基于GF-3雷达数据极化分解与深度学习的干旱区绿洲土地覆被及盐渍化分级研究

摘要

土地利用/覆被演变研究是解析人地关系的重要科学议题，其精准监测对区域可持续发展决策具有支撑作用。本研究以克里雅绿洲为研究对象，基于高分三号（GF-3）全极化合成孔径雷达数据与Landsat 8-OLI多光谱数据，结合野外实测土壤理化参数，构建多源遥感协同分类体系。将土壤盐渍化分级（轻度、中度、重度）作为土地覆被质量的核心量化指标，与土地利用类型（耕地、植被、水体、裸地）共同构成分类框架。通过应用八种极化分解方法、随机森林特征优选算法及U-Net深度学习模型，系统探讨干旱区绿洲土地利用/覆被分类的最优解译方案。实验结果表明，相较于传统影像分类算法，U-Net深度学习框架在分类精度指标上呈现显著优势，其总体分类精度提升至78.21%,Kappa系数达0.72.该模型有效融合雷达后向散射特征、光学光谱特征及土壤有机质含量等理化参数，通过多维特征空间构建解决植被-盐渍化混合像元的同谱异质问题。本研究提出的多源数据融合分类方法为绿洲生态系统监测提供了新的技术支撑，其分类结果的空间异质性解析能力为绿洲土地退化防治与资源管理决策提供了可靠的科学依据。

关键词

积神经网络 / GF-3 / 极化分解 / 克里雅绿洲 / 土地利用/覆被