基于Google Earth Engine的八门湾红树林年际变化监测

该文基于Google Earth Engine(GEE)云平台,选择Landsat系列卫星数据,采用支持向量机(support vector machines,SVM)分类方法对八门湾地区进行地物类型分类,并基于分类结果监测该地区红树林年际变化。结果表明:红树林与陆地树木之间除红外波段外反射光谱曲线极其相似,利用红外波段特征指数并结合地形数据可进行有效区分,分类结果总体精度达到0.91;研究区红树林存在先减少后增加的变化趋势,在2009—2013年减少,2014—2016年基本保持不变,2017—2021年缓慢增加,红树林增加和坑塘减少时期是在“南红北柳”政策颁布之后,说明退塘还林政策成效显著;红树林主要是和坑塘相互变化转移,说明毁林造塘和退塘还林是影响该地区红树林变化的重要因素。红树林年际变化监测结果可以精细化分析红树林演变过程,并能精确量化红树林与其他土地类型的转化过程,从而在经济、政策上分析红树林演变因素,更有效地保护红树林。

基于Google earth engine渭-库绿洲果园遥感提取

针对干旱区果园大面积遥感提取困难、识别精度低等问题,本研究基于GEE(Google earth engine)平台,综合应用Sentinel-1/Sentinel-2影像构建特征集。通过对比原始特征组合、Jeffries-Matusita(J-M)距离、属性重要度3种优化方式,结合随机森林(Random forest,RF)分类方法,对比得到最佳优化方式,探索果园最优分类特征集。结果表明:识别效果最好的方案为G17 JM,总体精度为91.25%,kappa系数为0.89,面积精度为82.55%。最优特征集为B8_asm、B8_ent、B8_idm、NDVI re3、B6、B7、a、e、b、EVI、B11、B8A、B8、VV。使用J-M距离进行特征集优化,有效降低数据量、提高计算效率,更有利于精确遥感识别果园种植面积。表明GEE快速、准确获取果园种植面积的可行性,为获取果园动态变化提供强有力的基础。

基于GoogleEarthEngine的黄土高原植被覆盖度时空变化特征分析

[目的]探究黄土高原植被覆盖度变化的时空特征,揭示植被对气候因子变化的时滞效应,进而为地区生态保护与高质量发展提供数据支撑。[方法]基于2001年至2020年的黄土高原地区NDVI数据、气温和降水数据,利用像元二分法、一元线性回归和时滞偏相关分析等方法,开展地区植被与气候因子变化关系的研究。[结果]过去20年间,黄土高原植被覆盖度以0.076/10 a的速率增加,在空间上主要呈现极显著增加,但占总面积38.29%的区域植被覆盖变化波动较大。黄土高原月植被覆盖度与气温和降水呈现显著正相关关系,其中降水是影响植被变化的主要因素。植被对降水的响应滞后时间主要集中在3个月,而气温的滞后时间在空间上存在较大差异,东南部植被主要滞后0至1个月,而西北部植被主要滞后2至3个月。[结论]黄土高原植被变化主要受降水影响,20年间植被恢复情况良好,但变化波动较大,未来应继续生态保护工作进行巩固。

基于Google Earth Engine的洱海流域建成区范围及生态质量变化分析

以洱海流域为研究区,借助Google Earth Engine云平台,利用Landsat 8 OLI系列影像,合成研究区域的增强的指数型建筑指数(EIBI)并对洱海流域建成区进行提取,再对研究区域遥感生态指数进行合成,通过对建成区范围与流域范围内遥感生态指数进行空间相关分析,从而对2014—2021年洱海流域及其建成区进行生态评估。结果表明,EIBI可有效增强建筑信息,使用EIBI可有效、准确地提取研究区域建成区,经过EIBI提取,洱海流域2014—2021年建成区扩张面积共14.712 km2;2014—2021年洱海流域生态明显改善,遥感生态指数增加0.008,其上升速率为0.001/年,流域内超过65%的区域生态得到改善;洱海流域建成区与生态未得到改善区域大致匹配,建成区经过生态修复后生态质量未见显著提升,且建成区生态质量呈逐年下降趋势,说明建成区对环境改善具有阻力。

基于Google Earth Engine遥感大数据云平台的盐城盐沼植被精细分类研究

江苏省自1982年开始引种互花米草以来,滨海盐沼植被景观格局发生了巨大变化,芦苇和互花米草面积不断增长,挤占了碱蓬生态位,破坏了生态系统平衡。滨海盐沼湿地是三大蓝碳生态系统之一,具有高固碳和缓解温室效应的生态功能。利用遥感云平台手段监测滨海盐沼植被时空动态变化规律,可为滨海盐沼湿地生态系统保护以及修复提供科学支撑。本文选取植被类型丰富的江苏沿海地区为研究区,基于Google Earth Engine(GEE)平台,选取2000-2020年的Landsat 5、Landsat 7、Landsat 8以及Sentinel-2影像,提出了一种湿地植被提取方法。首先,构建盐城盐沼湿地地表覆盖分类体系,选取样本点,计算特征指数,进行地物分类;然后,利用时间谐波分析法对盐沼植被归一化植被指数(NDVI)变化特征进行分析,确定三类盐沼植被的物候差异;最后,基于物候特征,利用随机森林(Random Forest,RF)分类法提取盐城滨海湿地盐沼植被地表覆盖信息。结果表明:(1)相较传统监测方法,本文所构建的滨海盐沼植被精细化提取方法能够对滨海盐沼植被进行有效细分和监测;(2)2000-2020年,芦苇和互花米草面积呈扩张趋势,碱蓬面积不断缩减;(3)盐城三种典型盐沼植被NDVI值呈现不同变化特征;(4)降水对盐沼植被生长的影响较为显著,气温对盐沼植被生长的直接影响较小。研究结果可为盐城盐沼湿地自然遗产保护以及湿地生态可持续发展提供科学支撑。

基于Google Earth Engine的黄土高原植被变化对蒸散发分量影响研究

本文选取黄土高原为研究区,基于GEE(Google Earth Engine)平台,应用PML_V2(2002―2017年)和NDVI(1990―2020年)数据集,利用线性回归、Mann-Kendall非参数检验,对黄土高原长时间尺度植被变化影响下的蒸散发分量变化过程进行定量分析。结果表明:①1990―2020年黄土高原植被呈显著增加趋势(P<0.05),植被变化总体以基本不变(31.2%)和轻微改善(59.4%)趋势为主,空间上由东南向西北逐渐减小;②2002―2017年黄土高原地区植被蒸腾、冠层截留蒸发呈显著上升趋势(P<0.05),土壤蒸发呈不显著下降趋势(P>0.05);③NDVI的增加导致了土壤蒸发的降低(P<0.05),增加了植被蒸腾和冠层截留蒸发(P<0.05)。本研究有助于更好地定量阐释植被生长过程和季节变化对蒸散发分量的影响,对进一步理解植被变化与流域生态水文过程的互馈关系具有重要参考价值。

基于GBDT和Google Earth Engine的冬小麦种植结构提取

针对中国农田存在种植景观破碎化和复杂的种植结构这一现状,如何实现目标作物的高精度识别与制图对作物产量估算、粮食政策调整和国家粮食安全保障具有十分重要意义。基于Google Earth Engine(GEE)遥感数据处理云平台,提出一种冬小麦不同生育期的种植结构提取方法,该方法以2021年覆盖目标作物关键生育期的多时相Sentinel-2影像为数据源,综合考虑光谱波段特征、光谱指数特征、纹理特征和地形特征等多维特征变量,利用GBDT(gradient boosting decision tree)分类器对不同生育期田块尺度的冬小麦种植面积和空间分布信息进行快速精准提取,并探讨了冬小麦识别的最佳生育期。此外,对比分析了常见的不同分类模型在田块尺度条件下的作物识别性能。以河南陈固镇为研究区开展实验,实验结果显示,冬小麦在起身拔节期的地物识别准确率相对较高,总体分类准确率为94.61%,Kappa系数为92.68%;在抽穗扬花期的识别精度最高,总体分类准确率为97.01%,Kappa系数为95.52%;但在灌浆乳熟期的分类精度偏低,总体分类准确率为86.23%,Kappa系数为81.33%。研究结果表明,在冬小麦抽穗扬花期,GBDT分类器能对田块尺度条件下的土地覆盖信息进行有效提取,进而取得较好的地物分类识别效果。此外,本研究将GBDT与传统分类器如随机森林(random forest,RF)、CART(classification and regression tree)和朴素贝叶斯(Naive Bayesian,NB)进行相比。结果表明,GBDT分类器的地物识别效果最佳,总体分类准确率比RF分类器和CART分类器分别提高了1.20%和5.99%,Kappa系数比RF分类器和CART分类器分别提高了1.61%和8.04%,朴素贝叶斯分类器的识别效果最差,总体分类准确率和Kappa系数分别为84.43%和78.69%。研究结果可为田块尺度作物精细提取提供有效的技术支持。

基于Google Earth和MapInfo的城市道路信息获取方法与实践

寻求一种满足一定精度要求,又能快速进行信息获取且成本相对较低的道路信息采集。本文探讨了一种基于Google Earth和GIS数字化软件的城市道路信息获取方案,以Google Earth中提供的免费高精度卫星影像作为信息源,利用MapInfo软件作为数字化环境进行坐标配准、道路数字化,然后进行道路信息输入、数据套合检查等工作。该方案不仅可以得到精确数字化道路网的几何位置数据,还可以得到路线等级、方向、路名等信息。实践结果表明,该方法能够满足道路网精度要求,同时具有速度快、成本低的特点,具有很好的应用前景。

Google Earth、Mapsource、Mapgis和奥维互动地图在矿区生态农业地质调查中的综合应用研究

Google Earth、mapsource、mapgis和奥维互动地图的综合应用在矿区生态农业地质工作中提高了工作效率和准确度,奥维互动地图手机端相当于掌上Google Earth,卫星地图,实时定位,减小野外地质人员工作误差,并可以为工作设计和成果解释提供参考依据,表达形式直观可靠。

基于Google Earth Engine的青藏高原土地沙化模拟与动态评估

青藏高原广布的高寒草原和高寒草甸,在气候变暖以及超载放牧等人类活动的影响下面临着沙化的风险,并且高寒干旱的气候条件使得高原草地生态系统极为脆弱,发生沙化后修复难度极大,对高原土地沙化时空动态评估极为必要。但目前针对大范围进行长时间快速沙化模拟监测的方法存在不足,通过对比实验构建了基于植被状况-地表反射率-土壤湿度(NDVI-Albedo-Wet)三维数据空间的沙化遥感模拟监测模型,利用Google Earth Engine遥感大数据对模型进行了代码实现,最终分析了青藏高原土地沙化时空格局的动态变化。结果揭示了青藏高原土地沙化总体缓解但问题依然存在的现象,具体体现在:(1)沙化总面积逐年减少,平均每年减少的面积达到55.13万hm2,但沙化模拟数据显示有大量的未沙化土地向轻度沙化转移。(2)沙化程度总体上趋于逆转状态,但部分区域土地沙化问题不断出现,主要分布于“一江两河”、唐古拉山南麓、柴达木盆地周边以及昌都地区,在三江源和川西甘南地区也有零星分布。

基于Google Earth Engine的巢湖流域生态环境质量时空动态变化及影响因素分析

本文以巢湖流域为研究区,基于2000—2020年Landsat TM/OLI系列遥感数据,通过Google Earth Engine云计算平台构建遥感生态指数(RSEI),采用空间自相关与地理探测器等方法对巢湖流域生态环境质量进行大尺度、长时序动态监测分析与评价。结果表明:①研究区RSEI均值由2000年的0.70提升至2020年的0.74,整体上呈现改善趋势,研究区生态环境等级以优、良为主。②研究区全局Moran’s I指数均大于0,巢湖流域生态环境质量在全局自相关上呈现聚类趋势,具有显著的空间正相关性,20年间“低-低”聚集区呈现先增加后减少趋势。③研究区生态环境受多因子影响,其中人为因素对2010年巢湖流域生态环境影响较大,进而导致生态环境质量下降。

基于Google Maps API & Google Earth的港航地理实训系统开发

文章探讨高职类港口与和航运管理类专业港航地理实训系统开发。采用Google Maps API接口技术以及B/S程序架构,将Google Earth高清卫星图、船舶航行GPS数据、船公司船期数据等按照岗位工作要求开发港航地理实训系统。设计出港口信息查询、船期运营、GPS航线监控、常用航线标注、港口卫星图识别等实训模块,拓展了港口航运业人才培养学习空间,实现数字化教学。

浅谈利用Google Earth结合MapGis软件制作地形图方法

利用Google Earth的三维模拟功能,通过不同海拔平面与地表的接触线来获得等高线,结合MapGis的编辑功能即可形成矢量化的地形图。经与实测地形图对比,两者山头、山谷、山脊、鞍部、高程及等高线形态基本相同,可做为野外工作及其它对地形图精度要求不高工作的参考资料。

基于Google Earth Engine 平台的大连市土地覆盖分类

受经济迅速发展、城市化进程加快的影响,我国沿海地区土地覆盖类型发生了较大变化,使用动态遥感影像可监测土地覆盖类型变化。以辽宁省大连市为例,通过Google Earth Engine平台,在线访问2000—2020年的Landsat系列影像,利用对水体和植被敏感的4种指数处理与决策树分类(Classification and Regression Tree,CART)方法,对研究区域的建设用地、林地、耕地、水体、滨海湿地进行分类测算。结果显示:2000—2020年,大连市建设用地面积增长率为119.81%,水体面积下降率为14.83%,林地面积下降率为24.37%,耕地面积增长率为18.57%,沿海滩涂湿地面积增长率为8.84%。

MapInfo数据在Google Earth表达的初步研究

利用Visual Basic作为可视化开发平台,MapX作为电子地图容器,将MapInfo格式的地理信息如点、线、多边形等转化为可被Google Earth表达的KML文件格式。将图元名称作为传递参数,在数据库检索与之相匹配的信息,并表达相应的查询结果。介绍数据转换及数据库通讯的部分代码,并以太湖为例,给出MapInfo数据在Google Earth表达结果。

基于Google Earth的高中地理教学设计——以“喀斯特地貌”为例

喀斯特地貌种类繁多,包含地表和地下两套系统,且分布较广泛,景观千姿百态,不同发育过程具有不同的景观。基于喀斯特地貌的特点,文章提出,可以将Google Earth融入喀斯特地貌的教学中,通过教学目标、教学思路的设定以及前期准备开展具体的教学活动,帮助学生理解喀斯特地貌,培养学生的地理核心素养。

基于Google Earth Engine的海东市生态环境质量动态监测

本文利用GEE平台通过主成分分析计算出海东市1991年~2021年近30年遥感生态指数(RESI),分析其与各指标因子的相关性,研究RSEI近30年的变化趋势和时空分布特征,最后探索RSEI与气象因素之间生态环境变化的气象驱动因素,并提供科学客观的决策指导信息和依据。结论:(1)绿度与湿度指标对于RSEI呈正相关,热度与干度指标呈负相关。(2)海东市生态环境质量从北到南逐渐降低,生态环境质量从1991年到2021年呈现上升趋势。(3)海东市生态环境质量整体上以一般偏较好为主,结合RSEI分级变化分析,从1991年~2021年,生态环境有明显变好的趋势,生态环境质量为良好及以上等级的面积大幅度增加,占总面积的一半以上。(4)通过Sen+Mann-Kendall变化趋势分析,海东地区RSEI增加和明显增加的区域集中在北部和中部地区,无明显变化的主要区域为平安—乐都—民和一线周边以及互助西北部,减小和明显减小的区域为平安—乐都—民和一线,由于城市建设,对生态质量影响较大。总体上看,海东地区遥感生态指数增加。建议加大城市绿化建设,加大生态环境质量较差地区的生态治理。

基于Google Earth Engine平台的青藏高原冰川变化研究——以普若岗日冰原为例

基于Google Earth Engine(GEE)云计算平台,以青藏高原中部的普若岗日冰原为例,探讨了快速批量处理遥感数据并获取冰川面积变化的方法。结果表明,利用GEE平台结合像元级影像合成和最小归一化积雪指数(Normalized Difference Snow Index,NDSI),可快速获取年度合成影像,提取冰川边界。通过对1988—2020年共512景遥感影像合成计算,获得了1988—2020年普若岗日冰川面积变化特征,分析发现:33 a间冰川面积减小了31.08 km^(2),年均退缩率为0.23%/a,冰川面积退缩主要发生在冰川末端,部分末端在20 a间退缩了1506 m。相对于冰川的实地观测或传统遥感监测法,本方法提高了影像利用率和数据处理效率,可快速实现冰川面积变化长时序分析,为现代冰川变化研究提供了新途径。

Google Earth、Geomap间坐标转换与标注方法在姬塬油田的应用

Google Earth提供的三维视图、高清卫星照片以及距离测量、面积计算等功能弥补了传统纸质地形图的不足。将Google Earth标出的具备施工条件的井场坐标导入Geomap,达到合理部署井场的目的。利用Global Mapper等软件将GoogleEarth导出的KML文件转换为高斯投影坐标导入Geomap,同样也可将高斯坐标转换为KML文件,实现坐标在两款软件中的批量转换和标注。

多空间分辨率Google Earth影像和Canny边界算法的雅丹地貌边界提取

雅丹形态特征能反映雅丹地貌的发育过程和演化阶段,对研究雅丹地貌至关重要,但目前关于雅丹地貌边界提取的高精度、低成本方法很少。本文首先采用Canny边界算法,将高空间分辨率Google Earth影像(1.19 m)重采样为一系列不同空间分辨率(3、5、8、10、12、15 m)的影像;然后针对不同空间分辨率的影像提取不同大小的雅丹地貌边界;最后将不同结果合并,取得了良好的效果。结果表明:①尽管无法识别阴影,但Canny边界提取方法的总体精度为89.23%,Kappa系数为0.72,这一结果与面向对象方法的中等分割尺度(138)取得的精度结果相近;②使用Canny边界提取算法提取雅丹地貌边界中位数宽度,与影像空间分辨率呈很好的线性关系(R^(2)=0.95),随着空间分辨率的降低,Canny边界算法提取的雅丹地貌边界总长度呈明显的对数递减(R^(2)=0.904)。