土地利用变化对吴江市水田土壤有机碳储量的影响分析

 农业表层土壤碳库容易受人为强烈干扰,而又可以在较短的时间尺度上进行调节,当今我国经济发达地区土地利用变化必然会对土壤固碳产生重要影响。本研究以江苏省吴江市水稻土为例,利用新一代中分辨率成像光谱仪(MODIS)和TM/ETM影像提取了1984年稻田面积,以及这部分稻田在2000-2005年的土地利用变化状况。研究中以最大似然法对TM/ETM、MODIS影像应用归一化植被指数(NDVI)、增强型植被指数(EVI)和陆地水分指数(LSWI)掩膜的方法作了识别提取;同时,结合第二次全国土壤普查、2003年耕地地力调查点和吴江市农林局土肥指导站长期定位点的土壤有机碳数据估算了1984年和2000-2005年土壤碳库变化情况。结果表明:近20多年来尽管吴江市水稻土水耕熟化过程中有机碳总体呈增加的趋势,但由于大量稻田被非农用地所取代,导致土壤固碳能力大幅度下降,尤其从2001年开始从"碳汇"变成"碳源"。因此,在我国经济发达区应密切关注耕地转换成非农用地而导致的土壤有机碳的损失。     

基于ArcGIS和DEM模型的耕地利用格局分析

基于DEM模型和GIS平台,运用景观生态学基本原理,探究黄土高原小流域不同地形条件下的耕地利用格局以及农户经营行为特征,为促进区域农业的可持续发展奠定基础。结果表明：（1）流域内91.64%的耕地集中于〈1300 m高程范围内,90.61%的耕地分布于〈15°的宜耕区;（2）在〈1200 m高程范围内,〈15°的宜耕区内,耕地类型多样,斑块数最多,内部的斑块组合最复杂;在1200~1300 m高程范围内,15~25°坡度区内斑块的连通性好;〉1300 m高程范围内,〉25°坡度地带内,斑块间的干扰性小,景观的破碎化程度也略高;（3）耕地利用的破碎化现状,深刻影响着农户水保行为、种植行为及兼业行为,使得农户经营行为差异化、区域化明显。因此,流域应加强土地综合整治力度,调整农业经营模式,为耕地资源的高效集约利用及农业规模化经营创造条件。     

基于相关分析和自适应遗传算法的盐渍化建模变量和参数优选

机器学习结合遥感等其他数据反演土壤盐分含量（Soil Salt Content, SSC）较少关注对模型精度影响较大的建模特征变量和模型参数的优选。本文基于自适应遗传算法（Adaptive Genetic Algorithm, AGA）同步优选建模特征变量和模型参数的支持向量回归（Support Vector Regression, SVR）算法反演三工河流域2016年SSC,并分析其在不同土地利用类型的分布特征。建模特征变量和模型参数的同步优选及实验设计如下：首先基于Landsat 8 OLI和SRTM高程数据提取7类共40个盐渍化相关因子,经相关分析初步筛选出候选特征变量,分别代入AGA、遗传算法（Genetic Algorithm, GA）和格网搜索算法（Grid Search, GS）同步优选SVR的建模特征变量和模型参数,并建立盐渍化监测模型（AGA-SVR、GA-SVR、GS-SVR）。结果表明：① AGA-SVR精度最优,GA-SVR次之,GS-SVR最差,相较于GS-SVR,AGA-SVR的R²/RMSE提高了44.65%;② 三工河流域非、轻度、中度、重度盐渍地和盐土的面积占比分别为42.83%、11.02%、15.88%、9.22%、21.05%;③ 草地和未利用地主要以非盐渍地和盐土为主,耕地和林地中非盐渍地分布比例均为最大;不同土地利用类型的SSC均值和标准差均呈现未利用地>草地>耕地>林地的规律。本研究的建模特征变量和模型参数的优选方法可在一定程度上提高盐渍化监测的精度。关键词：盐渍化;遗传算法;机器学习;特征优选;参数优化;土壤盐分含量;土地利用;相关分析     

典型喀斯特白云岩小流域土壤-表层岩溶带厚度空间异质性特征

土壤-表层岩溶带厚度是喀斯特地球关键带的关键指标,明确其空间异质性特征对于理解地球关键带结构演化机理以及评估水源涵养功能具有重要意义。在广西环江木连小流域1.4 km²范围内,通过高密度电法(ERT)探测45条样线,共获取1 731个样点的土壤-表层岩溶带厚度及环境因子数据资料,研究了土壤和表层岩溶带厚度的空间分布格局及其影响因素。结果表明,土壤和表层岩溶带厚度平均值分别为1.15 m和6.44 m,且分别呈现强变异程度和中等变异程度。地统计分析结果表明球状模型和指数模型分别可以反映土壤和表层岩溶带的空间结构特征。土壤厚度呈现中等空间自相关性,变程长,空间连续性好;而表层岩溶带呈现强烈的空间自相关性,变程短,空间依赖性强。土壤厚度受到环境因子(地形湿度指数、垂直曲率、曲率、坡向、坡度、高程、覆盖度、出露基岩率和植被归一化指数)的多重影响,而表层岩溶带厚度受部分环境因子影响的同时,与土壤厚度和植被类型的相关性更高。研究结果有助于喀斯特区土壤-表层岩溶带演化机理认识,并为土壤-表层岩溶带厚度的空间预测提供科学依据。     

同化叶面积指数和蒸散发双变量的冬小麦产量估测方法

同化遥感信息到作物生长过程模拟模型,是估测区域作物产量的重要方法之一。同化变量的选取对同化结果精度至关重要。本文在标定WOFOST作物模型参数的基础上,优化了WOFOST模型的默认灌溉参数。利用ET和LAI作为同化变量,分别构建了时间序列趋势信息的代价函数和四维变分代价函数;采用SCE-UA算法最小化代价函数, 重新初始化WOFOST模型初始参数——作物初始干物质重、作物35 ℃生命期和灌溉量。最后利用MODIS LAI产品（MCD15A3）、MODIS ET产品（MOD16A2）,同化到作物模型估测产量,并对比分析了水分胁迫模式下同化单变量（ET或LAI）和同化双变量（ET和LAI）的估产精度。结果表明：同化双变量ET和LAI的策略,优于同化单变量LAI或ET,双变量策略的冬小麦产量估测精度为R²=0.432,RMSE=721 kg/hm²;单独同化高精度LAI对提高估产精度具有重要作用,其冬小麦产量估测精度为R²=0.408,RMSE=925 kg/hm²;单独同化ET的趋势信息改善了WOFOST模型模拟水分平衡的参数,但是,产量估测精度（R²=0.013,RMSE=1134 kg/hm²）与模型模拟估测产量精度（R²=0.006,RMSE=1210 kg/hm²）相比改善效果有限。本研究为其他区域的遥感数据与作物模型的双变量数据同化的作物产量估测研究提供了参考价值。     

顾及数据配准的江西省SRTM DEM精度评价和修正

目前,ICESat/GLAS是大尺度SRTM DEM精度评价的主要数据源。然而,现有的精度评价方法均忽略了2组数据的有效配准。为此,本文分析了数据配准前、后SRTM DEM整体精度差异,以及不同地形因子和土地利用类型对SRTM DEM影响程度。在此基础上,充分考虑SRTM DEM精度影响因素,分别借助多元线性回归（MLR）、后向传播神经网络（BPNN）、广义回归神经网络（GRNN）以及随机森林（RF）对SRTM DEM修正。结果分析表明：配准前,ICESat/GLAS与SRTM DEM沿x、y方向的平均水平位移分别为-17.588 m、-29.343 m,高程方向系统偏差为-2.107 m;配准后,SRTM DEM的系统误差基本消除,而且中误差降低了14.4%。配准前,坡向与SRTM DEM误差呈正弦函数关系,配准后这种关系基本消失。SRTM DEM误差均随地形起伏度、坡度、高程的增加呈增大趋势; 6种土地利用类型中,SRTM DEM在林地误差最大,未利用土地误差最小。对配准后SRTM DEM修正表明,RF效果最优,其中误差分别比MLR、BPNN、GRNN降低了3.1%、2.7%、11.3%。     

阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用

地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km ²,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。     

基于随机森林的黄土地貌分类研究

地貌分类在指导人类建设活动的规模与布局中有着重要的意义。然而,传统的基于数字高程模型(DEM)的地貌分类方法使用的地形因子和考虑到的地貌特征往往比较单一。本文提出了一种基于流域单元的地貌分类方法,该方法考虑了流域单元的多方面特征,包括基本地形因子统计量、地形特征点线统计量、小流域特征和纹理特征。本研究首先基于DEM进行水文分析将研究区域划分成不同的小流域。然后利用数字地形分析提取29个不同方面的特征来表征流域的形态,并基于随机森林(RF)算法进行了特征选择和参数标定。RF是一种基于决策树算法的集成分类器,能有效地处理高维数据,分类精度高。最后选择训练集小流域对RF分类器进行训练,使用训练完成的分类器对整个研究区域的地貌进行分类,研究地貌分异的规律。该实验在我国陕北黄土高原典型黄土地貌区域的地貌分类中取得了较好的结果,结果表明不同的地貌之间存在明显的区域界线,特定的地貌类型在空间上表现出明显的聚集性。通过人工判读进行验证的分类精度达到了85%,Kappa系数为0.83。     

基于机器学习的高精度高分辨率气象因子时空估计

气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R²平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R²:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。     

确定性系数与随机森林模型在云南芒市滑坡易发性评价中的应用

编制科学的滑坡易发性分区图,可以有效降低灾害带来的损失。以云南省芒市为研究区,利用确定性系数模型（certainty factor,简称CF）方法计算各个因子的敏感值,作为随机森林（random forests,简称RF）的分类数据,选取合适的训练数据和最优化的模型参数进行模型预测,从而对研究区进行滑坡易发性评价分区。采用频率比方法将连续性因子离散化,从而通过确定性系数计算因子不同区间的滑坡易发性,同时利用CF先验模型,对研究区负样本进行选取。通过计算袋外误差得到最优化的RF参数,随后利用RF模型对研究区模型进行训练及预测。绘制ROC曲线和三维遥感影像对预测模型结果分别进行定量和定性评价,结果表明,所得到的模型精度为91%,优于随机抽样得到的结果。最后,采用平均基尼不纯度减少和平均准确度下降两种计算方法计算、评价了研究区各个因子的重要性。基于以上对研究区进行的滑坡易发性评价结果,可以为该区灾害风险评估和管理提供依据。      

Key variables explaining soil organic carbon content variations in croplands and non-croplands in Chinese provinces

Soil organic carbon (SOC) plays an important role in global carbon cycles.Large spatial variations in SOC contents result in uncertain estimates of the SOC pool and its changes.In the present study,the key variables explaining the SOC contents of croplands (CPs) and non-croplands (NCPs) in Chinese provinces were investigated.Data on SOC and other soil properties (obtained from the Second National Soil Survey conducted in the late 1970s to the early 1990s),climate parameters,as well as the proportion of the CP to the total land area (Pcp) were used.SOC content variations within a province were larger than those among provinces.Soil clay and total phosphorus content,ratio of annual precipitation to mean temperature,as well as Pcp were able to explain 75% of the SOC content variations in whole soil samples.Soil pH,mean temperature during the growing season from May to October,and mean annual wind velocity were able to explain 63% of the SOC content variations in NCP soils.Compared with NCP soils,CP soils had lower SOC contents,with smaller variations within and among provinces and lower C/N ratios.Stepwise regression showed that the soil clay content was a unique factor significantly correlated with the SOC content of CP soils.However,this factor only explained 24% of the variations.This result suggested that variables related to human activities had greater effects on SOC content variations in CP soils than soil properties and climate parameters.Based on SOC contents directly averaged from soil samples and estimated by regression equations,the total SOC pool in the topsoil (0-20 cm) of China was estimated at 60.02 Pg and 57.6 Pg.Thousands of years of intensive cultivation in China resulted in CP topsoil SOC loss of 4.34-4.98 Pg.     

Influence of climate on soil organic carbon in Chinese paddy soils

Soil organic carbon (SOC) is a major component of the global carbon cycle and has a potentially large impact on the greenhouse effect. Paddy soils are important agricultural soils worldwide, especially in Asia. Thus, a better understanding of the relationship between SOC of paddy soils and climate variables is crucial to a robust understanding of the potential effect of climate change on the global carbon cycle. A soil profile data set (n = 1490) from the Second National Soil Survey of China conducted from 1979 to 1994 was used to explore the relationships of SOC density with mean annual temperature (MAT) and mean annual precipitation (MAP) in six soil regions and eight paddy soil subgroups. Results showed that SOC density of paddy soils was negatively correlated with MAT and positively correlated with MAP (P < 0.01). The relationships of SOC density with MAT and MAP were weak and varied among the six soil regions and eight paddy soil subgroups. A preliminary assessment of the response of SOC in Chinese paddy soils to climate indicated that climate could lead to a 13% SOC loss from paddy soils. Compared to other soil regions, paddy soils in Northern China will potentially more sensitive to climate change over the next several decades. Paddy soils in Middle and Lower Yangtze River Basin could be a potential carbon sink. Reducing the climate impact on paddy soil SOC will mitigate the positive feedback loop between SOC release and global climate change.     

应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。     

2000-2013年三江源植被NDVI变化趋势及影响因素分析

基于2000-2013年三江源MODIS NDVI数据,本文系统地分析了三江源植被生长季累计NDVI的时空变化特征,并结合三江源生态保护与建设工程实施的相关统计数据,探讨了人类活动对三江源植被变化的影响,最后通过气候因子与生长季累计NDVI的相关性分析,揭示了影响三江源不同地区植被变化的主要气候限制因素。结果表明,2000-2013年三江源植被NDVI整体上呈增加趋势,NDVI明显增加的区域面积比例达17.84%,主要分布于研究区的西部和北部;明显减少的区域仅占0.78%,多零星分布于研究区中部;NDVI变化稳定或没有显著变化趋势的区域面积比例为59.64%,主要位于研究区东部和南部。三江源生态保护与建设工程的实施虽然促进了植被恢复,但对区域植被整体变化的影响有限,研究时段内区域植被整体好转主要受气候因素控制。西部长江源区的植被生长主要受气温影响,东北部黄河源区主要受降水制约,南部澜沧江源区降水和气温的限制性均不明显。     

新疆NDVI时空特征及气候变化影响研究

基于新疆50个气象测站2003-2010年逐日降水、气温资料,结合逐月归一化植被覆盖影像资料,利用趋势分析、R/S分析、模糊C均值聚类、图像处理等方法,系统分析了全疆NDVI时空变化特征及其可持续性,并探究NDVI与气候因子（气温、降水）之间的相关性。研究表明：植被覆盖及气象因子年际间差异不大,呈现出整体稳定的态势,但年内变化明显。北疆/天山北坡水热条件优良、植被长势最好,且植被长势对气候因子的滞后效应并不明显且滞后时间短。天山南坡/天山东段次之,而南疆植被覆盖程度最差,南疆/天山南坡植被长势对气候因子（降水、气温）存在明显的滞后效应,植被生长受气温、降水限制性更大,且气温作为主要因子,对天山南坡植被生长的限制作用表现得更为突出。总体上,新疆植被覆盖呈持续性变化,现有植被覆盖情况基本保持不变,但呈退化趋势的面积大于得到改善的面积,在一定程度上与人类活动有很大关系,探查植被长势的变化趋势并及时做出相应调整,不仅能为新疆地区的植被保护以及植被恢复工作提供一定的科学依据,更能够为合理有效地安排农作物生产提供重要的理论指导。     

随机森林算法在全球干旱评估中的应用

干旱是发生频率最高,造成社会、经济损失和生态破坏最严重、最广泛的自然灾害之一,因此对干旱进行可靠、有效的评估十分重要。本文以月平均降水、月平均温度、月最高温度、月最低温度、土壤湿度、蒸散发、NDVI、叶绿素荧光等作为解释变量,以基于SPI的干旱等级作为目标变量,采用随机森林算法,以2007—2012年的数据作为训练数据,以2013—2014年的数据作为预测数据,对全球11个气候区分别建立干旱等级评估模型。研究结论如下：SPI的时间尺度影响模型精度,在基于SPI1、SPI3、SPI6和SPI12划分的干旱等级的评估模型中,以基于SPI1的干旱等级为目标变量的模型的预测精度（60%~75%）较高,且模型能够捕捉到EM-DAT旱灾记录次数的90.91%、月份的78.47%,表明该模型对实际干旱事件具有良好的评估性能;干旱等级划分标准对模型的预测性能影响较小,可根据需求选择标准I（干旱/非干旱）或标准Ⅱ（重旱/非重旱）进行干旱评估;解释变量的相对重要性与SPI的时间尺度和气候差异等因素有关。降水对基于SPI1的干旱等级的重要性最大,随着SPI时间尺度的增加,降水的重要性逐渐减小,温度、土壤湿度、NDVI和ET的重要性逐渐增大。降水以外的其他变量在不同气候区的重要性不同。在热带气候区、亚寒带气候区和苔原气候区,温度或蒸散发的影响较大;在干燥气候区,土壤湿度的影响较大;在温带气候区,仍以降水的相对重要性最大;在湿润大陆性气候区,植被对干旱的影响较大。     

融合多源遥感数据的黑河中游地区生长季早期作物识别

在生长季早期获取作物的种植情况,对于农业水资源管理,尤其是缺水地区的水量分配等具有重大的意义。本文利用改进型时空自适应融合模型（ESTARFM）,将作物生长早期3—6月的Sentinel 2影像与MOD09GQ数据计算得到的NDVI数据进行融合,建立NDVI时间序列,并利用随机森林分类方法对2019年黑河流域中游地区作物种植结构进行早期识别。利用3-6月Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列,作物分类精度达到91.42%,kappa系数为0.85,相比仅使用Sentinel-2 NDVI时间序列的作物分类精度提高1.05%,kappa系数提高0.02。与使用整个作物生长期（3—10月）Sentinel-2 NDVI时间序列的作物分类结果相比,精度仅低1.53%,kappa系数仅低0.03。利用Gini系数对利用Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列进行特征重要性评估,发现Gini系数得分高于平均值的10期NDVI影像中,有6期为时空融合影像,说明时空融合获取的NDVI数据利于提高分类精度的有效性。对比使用不同长度NDVI时间序列对作物种植结构进行早期识别的精度发现,最早可在4月中旬与4月下旬分别实现对苜蓿和玉米的早期识别;玉米的分类精度受NDVI时间序列长度的影响较大,可在5月下旬实现对玉米的早期识别。     

Spatio-temporal distribution of vegetation index and its influencing factors——a case study of the Jiaozhou Bay,China

The coastal zone is an area characterized by intense interaction between land and sea, high sensitivity to regional environmental changes, and concentrated human activities. Little research has investigated vegetation cover changes in coastal zones resulting from climate change and land-use change, with a lack of knowledge about the driving mechanism. Normalized diff erence vegetation index(NDVI) can be used as an indicator for change of the coastal environment. In this study, we analyzed the interannual changes and spatial distribution of NDVI in the coastal zone around Jiaozhou Bay in Qingdao, a coastal city undergoing rapid urbanization in northeast China. The underlying causes of NDVI variations were discussed in the context of climate change and land-use change. Results showed that the spatio-temporal distribution of NDVI displayed high spatial variability in the study area and showed a typical trend of gradually increasing from coastal to inland regions. The significant increase area of NDVI was mainly found in newly added construction land, extending along the coastline towards the inland. Land vegetation cover demonstrated a certain response relationship to sea-land climate change and land-based activities. The impact of land-based human activities was slightly greater than that of sea-land climate change for land vegetation cover. The results indicate that promoting ecological policies can build an ecological security framework of vegetation suitable for the resource characteristics of coastal cities. The framework will buf fer the negative ef fects of sea-land climate change and land-based human activities on vegetation cover and thereby achieve the balance of regional development and ecological benefits in the coastal zone.     

青藏高原月NDVI时空动态变化及其对气候变化的 响应

青藏高原脆弱的高寒植被对外界干扰十分敏感,使其成为研究植被对气候变化响应的理想区域之一。青藏高原气候变化剧烈,在较短的合成时间研究气候变化对植被的影响十分必要。因此,本文利用GIMMS NDVI时间序列数据集,研究了1982-2012年青藏高原生长季月尺度植被生长的时空动态变化,探讨了其与气温、降水量和日照时数等气候因子的响应关系。结果表明：在区域尺度上,除8月外,其他各月份植被均呈增加趋势,显著增加多发生在4-7月和9月;大部分月份的NDVI增加速率随着时段的延长显著减小,表明NDVI增加趋势放缓;在像元尺度上,月NDVI显著变化的区域多呈增加趋势,但显著减少范围的扩张多快于显著增加。4月和7月植被生长主要是受气温和日照时数共同作用,6月和9月受气温的控制,而8月则主要受降水量的影响。长时间序列NDVI数据集的出现为采用嵌套时段研究植被生长变化趋势奠定了前提,而植被活动变化趋势的持续性则有助于形象表征植被活动变化过程、深入理解植被对气候变化的响应和预测植被未来生长变化趋势。由此推测,青藏高原月NDVI未来增加趋势总体上趋于缓和,但在像元尺度显著变化的区域趋于增加。     

农业土地利用遥感信息提取的研究进展与展望

农业用地占到全球土地面积近一半,农业土地利用（包括耕地及作物分布、种植制度、土地管理等）变化直接影响到粮食安全、水安全、生态安全和气候变化。遥感已经成为土地利用信息获取的重要手段,近年来中分辨率遥感卫星如Landsat、Sentinel以及中国高分卫星等的免费开放为国内外农业土地利用信息提取提供了前所未有的机遇,取得了一系列重要研究进展。本文从耕地分布、作物类型识别、农业种植制度以及农业土地管理4个角度分析了土地利用信息提取的最新研究进展。结果发现：① 耕地分布产品已经由过去的粗分辨率提升到10~30 m,耕地现状数据较为丰富,但挖掘遥感数据实现耕地变化历史回溯的能力有待加强;② 作物分类方面多采用地面调查数据和卫星遥感（Landsat和Sentinel-2为主）相结合的方式进行,在北美和欧洲得到了业务化运行,但对作物种植面积早期监测的能力有待加强;③ 基于遥感的农业种植制度信息获取（如撂荒）研究多集中在东欧等地区,在中国由于经济和政策因素导致的撂荒、轮作、休耕等现象也十分普遍,但具有针对性的遥感监测研究目前还相对缺乏;④ 农业土地管理措施信息提取方面,区域灌溉面积产品取得了重要进展,但数据的可靠性和准确性仍有待提高。在此基础上,我们结合遥感大数据、深度学习算法、云计算平台的发展对未来农业土地利用信息提取研究进行了展望：① 融合多源数据形成更高维度空间、光谱和时间信息的遥感大数据,提升特征提取和数据挖掘能力;② 机器学习和深度学习算法等智能化方法与基于地理学和物候信息的专家知识方法的耦合;③ 遥感云计算和大数据挖掘等前沿遥感和计算技术的应用。