基于GEE的曲靖石漠化时空演变过程分析

以云南曲靖为研究区,基于Google Earth Engine平台的Landsat遥感数据,采用均值合成图像法构建高时空分辨率数据集,提取石漠化斑块信息,分析石漠化时空演变过程。结果表明:借助GEE平台及其图像处理方法,能有效降低数据下载量和运算量,减少季相变化对石漠化斑块信息提取的影响,提高了数据的可比性。曲靖地区石漠化空间分布呈北高南低,西重东轻的水平分布格局;同时,坡度在15°以下的地区,坡度与石漠化发生面积、演变幅度呈正相关;坡度大于15°的地区,坡度与石漠化发生面积、演变幅度呈负相关的垂直分布规律。曲靖2000—2020年石漠化演变过程可划分为不稳定、明显改善、严重恶化、持续改善和稳定改善5个阶段。21年间,石漠化发生面积共减少3390.42 km^(2)(占国土面积的11.73%),平均每年减少161.45 km^(2)(占国土面积的0.56%),生态环境质量得到一定改善。

5种植被指数识别青藏高原季节牧场比较研究

季节牧场(冷季牧场和暖季牧场)面积是载畜量计算的重要指标,对于草畜平衡季节动态管理具有重要指导意义。本研究基于Landsat 8影像构建5种对植被扰动敏感的植被指数(NBR、CSI、NBR2、NDMI和NDVI),通过5种植被指数对青藏高原地区两类最主要的高寒草地(高寒草甸和高寒草原)的季节牧场可利用面积进行识别,并通过区分度(M)和分类精度定量评价各指数识别季节牧场的能力。结果表明:1)受到放牧家畜的啃食和践踏等干扰,在暖季放牧末期,冷季牧场和暖季牧场光谱差异明显;2)5种植被指数均能很好地区分高寒草地的季节牧场,M值均高于2.38,总体精度均高于87.33%;3)基于近红外(NIR)和短波红外(SWIR2)波段构建的NBR指数对高寒草甸和高寒草原的季节牧场分类效果最好,总体精度均高于93.33%,Kappa系数均大于0.83。

云南香格里拉地区森林优势树种决策融合分类

基于Google Earth Engine(GEE)云计算平台,协同Sentinel-2影像、WordClim生物气候数据、SRTM地形数据、森林资源二类调查数据等数据,以随机森林(Random Forest,RF),支持向量机(Support Vector Machine,SVM)和最大熵(Maximum Entropy,MaxEnt)3种机器学习算法为组件分类器,开展多源特征、多分类器决策融合的优势树种分类研究。通过3种组件分类器分别构建了两种串行集成和3种贝叶斯并行集成模型,用于确定云南香格里拉地区10种主要优势树种的空间分布。分类结果显示:3个组件分类器的总体精度均低于67.17%;3种并行集成方法总体精度相当,约为72%;两种串行集成方法精度高于78.48%,其中MaxEnt-SVM串行集成方法获得最佳精度(OA:80.66%,Kappa:0.78),与组件分类器相比精度至少提高了13.49%。研究表明:决策融合方法在优势树种分类中比组件分类器精度更高,并且有效改善了小样本树种的分类精度,可用于大范围山区优势树种分类。