基于地理对象图像分析与机器学习的沙丘运动环境气候影响评估

本文综述创新性地整合地理对象图像分析（GEOBIA）与多种机器学习算法（如MRS、SOM、AHP-DT、LSTM），系统评估了沙丘形态特征、活动过程及其与气候参数的关联，为沙漠地区侵蚀风险预测和气候变化影响分析提供了精准、高效的研究框架，对荒漠化防治和生态系统管理具有重要指导意义。

　　

Highlight

优化沙丘形态计量特征提取的尺度

首先，我们为四种沙丘类型（横向沙丘、新月形沙丘、复杂线性沙丘、星状沙丘）选取了SRTM DEM图像。鉴于沙丘景观在不同尺度上展现出独特的模式和过程，我们在多分辨率分割（MRS）方法中使用了从10米到700米共15个尺度（间隔50米）。这种方法产生了结构良好的多尺度分割结果。在10米尺度下，分割过程在SD_1区域产生了2800个初始对象，SD_2区域2650个，SD_3区域2700个，SD_4区域2500个...

讨论

本研究基于地理对象图像分析（GEOBIA）和机器学习算法（如自组织映射SOM、层次分析法AHP和决策树DT）对沙漠环境中的沙丘进行识别和分类，其结果在理解沙丘形态计量动力学及其气候影响方面代表了重大进展。与先前的研究相比，例如Stammler（2020）使用GEOBIA绘制瑞典北部沙丘的位置、方向和地貌形态测量学的研究，我们的模型结果具有...

结论

本研究通过整合分割过程中的空间格局特征，提出了一种新颖的方法，用于识别和分类鲁卜哈利沙漠中的沙丘并预测气候。结果表明，通过确定沙丘分割的最佳尺度并提取重要的形态计量特征，该方法显著提高了沙丘形状和区域形成过程的精确识别能力。此外，研究利用自组织映射（SOM）建立了...