摘要：城市绿地的精准识别和监测在城市规划和生态管理方面具有重要意义。城市绿地背景复杂,使用传统遥感分类技术容易出现错分粘连的问题。本研究以长沙市雨花区为研究区,高分二号(GF-2)遥感影像为数据源,提出一种基于LA-UNet模型的城市绿地遥感分类方法,该方法以UNet模型为基础,引入DWTCA通道注意力机制模块提升网络对绿地信息的关注度,并使用CARAFE模块对提取特征进行上采样,实现对城市复杂背景下乔木、灌草等多种地类的精准分类。结果表明:利用标准假彩色遥感影像时,LA-UNet模型的城市绿地分类效果最优,总体准确率和平均交并比分别为96.3%和90.9%,比UNet模型分别提高2.8%和6.1%。在波茨坦公开数据集中,LA-UNet模型的总体准确率和平均交并比也同样优于UNet模型,分别提高0.9%和1.8%,表明LA-UNet模型具有较好的鲁棒性和通用性。本研究提出的LA-UNet模型能有效缓解城市绿地错分粘连问题,在城市绿地遥感分类中具有显著优势。改进后的LA-UNet模型比UNet模型具有更小的参数体积,能有效提升城市绿地分类精度。本研究将为城市绿地的精准分类及其空间分布规律研究提供方法参考。

摘要：光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和Sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明:GF-6和Sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关(P<0.05),红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数(落叶松R2=0.66,樟子松R2=0.65)和最低的均方根误差(落叶松RMSE=31.45 t/hm^(2),樟子松RMSE=54.77 t/hm^(2))。相比单个数据源,联合GF-6和Sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。