現(xiàn)以下幾個目標:① 評估不同訓練樣本數(shù)量對鄱陽湖濕地植被群落分類精度的影響;② 評估不同影像選取策略對于濕地植被制圖精度的影響;③ 評估隨機森林、支持向量機、分類回歸樹3種不同的機器學習算法對鄱陽湖濕地植被制圖精度的影響。

    1 研究區(qū)概況與數(shù)據(jù)

    1.1 研究區(qū)概況

    鄱陽湖位于江西省北部,長江中游南岸,其地理坐標為東經(jīng)115°49′~116°46′、北緯28°24′~29°46′(見圖1)。該地區(qū)的氣候是典型的溫暖、潮濕、亞熱帶氣候,容易出現(xiàn)季風。年平均氣溫在16.5~17.8 ℃,年平均降水量在1 400~1 700 mm[18-19]。

    鄱陽湖濕地植被類型豐富,群落結構完整。根據(jù)2021年11月實地踏勘調(diào)查,鄱陽湖主要的優(yōu)勢植被群落類型包括:① 苔草群落;② 虉草-廖子草;③ 蘆葦-南狄;④ 其他植被群落(主要包括菰、人工植被、沙地植物、雜草類及其他禾草植物)。

    1.2 數(shù)據(jù)與預處理

    本文采用的數(shù)據(jù)是2021年1月至2022年3月的69景Sentinel-2影像數(shù)據(jù)。為減輕云污染對分類精度的影響,在合成無云影像時,首先通過GEE平臺提供的CLOUDY_PIXEL_PERCENTAGE算法將含云量>20%的影像從數(shù)據(jù)集中剔除。其次,為避免遙感影像中少數(shù)云像素的影響,使用Sentinel-2云掩膜算法對指定時間和空間范圍內(nèi)的影像進行計算,對含云像素進行掩膜處理。最后,為獲得2021年1月至2022年3月每月一期的遙感數(shù)據(jù),對同一月份的多景數(shù)據(jù),以中值合成方法重構當月最小云量合成影像,并利用cat函數(shù)疊加不同月份合成影像,以得到不同時相特征數(shù)據(jù)集。

    2 研究方法

    2.1 濕地植被群落分類系統(tǒng)

    參照濕地公約及相關文獻資料[20],結合實地踏勘研究區(qū)濕地植被分布的具體情況,將研究區(qū)濕地劃分為水體、泥沙灘涂、農(nóng)田、林地、建設用地、虉草-廖子草、苔草、蘆葦-南狄及其他植被9類,如表1所列。

    2.2 訓練樣本數(shù)量選取

    本文樣本點數(shù)據(jù)主要通過實地踏勘并結合2021年GF-2 PMS影像采用目視解譯方式進行樣本點選取。在GEE中按照7∶3的比例將樣本點分為訓練樣本及驗證樣本,分別用于分類器的構建及精度驗證。訓練樣本以50為步長分別設置50,100,150,200……800不同訓練樣本數(shù),共計16種方案。由于研究區(qū)內(nèi)不同地物類別占研究區(qū)范圍大小不同,為了使面積占比較小的地物類別也能獲得足夠多的樣本量,在選取不同方案的樣本量時,采用分層抽樣的方法獲取樣本點。

    2.3 不同影像選取策略

    根據(jù)韓杏杏[20]的研究結果與實地調(diào)查可知,鄱陽湖不同濕地植被群落之間存在顯著的物候差異。蘆葦-南狄群落一年有兩個生長季,分別是當年的3月和9月汛期以后一段時間。虉草-廖子草的生長期為每年10月至次年1月,豐水期時死亡。苔草也具有兩個生長期,分別為3月和10月。其他植被中,菰、菱等在汛期快速生長。鄱陽湖枯水期為當年10月至次年3月,正是各植被群落生長旺盛期,可以保留更多的濕地植被信息。四季多時相選擇1,4,7,10月的影像,四季影像遵循不同植被在枯水、豐水期生長的特點選取。其中單時相影像通過目視解譯選擇植被生長旺盛期2021年3月作為分類影像。因此,本文的影像選取策略確定為月度時序數(shù)據(jù)、枯水期數(shù)據(jù)、四季多時相數(shù)據(jù)集及單時相影像4種策略。

    2.4 分類器性能比較

    GEE環(huán)境集成了多種分類器,本文比較了其中3種算法:隨機森林(Random Forest,RF)、支持向量機(Support Vector Machine,SVM)、分類與回歸樹(Classification and Regression Tree,CART)的性能。比較從它們在土地覆蓋、圖像分類、作物識別等方面的適用法和可靠性[21-23]方面展開。

    隨機森林(RF)算法由Breiman[24]在2001年提出,是一種常用的機器學習算法,它能夠應對高維數(shù)據(jù)和復雜的分類問題,同時具有抗噪聲和泛化性能。此外,RF還能夠輸出特征重要性,有助于特征對模型的貢獻度。進行遙感影像分類時,RF需要調(diào)整和優(yōu)化的兩個參數(shù)是決策樹的個數(shù)以及最小葉節(jié)點數(shù),根據(jù)之前的研究建議和數(shù)據(jù)測試[25],將ntree值設置為100,mtry為默認值(特征總數(shù)的平方根)。

    支持向量機(SVM)[26]是一種基于核函數(shù)的非參數(shù)監(jiān)督分類器,SVM在非線性、小樣本和高維數(shù)方面具有顯著優(yōu)勢。由于它訓練樣本小,支持高維特征空間,因此得到廣泛應用。SVM需要調(diào)整的參數(shù)有核函數(shù)的類型、核函數(shù)的gamma值及cost參數(shù),本文選用的核函數(shù)類型為徑向基函數(shù)(radial basis function,RBF),該核函數(shù)已在許多分類研究中得到應用,并取得了較好的分類效果[26]。gamma值及cost參數(shù)的設置需要調(diào)參,本文通過網(wǎng)格搜索法分別迭代這些參數(shù),根據(jù)不同參數(shù)組合得到的總體精度,將gamma、cost參數(shù)分別設置為10及10 000作為最佳參數(shù)組合。

    分類回歸樹(CART)是由Breiman等[27]在1954年提出,由于其結構簡單、計算速度快、易于理解等優(yōu)點,被廣泛應用于土地覆蓋提取和遙感圖像分類研究中。當使用CART對遙感影像進行分類時,需要優(yōu)化的參數(shù)是最大和最小葉節(jié)點數(shù),通過不同參數(shù)間組合得到的總體精度,選擇900為最大葉節(jié)點數(shù),最小葉節(jié)點數(shù)選擇默認值1為參數(shù)值。

    本文主要采用總體精度、Kappa系數(shù)、用戶精度、生產(chǎn)者精度4個評價指標評價不同方案的精度。

    3 結果與分析

    3.1 不同訓練樣本數(shù)量對濕地植被制圖精度的影響

    如圖2所示,隨著訓練樣本數(shù)量的增加,植被類型的分類精度呈現(xiàn)先上升后平穩(wěn)的規(guī)律,當不同植被類型訓練樣本數(shù)達到550個時,精度達到峰值平穩(wěn)狀態(tài),總體精度及Kappa系數(shù)分別為78.2%和0.75。 當樣本數(shù)僅有50個時,分類精度最低,總體精度及Kappa系數(shù)分別為67.6%和0.63??偟膩碚f,分類精度隨著樣本數(shù)的增加而增加,但當樣本數(shù)達到一定值時,分類精度不再隨著樣本數(shù)的增加而增加,而是呈現(xiàn)出振蕩的趨勢,這一現(xiàn)象可能是訓練樣本選擇過程中,隨著樣本數(shù)量的增加,混合像元樣本數(shù)增多,導致樣本純度不夠,干擾因素增加導致。

    3.2 不同影像選取策略對植被群落制圖精度的影響

    不同時相特征數(shù)據(jù)集的分類精度具有顯著差異,其中月度時序數(shù)據(jù)集精度最高,總體精度及Kappa系數(shù)分別為82%和0.79。其次是枯水期、四季多時相數(shù)據(jù)集,總體精度與Kappa系數(shù)分別為78.2%、0.75,75.4%、0.72。分類精度最低的是單時相影像,總體精度及Kappa系數(shù)分別為64.7%和0.63。

    從表2中可以看出,單時相影像對于所有地物類別的區(qū)分度都不高,尤其是不同植被間的提取精度,其中虉草-廖子草群落的生產(chǎn)者精度僅為32.5%,用戶精度為37.1%。這是因為單時相影像難以解決不同濕地植被群落出現(xiàn)的“同物異譜,異物同譜”的問題。不同植被具有不同的生長周期,在不同生長周期內(nèi)其光譜信息存在差異。因此僅利用單時相影像難以區(qū)分不同植被類別。月度時序數(shù)據(jù)集對于植被間的區(qū)分精度最高,這是因為時序數(shù)據(jù)集相對于四季影像和枯水期影像所包含的植被信息最豐富,不但可以在時間維上反映不同植被間的季相特征生長物候特征,還能夠較好地從光譜上反映不同水深變化對植被生長周期的影響,從而增加了植被識別精度。

    3.3 不同分類器對植被群落制圖精度的影響

    基于3種分類算法的植被分類結果如圖3所示。從植被分布格局上看,其分類結果表現(xiàn)總體一致,蘆葦-南狄群落主要分布在鄱陽湖湖區(qū)的南部洲灘,苔草在鄱陽湖的分布很廣,該群落在南磯山濕地國家級保護區(qū)內(nèi)呈現(xiàn)集中連片大面積分布,虉草-廖子草主要分布在吳城、南磯濕地自然保護區(qū)兩邊的灘地、中部三角洲前緣等各處接近通江水體上有廣泛分布。3種不同機器學習算法得到的不同土地覆蓋類別的比例及分布特征基本一致。其中水體占研究區(qū)比例最大,植被中以苔草和虉草-廖子草占比較大。

    表3顯示了使用不同遙感分類算法獲得的分類結果的混淆矩陣。其中RF的分類精度最高,總體精度為82%,其次是SVM和CART。3種分類器在建筑、農(nóng)田、水體、林地的分類精度都很高,但對于虉草-廖子草、苔草、蘆葦-南狄存在精度差異,是因為非濕地類別間的光譜差異較大,易于區(qū)分,而濕地植被間的光譜值相似,產(chǎn)生“異物同譜”現(xiàn)象,致使分類精度較低。RF區(qū)分虉草-廖子草、苔草要優(yōu)于另外兩種分類器,其制圖精度與用戶精度明顯高于另外兩種分類器,而RF與CART對于虉草-廖子草的區(qū)分要優(yōu)于SVM。

    4 結 論

    本研究依托GEE云平臺及Sentinel-2影像,探討不同樣本數(shù)量、不同時相特征數(shù)據(jù)及不同機器學習的分類算法對鄱陽湖濕地植被類型分類的影響。主要得出以下結論:

    (1) 隨著訓練樣本數(shù)量的增加,植被類型的分類精度呈現(xiàn)先上升后平穩(wěn)的規(guī)律,當不同植被類型訓練樣本達到550個時,精度達到峰值平穩(wěn)狀態(tài),總體精度及Kappa系數(shù)分別為78.2%和0.75。

    (2) 不同時相特征的數(shù)據(jù)集分類精度具有顯著差異,具體為:月度時序>枯水期>四季>單時相,其中月時序數(shù)據(jù)集精度最高,總體精度及Kappa系數(shù)分別為82%和0.79,單時相影像分類精度最低,總體精度和Kappa系數(shù)僅為64.7%和0.63。

    (3) 不同遙感分類算法獲得的分類結果精度不同,RF分類精度最高,SVM和CART次之。

    (4) 當不同植被訓練樣本數(shù)量達到550個時,使用Sentinel-2月時序影像和RF算法能取得最優(yōu)的分類結果。

    本研究通過遙感云平臺在線調(diào)用遙感圖像并進行處理,除樣本采集外,幾乎全自動的分類過程使該方法具有較強的泛化能力,可為濕地植被群落快速提取提供技術支持,有助于完善濕地棲息地的可持續(xù)管理。但本研究也存在不足:① 文中僅在Sentinel-2遙感影像上進行了研究和分析,對于其他類型遙感影像,例如Landsat系列、MODIS等,本文并沒有進行對比研究,是否利用其他影像數(shù)據(jù)源也有相同的規(guī)律及結論,還需要進一步研究與分析。② 本文進行分類時都是基于像素機器學習分類模型,會出現(xiàn)“椒鹽噪聲”影響精度,應進一步探究面向?qū)ο蠓椒ㄔ跐竦刂脖蝗郝涮崛∩系臐摿Α?/p>

    參考文獻:

    [1] 譚志強,李云良,張奇,等.湖泊濕地水文過程研究進展[J].湖泊科學,2022,34(1):18-37.

    [2] 邴建平,鄧鵬鑫,張冬冬,等.三峽水庫運行對鄱陽湖江湖水文情勢的影響[J].人民長江,2020,51(3):87-93.

    [3] ZHOU R,YANG C,LI E,et al.Object-based wetland vegetation classification using multi-feature selection of unoccupied aerial vehicle RGB Imagery[J].Remote Sensing,2021,13(23):4910.

    [4] 朱江濤,艾金泉,陳曉勇,等.基于GEE的鄱陽湖濕地植被長期變化特征及其對水文情勢的響應[J].測繪通報,2022(8):7-13.

    [5] 李冰,萬榮榮,楊桂山,等.近百年鄱陽湖濕地格局演變研究[J].湖泊科學,2022,34(3):1018-1029.

    [6] 楊超,鄔國鋒,李清泉,等.植被遙感分類方法研究進展[J].地理與地理信息科學,2018,34(4):24-32.

    [7] MARTíNEZ-LóPEZ J,CARREO M F,PALAZóN-FERRANDO J A,et al.Remote sensing of plant communities as a tool for assessing the condition of semiarid Mediterranean saline wetlands in agricultural catchments[J].International Journal of Applied Earth Observation and Geoinformation,2014,26:193-204.

    [8] KUMAR L,SINHA P.Mapping salt-marsh land-cover vegetation using high-spatial and hyperspectral satellite data to assist wetland inventory[J].GIScience & Remote Sensing,2014,51(5):483-497.

    [9] RAPINEL S,MONY C,LECOQ L,et al.Evaluation of Sentinel-2 time-series for mapping floodplain grassland plant communities[J].Remote Sensing of Environment,2019,223:115-129.

    [10] 朱琦,郭華東,張露,等.基于多時相Landsat8影像的海南島熱帶天然林類型遙感分類[J].自然資源遙感,2022,34(2):215-223.

    [11] 張強.濕地植被遙感分類研究進展[J].世界林業(yè)研究,2019,32(3):49-54.

    [12] 李方方,劉正軍,徐強強,等.面向?qū)ο箅S機森林方法在濕地植被分類的應用[J].遙感信息,2018,33(1):111-116.

    [13] 張晨宇,陳沈良,李鵬,等.現(xiàn)行黃河口保護區(qū)典型濕地植被時空動態(tài)遙感監(jiān)測[J].海洋學報,2022,44(1):125-136.

    [14] HEUMANN B W.An object-based classification of mangroves using a hybrid decision tree—Support vector machine approach[J].Remote Sensing,2011,3(11):2440-2460.

    [15] 潘洪濤,王軒,王曉飛.訓練樣本對農(nóng)作物遙感分類的精度影響研究[J].紅外與激光工程,2017,46(增1):149-156.

    [16] 盧小平,杜曉貝,王懿,等.訓練樣本對濕地分類精度的影響[J].河南理工大學學報(自然科學版),2018,37(5):55-59.

    [17] 吳振彪,沈德才,黃練忠,等.訓練樣本數(shù)量對最大似然監(jiān)督分類精度影響的研究[J].林業(yè)勘查設計,2018(2):115-117.

    [18] DAI X,WAN R,YANG G,et al.Impact of seasonal water-level fluctuations on autumn vegetation in Poyang Lake wetland,China[J].Frontiers of Earth Science,2019,13(2):398-409.

    [19] 胡江軍,孫宇,顧朝軍.近60年鄱陽湖五河入湖水沙變化及影響因素分析[J].人民長江,2022,53(增2):47-51.

    [20] 韓杏杏.基于長時序光學遙感數(shù)據(jù)的鄱陽湖濕地景觀格局時空動態(tài)研究[D].武漢:武漢大學,2017.

    [21] BROVELLI M A,SUN Y R,YORDANOV V,et al.Monitoring forest change in the amazon using multi-temporal remote sensing data and machine learning classification on Google Earth Engine[J].ISPRS International Journal of Geo-Information,2020,9(10):580.

    [22] PRATICò S,SOLANO F,DI FAZIO S,et al.Machine learning classification of mediterranean forest habitats in google earth engine based on seasonal sentinel-2 time-series and input image composition optimisation[J].Remote Sensing,2021,13(4):586.

    [23] YANG Y,YANG D,WANG X F,et al.Testing accuracy of land cover classification algorithms in the Qilian mountains based on gee cloud platform[J].Remote Sensing,2021,13(24):5064.

    [24] BREIMAN L.Random forests[J].Machine Learning,2001,45(1):5-32.

    [25] PHAN T N,KUCH V,LEHNERT L W.Land cover classification using Google Earth Engine and Random Forest Classifier:The role of image composition[J].Remote Sensing,2020,12(15):2411.

    [26] SHAO Y,LUNETTA R S.Comparison of support vector machine,neural network,and CART algorithms for the land-cover classification using limited training data points[J].ISPRS Journal of Photogrammetry and Remote Sensing,2012,70:78-87.

    [27] BREIMAN L,F(xiàn)RIEDMAN J H,OLSHEN R A,et al.Classification and regression trees[M].London:Routledge,2017.

    (編輯:黃文晉)

    Classification of wetland vegetation community in Poyang Lake based on remote sensing cloud computing

    HAN Xinxing1,2,AI Jinquan1,2,YE Zijun2,NIU Chunmei2,TANG Xintao2

    (1.Key Laboratory of Mine Environmental Monitoring and Improving around Poyang Lake of Ministry of Natural Resources,East China University of Technology,Nanchang 330013,China; 2.School of Surveying and Mapping Engineering,East China University of Technology,Nanchang 330013,China)

    Abstract:

    Aiming at the problems of low precision and algorithm robustness in the fine classification of wetland vegetation in large river-connected lakes,based on remote sensing cloud platform GEE and Sentinel-2 images,this paper studied the optimization scheme of vegetation classification in Poyang Lake wetland by different training sample quantity,simultaneous phase characteristics data and machine learning classification algorithms.The results showed that:①With the increase of the training samples number,the classification accuracy of vegetation types increased first and then stabilized.When the number of training samples of different vegetation types reached 550,the classification accuracy reached the peak stable state.② The classification accuracy of data sets with different phase characteristics was significantly different,specifically,monthly time series data set > dry season data set > four seasons data set > single time phase.The overall accuracy of monthly time series data set was the highest,and the overall accuracy and kappa coefficient were 82% and 0.79,respectively.③ Different remote sensing classification algorithms could obtain different accuracy of classification results.RF classification accuracy was the highest,followed by SVM and CART.④ When the number of training samples of different vegetation types reached 550,the Sentinel-2 time sequence image and RF algorithm could be used to obtain the best classification results.This study can be a reference for the fine classification of Poyang Lake wetland and provide technical support for its protection.

    Key words:

    wetland vegetation;vegetation community classification;machine learning;Google Earth Engine;Sentinel - 2;Poyang lake

    猜你喜歡
    訓練樣本鄱陽湖分類器
    ABSTRACTS
    鄱陽湖學刊(2024年3期)2024-01-01 00:00:00
    鄱陽湖水系之潦河
    人工智能
    《鄱陽湖生態(tài)系列插畫》
    BP-GA光照分類器在車道線識別中的應用
    電子測試(2018年1期)2018-04-18 11:52:35
    鄱陽湖好風光
    老友(2017年4期)2017-02-09 00:26:04
    寬帶光譜成像系統(tǒng)最優(yōu)訓練樣本選擇方法研究
    加權空-譜與最近鄰分類器相結合的高光譜圖像分類
    結合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    融合原始樣本和虛擬樣本的人臉識別算法
    電視技術(2016年9期)2016-10-17 09:13:41
    国产高清三级在线| 亚洲国产色片| 国产成人av教育| 欧美日韩亚洲国产一区二区在线观看| 伊人久久精品亚洲午夜| 神马国产精品三级电影在线观看| 91麻豆精品激情在线观看国产| 美女xxoo啪啪120秒动态图 | 国产黄片美女视频| 深夜a级毛片| 国产一区二区激情短视频| 一本久久中文字幕| 日本三级黄在线观看| 国产伦在线观看视频一区| 91久久精品电影网| 色吧在线观看| 国产成人影院久久av| 免费看日本二区| 在线播放国产精品三级| 天堂网av新在线| 成人精品一区二区免费| 日韩免费av在线播放| 亚洲激情在线av| 一区二区三区四区激情视频 | 午夜福利18| 九色成人免费人妻av| 99riav亚洲国产免费| 亚洲avbb在线观看| 欧美乱色亚洲激情| 亚洲欧美日韩无卡精品| 国内毛片毛片毛片毛片毛片| 久久99热6这里只有精品| 免费一级毛片在线播放高清视频| 99久久久亚洲精品蜜臀av| 香蕉av资源在线| 亚洲国产精品成人综合色| 成人av在线播放网站| 精品人妻熟女av久视频| 免费av观看视频| 亚洲人成网站在线播放欧美日韩| 国产午夜精品久久久久久一区二区三区 | 国产精品,欧美在线| 久久久久久久精品吃奶| 欧美极品一区二区三区四区| 99久久九九国产精品国产免费| 深夜a级毛片| 最近视频中文字幕2019在线8| 简卡轻食公司| 日韩欧美在线乱码| 男人舔奶头视频| 国产精品日韩av在线免费观看| 午夜精品在线福利| 99热精品在线国产| 老熟妇仑乱视频hdxx| 欧美黑人欧美精品刺激| 中国美女看黄片| 久久精品国产亚洲av天美| 757午夜福利合集在线观看| 亚洲成人精品中文字幕电影| 性色av乱码一区二区三区2| 国产视频内射| 日本熟妇午夜| 最新中文字幕久久久久| 99riav亚洲国产免费| 又爽又黄a免费视频| 老熟妇乱子伦视频在线观看| 国产不卡一卡二| 国产黄色小视频在线观看| 在线看三级毛片| 亚洲中文日韩欧美视频| 免费看a级黄色片| a级毛片a级免费在线| 久99久视频精品免费| 精品国内亚洲2022精品成人| 欧美又色又爽又黄视频| 露出奶头的视频| 日韩有码中文字幕| 久久久久免费精品人妻一区二区| 丁香欧美五月| 免费人成视频x8x8入口观看| 欧美成人免费av一区二区三区| 国产伦在线观看视频一区| 村上凉子中文字幕在线| 91在线精品国自产拍蜜月| 如何舔出高潮| 搞女人的毛片| 国产欧美日韩一区二区三| 99久久无色码亚洲精品果冻| 久久国产精品人妻蜜桃| 人妻夜夜爽99麻豆av| 亚洲国产欧洲综合997久久,| 国产淫片久久久久久久久 | 精品国产三级普通话版| 色精品久久人妻99蜜桃| 国产综合懂色| 亚洲中文字幕一区二区三区有码在线看| 我的女老师完整版在线观看| 久久性视频一级片| 色综合婷婷激情| 国产精品影院久久| 免费看美女性在线毛片视频| 国产精华一区二区三区| 简卡轻食公司| 日韩欧美一区二区三区在线观看| 美女黄网站色视频| 色精品久久人妻99蜜桃| 久久性视频一级片| 亚洲天堂国产精品一区在线| 小蜜桃在线观看免费完整版高清| 国产黄片美女视频| 国产三级中文精品| 十八禁网站免费在线| 一个人观看的视频www高清免费观看| 非洲黑人性xxxx精品又粗又长| 啦啦啦观看免费观看视频高清| 又紧又爽又黄一区二区| 午夜福利欧美成人| 国产一区二区激情短视频| 一边摸一边抽搐一进一小说| 欧美色欧美亚洲另类二区| 十八禁国产超污无遮挡网站| 伦理电影大哥的女人| 好男人电影高清在线观看| 精品乱码久久久久久99久播| 岛国在线免费视频观看| 免费在线观看成人毛片| 国产精品久久久久久久久免 | 欧美一级a爱片免费观看看| 精品不卡国产一区二区三区| avwww免费| 性色av乱码一区二区三区2| 最新在线观看一区二区三区| 在线国产一区二区在线| 麻豆成人av在线观看| 少妇丰满av| 亚洲狠狠婷婷综合久久图片| 午夜精品久久久久久毛片777| 日韩欧美在线二视频| 9191精品国产免费久久| 国产高潮美女av| 久久中文看片网| 亚洲七黄色美女视频| 18禁黄网站禁片午夜丰满| 久久久久久久亚洲中文字幕 | a级毛片a级免费在线| 老鸭窝网址在线观看| 欧美黑人巨大hd| 欧美黄色淫秽网站| 色5月婷婷丁香| 国产av在哪里看| 有码 亚洲区| 毛片女人毛片| 亚洲美女搞黄在线观看 | av女优亚洲男人天堂| 国产精品永久免费网站| 亚洲,欧美,日韩| 日韩精品青青久久久久久| 国产国拍精品亚洲av在线观看| 欧美成人a在线观看| 欧美黄色淫秽网站| 99久久99久久久精品蜜桃| 一进一出抽搐gif免费好疼| 亚洲精品色激情综合| 99国产精品一区二区蜜桃av| 亚洲欧美日韩高清专用| 国产综合懂色| 亚洲成人免费电影在线观看| 亚洲激情在线av| 最近中文字幕高清免费大全6 | 国产伦精品一区二区三区视频9| 国产精品久久久久久人妻精品电影| 黄色丝袜av网址大全| 国产免费一级a男人的天堂| 色综合站精品国产| 国产精品永久免费网站| 亚洲精品在线观看二区| 成人无遮挡网站| 脱女人内裤的视频| av国产免费在线观看| 午夜福利在线观看吧| 99热精品在线国产| 久久精品夜夜夜夜夜久久蜜豆| 国模一区二区三区四区视频| 日日摸夜夜添夜夜添av毛片 | 老鸭窝网址在线观看| 99热这里只有是精品50| 成人三级黄色视频| 真人一进一出gif抽搐免费| 91在线观看av| 亚洲,欧美精品.| 精品无人区乱码1区二区| 婷婷亚洲欧美| or卡值多少钱| 亚洲av成人精品一区久久| 97碰自拍视频| 97热精品久久久久久| 亚洲三级黄色毛片| 搡女人真爽免费视频火全软件 | 精品乱码久久久久久99久播| 蜜桃亚洲精品一区二区三区| 身体一侧抽搐| 免费搜索国产男女视频| 成人精品一区二区免费| 免费电影在线观看免费观看| 成人鲁丝片一二三区免费| 又紧又爽又黄一区二区| 观看美女的网站| 观看免费一级毛片| 97人妻精品一区二区三区麻豆| 在线观看午夜福利视频| 精品国内亚洲2022精品成人| 日本 av在线| 真人一进一出gif抽搐免费| 中文字幕av在线有码专区| 麻豆久久精品国产亚洲av| 搡女人真爽免费视频火全软件 | 亚洲无线在线观看| 日韩有码中文字幕| 亚洲欧美日韩高清在线视频| 日韩中文字幕欧美一区二区| 宅男免费午夜| 成人无遮挡网站| 观看免费一级毛片| 亚洲中文字幕日韩| 深夜精品福利| 亚洲五月天丁香| 国产一区二区亚洲精品在线观看| 最近视频中文字幕2019在线8| 精品人妻熟女av久视频| 啦啦啦韩国在线观看视频| 又粗又爽又猛毛片免费看| 久久久久久久久久黄片| 99久久无色码亚洲精品果冻| 蜜桃亚洲精品一区二区三区| 麻豆一二三区av精品| 亚洲中文字幕一区二区三区有码在线看| 婷婷六月久久综合丁香| 一个人免费在线观看电影| 国产成人av教育| 国产精品野战在线观看| 中文亚洲av片在线观看爽| 国产蜜桃级精品一区二区三区| 女人十人毛片免费观看3o分钟| 成年免费大片在线观看| 免费一级毛片在线播放高清视频| 色哟哟哟哟哟哟| 久久久久久久久久黄片| 给我免费播放毛片高清在线观看| 国产成人啪精品午夜网站| 人妻制服诱惑在线中文字幕| 日韩成人在线观看一区二区三区| 一级毛片久久久久久久久女| 色综合欧美亚洲国产小说| 久久香蕉精品热| 亚洲av日韩精品久久久久久密| 精品99又大又爽又粗少妇毛片 | 黄片小视频在线播放| 精品无人区乱码1区二区| 国产精品1区2区在线观看.| 亚洲熟妇熟女久久| 一本精品99久久精品77| 亚洲片人在线观看| 成人鲁丝片一二三区免费| 精品一区二区三区视频在线观看免费| 亚洲国产精品成人综合色| 亚洲中文日韩欧美视频| 哪里可以看免费的av片| 又爽又黄a免费视频| 午夜福利18| 麻豆国产av国片精品| 成人高潮视频无遮挡免费网站| 十八禁网站免费在线| 国产精品久久电影中文字幕| 日韩成人在线观看一区二区三区| 非洲黑人性xxxx精品又粗又长| 熟女电影av网| 亚洲国产精品成人综合色| 18+在线观看网站| 色吧在线观看| 欧美极品一区二区三区四区| 深夜a级毛片| 成人性生交大片免费视频hd| 一个人看的www免费观看视频| 噜噜噜噜噜久久久久久91| 尤物成人国产欧美一区二区三区| 91av网一区二区| 精品人妻熟女av久视频| 国产精品不卡视频一区二区 | 国产视频内射| 99精品在免费线老司机午夜| ponron亚洲| 综合色av麻豆| 在线免费观看不下载黄p国产 | 中文字幕av成人在线电影| www.www免费av| 亚洲va日本ⅴa欧美va伊人久久| 国产成人福利小说| 亚洲在线观看片| 在线观看一区二区三区| aaaaa片日本免费| 精品一区二区三区av网在线观看| 亚洲成av人片免费观看| 亚洲不卡免费看| 成人永久免费在线观看视频| 精品人妻视频免费看| 最近中文字幕高清免费大全6 | 我要看日韩黄色一级片| 久久精品国产99精品国产亚洲性色| 看十八女毛片水多多多| 色综合亚洲欧美另类图片| 男人的好看免费观看在线视频| 午夜精品一区二区三区免费看| 国产精品影院久久| 哪里可以看免费的av片| 久久久国产成人精品二区| 久久国产精品影院| 久久人人爽人人爽人人片va | 免费在线观看日本一区| 好男人电影高清在线观看| 欧美日韩乱码在线| 欧美另类亚洲清纯唯美| 欧美日韩综合久久久久久 | 欧美激情国产日韩精品一区| 少妇被粗大猛烈的视频| 十八禁人妻一区二区| 在线播放无遮挡| 色综合亚洲欧美另类图片| 无人区码免费观看不卡| 国语自产精品视频在线第100页| 久久精品国产清高在天天线| 欧美色视频一区免费| 欧美乱色亚洲激情| 日韩欧美三级三区| 久久草成人影院| 12—13女人毛片做爰片一| 国产高清有码在线观看视频| 中文在线观看免费www的网站| 亚洲 国产 在线| 69人妻影院| av在线老鸭窝| 精品人妻1区二区| or卡值多少钱| 激情在线观看视频在线高清| 国产不卡一卡二| 久久久色成人| 韩国av一区二区三区四区| www日本黄色视频网| 欧美成人a在线观看| 国产 一区 欧美 日韩| 成年女人看的毛片在线观看| 最近视频中文字幕2019在线8| 亚洲最大成人手机在线| 级片在线观看| 国产精品国产高清国产av| 亚洲中文字幕一区二区三区有码在线看| 一个人免费在线观看的高清视频| 中出人妻视频一区二区| 欧美3d第一页| 国产男靠女视频免费网站| 欧美xxxx性猛交bbbb| 国产精品综合久久久久久久免费| 欧美乱妇无乱码| 99久久九九国产精品国产免费| 嫩草影院新地址| 9191精品国产免费久久| 国产一区二区激情短视频| 天堂影院成人在线观看| 色吧在线观看| 嫩草影院新地址| 国产色婷婷99| 亚洲内射少妇av| 欧美最黄视频在线播放免费| 人妻夜夜爽99麻豆av| 日韩亚洲欧美综合| 身体一侧抽搐| 桃红色精品国产亚洲av| av在线蜜桃| 免费人成视频x8x8入口观看| 久久国产精品影院| 久久性视频一级片| 麻豆成人av在线观看| 亚洲精品影视一区二区三区av| 国产亚洲精品av在线| 极品教师在线免费播放| 可以在线观看毛片的网站| 免费高清视频大片| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 精品日产1卡2卡| 国产精品亚洲一级av第二区| 日韩欧美一区二区三区在线观看| 亚洲av成人av| 成年女人永久免费观看视频| 首页视频小说图片口味搜索| 少妇的逼水好多| 国产毛片a区久久久久| 九九久久精品国产亚洲av麻豆| 国产黄色小视频在线观看| 亚洲一区高清亚洲精品| 亚洲精品一卡2卡三卡4卡5卡| 亚洲成人精品中文字幕电影| 国产精品久久久久久久电影| 1000部很黄的大片| 久久人人爽人人爽人人片va | 色综合站精品国产| 麻豆成人午夜福利视频| 成人美女网站在线观看视频| 2021天堂中文幕一二区在线观| 在线观看美女被高潮喷水网站 | 韩国av一区二区三区四区| av中文乱码字幕在线| 在线观看午夜福利视频| 天堂影院成人在线观看| 国产精品久久久久久久电影| 超碰av人人做人人爽久久| 成年女人毛片免费观看观看9| 亚洲经典国产精华液单 | 一级黄片播放器| 亚洲av成人精品一区久久| 在线十欧美十亚洲十日本专区| 精品乱码久久久久久99久播| 18禁裸乳无遮挡免费网站照片| 国产伦在线观看视频一区| 日本黄色视频三级网站网址| 日本 av在线| 亚洲性夜色夜夜综合| 免费人成视频x8x8入口观看| 老女人水多毛片| 伦理电影大哥的女人| www.色视频.com| 日韩 亚洲 欧美在线| 亚洲在线观看片| 色哟哟哟哟哟哟| 欧美日韩乱码在线| 老司机午夜福利在线观看视频| 亚洲三级黄色毛片| 91av网一区二区| 欧美成人a在线观看| 免费av不卡在线播放| 一个人观看的视频www高清免费观看| 亚洲专区国产一区二区| 亚洲精华国产精华精| 国产精品久久久久久久电影| 色精品久久人妻99蜜桃| av福利片在线观看| 禁无遮挡网站| 精品国产亚洲在线| 非洲黑人性xxxx精品又粗又长| 亚洲欧美日韩无卡精品| xxxwww97欧美| 国产高清激情床上av| 亚洲av不卡在线观看| 一个人免费在线观看电影| 精品无人区乱码1区二区| 国产精品美女特级片免费视频播放器| 亚洲欧美日韩东京热| 成年女人永久免费观看视频| 久久久久国内视频| 亚洲无线观看免费| 少妇人妻一区二区三区视频| 亚洲欧美清纯卡通| 精品久久久久久久人妻蜜臀av| 丁香欧美五月| 桃红色精品国产亚洲av| 日韩国内少妇激情av| 亚洲内射少妇av| 国产综合懂色| 久久人人精品亚洲av| 午夜福利在线在线| 国产高清有码在线观看视频| 中文在线观看免费www的网站| 午夜福利18| 久久九九热精品免费| 又黄又爽又免费观看的视频| 哪里可以看免费的av片| 又爽又黄a免费视频| av在线观看视频网站免费| 成人av在线播放网站| 国产精品99久久久久久久久| 3wmmmm亚洲av在线观看| 成年女人毛片免费观看观看9| 身体一侧抽搐| 日本一二三区视频观看| 欧美+日韩+精品| 欧美一区二区国产精品久久精品| 国产久久久一区二区三区| 悠悠久久av| 色精品久久人妻99蜜桃| 99久久九九国产精品国产免费| 欧美日韩中文字幕国产精品一区二区三区| 乱码一卡2卡4卡精品| 婷婷精品国产亚洲av在线| 精品人妻熟女av久视频| av福利片在线观看| 90打野战视频偷拍视频| 午夜久久久久精精品| 高清日韩中文字幕在线| 天堂影院成人在线观看| 综合色av麻豆| 91狼人影院| 久久天躁狠狠躁夜夜2o2o| 身体一侧抽搐| 一进一出抽搐动态| 最新中文字幕久久久久| 高清在线国产一区| 琪琪午夜伦伦电影理论片6080| 亚洲国产精品合色在线| 亚洲精华国产精华精| 国产爱豆传媒在线观看| 在线免费观看不下载黄p国产 | 亚洲专区中文字幕在线| 婷婷丁香在线五月| 日本与韩国留学比较| 欧美日韩亚洲国产一区二区在线观看| www.色视频.com| 国产大屁股一区二区在线视频| 色哟哟·www| 成人永久免费在线观看视频| 欧美在线一区亚洲| 国产精品综合久久久久久久免费| 欧美xxxx性猛交bbbb| 男女下面进入的视频免费午夜| 亚洲三级黄色毛片| 女生性感内裤真人,穿戴方法视频| 欧美激情国产日韩精品一区| 青草久久国产| 国产一级毛片七仙女欲春2| 桃色一区二区三区在线观看| 国产91精品成人一区二区三区| 国产色爽女视频免费观看| 最近视频中文字幕2019在线8| 美女被艹到高潮喷水动态| 99国产综合亚洲精品| 波野结衣二区三区在线| 午夜福利视频1000在线观看| 村上凉子中文字幕在线| 亚洲人成网站高清观看| 国产三级黄色录像| 黄色日韩在线| x7x7x7水蜜桃| 成人三级黄色视频| 久久久精品大字幕| 嫩草影院新地址| 看十八女毛片水多多多| 51国产日韩欧美| 99国产极品粉嫩在线观看| 精品人妻一区二区三区麻豆 | 国产又黄又爽又无遮挡在线| 最近视频中文字幕2019在线8| 日本成人三级电影网站| 一本一本综合久久| 中文字幕人成人乱码亚洲影| 免费观看精品视频网站| 九色成人免费人妻av| 少妇高潮的动态图| 在线观看午夜福利视频| 亚洲乱码一区二区免费版| 尤物成人国产欧美一区二区三区| 最近视频中文字幕2019在线8| 特级一级黄色大片| 国产欧美日韩一区二区精品| 午夜福利欧美成人| 乱码一卡2卡4卡精品| 欧美一区二区亚洲| 国产精品久久久久久久电影| 久久久国产成人免费| 一区福利在线观看| a级一级毛片免费在线观看| 舔av片在线| 日本黄色视频三级网站网址| 中出人妻视频一区二区| 九九久久精品国产亚洲av麻豆| 99久久99久久久精品蜜桃| 亚洲欧美清纯卡通| 好男人电影高清在线观看| 尤物成人国产欧美一区二区三区| 极品教师在线免费播放| 国产在线男女| 淫秽高清视频在线观看| 成人永久免费在线观看视频| 欧美xxxx黑人xx丫x性爽| 亚洲人成网站在线播放欧美日韩| 国产视频内射| 国产精品一区二区三区四区久久| 亚洲天堂国产精品一区在线| 国产伦人伦偷精品视频| 麻豆久久精品国产亚洲av| 99久久精品国产亚洲精品| 亚洲,欧美精品.| 久久精品国产亚洲av涩爱 | 久久久久精品国产欧美久久久| 高清日韩中文字幕在线| 一个人看视频在线观看www免费| 午夜精品久久久久久毛片777| 最好的美女福利视频网| 人妻丰满熟妇av一区二区三区| 69av精品久久久久久| 国产亚洲精品久久久久久毛片| 国产亚洲欧美98| 欧美日本亚洲视频在线播放| 怎么达到女性高潮| 最近最新免费中文字幕在线| 身体一侧抽搐| 欧美国产日韩亚洲一区| 18禁在线播放成人免费| 亚洲国产精品合色在线| 亚洲人成伊人成综合网2020| 久久中文看片网| 久久久久久久久中文| 久久久久九九精品影院| eeuss影院久久| 淫妇啪啪啪对白视频| 欧美zozozo另类| 嫩草影视91久久| 亚洲av电影不卡..在线观看| 最近视频中文字幕2019在线8|