基于地理探测器模型的珠三角植被覆盖度时空变化驱动力分析

[目的]探究珠三角植被覆盖度空间分布和时空变化的驱动力,为该地区生态环境的保护提供科学参考。[方法]基于Landsat 5 TM和Landsat 8 OLI数据,利用像元二分模型反演珠三角2000,2005,2010,2015和2020年5个时期的植被覆盖度,分析珠三角植被覆盖度的空间格局和时空变化的过程。并结合5个时期的年降水量、年均温度、人口密度和土地利用,采用相关系数和地理探测器等方法开展研究。[结果](1)珠三角植被覆盖度在空间上表现为中部较低,边缘区域较高的分布格局,在佛山市、中山市、珠海市、广州市西南部、东莞市和深圳市较低,肇庆市、江门市和惠州市较高。植被覆盖度总体上表现为改善的趋势,改善的面积比例为64.99%,在时间上存在阶段性的差异,2010—2015年期间高植被覆盖度(80%以上)增长的面积最明显;(2)影响因素对植被覆盖度的驱动有明显的区域差异性,年降水量和土地利用程度起抑制作用的面积大于起促进作用的面积,年均温度和人口密度起促进作用的面积大于起抑制作用的面积;(3)植被覆盖度空间格局因子探测表明土地利用程度的解释力最强,交互探测表明年均温度与土地利用程度交互作用...     

Assessing streetscape greenery with deep neural network using Google Street View

The importance of greenery in urban areas has traditionally been discussed from ecological and esthetic perspectives, as well as in public health and social science fields. The recent advancements in empirical studies were enabled by the combination of ‘big data’ of streetscapes and automated image recognition. However, the existing methods of automated image recognition for urban greenery have problems such as the confusion of green artificial objects and the excessive cost of model training. To ameliorate the drawbacks of existing methods, this study proposes to apply a patch-based semantic segmentation method for determining the green view index of certain urban areas by using Google Street View imagery and the ‘chopped picture method’. We expect that our method will contribute to expanding the scope of studies on urban greenery in various fields.     

Google图书数字化计划带来的思考

介绍了Google图书数字化计划背景、发展以及欧洲的反映,此举引发的一系列争议,以及我们拟采取的对策。     

基于GEE平台的钱江源国家公园森林火灾动态变化研究

以钱江源国家公园试点区及其周围10 km缓冲区为研究区域,基于GEE云平台、Landsat卫星影像以及卫星林火监测数据,结合目视解译与光谱指数法快速提取过火区域,并统计火灾发生时间、频率和过火面积的变化规律,使用景观指数描述过火区域的空间模式。结果表明：1999—2019年,研究区共发生19起森林火灾,其中春季和冬季森林火灾高发,分别占火灾总数的47.37%和42.11%;2013年平均单次森林火灾覆盖范围最广（83.54 hm²）,2011年发生森林火灾次数最多（6次）,过火区域的面积差异较大,而2014年和2019年仅各发生1次火灾;研究区过火区域面积共计约为766.55 hm²,在研究期间呈现先增加后减少的趋势。钱江源国家公园范围内过火面积仅为9.05 hm²（2011年和2014年分别为9.04 hm²和0.01 hm²）。本研究方法适用于借助免费历史Landsat数据快速获取30 m分辨率尺度的火灾信息,建立空间明确的灾情历史数据档案,及时、客观地评估国家公园灾害管理成效。     

采棉机地理位置信息服务系统设计--基于 Google Maps

Google Maps 提供的高精度地理信息和开放 API 为各个行业提供了新的变革。为此,基于．net 平台,采用二次开发语言 C ＃和JavaScript ,结合GPS 技术和 SQL server 数据库技术,开发出基于Google Maps 的采棉机地理位置服务系统,实现对采棉机实时定位、历史轨迹回放和路径导航功能,为机采棉公司提供监控和管理服务。     

白龙江流域生态环境质量动态监测与评价

[目的] 分析1990—2020年白龙江流域生态环境变化及驱动因素,为流域可持续发展提供科学依据和决策支持。[方法] 逐年筛选植被生长季6—9月的Landsat TM/OLI影像数据,计算绿度(NDVI)、湿度(WET)、热度(LST)、干度(NDSI)4个生态指标,采用主成分分析法(PCA)构建遥感生态指数(RSEI),对白龙江流域生态环境进行评价。[结果] 1990—2020年白龙江流域RSEI均值从0.531上升至0.675,生态环境质量总体好转;生态环境质量改善区域主要位于舟曲—武都段的白龙江两岸、宕昌县西北及岷江东岸,改善面积达8 393.97 km²,占总面积45.55%;各生态指标对于生态环境质量影响程度在1990年干度＞湿度＞热度＞绿度;2006年干度＞绿度＞湿度＞热度;2020年绿度＞湿度＞干度＞热度。[结论] 利用GEE平台实现RSEI模型扩展了在大范围尺度、长时间序列下对区域生态环境质量监测与评价,近年来白龙江流域生态环境质量整体呈改善态势,对于流域的保护治理工作仍需继续。     

基于Google Earth的三峡库区地质灾害专业监测预警信息集成应用

监测预警是三峡库区地质灾害防治的主要措施,对其产生的海量信息进行有效管理是对库区进行有效防灾减灾和管理决策的基础。Google Earth作为一款免费提供全球三维遥感影像数据的虚拟地球软件平台,在对地质灾害专业监测预警信息集成管理和展示方面具有成本低、实施快、展示逼真等优点。在分析三峡库区地质灾害专业监测数据组成及其安全性、用户可视化的空间认知过程和习惯等的基础上,提出了三峡库区地质灾害专业监测预警信息集成方案,并利用Google Earth提供的功能予以实现,取得了较好的效果,也表明Google Earth在地质灾害信息集成、管理和展示等方面具有广阔的应用前景。     

基于多时相遥感植被指数的柑橘果园识别

柑橘普遍种植于中国南方地区,受天气多云多雨、种植类型复杂等因素影响,利用光谱信息直接识别柑橘果园信息存在一定困难。该研究根据柑橘特有的物候特征,提出了"柑橘在其果实生长膨大过程中柑橘果园的植被信息可能减弱"的假设。根据此特征提出柑橘果园信息识别方法,确定关键时间窗口的阈值,并以广西壮族自治区南宁市武鸣区为研究区,开展柑橘果园信息遥感识别实证研究。首先,获取2018年研究区多时相Sentinel-2遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、绿色归一化植被指数（Green Normalized Difference Vegetation Index,GNDVI）、差值植被指数（Difference Vegetation Index,DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices,RESI）等多个植被光谱指数;其次,根据地面样本点信息,对比不同植被类型在不同时期的遥感植被信息差异,进而确定柑橘果园识别的最优特征。研究结果表明,柑橘果园与研究区其他主要作物类型（如甘蔗、香蕉、玉米、水稻等）没有明显的光谱特征差异,但研究区多时相遥感植被指数显示10月的柑橘果园NDVI相比11月出现明显低值0.47,且明显低于其他作物类型;10月的柑橘果园GNDVI也出现了低值0.43,但与其他月份相比差异不明显;而柑橘果园DVI的离散程度低,分离性不强。根据作物物候历,9-10月为柑橘果实迅速膨大期,这验证了该研究提出的科学假设,即该时期柑橘果园的植被信息会减弱。柑橘果实膨大期不同植被指数的离散程度差异明显,NDVI离散程度最高,差异性最强。根据10月柑橘果园NDVI的物候特征,进一步构建归一化指数,通过阈值法识别研究区柑橘果园空间分布,该识别方法的总体精度达到82.75%,优于其他植被指数的识别结果,该研究结果可为柑橘果园信息遥感识别研究提供较好的理论与实践支撑。     

遥感作物制图辅助核事故农业风险决策

【目的】 将作物时空分布数据应用于核事故农业风险决策支持系统,体现遥感作物制图在核事故农业风险决策中的重要性。【方法】 文章以大亚湾核电基地为研究案例,对其周边地区的作物轮作系统进行遥感制图;作物时空分布数据经后处理,上传至核事故农业风险决策支持系统,实现作物样本任务的自动生成,以及放射性核素浓度的时空分布模拟。【结果】 提出的遥感制图方法可以在耕地破碎、云雨繁密区识别作物轮作系统,快速、准确地提供大范围作物时空分布数据。经过处理的作物时空分布数据,能够方便地应用于决策支持系统,辅助完成特定或优先区作物样本任务点的自动生成,以及放射性核素浓度时空分布的模拟。【结论】 遥感作物制图与核事故农业风险决策支持系统相结合,可进一步提高采样的有效性,提升放射性核素空间和时间分布模拟与预测的准确性。从而帮助决策者制定核污染监测和评估策略、修复计划,科学指导农业生产的恢复。未来,有必要深入研究遥感作物制图在核事故农业风险决策中的应用,充分发挥遥感技术与数据的优势,规避核事故对农业生产带来的风险。     

基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析

【目的】微波遥感因具有全天时、全天候数据获取的特点,在多云雨的中国南方水稻识别研究中表现出巨大潜力。本研究通过对比Sentinel-1SAR遥感数据和Sentinel-2光学遥感数据用于水稻遥感制图的效果,分析光学和SAR遥感数据对于单双季稻识别结果的一致性,并探索水稻识别的最优SAR影像特征。【方法】本研究使用Sentinel-1/2卫星数据,基于面向对象的随机森林分类算法和Google Earth Engine平台,提取洞庭湖平原4个典型水稻种植区的单双季稻空间分布。通过比较9种不同传感器和特征组合场景的分类精度和分类结果统计指标,并计算NDVI和SAR特征时序（VH、VV、VH/VV）的R²和DTW距离,分析识别单双季稻的最优SAR特征,评估光学和SAR遥感数据对于单双季稻识别结果的一致性。【结果】VH、VV和VH/VV时序识别单双季的总体精度分别为90.42%、82.08%和88.33%,而联合VH和VH/VV时序识别单双季稻的总体精度可达91.67%。VH（VH/VV、VV）时序与单双季稻NDVI时序的R²和DTW距离分别为0.870（0.915、0.986）、4.715（1.896、5.506）（单季稻）和0.597（0.783、0.673）、2.396（1.839、3.441）（双季稻）。较高的R²和较低的DTW距离说明单双季稻的VH/VV时序与NDVI时序相关度更高,可以较好地反映单双季稻的生长周期规律。同时,VH可以较好地反映单双季稻移栽期的淹水特征。基于光学数据和SAR数据在6个时间窗口的特征（S-2：NDVI、EVI、LSWI;S-1：VH、VH/VV）识别单双季稻的总体精度分别为91.25%和90.00%,识别结果面积相关性可达95.70%。【结论】SAR遥感数据与光学遥感数据水稻识别结果一致性较高。应用Sentinel-1在多云雨区识别单双季稻具有巨大潜力,VH和VH/VV后向散射系数时序是识别水稻的优质特征。研究结果为多云多雨区使用SAR数据进行特征优选以高精度识别单双季稻提供了重要技术支撑。