基于Google Earth Engine平台的太湖围网养殖时空变化

基于谷歌地球引擎(Google Earth Engine,简称GEE)平台,以我国太湖水域为例,利用30年时间序列的Landsat系列卫星数据,结合光谱信息、多种遥感指数和纹理信息,利用分类与回归树的方法对1985—2019年之间的太湖围网养殖区域进行分类提取,并且探讨太湖围网养殖空间分布模式及时间序列上的面积变化情况.结果表明,分类与回归树方法可以用于提取围网养殖区域,同时提取精度较高,细节信息也较为丰富;在空间上,太湖围网养殖活动主要存在于东太湖水域,西太湖区域面积较小.在时间序列上,太湖围网养殖产业自1985年开始以来,围网养殖区面积逐年提高,至2007年达到峰值,然后逐年缩小,在近年保持稳定状态.养殖区最大面积达到136.57 km2,经过近年来的一系列的治理工作之后,太湖水产养殖区面积减少至15 km2以下.利用谷歌地球引擎遥感大数据平台提取围网养殖区对于太湖水资源保护具有极大的优势,主要表现在GE E平台降低了数据准备的时间,同时保证大数据量的高性能计算,在以后的水资源保护研究中有着极大的优势.     

归一化水体指数用于河南省干旱监测适用性分析

利用30 m分辨率的归一化植被指数（NDVI）图像信息熵对河南省气象站周边地表异质性进行分析,选取观测站周围地表较为均匀的站点实测土壤水分数据,通过计算归一化水体指数（NDWI）与实测土壤水分之间的相关系数,分析比较NDWI用于干旱监测的适用性。研究表明：信息熵方法可有效地对土壤水分观测数据进行筛选;在时间序列上,各站点实测值与NDWI具有负相关关系,在增强型植被指数EVI>0.4时相关性更高,说明在植被覆盖高的区域NDWI对土壤水分的反演更为敏感;空间上,根据地形将河南省分为北部、中部、南部和西部4个区域并选取第121、201、313天的土壤水分数据来分析与NDWI之间的相关性,在地形较为平坦的中北部地区NDWI与土壤水分之间负相关性最稳定且相关系数较高。根据NDWI空间分布可知,2014年河南省大部分地区均遭受了干旱,且干旱地区大部分位于平原,特别是北方地区受灾严重。总体来说,NDWI用于平原地区对作物进行干旱监测精度较高,并可预测干旱发展趋势及程度。