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Google Earth Engine的前郭县春季农田覆膜提取

本文基于Google Earth Engine(GEE)云平台,综合考虑光学影像的波段反射率、光谱指数特征和雷达影像的极化、纹理特征,分别构建仅使用光学特征、仅使用雷达特征以及光学和雷达特征组合3种特征输入组合;根据精度确定最佳输入特征后,分别结合机器学习中的分类与回归树、支持向量机、最小距离分类法、梯度提升树和随机森林5种方法建立覆膜提取模型,依据结果精度评估不同方法的性能,并基于最优化模型提取出最终的覆膜农田面积。结果表明:①最佳输入特征为波段反射率特征+光谱指数特征+极化特征+纹理特征;②采用随机森林方法建立的模型精度最高,研究区I的总体精度达到了95.84%,Kappa系数为0.95,地物错分率为1.2%,明显优于其他4种方法(地物错分率较分类与回归树、支持向量机、最小距离和梯度提升树法降低0.8%、7.3%、38.0%和0.3%),研究区II的验证精度达到了87.84%,证明该模型在覆膜提取中可以取得更加准确的结果;③使用本文方法得到2022年研究区I覆膜农田面积为1302.48 km2,估算地膜使用量约为7585.62 t。本文综合考虑光学和雷达影像在地物识别中的特点建立模型,可以准确、高效的识别农田地膜,掌握地膜面积,对环境治理与防治具有重要意义。

基于Google Earth Engine和Sentinel-2数据的耕地分类研究

【目的】采用遥感影像对不同种类农作物耕地进行高效精准的分类,以期获取最优的农作物种植信息提取方案,为农业生产提质增效提供决策支持。【方法】以陕西省宝鸡市扶风县为研究区,利用Google Earth Engine(GEE)平台,基于2020年10月至2021年12月的Sentinel-2影像和目视解译与野外定位相结合选取的样本点,使用随机森林(random forest,RF)算法,结合归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)、物候参数特征、遥感影像红边波段,且将根据NDVI计算出的物候参数的波段记为N,根据EVI计算出的物候参数的波段记为E,引入红边波段记为1,未引入红边波段记为2,在此基础上构建了8种不同的分类模型(NDVI-N1、EVI-E1、N1、E1、NDVI-N2、EVI-E2、N2、E2),并与4种样本分割比例(训练样本数与检验样本数的比例分别为5∶5,6∶4,7∶3和8∶2)组合,共计32种分类方案,利用这些方案对扶风县的不同种类农作物耕地进行分类,并计算了不同分类方案的总体精度和Kappa系数。【结果】(1)经S-G滤波法处理后,6种地物类型的NDVI和EVI时序曲线噪声减小且更为平滑,且NDVI和EVI曲线差异明显。(2)在32种分类方案中,只有样本分割比例为7∶3时的EVI-E1模型、EVI-E2模型和样本分割比例为6∶4时E2模型的总体精度高于90%,说明在扶风地区用EVI分类效果更好一些。(3)在样本分割比例为7∶3的情况下,EVI-E1模型的总体精度和Kappa系数均最高,分别为91.66%和89.41%,为最优分类方案。但是在该方案中引入红边波段后,其总体精度下降了1.18%,Kappa系数下降了1.53%,可知运用该分类方案时应剔除红边波段。(4)运用最优分类方案对小麦地、玉米地、土豆地的提取结果与实际调查情况大致相同。【结论】基于GEE平台和Sentinel-2数据实现了对县域级农作物种植面积的精确分类,可为扶风县农业生产提供决策支持。

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。

Ecological environmental quality evaluation and driving factor analysis of the Lijiang River Basin,based on Google Earth Engine

For regional ecological management,it is important to evaluate the quality of ecosystems and analyze the underlying causes of ecological changes.Using the Google Earth Engine(GEE)platform,the remote sensing ecological index(RSEI)was calculated for the Lijiang River Basin in Guangxi Zhuang Autonomous Region for 1991,2001,2011,and 2021.Spatial autocorrelation analysis was employed to investigate spatiotemporal variations in the ecological environmental quality of the Lijiang River Basin.Furthermore,geographic detectors were used to quantitatively analyze influencing factors and their interaction effects on ecological environmental quality.The results verified that:1)From 1991 to 2021,the ecological environmental quality of the Lijiang River Basin demonstrated significant improvement.The area with good and excellent ecological environmental quality in proportion increased by 19.69%(3406.57 km^(2)),while the area with fair and poor ecological environmental quality in proportion decreased by 10.76%(1860.36 km^(2)).2)Spatially,the ecological environmental quality of the Lijiang River Basin exhibited a pattern of low quality in the central region and high quality in the periphery.Specifically,poor ecological environmental quality characterized the Guilin urban area,Pingle County,and Lingchuan County.3)From 1991 to 2021,a significant positive spatial correlation was observed in ecological environmental quality of the Lijiang River Basin.Areas with high-high agglomeration were predominantly forests and grasslands,indicating good ecological environmental quality,whereas areas with low-low agglomeration were dominated by cultivated land and construction land,indicating poor ecological environmental quality.4)Annual average precipitation and temperature exerted the most significant influence on the ecological environmental quality of the basin,and their interactions with other factors had the great influence.This study aimed to enhance understanding of the evolution of the ecological environment in the Lijiang River Basin of Guangxi Zhuang Autonomous Region and provide scientific guidance for decision-making and management related to ecology in the region.

Scale dependence of forest fragmentation and its climate sensitivity in a semi-arid mountain:Comparing Landsat,Sentinel and Google Earth data

Landscape fragmentation is generally viewed as an indicator of environmental stresses or risks,but the fragmentation intensity assessment also depends on the scale of data and the definition of spatial unit.This study aimed to explore the scale-dependence of forest fragmentation intensity along a moisture gradient in Yinshan Mountain of North China,and to estimate environmental sensitivity of forest fragmentation in this semi-arid landscape.We developed an automatic classification algorithm using simple linear iterative clustering(SLIC)and Gaussian mixture model(GMM),and extracted tree canopy patches from Google Earth images(GEI),with an accuracy of 89.2%in the study area.Then we convert the tree canopy patches to forest category according to definition of forest that tree density greater than 10%,and compared it with forest categories from global land use datasets,FROM-GLC10 and GlobeLand30,with spatial resolutions of 10 m and 30 m,respectively.We found that the FROM-GLC10 and GlobeLand30 datasets underestimated the forest area in Yinshan Mountain by 16.88%and 21.06%,respectively;and the ratio of open forest(OF,10%<tree coverage<40%)to closed forest(CF,tree coverage>40%)areas in the underestimated part was 2:1.The underestimations concentrated in warmer and drier areas occupied mostly by large coverage of OFs with severely fragmented canopies.Fragmentation intensity of canopies positively correlated with spring temperature while negatively correlated with summer precipitation and terrain slope.When summer precipitation was less than 300 mm or spring temperature higher than 4℃,canopy fragmentation intensity rose drastically,while the forest area percentage kept stable.Our study suggested that the spatial configuration,e.g.,sparseness,is more sensitive to drought stress than area percentage.This highlights the importance of data resolution and proper fragmentation measurements for forest patterns and environmental interpretation,which is the base of reliable ecosystem predictions with regard to the future climate scenarios.

1990—2020年帕米尔高原无表碛覆盖冰川变化态势研究——基于Google Earth Engine平台

帕米尔高原是亚洲高山区最大的冰川作用中心,其冰川融水在区域水资源与水循环中发挥关键作用。然而,近年来对帕米尔高原冰川变化的认识仍存在争议,一方面认为喀喇昆仑-帕米尔高原冰川存在异常前进现象,另一方面认为帕米尔冰川正在加剧退缩。究其原因,一是研究时空范围不重合,二是研究中对冰川的定义有所不同。为明晰帕米尔高原无表碛覆盖冰川近30年来的时空变化情况,本研究基于Google Earth Engine(GEE)平台,利用Landsat 5 TM和Landsat 8 OLI遥感影像数据,消除掉云层遮蔽、季节性积雪和冰川表碛覆盖对无表碛覆盖冰川面积的影响,获取了帕米尔高原1990—2020年期间无表碛覆盖冰川时空变化特征。结果显示,在过去30年帕米尔高原无表碛覆盖冰川面积以116.42 km^(2)·a^(-1)的速率由(12 108.98±250.38) km^(2)缩减到(8 616.44±7.72) km^(2)。在空间上,帕米尔高原西部无表碛覆盖冰川面积总体上呈退缩趋势,而帕米尔东部无表碛覆盖冰川面积则相对稳定。特别是在2000—2010年期间,帕米尔东部无表碛覆盖冰川面积存在异常增加现象,但自2010年,冰川面积退缩加速,冰川末端前进现象已不存在。结合气候及冰川高程变化分析,冰川跃动引起的冰川厚度减薄、冰川末端前进,是1990—2010年间帕米尔高原冰川异常前进的主要原因。

基于ArcGIS与Google Earth的1∶10000比例尺地形图制作方法

针对1∶10 000比例尺地形图成图效率低的问题,提出利用Google Earth与ArcGIS相结合的方法制作1∶10 000比例尺地形图。研究了Google Earth与ArcGIS制作地形图的流程及方法,并分析了存在的误差以及测图精度。以宿州学院为例进行了1∶10 000比例尺地形图的制作。研究表明,使用Google Earth获取免费高精度的卫星影像,并通过ArcGIS配准、矢量化、生成等高线等步骤制作1∶10 000比例尺地形图的方法,完全可以达到精度要求,与传统的大比例尺测图方法相比降低了生产成本,同时大幅度提高了制图效率。地形图的矢量化要按照点到线到面的层次从整体到局部、从粗到细操作。不同图层用不同颜色并在图上标注。研究结果为1∶10 000比例尺地形图的制作提供了一种更为高效的方法。

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 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 Earth Engine和CA-Markov模型的永宁县生态环境质量时空分析及预测

遥感生态指数(RSEI)在评估区域生态环境时发挥着重要作用,但目前生态环境评价主要集中在对历史影像的分析上,缺乏对未来生态环境状况的预测及评估。基于Google Earth Engine平台,选取2005—2020年共4期Landsat影像,计算了绿度、湿度、干度和热度4项指标,并通过主成分分析法构建了RSEI模型,对影像进行了时空分析。此外,采用CA-Markov模型预测了2025年的RSEI影像。结果表明:2005—2020年永宁县RSEI年均增长速率为0.0047/a,生态环境持续改善;永宁县生态环境质量在空间上呈现“东强西弱”的格局;永宁县中、东部生态环境质量变化较为剧烈,而西部生态环境质量较为稳定;相比于2020年,预测2025年永宁县生态环境等级为优和良的面积将分别增加4.12%和1.41%,等级为差的面积将减少6.03%,生态环境质量将向好发展。CA-Markov模型能够为未来生态环境预测及决策提供依据。

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%。

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。

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)。

Google Earth在《综合自然地理学》教学中的应用

党的“二十大”报告提出加快新时代高等教育创新改革与发展的新要求,这使地理科学专业课程改革面临更多的机遇和挑战。在现代高校课程教学中,利用信息技术使数字化教育与高校课程深度融合的教学方式已成为大势所趋。作为地理科学专业开设的一门基础理论课程,综合自然地理学具有综合性、整体性、交叉性等特点。目前该学科的教学方法和手段仍滞后于新形势下所提出的发展要求,存在着教学资源不足、教学互动困难和教学内容抽象等问题。Google Earth作为一款具有空间、时间尺度的现代化的地理信息软件,以直观性强、交互性高为特点,将其融入综合自然地理教学中可弥补该课程传统教学手段的不足。本文以不同尺度的地域分异规律教学为例,尝试将Google Earth软件应用在综合自然地理学课程教学中,以期为综合自然地理学的课程教学改革提供新思路。