基于GEE的白洋淀水体生态补水后时空格局变化分析

生态补水是白洋淀生态环境治理的一项重要举措,根据生态补水机制的变化过程,将白洋淀的生态补水过程分为临时补水阶段、应急补水阶段和稳定补水阶段。为进行各生态补水阶段下白洋淀水体的时空格局变化分析,通过GEE对白洋淀在1990-2022年的701幅遥感影像进行水体和冰体提取,分析不同阶段下水体时空变化格局,以及专门分析了冬季结冰期的冰体面积变化。主要得出以下结论:①在各个生态补水阶段,白洋淀水体面积均呈现在夏季最小,冬春季最大的特点,而随着生态补水机制的不断完善,白洋淀水体面积变化幅度逐渐减小,呈现“削峰补低”的变化规律,其中临时补水阶段的逐月平均水体面积介于0.63~186.03 km^(2),稳定补水阶段的逐月平均水体面积介于17.88~109.15 km^(2),变化幅度减小了50.77%;②生态补水机制的完善让白洋淀呈现永久性水体大幅增加,间歇性水体大幅减小的变化规律,其中临时补水阶段永久性水体面积为7.66 km^(2),而稳定补水阶段的永久性水体面积为23.62 km^(2),增加了208.16%,间歇性水体面积则从263.50 km^(2)减少到143.58 km^(2),减小了45.51%;③从冰体面积变化角度分析,随着生态补水机制的不断完善,白洋淀的冰体面积不断减小,其中一月份的平均冰体面积从72.77 km^(2)减小到12.60 km^(2),减小了82.69%。结果表明:生态补水机制的完善并没有导致白洋淀水体面积不断增加,而是使白洋淀的水体环境更加破碎化;在全球变暖以及其他因素的影响下,白洋淀的冰体面积大幅减小;这种趋于破碎化、板块化的水域特征可能不利于生物多样性的保护,但鉴于生态系统对于水文响应具有滞后性,今后需进一步加强生态水文响应过程监测和研究。

基于GEE的洱海流域土地利用/覆被分类算法对比研究

快速准确地进行复杂高原山区的土地覆被长时序自动分类,可为国土规划、资源利用提供依据。利用GEE云平台,选取Landsat影像地表反射率、植被指数、水体指数、DEM 4种空间数据集作为土地覆被分类的基础和辅助数据,分别运用CART、RF和SVM 3种分类算法,实现洱海流域土地覆被信息的自动提取和精度对比。结果表明:(1)3种分类算法中,RF的总体分类精度最高,SVM的总体精度最低;RF是洱海流域LULC的最适宜分类算法。(2)采用光谱指数、地形特征等辅助数据集会进一步提高解译精度,而样本点的选取是最主要的影响因素。(3)Erhai_RF能够达到较高的精度,同时更加突出细节特征,在局部实际分类精度上会更高。研究结果可为洱海流域长时序土地覆被数据产品智能快速提取以及最优分类算法筛选提供方法和技术支撑。

基于GEE的福州市城市公园降温效应研究

在城市化快速发展的同时,热岛效应等一系列问题也日趋严重。公园绿地是城市绿地系统的一个重要组成部分,对改善城市热环境有着十分重要的意义。本文以福州市三环内的26个城市公园为研究对象,利用谷歌地球引擎(GEE)和Landsat 8 OLI/TIRS遥感数据,通过单窗算法反演地表温度(LST),并采用缓冲区分析法量化城市公园的降温效应特征。研究从降温幅度和降温距离两个维度量化了城市公园的降温效应,并分析了影响公园降温效应的主要景观特征因素。结果显示,福州市三环以内城市公园降温效果显著,其降温幅度和降温距离与公园面积和周长显著正相关,而与周长面积比显著负相关,研究以期为城市热环境优化和绿地规划提供了科学依据。

基于GEE和Sentinel-2影像的杭州城市湿地精细化分类研究

基于Google Earth Engine(GEE)云平台,使用Sentinel-2卫星影像数据,采用随机森林算法面向杭州城市湿地类型进行遥感分类研究.研究结果表明:在进行湿地类型精细化分类时,相比于使用单一特征信息分类,多特征信息的组合可以显著提高分类精度,最优特征组合包括传统光谱特征、红边光谱特征、变换特征、纹理特征和地形特征,其总体精度为81.2%,Kappa系数为0.75;不同特征信息对于不同湿地类型的提取具有重要作用,传统光谱特征对于滩地和养殖池的识别非常有利,而红边光谱特征和变换特征分别对草本沼泽和湖泊的识别更为有效.此外,红边光谱特征和纹理特征的组合有利于运河/水渠的识别.通过特征对比实验可为湿地精细化分类的案例研究提供参考,湿地分类结果可为杭州城市湿地信息的遥感识别提供数据支撑.

基于DPSIR-GEES的寒区改扩建绿色公路评价研究——以黑龙江省为例

以黑龙江省改扩建公路作为研究对象,构立DPSIR-GEES模型,从公路建设与政府、经济、环境、社会关系的角度,建立寒区改扩建绿色公路评价研究体系.通过SPSS和MATLAB软件,运用博弈论组合理论将变异系数法和熵权法求出的权重组合综合赋权.采用障碍度模型进行横向分析,由逼近理想值排序法模型纵向分析.最终得到障碍度最大的5个指标因子:旅游服务、线性规划、土体冻融侵蚀、人性化、信息运行和管理服务.公路项目总体绿色度水平:丹东—阿勒泰公路呼十、黑卧、逊黑工程段改扩建绿色度水平较高,评定等级为“绿色”,前锋农场—嫩江公路工程段在建设过程中绿色度有所欠缺,评定等级为“浅绿”.

基于GEE和Sentinel-1/2数据的夏玉米种植面积精细化识别方法

作物种植面积提取方式的选取,对农作物遥感监测有重要意义。为探究夏玉米遥感识别最佳时相、夏玉米遥感识别光学时序和夏玉米遥感识别光学与星载合成孔径雷达(synthetic aperture radar,SAR)融合时序3种方案在夏玉米种植区识别的差异,选取山东商河为研究区。基于谷歌地球引擎(Google Earth Engine,GEE)云平台Sentinel-1/2数据,构建分类数据集,结合地面调查制作分类样本,采用随机森林法进行3种方案下研究区夏玉米种植区域提取,并分析各方案精度。结果表明:3种方案均能较高精度地实现夏玉米与其他作物的区分;相对于夏玉米遥感识别最佳时相方案,夏玉米遥感识别光学时序方案下夏玉米总体分类精度由83.01%提高到89.44%,Kappa系数由0.77提高到0.86;相对于夏玉米遥感识别最佳时相和夏玉米遥感识别光学时序方案,夏玉米遥感识别光学与SAR融合时序方案的总体分类精度最高,达92.51%,Kappa系数达0.89。研究表明,夏玉米遥感识别光学与SAR融合时序方案可以在较高精度下有效识别夏玉米种植区,为发育期内的农情调查管理提供参考。

基于GEE的赣州安远县30年植被覆盖度时空变化分析

在谷歌地球引擎(GEE)云平台上,以1991-2021年Landsat影像数据为基础,采用像元二分模型、趋势分析法、赫斯特指数及莫兰指数分析安远县30年植被覆盖度,探究其时空变化特征、空间自相关及未来变化趋势。结果表明,安远县的植被覆盖度在空间上整体水平较高,在研究期30年内,植被覆盖度增加区域占75.48%,退化区域占17.11%,无变化区域占7.41%。赫斯特指数预测未来安远县植被覆盖度将以持续增加为主,研究区整体表现为显著的正空间自相关,呈聚集状态分布。安远县在植被改善方面已取得了显著成果,后期还需重点关注植被覆盖度退化区域与空间自相关异常值区域。

基于GEE和Sentinel-2影像的建始县烟区冰雹灾害风险区划

选用建始县2021年Sentinel-2遥感影像资料,基于Google Earth Engine(GEE)云平台计算植被覆盖指数(NDVI)、归一化水体指数(NDWI)以及归一化建筑指数(NDBI)等参数,采用随机森林算法将建始县划分为水域、林地、建设用地、耕地、烟叶5类,并结合建始县气象灾害风险普查成果,建立了建始县烟区冰雹灾害风险区划模型,对烟叶遭受的冰雹灾害风险等级进行评估。结果表明,建始县烟草种植区域主要分布于官店镇中西部、花坪镇大部及高坪镇至茅田一线,大部分处于烟区冰雹灾害风险次低至中风险地区,需加强监测预警,及时开展人工防雹作业;中部长梁乡、三里乡、高坪镇南部地区冰雹灾害风险等级低,可适当增加烟叶种植面积;建始县东北部及南部山区冰雹灾害风险等级较高,需要加强灾害防御,适当减少烟叶种植。本研究结果作为2022年恩施州灾害风险普查成果典型案例应用于实际业务中,为烟叶种植生产以及气象防灾减灾提供了较好参考依据。

基于GEE的长江-淮河流域湖泊水体长时序变化监测

湖泊在调节洪水和提供水源方面具有重要意义,长江-淮河流域(长淮流域)平原湖泊群的蓄水变化对缓解洪水压力和调节径流至关重要。为了实现对流域内水体变化的长期监测,研究使用Google Earth Engine(GEE)云计算平台和水体提取算法计算流域内2000—2021年共22年的水体频率,生成了逐年的30 m空间分辨率地表水体图,并计算每年丰水期、平水期和枯水期的水体面积。研究发现,长淮流域水体主要分布于长江、淮河沿线以及五大淡水湖所在流域。22年中,流域内水体面积呈现波动变化,2011年3种频率水体面积均是最低,2020年的丰水期水体面积和平水期水体面积达到最高。通过分析长淮流域在同一时期的气候变化发现,降雨量的变化趋势与水体面积的变化趋势几乎一致,表明流域内水量变化主要由降雨量主导。

基于GEE遥感云平台的安徽省建设用地分类研究

为研究安徽省近30年的城镇扩展变化,分析了其发展重心迁移路径。基于GEE遥感云平台,利用NPP/VIIRS夜间灯光数据提取城市范围;基于原始光谱波段构建特征数据,对特征数据进行特征优化;利用优化后的特征在初步提取的城市范围用随机森林(random forest,RF)算法对Landsat影像数据进行再分类,对提取到的建设用地进行了重心迁移分析。结果表明:安徽省提取建设用地的平均OA为0.978%,Kappa系数为0.95,提取结果精度较高且可靠性高;1990-2020年安徽省城市建设用地总面积扩张698.21%,皖南区域扩张速率较快,皖北与皖中相差无几;影响城市初期建设的最主要因素是经济与人口,发展到一定程度后会有更多其他因素影响城市发展。

基于GEE平台的水稻田快速识别与提取方法

水稻是中国65%以上人口的主粮。及时准确地掌握水稻种植面积和空间分布,对于制定农业政策、保障粮食安全具有重要意义。本文提出了一种基于水稻种植模式的小型水体识别与阈值分割相结合的方法进行省域水稻田识别。该方法数据采用哨兵2号光学遥感影像,利用谷歌地球引擎(GEE)平台在广西壮族自治区进行了试验和精度验证。本文方法在水稻田识别方面表现出可靠、快速的性能,Kappa系数为0.76,总体精度为92%,生产者精度为70%,用户精度为95%。这种计算开销节约的方法实现了提取精度与计算效率的平衡,可有效应用在省域或更大区域的单季稻水稻田识别中。

基于GEE平台的张吉怀高铁建设对沿线区域生态环境的影响分析

为了量化高速铁路建设对沿线区域生态质量影响的时空变化特征及趋势,基于谷歌地球引擎(Google Earth Engine,GEE)平台和遥感生态指数(Remote Sensing Ecological Index,RSEI),研究了张吉怀高铁建设对沿线不同缓冲区(50、100、300、1 000 m)生态环境的影响。结果表明:1)施工建设使得沿线区域温度和干度上升、湿度和植被覆盖度下降,RSEI值随之下降,且除温度外,各指标的变化都有滞后效应。2)受施工建设的影响,沿线50 m范围内生态质量下降27%以上,100 m范围内生态质量下降10%以上,300 m以上的范围几乎不受影响。3)施工建设的影响具有一定的持续性,受影响区域的生态质量虽有恢复趋势,但在短期内无法恢复至建设前的水平。4)通过GEE编程实现的RSEI计算,可以批量运用于其他区域,省去了繁杂的影像预处理、计算过程,能够为高铁建设过程中的环境保护措施的设计和保护政策提供科学支持。

利用GEE云平台实现三峡库区滑坡危险性动态分析

传统的遥感监测手段受限于数据的可用性以及计算性能,往往无法满足大区域的滑坡灾害监测研究。为此,该文利用谷歌地球引擎(Google Earth Engine,GEE)云平台建立了三峡库区滑坡危险性动态评价模型,依托GEE云平台海量的存储数据和强大的算力,实现了三峡库区的滑坡危险性动态评价。首先,采用坡度、坡向、归一化植被指数、归一化水体指数和地质构造等因子,通过加权的梯度提升决策树(weighted gradient boosting decision tree,WGBDT)模型生成了滑坡易发性分区图;然后,利用全球降雨测量(Global Precipitation Measurement,GPM)数据,研究三峡库区诱发滑坡的降雨阈值,建立了降雨分级标准,构建了联合降雨和滑坡易发性的滑坡危险性评价模型;最后,以三峡库区“8·31”降雨过程为研究对象,逐日生成三峡库区滑坡危险性分布图,得到了滑坡危险性的时空变化趋势。利用GEE提供的一系列的数据处理和分析工具,可以用来分析三峡库区滑坡地质灾害相关的数据,并提供滑坡危险性近实时的监测和预警信息,为政府部门防灾减灾政策的制定提供决策依据。

基于GEE的中国不同生态系统林火驱动力研究

针对同时对大尺度范围内的不同生态系统林火驱动力研究的难题,提出一种基于谷歌地球引擎(google earth engine,GEE)实现大范围不同生态系统林火驱动力的分析方法。首先基于GEE在线获取中国4个主要不同生态系统林火数据集、Sentinel-2卫星影像和驱动因子等信息,再通过Sentinel-2影像提取的归一化燃烧率差值筛选真实林火点,然后利用随机森林、支持向量机和增强回归树法对林火点分类并评价其表现,最后筛选最佳方法进行林火驱动力重要性分析。研究结果表明:随机森林预测林火的精度最高,均超过92%;山西省长治市和内蒙古大兴安岭地区林火最重要的驱动力分别为人口分布和最高温度,而四川省凉山彝族自治州和江西省赣州市林火发生最重要的两个驱动因子均为帕默尔干旱指数和土壤湿度。研究证明基于GEE的方法可有效地同时实现大范围内中国不同生态系统林火驱动力研究。

GEE平台下考虑潮位变化及植被物候特征的盐城滨海湿地精细化遥感分类

滨海湿地具有重要的经济价值与生态价值,快速准确地监测其现状对滨海湿地资源的保护和管理具有重要意义。由于潮汐动态变化、植被光谱相似性以及云覆盖等因素的影响,滨海湿地的遥感监测具有较大挑战。本文提出了一个综合考虑潮位变化及植被物候特征的滨海湿地遥感分类方法,基于GEE(Google Earth Engine)平台,首先引入Fmask(Function of mask)算法进行云检测与去云处理,然后利用S-G(Savitzky-Golay)滤波算法重构NDVI(Normalized Difference Vegetation Index)时间序列数据,提取植被物候特征参数,采用随机森林算法实现互花米草(Spartina alterniflora)、芦苇(Phragmites australis)、碱蓬(Suaeda salsa)与茅草(Imperata cylindrica)4种湿地植被类型的提取;最后利用最大光谱指数合成算法(Maximum Spectral Index Composite,MSIC)生成最高与最低潮位合成影像,结合大津算法(Otsu)提取光滩与海水,实现滨海湿地的精细化遥感分类。研究结果表明,生长季开始时间、生长季结束时间、生长季时长、基准值、振幅、小季节积分是区分滨海湿地植被的重要植被物候特征参数。利用本方法对盐城滨海湿地进行分类,湿地总体分类精度达96.50%,Kappa系数为0.957 1,湿地植被中互花米草的使用者精度最高,为96.59%;其次是芦苇与碱蓬;茅草最低,为93.55%。与面向对象分类相比,本方法不仅能够提取完整的光滩范围,而且将总体精度提高了10.25%,体现出植被物候特征在滨海湿地动态变化遥感监测中的应用潜力。

基于GEE平台的县域生态服务价值时空演变研究

利用GEE平台的长时间序列Landsat影像,获取了2005—2020年每5年的土地利用数据,并采用价值当量因子法结合植被指数核算了生态系统服务价值(ESV),揭示了从化区近15年ESV的时空变化特征。结果表明:①林地是从化区最主要的自然生态系统,研究期间林地呈波动增加的趋势,耕地数量逐渐萎缩,建设用地逐渐扩张,增长了约100%;②研究期间从化区ESV先增后降,净增长了3.04亿元,调节服务和支持服务对ESV总量的贡献最大,占比在80%以上;③从化区ESV总体呈现明显的北部高、南部低的空间分异特征,ESV变化主要集中在南部,城市建设是ESV损失的主要原因,而植树造林、耕地转化为园地是ESV增益的主要路径。

基于GEE的山西省土地利用时空演变分析

快速、准确获取土地利用变化信息是实现区域可持续发展的基础。基于谷歌地球引擎(Google Earth Engine,GEE),分析山西省1986—2022年土地利用变化。结果表明,随机森林算法得到的土地利用分类结果精度较高,山西省土地利用类型中,耕地、林地和草地占主导;37年间,山西省土地利用类型变化最大的为建设用地,增长的建设用地主要为耕地转化,水域面积逐渐减小,林地与草地面积变化不大;山西省土地利用程度呈现“中部高、东西低”的特点,主要受到社会因子的影响,人口数量影响最大。

基于GEE平台的NDVI时空变化特征分析——以宁波杭州湾为例

为了明确宁波杭州湾植被长势的时空变化特征,针对传统的遥感影像信息提取速度缓慢、效率较低等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat遥感影像提取1990-2020年宁波杭州湾生长季归一化植被指数(NDVI)数据,采用一元线性回归对NDVI时空变化特征进行讨论。结果表明:①近30年来,宁波杭州湾地表植被覆盖面积变化较小,占比维持在85%左右,但中高植被覆盖(0.6<NDVI<0.8)比例降幅达67%,主要转化为低覆盖(0.2<NDVI<0.4)和中覆盖(0.4<NDVI<0.6)。2015年以来,保护区和沿海滩涂高植被覆盖(0.8<NDVI<1)比例有所增加;②NDVI空间分布差异明显,由陆及海,中高植被覆盖呈现先减后增的变化趋势,沿海滩涂分布有部分高植被覆盖,主要是互花米草群落,其分布受人类围垦活动影响较大。综上,研究区内NDVI时空变化受人类开发活动、人为生态修复和海岸带自我恢复能力的共同影响,可作为一种重要定量因子为海岸带环境承载力分析、生态修复评价提供基础数据。

基于GEE云平台和Sentinel-2时序数据的土地利用分类研究——以南宁市为例

以南宁市为研究区域,基于GEE云平台调用2020年65景Sentinel-2 MSI时序数据,分别采用随机森林(Random Forest,RF)和支持向量机(Support Vector Machine,SVM)分类算法进行土地利用分类研究。结果表明:(1)RF分类的总体精度和Kappa系数分别为85.59%和0.82,高于SVM分类的72.57%和0.66,且RF分类结果与实际统计数据更加贴合。(2)利用RF分类结果进行土地利用现状分析,南宁市林地所占面积比例最大,主要分布在中部及东西部的高海拔地区;其次为耕地和园地,相间分布于南宁市大部分区域;建设用地主要集中分布在南宁市主城区;水域以南部的邕江和大王滩水库为主;未利用地占比较小,在研究区范围内零散分布。

基于GEE的阿拉善左旗植被时空变化特征及驱动因子分析

利用MODIS归一化植被指数产品(MOD13A1)和ERA5气象数据,基于GEE云平台以内蒙古阿拉善左旗为研究对象,研究该地区2000-2020年生长季植被覆盖度的时空变化特征,并结合降水、气温和地形数据研究气象要素、人类活动和地形条件对植被覆盖变化的驱动性。结果表明:(1)阿拉善左旗的植被覆盖主要集中在西北部,20 a间生长季植被覆盖度整体呈下降趋势,但在2012-2016有明显上升趋势。(2)降水和气温对阿拉善左旗的植被覆盖影响不明显,但降水影响程度略高于气温,而人类活动则明显有助于阿拉善左旗植被的改善。(3)阿拉善左旗植被覆盖度在不同海拔高度上呈现明显差异,海拔越高植被覆盖度越大,有必要针对不同海拔高度制定相应的改善措施。