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.     

基于Google Earth的测绘资料查询系统设计及应用

本文利用GE的卫星地图及所自备的各种功能,设计了测绘资料查询系统。该方法简单、直观,可以快速、准确、形象地对测绘资料进行查询,是对测绘资料查询新方法的一种尝试。     

Google Earth支持下校园真实感三维建模方法及应用

以Google Earth为平台,结合SketchUp的建筑物真实感三维建模功能,以西南交通大学校园为例建立校园真实感三维模型,并对其应用进行分析。该方法实现地形数据与建筑物三维模型的精确叠加,解决建模过程中的数据获取和融合问题,为虚拟环境的构建提供具有参考价值的解决方案。     

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。     

基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

大区域草地地上生物量估算对草地资源利用管理及全球碳循环研究具有重要意义。为高效快速地估算大区域零散分布草地地上生物量,本文选取安徽省为研究区,在谷歌地球云引擎（Google Earth Engine）平台的支撑下,通过机器学习方法建立Landsat 8 OLI及其他辅助数据与地面实测草地地上生物量之间的联系,开展了草地零散分布地区省级尺度草地地上生物量高分辨率估算,并与传统的基于归一化植被指数（NDVI）回归模型进行了比较。研究结果表明,综合利用光谱与地形因子的机器学习方法,估算零散化分布草地地上生物量的精度可以达到65%以上,其中分类回归树（CART）模型R²=0.57,预测精度为68.60%,支持向量机（SVM）模型R²=0.59,预测精度为75.74%,而使用NDVI的回归分析产生的误差较大,R²=0.37,预测精度为57.51%,因此机器学习方法相对于传统基于NDVI的回归分析具有明显优势。另外,谷歌地球云引擎平台数据来源广泛、获取方便,可以高效地实现海量影像数据的预处理及计算分析,大大提升了工作效率,与地面调查数据的结合可实现更大区域乃至全国尺度上的零散分布草地地上生物量高分辨率遥感估算。     

中国地级城市建成区蓝绿空间时空格局及其气候影响因素分析

蓝绿空间是城市生态安全的重要保障。本文通过谷歌地球引擎（GEE）提取2005、2010、2015与2020年的植被与水体指数数据,构建了包含272个地级城市建成区的蓝绿空间数据库。运用蓝绿空间覆盖率、300 m服务半径覆盖率、分维数与分离度4个指标分析其时空格局与演化模式,并进一步探讨其气候影响因素。结果表明：(1)地级城市建成区蓝绿空间整体呈现为“南高北低”的格局,且南方“西高东低”、北方“东高西低”,但环渤海地区为蓝绿空间覆盖率“洼地”;时间格局为“总体增长、局部降低”,华中地区呈下降趋势的城市最多;(2)就分区而言,西南地区城市建成区蓝绿空间覆盖率最高（平均高于65%）、分离度最低（平均低于0.60）,西北地区覆盖率分异较大,华北地区覆盖率最低（平均10%～30%）且分离度最高（平均约0.98）;(3)采用多尺度地理加权回归模型所得R2为0.85（校正R2为0.83）,其中,降水量对城市建成区蓝绿空间的影响最显著,降水量变化成正相关,气温则成负相关;整体上气候影响与比人为影响相当,但在某些时段间更大。     

自驾天气服务系统的设计与实现

自驾、客运和货运活动中,行驶路段天气状况已成为关系安全行驶的关键要素,使得个性化、精细化的自驾天气信息服务作为专业化气象服务的新需求越发强烈。为满足该需求,提出一套自驾天气服务系统模型。该系统模型以计算机Google Maps地图方式定制路线,手机客户端接收服务短信为目标完成设计。该设计以"数据→信息→知识→产品"的思路处理气象数据,获得的客观分析格点场气象服务信息作为气象服务基础;路线处理以Google Map API解析用户定制路线的JSON为基础,采用PrimeFaces的Decoder方法和分布函数过滤得到途经点路线的地理坐标集;最后对定制用户以短信方式提供途经点的气象信息服务。基于本模型开发的自驾天气服务系统已经投入试运行,开拓了新的短信气象服务业务方式。