Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究

赣南地区是中国柑橘主产区,柑橘种植产业经数十年发展已具较大规模。本文利用Google Earth Engine平台,使用2140景Landsat影像进行像元级融合,重构目标年份季节最小云量影像集,构建多维分类特征集,利用随机森林分类算法,实现了1990、1995、2000、2005、2010和2016年赣南柑橘果园的分布制图。结果表明：利用Google Earth Engine平台可实现大量遥感影像数据的高效处理;最小云量影像合成方法能够有效解决多云多雨地区高质量光学影像获取困难的问题;以最小云量影像合成构建的数据集,使用随机森林分类算法能够有效提取赣南柑橘果园,分类平均总体精度和Kappa系数分别为93.15%和0.90,分类效果良好;赣南柑橘果园面积由1990年9.77 km²扩大为2016年2200.34 km²,2005年以后呈大规模扩张趋势,果园分布由零星分布,逐步形成连片化的聚集分布特点,柑橘果园用地的主要来源为林地、灌丛和耕地。     

雅鲁藏布江中部流域土地沙化遥感识别

雅鲁藏布江中部流域长期遭受土地沙化侵蚀,采取有效手段进行沙化土地信息快速识别,跟踪土地沙化现状和动态发展,是土地沙化防治的基本前提。遥感数据因其快速、大范围、高精度监测等特点已被广泛应用于土地沙化监测。为降低该区域沙化土地破碎化分布特征以及广泛分布的稀疏植被地表对沙化土地遥感识别带来的不确定性,本文利用Google Earth Engine平台获取2019年秋季雅鲁藏布江中部流域Landsat无云遥感影像,基于面向对象的分类思想,充分提取沙化土地的光谱、几何和地形特征,根据不同的分类器构建4种分类方案,包括单一分类器（支持向量机、决策树、最近邻）分类以及组合分类法分类,提取雅江中游河谷地区沙化土地信息并验证不同方案的提取精度。结果表明：① 利用面向对象组合分类模型提取的沙化土地信息效果最佳,总体精度高达91.38 %,Kappa系数为0.82;② 相较于采用单一分类器（支持向量机、最近邻和决策树分类）的面向对象分类方法,组合分类模型能更有效地识别破碎化的小面积沙化土地,降低沙化土地与稀疏植被地表的混淆情况,提高分类可靠性;③ 基于面向对象组合分类模型反演得到雅鲁藏布江中部流域2019年沙化土地分布信息,土地沙化面积达299.61 km²,总体上呈现沿河谷的带状不连续分布,且集中分布于河流北岸以及靠近河道的阳坡、低海拔地区。本研究可为土地沙化遥感监测提供新思路,其应用可服务于雅鲁藏布江中部流域土地沙化预防和治理工作。     

Google Earth Engine支持下的江苏省夏收作物遥感提取

江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。     

基于Google Earth Engine和NDVI时序差异指数的作物种植区提取

为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

基于多源遥感数据和GEE平台的博斯腾湖面积变化及影响因素分析

作为典型的干旱区内陆湖泊,博斯腾湖的面积变化趋势与当地自然和人文环境的变迁密不可分。本文结合GIS与RS技术,利用Landsat影像和MODIS数据共2289景及JRC GSW水体掩膜产品,基于Google Earth Engine（GEE）平台采用指数法得出2000—2019年博斯腾湖面积年际和年内变化趋势,并采用2019年Sentinel-2影像进行结果对比分析,同时通过2000—2018年焉耆、库尔勒和巴音布鲁克气象站日值数据和人类活动分析其变化原因。得出如下结论：① 本结果中基于海量遥感数据提取面积的结果表明,GEE可以充分应用高时间分辨率遥感数据进行湖泊年际尤其是年内面积变化分析。相比于Landsat-5/7/8影像与MOD09GQ数据,由于Sentinel-2影像的时空分辨率优势,基于其所得的湖岸线可显示出较多细节。② 2000—2013年博斯腾湖面积共减少181.66 km²,变化速率为13.98 km/a;2013—2019年,湖泊共增加133.13 km²,变化速率为22.19 km²/a;③ 博斯腾湖面积一般在每年的3—6月呈上升趋势,且在当年6—9月保持峰值,面积在10—12月减小;④ 博斯腾湖面积年际变化与其流域内焉耆、库尔勒、巴音布鲁克气象站的降水、蒸发及积温因素变化的相关性未达到显著水平,而年内变化与上述气候要素相关性较高。     

基于Google Earth Engine与多源遥感数据的海南水稻分类研究

水稻是中国乃至亚洲的重要粮食作物之一,稻米产量关系到民生福祉。及时、准确的水稻分布信息是监测水稻产量、调控农业资源配给的基础。遥感(Remote Sensing)技术能够提供大范围地表的时间序列光谱变化特征,常用于大尺度范围的作物监测。然而,传统基于水稻生长关键时期光谱特征的分类、提取方法对遥感数据的时间分辨率要求较高。由于我国南方水稻产区湿热,雨季云污染降低了遥感数据的有效时间分辨率,因此上述方法在该地难以推广。融合多源遥感数据的分类方案变相缩短了卫星的重访周期,使多云气候区基于遥感影像的水稻分类成为可能。然而,集成多源数据所需更高的数据处理效率和存储需求也成为限制省级乃至更大范围水稻分类的主要因素。本研究基于谷歌地球引擎(Google Earth Engine)云平台,在线调用中分辨率的光学、微波遥感数据,创新性地采用了按月提取、按直方图大小提取特征的方式,采用随机森林分类器,绘制海南省2016年10 m分辨率水稻种植分布图。实验结果证明,该方法可以用于南方多云地区水稻分类,提取结果能够体现不同地类之间的差异,且与实际地表的地块边界、纹理符合良好。经过地表样本点的验证,总体精度为93.2%,满足实际应用需求。因此,本研究采用的自动分类流程能够准确、高效地提取海南省的水稻种植范围,可以向其他地区大范围推广。     

1990—2020年中国能源开采和加工场地多源数据综合制图与时空变化分析

由于当前缺乏有效的能源开采和加工场地精细化遥感探测方法和高精度的数据产品,全国尺度的能源开采和加工场地时空分布规律的认识仍显不足。本研究基于高分辨率遥感影像、土地利用/覆盖数据、网络爬虫数据、OSM地图数据和环境专题数据等信息,发展了基于多源数据融合和专家知识参与获取的能源开采和加工场地遥感识别和精细化制图的技术方法,研发了1990、2000、2010和2020年共4期的中国能源开采和加工场地分布数据产品及2010—2020年场地植被恢复信息数据产品,作为中国土地利用/覆盖变化数据的组成部分（CLUD-Mining）。CLUD-Mining具有较高的质量和可靠性,数据产品平均精度为91.75%;中国能源开采和加工场地开发建设的面积呈现先增长后减少的发展趋势,1990—2010年,面积增长速度从55.22 km²/a上升到95.51 km²/a,而2010—2020年呈现负增长,平均每年减少27.28 km²;此外,2010—2020年场地植被恢复面积达746.76 km²,主要集中在华北区和西南区;中国能源开采和加工场地分布格局逐渐由东部地区向西部地区转移。本研究对提升中国能源开采和加工场地时空分布特征的认识具有重要意义,可为场地污染治理和生态修复提供重要的数据基础。     

基于DEM修正的MODIS地表温度产品空间插值

地表温度是资源环境、气候变化、陆地生态系统等科学研究的重要参数之一。MODIS LST（Land Surface Temperature, LST）产品是地表温度相关研究的重要数据源。而现有MODIS LST产品均存在云覆盖区域,因此云覆盖区域地表温度估计已成为热红外遥感的前沿性研究难题。为解决MODIS LST产品云遮挡区域地表温度信息缺失,以秦岭地区为研究区,选用2001-2017年的MOD11A2数据,在传统的反距离权重（IDW）、规则样条函数（SPLINE）、普通克里金（OK）、趋势面（TREND）空间插值方法中引入高程因子,通过反复试验形成基于DEM修正的MODIS LST空间插值方法。分析空间插值结果表明： ① 空间插值精度由高到低为：OK>SPLINE>IDW>TREND,基于DEM修正后精度分别提高了约0.38、0.31、0.32和0.78℃; ② 空间插值结果的精度呈现季节差异,夏季6、7、8月的精度较高,1月的精度最低;③ 插值精度与云区的范围存在一定的关系,当云覆盖区域<1.1 km²时,DEM+OK方法的插值误差<0.55 ℃,当云覆盖区域<3.1 km²,插值误差<1 ℃;DEM+SPLINE方法在云覆盖区域<2.7 km²时,插值误差<0.55 ℃,云覆盖区域<10.4 km²,插值误差<1℃;当云覆盖为1.1~2.7 km²时,DEM+SPLINE方法的插值精度高于DEM+OK方法。     

Google Earth Engine在农业管理中的研究现状与展望

农业作为中国国民经济的战略性产业,在粮食生产和可持续发展目标方面起着举足轻重的作用。为了满足农业管理中大空间尺度、长时间序列遥感数据的存储、组织和处理,节省用户计算资源,提高农业生产管理专题的时效性和普适性,地理空间数据处理云平台备受关注。谷歌地球引擎（Google Earth Engine,GEE）作为一款集数据获取、数据运算、模型建立、精度验证以及可视化分析于一体的地理空间分析开源智能云平台,极大地扩展了农业领域研究的广度和深度,为精准农业领域的发展带来了新的机遇。本文从GEE平台、农业应用数据、作物种植支撑管理和农田管理工具等角度出发,分析了基于GEE平台的农业管理研究最新研究进展,以“平台-数据-农业管理-工具”为大框架,强调了多源协同的有效数据信息支撑农业监测管理决策的制定,高效易扩展的农田种植管理和作物生长监测工具可以辅助提高农业生产效率,农情数据信息和农业管理工具在全球背景下共同促进农业可持续发展。文章对GEE在农业应用数据支撑、农业监测管理和农田管理工具等方面的研究现状进行分析总结,突出了GEE云平台相比于传统的桌面端地理空间数据处理平台分别在数据、工具和应用3个方面给...     

北京城市绿化的时空动态分析

城市绿化覆盖是城市生态系统的重要组成部分,合理的绿化率和绿化布局可以改善城市环境,提高城市人居适宜性。研究中将2005、2010、2015年北京市土地利用（LUC）数据中的城市居民用地作为城区范围,应用Landsat 5、GF-1影像数据和MODIS产品,利用支持向量机的监督分类方法,提取了2005、2010、2015年的北京市城市绿化覆盖数据,并获取了同期的植被指数（NDVI）数据;继而以城市绿化覆盖率、绿化覆盖均匀度和植被指数为评价指标,在公里栅格和行政区2个尺度上探讨了北京市城市绿化覆盖的空间分布格局和时间变化动态特征。研究表明：① 3个指标在空间和时间2个维度、区县和栅格2个尺度上都表现一致。这反映北京市过去10年中,在绿化面积增加的同时,绿化的空间布局得到优化改善,绿化的质量得到提高。② 2005-2015年,北京市城市绿化覆盖面积由518.93 km² 增加到1405.54 km²,绿化覆盖率由39.9%增加到49.13%,绿化覆盖均匀度由0.598增加到0.653,植被指数由0.42增加至0.5。③ 北京市城市绿化建设存在明显的时空差异。中心城区绿化建设缓慢,成效不明显;重大绿化建设成果主要集中在城市边缘地区和远郊区县。城市绿化改善过程主要发生在2005-2010年。     

基于GEE平台的广州市主城区不透水面时间序列提取

不透水面作为城市化水平以及城市环境的重要评价指标,其提取已经是当下的研究热点。与单时相影像相比,时间序列制图能够获取其准确的变化趋势,对于监测城市的快速发展具有重要意义。本文以广州市主城区为研究区,以Google Earth Engine平台为基础,利用2000-2017年的Landsat TOA影像计算BCI和NDVI,并通过自适应迭代法确定它们的阈值,从而提取初始的不透水面,然后进行时间一致性检验,使不透水面时间序列更加合理。研究结果表明:①BCI与NDVI的结合以及时间一致性检验能够提高不透水面的提取质量;②本文中不透水面提取的平均总体精度为90.4%,平均Kappa系数为0.812;③在2000-2017年广州市主城区不透水面面积增加近一倍,但增速有所放缓。④新增的不透水面主要集中在原本相对落后的主城区外围;⑤高程、道路密度和购物场所密度等是影响广州市主城区不透水面扩张的主要因素。     

STUDY ON THE INTERACTION BETWEEN NDVI PROFILE AND THE GROWING STATUS OF CROPS

Daily and ten-day Normalized Difference Vegetation Index(NDVI) of crops were retrieved from meteorological statellite NOAA AVHRR images ,The temporal variations of the NDVI were analyzed during the whole growing season,and thus the principle of the interaction between NDIV profile and the growing status of crops was discussed,As a case in point,the relationship between integral NDVI and winter wheat yield of Henan Province in 1999 had been analyzed.By putting integral NDVI values of 60 sample counties into the winter wheat yield-integral NDVI coordination,scattering map was plotted. It demonstrated that integral NDVI had a close relation with winter wheat yield.These relation could be described with linear,cubic polynomial ,and exponential regression,and the cubic polynomial regression was the best way,In general ,NDVI reflects growing status of green vegetation ,so crop monitoring and crop yield estimation could be realized by using remote sensing technique on the basis of time serial NDVI data together with agriculture calendars.     

天绘一号卫星影像的平原绿化提取方法

平原绿化是我国平原地区森林植被的主体,为生态环境建设提供了有力保障。但平原绿化分布零散,斑块面积小,不易被准确提取。本文以河南省封丘县为例,利用天绘一号卫星影像面向对象分类技术提取了平原绿化。在面向对象分类过程中,针对不同平原绿化信息选取不同的分割尺度和参数,建立影像对象的分割层次结构,确保农田林网、通道防护林、四旁防护林等平原绿化信息能够被准确分割。分类时通过构建隶属度函数,利用层与层之间的关系,子类继承父类的分类特征,在此基础上增加自己的特征,建立分类规则集,逐层提取绿化信息。本文共获取封丘县平原绿化面积152.51 km²,其中,农田林网36.09 km²,通道防护林21.29 km²,四旁防护林71.56 km²,片林23.57 km²。利用验证点数据,对分类结果进行精度评价,总体分类精度为93.50%,Kappa系数达到0.92。     

青藏高原湖泊面积动态监测

高原湖泊的动态变化对区域水循环具有重要影响。受全球气候变化的影响,青藏高原湖泊自20世纪90年代开始呈现剧烈扩张趋势。为揭示近年来青藏高原湖泊面积的时空变化规律,本文提出了一种改进的半自动湖泊提取算法,结合环境减灾卫星（HJ-1A/1B）和Landsat系列卫星影像数据,对青藏高原内流流域中面积大于50 km²的127个湖泊进行了连续6年的动态监测,并分析了该区域2009-2014年湖泊面积时空变化特征。研究结果表明,该区域湖泊整体呈现显著扩张趋势,年均变化速率为231.89 km²yr^-1（0.87 %yr^-1）,6年间湖泊面积扩张速率有所减缓。其中,扩张湖泊有104个,收缩湖泊有23个,变化速率分别为271.08 km²yr^-1（1.02 % yr^-1）和-39.19 km²yr^-1（-0.15 %yr^-1）。不同区域湖泊面积变化具有明显差异,主要表现为东部及北部大部分区域湖泊扩张,南部地区大部分湖泊面积稳定,萎缩湖泊主要分布于研究区四周。最后,本文通过分析冰川融水补给对湖泊面积变化的影响,发现存在冰川融水补给的湖泊面积变化率远大于不存在冰川融水补给的湖泊。由此可见,近年来冰川融水的增加是促进青藏高原内流流域湖泊扩张的主要因素之一。     

基于MODIS GPP产品的冬小麦保险费率厘定方法研究

农作物保险是国内外减少灾害造成的种植户经济损失,保障农民基本生产收入的重要手段。国内传统的农作物保险费率是基于行政单元的统计数据厘定的,忽略了行政单元内部灾害的空间风险差异,因此如何获得行政单元内部农户级农作物纯保险费率,成为精细化农作物保险的关键问题。本文针对农户级的冬小麦纯保险费率,以河南省周口市为实验区,利用2005—2015年MODIS MOD17 A2 GPP总初级生产力数据产品生成2005—2015年冬小麦生长季的GPP数据,同时利用Landsat5/7/8 TM/ETM/OLI数据计算2005—2015年公里级的冬小麦种植面积比。通过Bühlmann-Straub模型和经验费率法厘定得到2016年实验区基于格网单元的冬小麦纯保险费率。研究表明：遥感数据可以为农作物保险空间精细费率厘定提供数据保障,利用遥感数据可以得到公里级格网单元的冬小麦纯保险费率。将利用遥感数据得到的农作物纯保险费率用于农作物保险中,提高了农作物保险的空间精细水平,可以进行基于地块的空间差异化农户投保,有利于政府针对不同农户制定合理的农作物保险政策,保险公司合理的收取保费。