京津风沙源区NPP时空变化及其对治理工程实施的响应

利用遥感大数据对生态治理工程区域的净初级生产力和固碳能力进行长期动态监测可以实现对治理工程的实施效果的评价,同时为区域“碳中和”目标的实现及可持续发展提供有力支撑。利用Google Earth Engine(GEE)云计算平台,基于改进的CASA模型对京津风沙源治理工程区域的NPP进行计算。运用Sen斜率分析和MK趋势分析方法对2001—2020年间的NPP进行时空变化分析,并分析NPP对京津风沙源治理工程实施的响应。结果表明:1)在京津风沙源工程治理期间,京津风沙源区NPP总体呈波动上升趋势,平均增速为2.21 gC m^(-2)a^(-1),其中极显著增加区域占38.03%,说明京津风沙源治理工程对我国“碳中和”任务起到了积极作用,增加了区域的固碳能力;2)空间尺度上,京津风沙源区NPP和固碳量空间异质性较大,空间分布上主要呈现东部高,西部低的特点,其中,暖温带落叶阔叶林区域最高,温带荒漠区域最低;3)治理工程的实施所带来的NPP增长的速度在不同的区域并不一致,2001—2020年的NPP增速京津冀地区(4.74 gC m^(-2)a^(-1))>山西地区(4.52 gC m^(-2)a^(-1))>陕西地区(3.53 gC m^(-2)a^(-1))>内蒙古地区(1.55 gC m^(-2)a^(-1));4)生态工程实施所带来的生态环境的改善总体呈现先慢后快的特点,绝大部分区域后十年间的变化速率都显著大于前十年,而在生态环境较为恶劣、荒漠区域广布的内蒙古地区,生态环境的改善则具有一定的滞后性,2001—2010年NPP增速仅为0.04 gC m^(-2)a^(-1),直到2011年,NPP才开始有较为明显的增长,2011—2020年NPP增速为1.67 gC m^(-2)a^(-1)。风沙源治理工程需要长期坚持,才能取得更明显的成效。

基于变化更新的中东欧国家森林覆盖制图

[目的]分析中东欧国家森林资源覆盖状况,了解中东欧各国林业的现实情形和独特优势,为中国与中东欧国家加强林业合作提供基础数据。[方法]基于Google Earth Engine(GEE)平台获取中东欧国家2020年生长季无云影像,利用随机森林算法对影像进行分类,应用连续变化检测和分类算法得到森林变化信息并更新初步分类结果,最终获得中东欧国家土地覆盖分类结果。利用欧盟统计局土地利用/覆盖区域框架调查(LUCAS)数据、目视解译数据以及联合国粮农组织统计数据(FAOSTAT)对本研究分类结果进行验证和评估,结合谷歌高分辨率影像对制图结果进行分析。[结果]本研究分类结果利用LUCAS数据和目视解译数据的森林类型用户精度分别为0.930和0.911,生产者精度分别为0.860和0.956,总体精度分别为0.810和0.881,整体上优于GlobeLand30 2020产品(森林类型用户精度分别为0.920和0.900,生产者精度分别为0.690和0.840,总体精度分别为0.700和0.832)。根据研究结果计算出中东欧国家总体森林覆盖率为39.6%,相比GlobeLand30 2020结果(34.4%),与FAOSTAT的森林覆盖率(40.0%)更接近。目视上看,本制图结果在细节刻画上比GlobeLand30 2020产品更丰富,更能准确反映森林分布特征。截至2020年,中东欧国家森林覆盖呈北部、东南地区和西南地区丰富密集,中部分布广泛且相对较少的特点,爱沙尼亚、拉脱维亚、斯洛文尼亚、黑山等国家森林分布茂密,波兰、匈牙利等国家森林分布较为稀少。[结论]针对中东欧国家森林覆盖应用需求,本研究提出基于产品变化更新的森林覆盖制图方法,生产了中东欧国家2020年森林覆盖产品。本研究方法可为大区域森林覆盖制图提供新的借鉴和参考,结果有助于宏观了解中东欧国家森林覆盖状况。

基于Sentinel-5P的长三角大气NO_(2)污染特征及影响因子分析

基于哨兵-5P(Sentinel-5 Precursor,Sentinel-5P)卫星反演的NO_(2)柱浓度数据,利用Google Earth Engine云平台,结合自然因子和人为社会因子数据,分析长三角地区大气NO_(2)柱浓度的污染特征及影响因素。结果显示:(1)Sentinel-5P卫星反演的NO_(2)柱浓度数据与地面观测站NO_(2)质量浓度具有较好的相关性(r≥0.59,p<0.01),可较为准确地反映长三角地区大气NO_(2)污染状况;(2)长三角的大气NO_(2)柱浓度呈现季节性的周期波动,呈“冬高夏低”变化趋势;(3)大气NO_(2)柱浓度具有显著的空间异质性,整体上东北高,西南低,呈现出一条六安至台州,即“西北—东南”方向的NO_(2)柱浓度分界线,以及一个以环太湖城市群为中心的西南向“U形口”;(4)植被指数、高程、全社会用电量、第二产业产值、第三产业产值是长三角大气NO_(2)柱浓度空间分布的重要影响因子,区域大气NO_(2)柱浓度受因子交互作用显著,高程及植被指数与其他因子的交互作用q均在0.6以上。

中国西南山地城市生态环境质量长时序变化及其评价——以重庆市为例

为研究中国西南地区山地城市的生态环境质量,选择以重庆市为例,利用遥感技术和Google Earth Engine(GEE)平台,构建遥感生态指数(RSEI,remote sensing ecological index),评价重庆市2000年~2021年的生态环境质量及其长时序变化。为探讨山地城市生态环境质量的主要影响因素,选取海拔、坡度、气温和降水四个影响因子,得到RSEI的海拔依赖性与坡度依赖性以及RSEI与气候因子的响应关系。结果表明:①遥感生态指数RSEI总体呈上升趋势,生态质量为“优”的面积增加了130.27%,生态质量为“差”的面积减少了65.68%,生态环境有明显的改善;②从RSEI随海拔、坡度变化曲线可以看出,0 m~1800 m范围内RSEI缓慢增加,1800 m~2800 m范围内开始减小,RSEI随坡度增加而增长,坡度>40°之后RSEI趋于平稳;③从RSEI与气候因子的响应曲线可以看出,温度和RSEI呈负相关,温度越高,RSEI越低;随着降水的增加,RSEI指数逐渐上升。研究表明,使用GEE平台可以对多云雾、植被覆盖度高的西南山地城市的生态环境质量进行长时序的监测和评价。研究结果可为中国西南地区山地城市的生态环境保护提供精细化管理,从而根据区域特色进行环境治理,实现生态环境与经济的协调发展。

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】(1)使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;(3)地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可以作为光谱特征的有效辅助特征变量提高分类精度,使林分类型识别更为准确,尤其是时间序列特征在提高林分类型识别精度上有突出作用。

基于GEE的Landsat-8与Sentinel-2影像在棉花种植提取中差异性分析及提取方法对比研究

棉花作为南疆地区重要的经济作物之一,在经济工作中起着至关重要的作用。及时、准确地获取棉花种植面积,对农业政策和经济发展具有重要意义。为了实现这一目标,需要综合分析不同方法和遥感数据对最终棉花种植面积制图精度的影响。本研究以新疆阿克苏地区棉花种植区为例,借助Google Earth Engine云平台,采用随机森林法(RF)、支持向量机法(SVM)、最小距离分类法(MDC)等3种机器学习方法,利用2类中分辨率影像提取棉花种植信息,充分评估使用的档案数据和官方统计数字。结果表明,采用Sentinel-2方法和RF获得了最优棉花图,随机森林法分类器的总体精度、Kappa系数和用户精度分别高达97.4%、96.7%和91.1%,分别比Landsat-8图像和RF模型的结果高出7.3百分点、0.081、2.8百分点。与官方统计数据相比,采用RF、SVM、MDC对Sentinel-2和Landsat-8图像的棉花种植面积估算图的精度分别为98.4%、95.8%、79.6%和90.3%、83.7%、72.5%。很明显,Sentinel-2和RF模型的组合与官方数据的一致性最高。对比分析结果表明,Landsat-8和Sentinel-2数据可用于大范围复杂种植结构的棉花高精度测绘。本研究结果有望为棉花大面积鉴别提供一定的理论指导和实践指导。

基于GeoSOS-FLUS模型的桂林市耕地变化趋势

为探讨桂林市耕地时空变化格局、促进土地资源合理配置,本文基于Google Earth Engine(GEE)云平台,以多时相的Landsat遥感影像为数据源,综合比较5种分类方法在桂林市土地利用分类中的适用性;分析了桂林市2000—2020年土地利用变化,尤其是耕地时空变化格局;并利用GeoSOS-FLUS模型模拟预测在自然发展、耕地保护和生态控制等不同情景下,2030年桂林市耕地时空变化趋势。结果表明:①随机森林算法对桂林市土地利用类型提取的总体精度及Kappa系数均最高;②2000—2020年耕地面积逐年减少,其中2010—2015年流失情况最为严重,耕地主要表现为与建设用地和林地的相互转化,退耕还林、旅游业快速发展及建设用地扩张等是影响耕地时空变化格局的关键因素;③自然发展情景下,耕地面积将继续大幅减少,建设用地扩张和耕地减少将对生态环境产生一定影响。耕地保护和生态控制情景中,耕地面积将有所上升,其减少趋势有所缓解,对维护桂林市粮食安全、旅游业持续发展及生态系统的稳定性具有重要意义。

基于GEE的苹果园地遥感信息提取研究——以陕西省渭北旱塬区为例

准确掌握苹果园空间分布及动态变化对苹果产业发展及规划具有重要意义。以陕西主要种植区———渭北旱塬区14个县(区)为研究区,基于Google Earth Engine(GEE)云计算平台,以2020年Sentinel-2卫星影像的Level-2A级数据为数据源,结合实地采样获得的461个苹果园样本点,构建包含光谱特征、遥感植被指数、纹理特征和地形特征等共计21个特征作为分类特征集,利用随机森林分类方法对研究区苹果园地空间信息进行提取。结果表明,研究区苹果种植面积为23.03万hm^(2),连片种植的苹果园主要分布于延安市洛川县、渭南市白水县、咸阳市淳化县和咸阳市彬州市,种植面积分别为3.54、3.21、2.90万hm^(2)和2.51万hm^(2);包含光谱特征、遥感植被指数、纹理特征和地形特征的分类特征集在提取苹果园空间格局方面效果最优,苹果园地提取的总体精度和Kappa系数分别为94%和0.86,高于其他分类特征组合。研究成果可为未来陕西省苹果产业合理规划及果园精细化管理提供科学依据和数据支撑。

2001-2022年吐哈地区生境质量时空演变及影响因素分析

[目的]吐哈地区(吐鲁番市和哈密市)是我国丝绸之路经济带的核心,在经济高质量发展过程中,旨在平衡当地生态环境与可持续发展。[方法]本文基于Google Earth Engine云平台利用MODIS遥感影像计算热度、绿度、干度、湿度,并通过主成分分析法构建遥感生态指数(Remote sensing ecological index, RSEI),采用Sen+Mann Kendall、Hurst指数、C_V和地理探测器,分析2001-2022年吐哈地区生态环境质量时空变化情况及未来趋势,并探究其影响机制。[结果](1) 2001-2022年吐哈地区生态环境质量呈改善趋势。(2) RSEI变化趋势以不显著改善为主,占总面积的71.79%,生态系统较为稳定,但北部山区和市县建成区周边的生态系统脆弱;RSEI未来变化趋势以持续改善为主,面积占比为54.02%。(3)过去22年间,草地面积增加最大,且整体绿化水平上升。(4)热度是生态环境质量空间分异的主要因素,且当热度与高程和绿度交互作用时,对生态环境质量的影响更加显著。[结论]由于绿化水平的提升,吐哈地区生态环境质量总体处于良好水平且呈上升趋势;该地生境质量在空间上具有明显的差异性,其中热度对吐哈地区生态环境的影响最大。该研究可为吐哈地区生态环境保护提供科学依据。

广西石漠化与城镇化耦合协调的时空异质性

石漠化是西南喀斯特地区的典型生态环境问题。如何正确认识石漠化与城镇化的耦合关系,是制订石漠化治理政策和指导城镇可持续发展的必要条件。基于Google Earth Engine调用Landsat影像构建石漠化程度评价模型并计算综合石漠化指数。利用熵值法与线性加权法计算综合城镇化指数,借助耦合协调度模型探究2000—2020年石漠化与城镇化耦合协调度演化的时空特征。结果表明:1)石漠化程度呈下降趋势,但区域差异明显,重度和极重度石漠化集中分布在中部和西南部地区。城镇化水平快速发展,东部地区的城镇化水平高于西部地区;2)石漠化与城镇化的耦合协调度不断提高,从2000年的“不协调发展,城镇化滞后”逐步过渡到2020年的“转型发展,石漠化滞后”;3)城镇化水平提升越快的县(区),其石漠化治理效果越明显,相应的耦合协调度越高。研究结果可为当地政府制订可持续发展的城镇化方案、更好地处理城镇化与生态环境保护的关系提供参考。

滇池蓝藻水华时空变化特征及环境影响因素

[目的]明晰滇池流域水体富营养化演变特征和水体综合治理状况及其主要驱动因素,为滇池流域水污染治理和水生态修复提供科学支撑。[方法]以滇池为研究对象,采用Google Earth Engine(GEE)和遥感监测分析2002—2021年期间滇池蓝藻水华的时空变化,并探讨了蓝藻水华与环境因子之间的关系。[结果]2002—2021年,滇池蓝藻水华面积变化具有显著的年际特征,在2006年、2013年和2016年出现峰值,分别为1.952×10^(7),2.010×10^(7),1.743×10^(7) m^(2);在2005年、2010年和2014年出现谷值,分别为1.243×10^(7),1.156×10^(7),1.163×10^(7) m^(2)。2016年后蓝藻水华面积稳定波动,整体无明显变化趋势,2021年面积为1.709×10^(7) m^(2)。在月份尺度,蓝藻水华主要发生在7—12月,8月达到峰值,11—2月持续降低,2月达谷值。蓝藻水华与气温、降水量之间呈现正相关关系,与风向呈现显著负相关关系(p<0.05),与风向呈现最为密切的显著相关关系(p<0.05),受滇池地形等因素影响,4种气象因子中风向因子重要性最高,偏东的风向对滇池蓝藻水华覆盖率具有显著促进作用。[结论]滇池蓝藻整体保持稳定波动无显著演变趋势,未来滇池水生态修复应深入考量风向、风速对蓝藻爆发的重要驱动作用。

福建省2000–2020年10 m分辨率茶园空间分布数据集

福建省作为中国的产茶大省,快速准确地获取茶园的空间分布对于福建省的农业经济发展以及生态环境建设具有重大的决策意义。本研究在GEE云平台调用与处理Sentinel-1(S1)雷达数据和Sentinel-2(S2)多光谱数据,结合地形数据从中提取光谱特征、纹理特征、地形特征等98个特征,利用递归消除支持向量机算法(SVM_RFE)对特征变量进行筛选,共设计4种特征组合方案,通过支持向量机分类器(SVM)进行茶园提取,并分别对4种分类方案进行精度评价,获得了福建省2020年10 m分辨率茶园空间分布数据。在此基础上,利用GEE云平台获取福建省2000–2020年植被干扰信息,以2020年茶园提取结果掩膜剔除2000–2015年影像中非茶园区域,得到2000–2020年每隔5年的福建省10 m分辨率茶园空间分布数据集。本数据集利用样本点对重点产茶县市进行人工验证,结果表明:2020年茶园提取精度在92%以上,利用干扰数据剔除法获得的2000年、2005年、2010年、2015年茶园提取精度均在80%以上。提取茶园精度较高,可为有关部门进行茶园管理提供支持。

基于GEE的多源数据耕地自动提取研究

为更好地保护耕地资源实现中国式现代化的重要粮食安全局面,提升耕地资源提取精度、自动化程度是必不可少的。针对目前使用单一遥感数据进行耕地提取时存在的不足,本文以淮南市为例,基于Google Earth Engine(GEE)平台,获取Sentinel-1和Sentinel-2图像并进行预处理利用Sentinel-1的VV、VH波段以及Sentinel-2的NDVI、NDWI、BSI等指数。加入研究区的高程、坡度和坡向信息后,使用支持向量机(SVM)和随机森林(RF)分类算法对影像进行土地利用类型分类,通过开运算的形态学处理提取耕地并做精度分析。结果表明:与仅使用单一光谱数据相比,引入SAR数据和高程数据后,SVM算法和RF算法的总体精度(OA)分别提高了0.06和0.16,其中RF算法精度更高,总体精度达到了0.89。此外,形态学处理可以消除一些非耕地的细小图斑,进一步提高了耕地提取精度,总体精度达到了0.93,Kappa系数达到了0.90。

全球红树林时空变化及演变趋势

红树林是全球重要的生态系统,了解红树林的时空变化特征及演变趋势对开展红树林的保护、恢复及可持续管理具有重要意义。基于谷歌地球工程(Google Earth Engine,GEE)云平台,利用全球红树林分布数据和陆地卫星(Landsat)系列光学影像特征指数数据,结合Theil-Sen中值趋势分析、Mann-Kendall检验、Hurst指数等方法,分析了全球红树林的时空分布特征、时空演变趋势及其可持续特征。结果表明:1990—2020年全球红树林面积呈先下降后上升趋势,总面积减少52174.18km^(2),年平均流失率达1.2%,红树林面积减少最多的地区为东南亚,其次为澳大利亚和新西兰、南美洲和东南非洲;红树林呈退化趋势变化的面积(81.44%)明显多于改善区域的面积(17.43%),其中澳大利亚和新西兰的退化趋势最为明显;2015—2020年全球红树林变化趋势有所改善,有73.85%的区域在未来是可持续的,持续改善区域面积(38.58%)大于持续退化区域面积(33.06%),且改善区域的可持续性明显高于不可持续性,表明2020年之后全球红树林整体上呈改善趋势变化。全球红树林时空变化特征和演变模式,可为生物多样性保护、沿海经济发展、生态环境的可持续改善提供重要支撑,对评估联合国2030可持续发展目标实现的状况具有重要影响。

三种蒸散发产品在北半球的验证与比较

蒸散发(Evapotranspiration,ET)是水循环的关键环节,在全球水循环和地表能量平衡中扮演着重要角色,对气候、生态系统和水资源管理等方面都有重要影响。因此,蒸散发数据的质量对全球水资源的精确管理至关重要。在北半球进行3种ET产品的精度验证和时空对比,选择更适用于北半球的ET产品,为加强遥感与地面观测相结合的研究提供建议。利用FluxNet2015通量站点月平均实测数据验证3种ET产品,结果发现PML_V2产品在北半球精度最高,其次是GLDAS,最后是MOD16A2,相关系数R分别是0.66、0.57、0.56;均方根误差RMSE分别是2.46、5.68、12.42 mm/月;平均偏差Bias分别是14.36%、16.86%、35.02%。其中GLDAS ET产品具备日尺度ET监测能力,日平均估计值与通量塔站点测量值的一致性较高,相关系数R为0.74,RMSE和Bias分别为1.62 mm/d和27.90%。总体来说,在时间尺度上,3种ET产品均可模拟出北半球季节变化的特征,即夏季蒸散发量较大,冬季蒸散发量较小。夏季3种ET产品在不同土地覆盖类型上均存在高估现象,其他季节的模拟结果与地面观测值的结果一致性较好,其中MOD16A2表现较差,ET值高估现象最为明显。此外,2001-2020年期间非干旱地区,3种ET产品在多数地区空间分布较为一致,相关系数R大于0.6。研究通过评估不同ET产品的不确定性和产品质量,可为在北半球开展蒸散发研究选取适用的ET数据源提供科学建议。

基于GEE多源遥感数据的干旱区植被地物类型提取

诺木洪地区是青海省重要的枸杞种植基地,针对主要植被类型进行准确和快速提取对于种植业的可持续发展具有关键意义。然而,诺木洪地区所属的干旱区具有稀疏的植被覆盖和土壤背景影响显著的特点,仅使用少数遥感源或部分特征无法满足干旱区植被提取的要求。因此,整合多种遥感数据源,挖掘植被分类显著特征,并尝试不同的分类优化方法,在提高干旱区植被分类精度和可靠性方面具有重要意义。本研究基于谷歌地球引擎(Google Earth Engine,GEE)平台,使用Sentinel-1合成孔径雷达(Synthetic Aperture Radar,SAR)数据、Sentinel-2光学数据,探讨了红边光谱、纹理以及雷达特征对干旱区植被类型提取的重要性,验证了利用基尼指数(Gini Index,Gini)寻找最优特征组合的可行性,结合支持向量机算法对2021年青海诺木洪地区地物类型进行提取,并对最终的分类结果优化处理。研究表明:(1)Sentinel-2红边指数、纹理信息和Sentinel-1雷达波段有利于植被信息提取,分类总体精度和Kappa系数分别达到了95.51%和0.9406;(2)根据Gini指数得到特征重要性,将分类特征由29个压缩至17个,且表明雷达极化特征、光谱特征和纹理特征对于分类的重要性依此递减;(3)使用简单非迭代聚类算法以及邻域滤波投票决策融合方法,不仅最优总体精度和Kappa系数达到了96.06%和0.9479,且针对孤点类型的噪声也有较好的抑制效果。本研究利用GEE遥感云平台和多源遥感数据以及机器学习算法,能够准确、快速、高效地提取大尺度范围干旱区地物信息,具有较大的应用潜力。

1990—2020年黄土高原典型县域植被覆盖变化及影响因素

为探究吉县近30 a植被动态演变规律及其影响因素,本研究基于Landsat影像,结合气象、土地利用、夜间灯光等数据,采用趋势分析、偏相关分析、随机森林、残差分析等方法探究吉县植被覆盖度时空变化特征及气候和人为因素对植被变化的影响。结果显示:(1)1990—2020年研究区植被覆盖度(FVC)整体呈显著上升趋势,FVC年均增长速率约为0.49%,植被质量明显改善。(2)吉县FVC具有明显的“低值-高值”交错分布的空间特征。1990—2020年FVC显著增加区占51%,FVC显著减少区占7%。(3)气候因素对部分FVC高值区和建筑区植被生长起抑制作用,对其余地区植被覆盖起促进作用。将人类活动作为全域影响因素考虑时气候和人类活动对植被动态的贡献率分别为53.43%、46.57%,将其作为局域变量时相对贡献率减少至13.07%。人类活动在特定地区如吉县中部和东部是植被退化的重要影响因素,西侧和南部的植被恢复也与之相关。研究结果可为区域生态修复工作进一步开展提供科学依据。

基于多特征组合优选与随机森林算法的石漠化信息提取——以云南省昭通市为例

石漠化是我国西南地区最主要的地质生态灾害之一,其引发的土地资源丧失、生态系统退化、干旱缺水等问题严重威胁着地区的生态安全、粮食安全和不发生规模性返贫。因此精确提取石漠化信息对区域经济社会持续发展至关重要。针对当前石漠化信息提取中存在的时相单一、时效性差、区域尺度提取结果精度低等问题,以云南省昭通市为例,提出一种多特征组合优选的分类方法。在优选样本和特征的基础上,利用Sentinel-2影像和DEM数据提取光谱、指数、植被覆盖度、基岩裸露率、纹理、地形等多特征,构建5种分类方案,并采用随机森林分类算法完成提取。结果表明:2020年昭通市石漠化土地面积为2820 km2,占全市土地利用/覆被面积的11.11%,分类结果与实地调查区域一致性较好;利用Jeffries-Matusita distance(JM距离)得到的特征优选方案总体精度为88.0%,Kappa系数为0.85,石漠化土地生产者精度和用户精度分别达到91.2%和83.8%。本研究提出的方法能够较为准确地获取区域尺度石漠化空间分布信息,可为相关部门开展石漠化防治与监测工作提供参考。

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。