鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
鉴于像素级分类在光谱特征相近情况下难以准确识别冰川变化，特别是表碛覆盖区的光谱特征与周围山地、岩石相似度高，导致其提取精度较低。为此，本文以音苏盖提冰川和雅弄冰川为研究区，基于Google Earth Engine平台，结合光谱指数、微波纹理和地形特征，采用面向对象（OB）的机器学习算法进行冰川自动提取，并与基于像素（PB）分类方法进行对比。结果表明：（1）基于多特征融合的OB分类方法有助于提高冰川提取精度。其中，OB＿RF分类的总体精度、Kappa系数和F1分数分别为98.1%、0.97和98.67%，优于OB＿CART和OB＿GTB方法。与PB＿RF分类相比，总体精度、Kappa系数和F1分数分别提升了1.7%、0.024和5.57%。（2）2001—2022年音苏盖提冰川和雅弄冰川年平均退缩率分别为0.08%、0.13%。（3）音苏盖提冰川表碛区主要分布在海拔5000 m以下，而雅弄冰川表碛区主要分布在海拔4800 m以下，2001—2022年两条冰川表碛覆盖区均呈现向上扩张趋势。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
热融湖塘是多年冻土退化所引起的热融灾害之一，其中准确地监测热融湖塘的分布和变化是评估这一灾害的前提。根据以往对热融湖塘的研究发现，小型热融湖塘较多，但由于热融湖塘分布在湿地、草地等不同区域，部分热融湖塘在影像上与周边环境出现同谱异物的现象，导致无法对小型热融湖塘进行准确统计。本文选取高分六号影像作为数据源，分别采用归一化差异水体指数（NDWI）阈值法、面向对象提取法、LBV变换法对研究区内热融湖塘进行提取。通过解译结果分析，LBV变换法提取精度最高；GF-6影像经过LBV变换之后，水体与其他地物之间的差异更加突出，对小型热融湖塘的提取有较好的适用性。
当曲作为长江正源，其流域内覆盖着成片的高寒湿地。由于早年在江源定位上存在的争议及自然环境恶劣科考困难，当曲流域未能受到广泛关注，湿地研究工作薄弱，在高分辨率湿地分类研究上仍处于空白。基于2020年8月19日的Sentinel-2B影像（10 m分辨率多光谱数据）,采用面向对象特征的分层分类法，对当曲流域各类别高寒湿地的信息进行提取，结合研究区地表形态、质地等对湿地的水平及垂直分布规律进行总结。结果表明：1)当曲流域高寒湿地共分为3个一级类和9个二级类，总面积为3 364.74 km2。其中主体部分为沼泽湿地，分布面积达2 908.94 km2,占湿地总面积的86.45%,河流湿地和湖泊湿地面积相近，分别为269.28 km2和186.52 km2。除高寒湿地外，流域内覆盖有永久冰川积雪，分布面积为107.17 km2。2)当曲流域内湿地在水平分布上总体呈现东南多西北少的特点，主要集中于丘陵环绕的平滩或地势低缓、排水不畅的汇流地带，以及阴坡山脚地区。3)高寒湿地在垂直方向上的分布...
当曲作为长江正源，其流域内覆盖着成片的高寒湿地。由于早年在江源定位上存在的争议及自然环境恶劣科考困难，当曲流域未能受到广泛关注，湿地研究工作薄弱，在高分辨率湿地分类研究上仍处于空白。基于2020年8月19日的Sentinel-2B影像（10 m分辨率多光谱数据）,采用面向对象特征的分层分类法，对当曲流域各类别高寒湿地的信息进行提取，结合研究区地表形态、质地等对湿地的水平及垂直分布规律进行总结。结果表明：1)当曲流域高寒湿地共分为3个一级类和9个二级类，总面积为3 364.74 km2。其中主体部分为沼泽湿地，分布面积达2 908.94 km2,占湿地总面积的86.45%,河流湿地和湖泊湿地面积相近，分别为269.28 km2和186.52 km2。除高寒湿地外，流域内覆盖有永久冰川积雪，分布面积为107.17 km2。2)当曲流域内湿地在水平分布上总体呈现东南多西北少的特点，主要集中于丘陵环绕的平滩或地势低缓、排水不畅的汇流地带，以及阴坡山脚地区。3)高寒湿地在垂直方向上的分布...
受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北...
受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北...