基于多期遥感影像的砂质岸线提取方法——以海阳沙滩为例

文章提出一种基于发展多期影像和归一化水体指数(NDWI)的砂质岸线自动提取方法,以山东半岛海阳沙滩为实验区,应用2005年多个月份的7景Landsat 5TM遥感影像为数据源,提取实验区砂质岸线。利用908专项修测岸线对提取的海岸线进行精度检验。结果表明,岸线偏差距离为20.9m、均方根误差(RMSE)为33.6m。该方法可为砂质岸线的提取与变迁分析研究提供参考依据。     

2015—2020年中国土地利用变化遥感制图及时空特征分析

持续地开展国家尺度土地利用/覆盖变化遥感监测对于新时代国土空间规划和“美丽中国”蓝图绘制具有重要的科学价值。本文采用Landsat 8 OLI、GF-2等卫星遥感数据,融合遥感大数据云计算和专家知识辅助人机交互解译方法,研发了中国土地利用变化（2015—2020年）和2020年土地利用现状矢量数据（CLUD 2020）,建立了完整的30 a（20世纪80年代末—2020年）每隔5 a的30 m分辨率中国土地利用动态数据库。基于CLUD 2020数据,从全国和区域两个尺度揭示了2015—2020年中国土地利用变化的总体规律、区域分异和主要特征。研究表明：将遥感大数据云计算生成的30 m分辨率植被覆盖变化和地表类型变化检测信息融入到人机交互遥感解译方法,可有效地提高大范围土地利用变化遥感制图的效率和变化图斑辨识的准确性;精度评价表明,CLUD 2020一级类型制图的综合精度达95%。总体上,全国范围内国土空间开发强度与2010—2015年比较进入相对稳定状态。期间全国耕地面积仍保持减少态势,空间分异特征为耕地南减北增,东北松嫩平原及其与三江平原交界区大规模的旱地向水田转移,西北新疆南部开垦和北部退耕/撂荒并存;全国城乡建设用地持续增加,空间分异特征表现为由以往的沿海地区和超大、大城市集聚转向中西部地区的大中小城镇周边蔓延为主。全国范围的林草自然生态用地面积持续减少,但强度与2010—2015年比较有所下降;受气候变化的持续影响,青藏高原地区的河流湖泊等水域面积显著增加。以上土地利用变化格局与“十三五”期间国家高质量发展、生态文明建设宏观战略和气候变化的影响密切相关。     

土地利用动态变化研究方法探讨

本文从全球变化的研究热点--“土地利用/土地覆盖变化”的涵义及研究内容出发,概括分析了土地利用变化研究的方法-土地利用变化模型的建立,阐述了各类模型的涵义及在土地利用变化研究中的意义,并重点介绍了定量研究土地利用动态变化的几种模型-（1）土地资源数量变化模型;（2）土地资源生态背景质量变化模型;（3）土地利用程度变化模型;（4）土地利用变化区域差异模型;（5）土地利用空间变化模型;（6）土地需求量预测模型。     

2000-2014年蒙古高原植被覆盖时空变化特征及其对地表水热因子的响应

利用MODIS NDVI数据、同期地表水热组合数据和植被类型数据,对2000-2014年蒙古高原生长季和三季（春、夏、秋季）植被覆盖时空演变特征及其对地表水热因子响应模式进行分析。研究表明：这15 a来,蒙古高原生长季及三季归一化植被指数NDVI均呈增加趋势,且呈显著增加趋势区域主要集中在内蒙古地区,一定程度上反映了该地区生态恢复工程的有效性。研究区植被覆盖变化与地表水分指数LSWI有密切的关系,因此证明研究区植被覆盖的增加归因于自然和人为因素的共同作用。不同类型植被NDVI均呈增加趋势,其中荒漠植被NDVI增加最明显,森林植被增加平缓,且存在季节性差异。此外,不同类型植被NDVI受水热因子影响也存在季节性差异。     

1982-2006年蒙古高原植被覆盖时空变化分析

在利用HANTS方法对GIMMS NDVI数据进行时间序列平滑处理的基础上,对蒙古高原1982-2006年植被覆盖时空动态变化进行了分析.结果表明:蒙古高原植被覆盖年平均上升趋势为0.0004·a-1,其中蒙古国的上升趋势(0.0005·a-1)比中国内蒙古(0.0003·a-1)更加显著,而内蒙古多年平均NDVI比蒙古国高0.0433;从不同类型植被NDVI变化趋势看,除森林和戈壁荒漠的NDVI变化趋势较平稳外,草地、农田和灌丛均呈显著的上升趋势;从空间分布趋势看,在过去的25年内植被覆盖呈增加趋势的地区主要分布在高原南部——内蒙古农牧交错区和蒙古国中、西和北部的山脉及其环抱的大湖盆地地区,而植被覆盖呈下降趋势的地区主要集中在高原中部的干旱地带和东部呼伦贝尔地区;从时间推移规律看,蒙古高原植被覆盖在4个不同研究时间段内(20世纪80年代、90年代、21世纪初和过去25年间)呈增加(包括显著增加)趋势的面积均大于呈下降趋势的面积,且其面积按20世纪80年代＜90年代＜21世纪初的顺序依次增加.     

1988—2016年泰国湾海岸线变迁遥感分析

泰国湾近30年海岸线变迁剧烈。文章基于1988年、1996年、2006年和 2016年4个时期Landsat TM/OLI中等分辨率卫星遥感影像数据,开展了近30年泰国湾岸线长度时空变迁遥感监测,并应用数字海岸分析系统（DSAS）计算出4期岸线变迁速率,给出了4个时期泰国湾侵蚀淤积面积状况,分析了岸线变迁的自然因素和人类活动因素。并从岸线增长速率、岸线变迁速率、蚀淤面积状况、岸线类型变化4个方面给出结论。     

有居民海岛土地开发利用强度评价研究——以东海岛为例

针对海岛土地资源的特殊性,制定了适合于有居民海岛的土地开发利用强度评价流程,给出了有居民海岛土地开发利用强度评价方法,并以东海岛为例,对其2006—2010年的土地资源开发强度进行评价。评价结果分为弱、较弱、中、较强、强和极强6个等级,各等级所占比重分别为94.00%、3.28%、1.98%、0.59%、0.04%和0.11%。评价结果表明,东海岛2006—2010年土地资源总体开发强度较弱。     

内蒙古旗县市水资源分类研究

分析内蒙古自治区水资源开发利用现状 ,利用模糊评判模型将 12个盟市水资源条件分为 3类 ,将全区 84个旗县市水资源丰沛程度和开发利用程度划分为 5等。     

Landsat-8 OLI卫星数据的大气校正检验及其应用

本文检验了Vanhellemont和Ruddick算法在浑浊的海洋沿岸水体中的适用性。采用基于Vanhellemont和Ruddick算法对2013—2015年黄河口水体的landsat-8 OLI数据进行大气校正,该算法得到的OLI反射率与黄河口高光谱实测反射率较一致, R为0.95,在483 nm(蓝)、561 nm(绿)、655 nm(红)波段处平均相对误差为16.4%、17.3%和25.7%。MODIS和Landsat-8 OLI数据获取的悬浮物浓度之间一致性较好, R为0.85,平均相对误差为20.5%,表明该算法适用于黄河口水体。基于时间序列OLI数据,得到了悬浮物浓度时空分布特征。黄河口悬浮物浓度变化差异主要由风速和输沙量引起的,风速和输沙量对悬浮物浓度的影响存在一定的时间滞后现象。     

基于Hurst指数的1982–2013年蒙古高原植被动态变化趋势及其影响因素分析（英文）

This study analyzed the spatial and temporal variations in the Normalized Difference Vegetation Index(NDVI) on the Mongolian Plateau from 1982–2013 using Global Inventory Modeling and Mapping Studies(GIMMS) NDVI3 g data and explored the effects of climate factors and human activities on vegetation. The results indicate that NDVI has slight upward trend in the Mongolian Plateau over the last 32 years. The area in which NDVI increased was much larger than that in which it decreased. Increased NDVI was primarily distributed in the southern part of the plateau, especially in the agro-pastoral ecotone of Inner Mongolia. Improvement in the vegetative cover is predicted for a larger area compared to that in which degradation is predicted based on Hurst exponent analysis. The NDVI-indicated vegetation growth in the Mongolian Plateau is a combined result of climate variations and human activities. Specifically, the precipitation has been the dominant factor and the recent human effort in protecting the ecological environments has left readily detectable imprints in the NDVI data series.