.png){kind=icon}
返回
Salt Marsh Mapping from Landsat Multispectral Data Using Machine Learning Techniques
.png){kind=icon}
OA
AI
DOI：10.3390/jmse14191804.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
盐沼是重要的沿海生态系统，支持生物多样性并维持多种生态系统服务，包括营养物滞留、海岸侵蚀防护和碳储存。然而，其动态特性与人类压力的结合导致了其迅速衰退，使得持续监测至关重要。本研究提出了一种基于像素的分类框架，用于从卫星图像中绘制并生成盐沼面积的空间显式时间序列，利用反射率值和多光谱指数提高精度和时序一致性。该方法考虑了季节性和水文变异性以确保稳健检测。评估了四种机器学习模型，其中多层感知器表现最佳。最终模型结合了多数滤波器，盐沼、陆地和水的真阳性率分别达到90%、96%和97%，证明了其长期生态监测和保护的有效性。利用该模型识别了盐沼面积的季节性模式和长期趋势，显示其与潮汐周期和海平面变化存在强相关性。
Keyword:
machine learning
classification
neural networks
image processing
salt marsh
coastal ecosystem
期刊
IF:
2.8
论文数:
4.6K
被引数:
2.3W
机构
引用论文
Simple Machine Learning with Aerial Imagery Reveals Severe Loss of a Salt Marsh Foundation Species基于航空影像的简单机器学习方法揭示了盐沼基础物种的严重损失OAAI
OAAI分享收藏Preliminary Assessment of Long-Term Sea-Level Rise-Induced Inundation in the Deltaic System of the Northern Coast of the Amvrakikos Gulf (Western Greece)初步评估阿姆夫拉基科斯湾（希腊西部）北岸三角洲系统中长期海平面上升引发的淹没情况
PREAI
分享收藏Tracking the Dynamics of Salt Marsh Including Mixed-Vegetation Zones Employing Sentinel-1 and Sentinel-2 Time-Series Images利用Sentinel-1和Sentinel-2时序影像追踪包括混合植被区的盐沼动态.png)
REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏XGBoostProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏Assessing salt marsh extent and condition changes with 35 years of Landsat imagery: Tagus Estuary case study用35年的Landsat影像评估盐沼的范围和条件变化: 塔霍斯河口案例研究
PREAI
分享收藏
查看更多内容