相关实验视频
Updated: Jul 11, 2025

In Situ Soil Moisture Sensors in Undisturbed Soils
Published on: November 18, 2022
在摩洛哥南部的古老绿洲中检测荒漠化
Louise Rayne1, Filippo Brandolini2, Jen Lavris Makovics2
1School of History, Classics and Archaeology, Newcastle University, Armstrong Building, Newcastle Upon Tyne, NE1 7RU, UK. louise.rayne@newcastle.ac.uk.
这项研究引入了一种新的机器学习方法,利用卫星数据绘制沙漠化地图,改善我们对北非土地退化和传统水系统的理解,以适应气候变化.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 长期荒漠化测绘对于北非的气候变化适应至关重要.
- 现有的地图对历史的土地退化和传统的水系统缺乏准确性.
- 废弃的田地在卫星图像中表现出明显的光谱特征.
研究的目的:
- 开发和验证一个开源的机器学习工作流程,用于使用卫星数据检测荒漠化.
- 准确地绘制历史荒漠化和相关的传统灌系统.
- 改善资源管理和气候变化适应战略.
主要方法:
- 利用谷歌地球引擎和随机森林算法进行陆地覆盖分类.
- 综合的Sentinel-2 (12带复合材料,带纹盖组件) 和Sentinel-1 (VV极化复合材料) 数据.
- 雇员培训多边形,图像解释和考古调查以验证和绘制地图.
主要成果:
- 在Skoura绿洲案例研究中,为荒漠化类获得了74-76%的准确性.
- 在卫星图像中成功识别了沙漠化领域的独特光谱特征.
- 绘制了对绿洲种植至关重要的传统灌系统的地图.
结论:
- 开发的机器学习工作流提供了一个强大的方法来绘制历史荒漠化的地图.
- 准确地绘制土地退化和水系统的地图对于可持续的资源管理至关重要.
- 这种方法支持改善干旱地区对气候变化影响的适应战略.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
相关概念视频
Key Elements for Plant Nutrition
Responses to Salt Stress
Responses to Drought and Flooding