以黑龙江省哈尔滨市道外区为研究区,系统探讨分析了基于遥感的不同方法在积雪信息识别中的应用。首先,对研究区两个时相的高分六号(GF-6)多光谱相机(PMS)影像进行目视解译,掌握了研究区内地物类型和积雪分布特点。其次,基于目视解译结果,选取了8种典型地物类型,得到了"积雪"和"非雪"两类像元的光谱特征规律。再次,探讨分析了6种方法在积雪识别中的应用,利用精确率、召回率和F指数3个指标进行了精度评价。最后,提出了基于投票结果的最终识别结果判定方法,得到了研究区积雪信息最终识别结果。研究表明:(1)受下垫面和阴影的影响,研究区"同谱异物"和"同物异谱"现象普遍;(2)深度学习算法的识别效果最好,决策树法的识别效果相对较差;农田区的识别精度高于池塘区,误识别和漏识别的现象都相对较少;(3)基于投票结果的最终识别结果判定,可以有效改善单一识别方法存在的误识别和漏识别现象。

以黑龙江省哈尔滨市道外区为研究区,系统探讨分析了基于遥感的不同方法在积雪信息识别中的应用。首先,对研究区两个时相的高分六号(GF-6)多光谱相机(PMS)影像进行目视解译,掌握了研究区内地物类型和积雪分布特点。其次,基于目视解译结果,选取了8种典型地物类型,得到了"积雪"和"非雪"两类像元的光谱特征规律。再次,探讨分析了6种方法在积雪识别中的应用,利用精确率、召回率和F指数3个指标进行了精度评价。最后,提出了基于投票结果的最终识别结果判定方法,得到了研究区积雪信息最终识别结果。研究表明:(1)受下垫面和阴影的影响,研究区"同谱异物"和"同物异谱"现象普遍;(2)深度学习算法的识别效果最好,决策树法的识别效果相对较差;农田区的识别精度高于池塘区,误识别和漏识别的现象都相对较少;(3)基于投票结果的最终识别结果判定,可以有效改善单一识别方法存在的误识别和漏识别现象。

利用2000—2017年LandsatTM数据,基于SNOMAP算法提取秦岭主峰太白山积雪面积,同时结合研究区地形数据及10个气象站点的气象观测数据,分析太白山积雪变化特征及其与地形、气候因素的关系。结果表明:(1)2000-2017年冷季太白山积雪面积在波动中减少。积雪面积消减率为24.15%;(2)影响太白山积雪变化的地形因素呈现出相同的规律特点,伴随海拔的升高,积雪覆盖率在2500m以上大幅减少,同时随坡度增大,积雪覆盖率总体随坡度变化呈V型分布;(3)气象因素中太白山积雪面积减少受冷季平均气温升高影响较大,通径分析结果显示太白山积雪面积变化受地形因素及气候因素等多方面因素影响。

利用2000—2017年LandsatTM数据,基于SNOMAP算法提取秦岭主峰太白山积雪面积,同时结合研究区地形数据及10个气象站点的气象观测数据,分析太白山积雪变化特征及其与地形、气候因素的关系。结果表明:(1)2000-2017年冷季太白山积雪面积在波动中减少。积雪面积消减率为24.15%;(2)影响太白山积雪变化的地形因素呈现出相同的规律特点,伴随海拔的升高,积雪覆盖率在2500m以上大幅减少,同时随坡度增大,积雪覆盖率总体随坡度变化呈V型分布;(3)气象因素中太白山积雪面积减少受冷季平均气温升高影响较大,通径分析结果显示太白山积雪面积变化受地形因素及气候因素等多方面因素影响。