基于机器学习方法的鄱阳湖冬季栖息地长时间序列研究.pdf

摘要

为了解鄱阳湖冬季栖息地类型的长期变化特征，探讨鄱阳湖冬季栖息地景观

景观变化的驱动因素，本次研究利用1990-2021年的18张Landsat5TM和Landsat

8OLI的L2A级无云影像提取鄱阳湖冬季栖息地景观类型。并对比了随机森林、

支持向量机、梯度提升树和分类与回归树等这四种机器学习算法及卷积神经网络

算法的分类精度。运用NDVI、MNDWI、NDBI和EVI来识别栖息地景观类型。

通过制作转移矩阵来描述各种景观类型的转换情况并进行景观格局指数分析。结

果表明：

（1）随机森林、支持向量机、梯度提升树和分类与回归树这四种机器学习

算法的总体分类准确率均在98%以上，Kappa系数均大于0.98。在这四种机器

学习算法中，随机森林算法分类性能最好。基于上述的研究，利用随机森林和卷

积神经网络对鄱阳湖生态经济区进行分类后发现，卷积神经网络的分类精度高于

随机森林，训练集的精度均在99%以上且波动较小。

（2）采用随机森林算法对1990-2021年的Landsat遥感影像进行鄱阳湖冬季

栖息地栖息地景观分类，并根据1990-2021年鄱阳湖冬季栖息地景观类型的百分

比图和1990-2021年的面积变化图发现，鄱阳湖在冬季水面面积缩小时，泥滩是

该时期的主要栖息地景观类型。

（3）根据1990-2021年鄱阳湖冬季栖息地景观类型的分类专题图发现：草

洲一般出现在泥滩周围，沙地主要分布在鄱阳湖主河道附近。鄱阳湖周边耕地主

要分布在研究区东南部，在1998-2004年间耕地面积呈下降趋势，这可能与“退

耕还湖”的地方政策有关。

（4）为了揭示三峡大坝对鄱阳湖生态环境的影响，对建坝前后的鄱阳湖栖

息地景观类型进行了对比研究。通过转移矩阵的分析，发现建坝前的泥滩面积大

幅增加，而建坝后更多的泥滩转化为草地。总体上，建坝后泥滩面积较建坝前有

所减少。

（5）分析了1990-2021年的景观格局指数变化。1990-1997年景观斑块密度

呈逐年波动趋势，表明鄱阳湖冬季栖息地类型进一步分散。而1997-2021年，景

观斑块密度和景观干扰指数均呈下降趋势，景观聚集指数呈上升趋势，表明栖息

地的完整性已经恢复。

（6）通过研究不同年份的水位差异对鄱阳湖栖息地景观分类结果的影响，

发现水域面积的长期变化与水位变化并不一致。这表明本研究分类结果的水域面

积变化不太可能是由水位变化引起的，即水位不是影响鄱阳湖不同栖息地景观类

型变化的主要因素。

I

关键词：鄱阳湖；栖息地；机器学习；卷积神经网络；景观指数

II

Abstract

Inordertoobtainthelong-termevolutionofwinterhabitatandexplorethedriving

forceinPoyangLake,weuseLandsatsatelliteimageryfrom1990to2021to

systematicallyassesshabitatcharacteristicchangesoverthepastdecades.Fourmachine

learningmethodsincludingrandomforest,gradientboostingtree,supportvector

machineandclassificationandregressiontreesandconvolutionalneuralnetworkare

analyzedbycomparingtheoverallaccuracyandKappacoefficients.NDVI

(NormalizedDifferenceVegetation),MNDWI