青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。
青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。
青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。
青藏高原作为“亚洲水塔”，是亚洲十多条大江大河的发源地，其水资源环境的变化对下游生态环境具有较大影响。利用遥感影像分类技术可以实现对高原湖泊水体的快速提取和监测。根据青藏高原存在大面积永久性和半永久性积雪的特点，传统的运用归一化水体指数（NDWI）和监督分类进行水体提取的方法通常很难区分湖泊水体和积雪。针对该问题，通过分析高原积雪和湖泊分布区域地貌环境，利用NDWI法和坡度要素构建了针对青藏高原湖泊水体提取的决策树分类模型，并通过设置对比实验的方法对所构建决策树的提取精度进行了验证。实验结果表明，该决策树分类精度可达94.5%，优于NDWI法提取精度的82.5%和监督分类法提取精度的88.5%。
天山位于亚欧大陆中部，是现代冰川的主要分布区之一，该地区冰川融水形成了数量多且分布广泛的冰湖。冰湖是气候变化的重要指示器，也是中国西北干旱与半干旱地区重要的地表水及地下水供给来源。由于地形因素和地物光谱特征的影响，使用单一的水体指数进行遥感影像的冰湖提取时，难以较好地区分出冰湖、山体阴影和积雪。本研究以天山地区为研究区，基于Google Earth Engine云平台，以Landsat 8遥感影像为数据源，根据冰湖的空间位置（缓冲区范围）、地形特征（坡度、高程）以及光谱特征，构建了冰湖决策树提取方法，并与NDWI（归一化水体指数）、MNDWI（改进的归一化水体指数）阈值法进行了精度比较。结果表明：决策树法能够有效减小山体阴影和积雪影响，更有效地提取冰湖信息，提取结果总体精度为89.14%,Kappa系数为0.783,F1分数为87.85%。结合了空间位置、地形特征和光谱特征的决策树方法为冰湖的动态监测与研究分析提供了一种较为高效的提取方法。
天山位于亚欧大陆中部，是现代冰川的主要分布区之一，该地区冰川融水形成了数量多且分布广泛的冰湖。冰湖是气候变化的重要指示器，也是中国西北干旱与半干旱地区重要的地表水及地下水供给来源。由于地形因素和地物光谱特征的影响，使用单一的水体指数进行遥感影像的冰湖提取时，难以较好地区分出冰湖、山体阴影和积雪。本研究以天山地区为研究区，基于Google Earth Engine云平台，以Landsat 8遥感影像为数据源，根据冰湖的空间位置（缓冲区范围）、地形特征（坡度、高程）以及光谱特征，构建了冰湖决策树提取方法，并与NDWI（归一化水体指数）、MNDWI（改进的归一化水体指数）阈值法进行了精度比较。结果表明：决策树法能够有效减小山体阴影和积雪影响，更有效地提取冰湖信息，提取结果总体精度为89.14%,Kappa系数为0.783,F1分数为87.85%。结合了空间位置、地形特征和光谱特征的决策树方法为冰湖的动态监测与研究分析提供了一种较为高效的提取方法。
天山位于亚欧大陆中部，是现代冰川的主要分布区之一，该地区冰川融水形成了数量多且分布广泛的冰湖。冰湖是气候变化的重要指示器，也是中国西北干旱与半干旱地区重要的地表水及地下水供给来源。由于地形因素和地物光谱特征的影响，使用单一的水体指数进行遥感影像的冰湖提取时，难以较好地区分出冰湖、山体阴影和积雪。本研究以天山地区为研究区，基于Google Earth Engine云平台，以Landsat 8遥感影像为数据源，根据冰湖的空间位置（缓冲区范围）、地形特征（坡度、高程）以及光谱特征，构建了冰湖决策树提取方法，并与NDWI（归一化水体指数）、MNDWI（改进的归一化水体指数）阈值法进行了精度比较。结果表明：决策树法能够有效减小山体阴影和积雪影响，更有效地提取冰湖信息，提取结果总体精度为89.14%,Kappa系数为0.783,F1分数为87.85%。结合了空间位置、地形特征和光谱特征的决策树方法为冰湖的动态监测与研究分析提供了一种较为高效的提取方法。
青藏高原位于亚洲中部，是亚洲数十条大江大河的发源地，也被誉为“亚洲水塔”,因此青藏高原的水环境和气候变化对欧亚大陆上的数十个国家的生态环境都有着重大影响。如何高效获取青藏高原积雪覆被数据是目前相关领域研究的热点问题。本研究以归一化差异雪指数(Normalized Difference Snow Index, NDSI)为基础，针对高原湖泊结冰容易导致运用常规监督分类方法进行遥感影像积雪提取中分类误差较大的问题，构建了针对高寒山区积雪提取的决策树分类模型，并执行获取决策树分类成果。同时以ENVI遥感图像处理平台共提供的6种应用较为成熟的监督分类算法获取的分类成果为对照，并分别统计各分类方法提取成果的总体分类精度(Overall Accuracy)和Kappa系数两个精度验证指标。最后，通过综合分析得出这7种分类方法的综合分类精度，由高到低分别为：专家决策树>最大似然法>支持向量机>神经网络法>马氏距离法>最小距离法>平行六面体法。其中，本研究所构建的决策树分类结果的总体分类精度和Kappa系数分别达到了96.83%和0.96,远高于其他6种常规监督分类...
青藏高原位于亚洲中部，是亚洲数十条大江大河的发源地，也被誉为“亚洲水塔”,因此青藏高原的水环境和气候变化对欧亚大陆上的数十个国家的生态环境都有着重大影响。如何高效获取青藏高原积雪覆被数据是目前相关领域研究的热点问题。本研究以归一化差异雪指数(Normalized Difference Snow Index, NDSI)为基础，针对高原湖泊结冰容易导致运用常规监督分类方法进行遥感影像积雪提取中分类误差较大的问题，构建了针对高寒山区积雪提取的决策树分类模型，并执行获取决策树分类成果。同时以ENVI遥感图像处理平台共提供的6种应用较为成熟的监督分类算法获取的分类成果为对照，并分别统计各分类方法提取成果的总体分类精度(Overall Accuracy)和Kappa系数两个精度验证指标。最后，通过综合分析得出这7种分类方法的综合分类精度，由高到低分别为：专家决策树>最大似然法>支持向量机>神经网络法>马氏距离法>最小距离法>平行六面体法。其中，本研究所构建的决策树分类结果的总体分类精度和Kappa系数分别达到了96.83%和0.96,远高于其他6种常规监督分类...
青藏高原位于亚洲中部，是亚洲数十条大江大河的发源地，也被誉为“亚洲水塔”,因此青藏高原的水环境和气候变化对欧亚大陆上的数十个国家的生态环境都有着重大影响。如何高效获取青藏高原积雪覆被数据是目前相关领域研究的热点问题。本研究以归一化差异雪指数(Normalized Difference Snow Index, NDSI)为基础，针对高原湖泊结冰容易导致运用常规监督分类方法进行遥感影像积雪提取中分类误差较大的问题，构建了针对高寒山区积雪提取的决策树分类模型，并执行获取决策树分类成果。同时以ENVI遥感图像处理平台共提供的6种应用较为成熟的监督分类算法获取的分类成果为对照，并分别统计各分类方法提取成果的总体分类精度(Overall Accuracy)和Kappa系数两个精度验证指标。最后，通过综合分析得出这7种分类方法的综合分类精度，由高到低分别为：专家决策树>最大似然法>支持向量机>神经网络法>马氏距离法>最小距离法>平行六面体法。其中，本研究所构建的决策树分类结果的总体分类精度和Kappa系数分别达到了96.83%和0.96,远高于其他6种常规监督分类...