当前位置：首页 > news >正文

2025-0604学习记录17——文献阅读与分享（2）

news 来源：原创 2025/6/6 17:00:24

最近不是失踪了！也不是弃坑了...这不是马上要毕业了嘛！所以最近在忙毕业论文答辩、毕业去向填报、户档去向填报等等，事情太多了，没顾得上博客。现在这些事基本上都解决完了，也有时间静下心来写写文字了~

想要写的内容很多呀，比如之前欠的...GeeMap的学习，遥感的一些基础知识，还有最近在写毕业论文过程中迷上的ArcGIS Pro，都想记录...慢慢来吧！

今天先分享一篇在读的文献，绝对不是因为Z导的任务！今天的解析和分享非常详细，每一个部分后都涉及了一些写作方法，觉得啰嗦的伙伴可以跳着看~

这篇文章来自《遥感技术与应用》第40卷第3期，题目为：

🌏基于GEE和密集时序信息的辽河口湿地精细分类制图

附上原文链接：基于GEE和密集时序信息的辽河口湿地精细分类制图

✨ 0 摘要

辽河口滨海湿地是我国非常重要的河口湿地，目前需深入研究像素级方法和密集时序信息的利用在该区域的效果。
研究基于 GEE 平台，融合 Sentinel-1/2 影像与地形数据，提取光谱、纹理、雷达、地形、物候等特征，构建逐像素分类模型（随机森林），绘制了2018–2022年10m分辨率湿地分类图。
结果表明总体分类精度达 95.77%；物候特征显著提升分类精度，改善植被类（如芦苇、碱蓬、水稻）混分问题；雷达与纹理特征提升水产养殖池与建设用地识别；五年来碱蓬与滩涂面积上升，养殖池减少，修复效果显著。

下面学习一下这篇摘要的写法，整体可以分为研究背景、研究方法、研究结果与意义三个部分：

✅研究背景原文：

辽河口滨海湿地是我国最北的河口湿地，是多种水禽的理想繁殖地和迁徙驿站。近年来在该区域开展了多种生态修复工程以改善人类活动导致的生境退化问题。为高效评估湿地生境质量和修复效果，亟需利用遥感技术精准地绘制湿地地表覆盖分类图。然而，目前辽河口滨海湿地的遥感分类研究方法上大多基于面向对象，制图结果不够精细且有待更新，还需深入研究像素级方法和密集时序信息的利用在该区域的效果。

首先四句话阐述了研究的背景、目的和创新。前两句介绍辽河口滨海湿地的重要生态价值和战略需求（背景），第三句写研究的目的，最后一句说明现有研究存在的不足，引出需要改进创新的点。

✅研究方法原文：

依托Google Earth Engine（GEE）平台，综合利用哨兵二号、哨兵一号和地形等长时序多源数据，重构多年密集时序植被指数以获取物候特征，并提取光谱指数、纹理、地形、雷达等特征；再利用实地采样与样本迁移生成多年样本数据集，基于随机森林模型开展2018~2022年辽河口湿地像素级精细分类制图研究，并评价不同特征对分类精度的影响。

写研究的具体方法流程，依次介绍研究数据、模型方法、精度评估等。

✅研究结果与意义原文：

结果表明：结合GEE和密集时序信息的分类方法总体精度达到95.77%，物候特征的加入对精度提升最明显，能显著改善碱蓬与芦苇、水稻及水产养殖池间的混分现象，添加纹理与雷达特征能显著提升水产养殖池及建设用地的分类效果。近5年来，水产养殖池减少，滩涂、碱蓬面积明显增长，表明该区域开展的生态修复工程取得了一定成效。

研究成果可为分析辽河口滨海湿地地物时空变化及驱动机制提供技术和数据支撑，对加强湿地生态保护和修复工作具有重要意义。

研究结果部分，先从整体上介绍分类精度，再详细介绍物候特征、纹理和雷达特征的作用，最后通过分析分类结果，计算不同分类类型的面积，得出结论；在研究意义方面，基于研究结果进行说明。

✨ 1 引言

在引言部分主要分析作者的行文思路：

首段主要介绍滨海湿地及辽河口滨海湿地研究区地位和研究意义，并通过说明辽河口滨海湿地的现存问题（如海平面上升、潮汐侵蚀、人类开发等），引出对辽河口滨海湿地进行湿地分类的意义；

第二段写现状的不足，虽然遥感技术对湿地监测具有显著优势，但现有的辽河口湿地分类制图研究使用的遥感影像分辨率低，且缺少近年来的分类结果；

第三段通过写辽河口的植被特征，引出利用时间序列提取物候特征的研究方法，这应该是一个创新点；

第四段写现有的滨海湿地分类的分类方法，主要包括面向对象和逐像元（面向像元）的分类方法，并通过阐述面向对象方法中存在的问题，突出基于逐像元的机器学习分类方法的优势。

第五段总结研究方法。

✨2 研究区与数据源

研究区域根据《拉姆萨尔公约》中给出的辽河口自然保护区范围确立。
在《拉姆萨尔公约》和我国 2009 年出台的《湿地分类国家标准》基础上，结合实地调查，确立了辽河口滨海湿地的分类体系。
本研究中，所有遥感数据的调用、处理等操作均通过 GEE 平台在线编写代码实现，包括 2018~2022 年的 Sentinel-1 雷达、Sentinel-2 多光谱以及2000年的 SRTMGL1_003 地形数据。

这一章节主要写了三个部分的内容：2.1 研究区概况，2.2 分类体系，2.3 遥感数据。

2.1 研究区概况

研究区概况内容比较简单，介绍研究区的地理位置，做一个研究区概况图，文章这里声明了一下研究区的划分依据“研究区域根据《拉姆萨尔公约》中给出的辽河口自然保护区范围确立。”然后再介绍研究区的地理环境、动植物资源、社会经济因素等等。

2.2 分类体系

说明分类体系的划分依据，并且要做一个分类体系的表格展示，最后针对一些特殊类别作必要说明。

2.3 遥感数据

在遥感数据部分，针对使用的所有遥感数据逐一介绍。

值得记录的是 Sentinel-1 雷达数据，Sentinel-1 数据我也在用，空间分辨率为10m，极化方式为垂直发射垂直接收（VV）与垂直发射水平接收（VH）双极化，并且GEE 平台上提供了已经由GEE完成了标定轨道参数、去除边界噪声、去除热噪声、辐射定标、地形矫正等预处理的数据集。

另外对于 Sentinel-2 光学数据，我也是每个季节用了一景，之前都不太确定怎么阐述，可以借鉴该篇文章“同时，筛选出每个季节中质量最好的一景影像（分别为2022.01.16、2022.04.16、2022.09.08、2022.10.18 共 4 期影像数据）进行对比分析。”

实验使用的地形数据为美国太空总署（NASA）航天飞机雷达地形任务（The Shuttle Radar Topography Mission，SRTM）获得的近全球规模的数字高程模型SRTMGL1_ 003产品，该产品为 2000年数据，空间分辨率为 30 m。以上数据统一在 GEE 平台中重采样为 10 m 空间分辨率，并按照《拉姆萨尔公约》中辽河口滨海湿地边界进行裁剪。

✨3 研究方法

通过GEE 平台，快速获取并处理了覆盖研究区的多源数据，在此基础上提取特征变量，对所有特征变量进行特征优选。根据选取的特征变量设置对照试验，使用随机森林分类器进行分类，以获得分类结果最优的特征组合，应用于 2018 年至 2022 年，最终得到 5 年研究区的地物空间分布图。

具体而言：

研究利用 GEE 平台联合多源数据派生了 7 类特征，共计 100 个初始特征变量。
实地调研结合高分辨率影像目视解译，以单个样本点为中心勾画感兴趣区域，作为最终的样本数据集。并由单一年份进行年际间样本数据集迁移。
实验采用 GEE 平台内置的随机森林分类函数，随机选取 70% 样本数据作为训练样本，30%样本数据作为验证样本输入模型，实现多年辽河口滨海湿地精细分类制图。
本研究针对不同特征变量组合的实验方案，对比各类特征变量对分类效果的影响，并确定最优的特征组合方案。
精度评估一方面依靠经验知识对分类结果进行目视判断，定性地对分类结果做出评估。另一方面基于分类结果计算混淆矩阵，得出分类总体精度（OA），生产者精度（PA）、Kappa 系数、用户精度（UA）等定量评价指标。

（研究的技术路线图）

🌱 特征提取与特征优选

光谱特征与指数特征：基于预处理后的 Sentinel-2 长时序光学影像集合，将每年影像进行中值合成，提取 12 个原始波段、归一化植被指数（NDVI）、归一化水指数（NDWI）、归一化建筑指数（NDBI）、增强植被指数（EVI）、优化土壤调节植被指数（OSAVI）及植被差异指数（DVI）、盐地碱蓬植被指数（SSVI）；
物候特征：利用Sentinel-2 长时序光学影像集合提取逐像素的密集时序 NDVI 曲线；
缨帽变换特征（待学习）：根据 Ned⁃kov提出的 Sentinel-2 固定的缨帽变换矩阵将原始影像变换到具为亮度、绿度和湿度特征向量，生成缨帽变换特征变量 3 个；
纹理特征：基于 GEE 提供的 GL⁃CM 纹理特征函数，计算年中值合成 NDVI 指数的纹理特征，共提取 18 个特征变量；
雷达特征：对Sentinel-1 雷达影像进行中值合成处理，然后提取雷达影像中 VV 与 VH 极化的散射系数作为 2 个独立特征变量；
地形特征：根据研究区实际情况选择坡度（Slope）及海拔高度（Elevation）作为 2 个独立特征变量；

（表为研究用到的特征变量）

其中，物候特征的提取很有意思：

研究采用 HANTS 谐波分析法进行时间序列重构，通过去除噪声中的高频信息以实现时间序列重构，消除这些异常值的影响。

在此基础上，以最大和最小NDVI 值之间振幅的 50% 作为阈值，当 NDVI 超过该阈值则生长季开始，若低于该值则生长季结束，以此从 NDVI 时序曲线中提取了地表覆盖相关的物候特征变量，包括：生长季开始天数（Start of Sea⁃son， SOS ）、生长季结束天数（ End of Season ，EOS）、生长季峰值（ Peak of Season ， POS ）、生长季长度（Length of Season ， LOS ）。

此外，实验按照 4 个季节将一年内原始的时间序列影像进行分割，并对每个季节的影像进行中值合成。