基于Google Earth的1∶50000地质地理底图更新

数字地理底图是地质环境调查不可缺少的组成部分,但现有数据大多现势性较差,如何更新值得探讨。文中提出利用Google Earth进行地理底图更新的方法,并介绍了更新的步骤和精度,该方法简单快捷、可操作性较强,具有一定的实用价值。     

截拼谷歌地球影像图

介绍从"谷歌地球"上截取并拼接正射影像图的方法及注意事项。     

MapSource与GoogleEarth在测量中的整合应用

GPS和航空影像在现代测量中已成为一种不可或缺的技术手段,如何能更好地利用现有的我们能掌控的技术资源,让它为我们的测量服务呢?在这里我根据以往的工作经验及对GPS手持机处理软件MapSource和Google Earth的使用情况,初步探讨这两种软件的整合及给我们测量工作带来的益处,尚需说明的是本文只是想起到一个抛砖引玉的作用,希望能给大家带来一点有益的思考.     

Agricultural cropland extent and areas of South Asia derived using Landsat satellite 30-m time-series big-data using random forest machine learning algorithms on the Google Earth Engine cloud

ABSTRACT

The South Asia (India, Pakistan, Bangladesh, Nepal, Sri Lanka and Bhutan) has a staggering 900 million people (~43% of the population) who face food insecurity or severe food insecurity as per United Nations, Food and Agriculture Organization’s (FAO) the Food Insecurity Experience Scale (FIES). The existing coarse-resolution (≥250-m) cropland maps lack precision in geo-location of individual farms and have low map accuracies. This also results in uncertainties in cropland areas calculated from such products. Thereby, the overarching goal of this study was to develop a high spatial resolution (30-m or better) baseline cropland extent product of South Asia for the year 2015 using Landsat satellite time-series big-data and machine learning algorithms (MLAs) on the Google Earth Engine (GEE) cloud computing platform. To eliminate the impact of clouds, 10 time-composited Landsat bands (blue, green, red, NIR, SWIR1, SWIR2, Thermal, EVI, NDVI, NDWI) were derived for each of the three time-periods over 12 months (monsoon: Days of the Year (DOY) 151–300; winter: DOY 301–365 plus 1–60; and summer: DOY 61–150), taking the every 8-day data from Landsat-8 and 7 for the years 2013–2015, for a total of 30-bands plus global digital elevation model (GDEM) derived slope band. This 31-band mega-file big data-cube was composed for each of the five agro-ecological zones (AEZ’s) of South Asia and formed a baseline data for image classification and analysis. Knowledge-base for the Random Forest (RF) MLAs were developed using spatially well spread-out reference training data (N = 2179) in five AEZs. The classification was performed on GEE for each of the five AEZs using well-established knowledge-base and RF MLAs on the cloud. Map accuracies were measured using independent validation data (N = 1185). The survey showed that the South Asia cropland product had a producer’s accuracy of 89.9% (errors of omissions of 10.1%), user’s accuracy of 95.3% (errors of commission of 4.7%) and an overall accuracy of 88.7%. The National and sub-national (districts) areas computed from this cropland extent product explained 80-96% variability when compared with the National statistics of the South Asian Countries. The full-resolution imagery can be viewed at full-resolution, by zooming-in to any location in South Asia or the world, at www.croplands.org and the cropland products of South Asia downloaded from The Land Processes Distributed Active Archive Center (LP DAAC) of National Aeronautics and Space Administration (NASA) and the United States Geological Survey (USGS): https://lpdaac.usgs.gov/products/gfsad30saafgircev001/.     

基于GEE的中国湖泊浮游植物生物量时空动态分析

随着全球变暖和社会经济发展,中国湖泊富营养化情况时有发生,迫切需要对中国湖泊的浮游植物生物量进行有效监测。本文选择了中国756个面积超过10 km²的湖泊进行研究,基于Google Earth Engine（GEE）云端运算平台,反演2003—2018年间叶绿素a（chl-a）浓度数据,以此来分析研究各个湖泊的营养状态及其时空变化,探索了中国五大湖区内湖泊各季节与年均chl-a浓度时空分布特征与气象、社会经济及湖泊特征等影响因素之间的关系。结果表明： ① 中国湖泊的营养状态变化具有明显的季节性与地域性,研究时段内处于中营养状态的湖泊约占90%,春季时大多数位于东部平原湖区与东北平原与山区湖区的湖泊表现为贫营养状态,而青藏高原湖区与云贵高原湖区的湖泊在春季多呈现富营养状态。由各个湖泊年均chl-a浓度变化可以看出中国约82%的湖泊年均chl-a浓度的变化率小于0.5,呈现出轻微变化,18%的湖泊chl-a浓度呈现剧烈变化趋势。② 温度和降水对湖表chl-a浓度影响较大,超过70%湖泊的chl-a浓度与其表面温度和降水存在正相关性,其中大部分分布在中国北部与东部。缓冲区人口和草地占比、湖泊海拔和湖泊地理位置也对湖泊浮游植物生物量具有一定影响。     

基于Google Earth的地铁亦庄线GPS控制网布设

Google Earth是一款全球卫星地图集成软件,用户除了可以更方便地浏览三维地物、更快捷地获取经纬度和海拔数据外,还可自由地定制图标、线路和漫游方式.地铁亦庄线是拟建的规划线路,经过对测区的分析和现场踏勘后,考虑到在Google Earth上比在普通地图上选点更方便、更直观,采用在Google Earth影像图上布设地铁亦庄线的GPS控制网,这对实地布设GPS控制网有一定的指导作用.     

一种基于MapServer的KML地理信息网络服务实现方法

在深入分析KML文件组织、MapServerOGC服务输出架构的基础上,提出一种基于开源软件MapServer的KML地理信息服务方法。通过对MapServer的MapScript开发接口进行扩展,实现根据请求将指定地理空间数据发布成KML数据的服务。将用户空间数据以标准地理信息服务的方式完成网络发布,可以方便地在Google Earth中加载、浏览,查询多源、异构的地理空间数据,扩展Google Earth的数据源,提高地理信息的共享水平。     

JSON数据交换语言在Mashup Web服务下的应用

JSON（JavaScript Object Notation）是一种轻量级的数据交换语言。它基于ECMA262语言规范（1999—12第三版）中JavaScript编程语言的一个子集。本文介绍了一个将JSON数据交换语言应用于地震信息在Google Maps上标注的MashupWeb服务的实验。本实验表明：对于基于Web2．0的地学信息服务来说，JSON确实是一种较灵活的技术方案。     

基于Google Earth Engine的红树林年际变化监测研究

遥感技术已广泛应用于红树林资源调查与动态监测中,但仍然存在遥感数据获取困难、数据预处理工作量大、监测时间长而周期过大等问题,影响了学者对红树林演变过程的精细刻画与理解。本文基于Google Earth Engine（GEE）云遥感数据处理平台,选取Landsat系列卫星数据,生成长时间序列年际极少云影像集（云量少于5%）,利用3个红外波段反射率（NIR、SWIR1、SWIR2）和3个特征指数（NDVI、NDWI、NDMI）建立阈值规则集,实现对实验区越南玉显县红树林、红树林-虾塘、不透水面-裸地、水体4种目标地物的专家知识决策树分类和土地覆盖的制图,并基于分类结果监测该区域1993-2017年的红树林年际动态变化。结果表明：GEE平台可满足多云多雨地区红树林的长时间序列年际变化监测需求;本文阈值分类方法可以有效提取红树林及红树林-虾塘,实验区有86%年份的影像分类精度达到80%以上;年际变化监测可精细刻画实验区红树林面积先增后减再增的变化过程,也能准确反映红树林与红树林-虾塘养殖系统面积之间的负相关关系。红树林年际动态监测结果可以降低红树林演变分析的不确定性,并能更精细地量化红树林与其他土地覆盖类型的转化过程,从而评估经济发展、政策等因素对红树林演变的影响。     

基于Google Earth Engine平台的三江源地区生态环境质量动态监测与分析

三江源是中国陆地生态系统最脆弱和敏感的区域之一,一旦遭到破坏则不可逆转。受三江源地区多云等不利气象条件的影响,很难获取大范围尺度上季相一致的、无云的Landsat遥感影像。本文利用Google Earth Engine平台,对1990-2015年的相同季节的3766景Landsat影像进行像元级融合并重构最小云量影像集,借助GEE的并行云端计算,快速得到了能够反映生态环境质量的遥感生态指数（RSEI）,对三江源地区的生态环境质量进行了评价与监测。三江源时空变化与差异分析表明：1990-2000年生态环境质量呈快速下降状态,RSEI平均值从0.588下降到了0.505,生态环境质量变化以轻度恶化为主;2000-2015年生态环境质量下降速度变缓,并于2015年呈现变好态势,生态环境质量变化以不变为主,且轻度恶化面积大幅减少;该地区的生态环境状况呈现出空间分异,自西向东,生态状况变差。基于GEE平台在三江源地区的实验结果表明,GEE可以作为大区域范围的生态环境质量评价与监测的计算平台。