针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京...针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京市土地覆被/土地利用变化(LUCC,Land Use and Land Cover Change)开展了遥感解译研究,分析了北京市土地覆被/土地利用时空动态变化特征和耕地、人造地表面积变化的驱动机制。研究表明:(1)GEE在区域尺度遥感数据分析和处理等方面具有方便快捷的优势。(2)CART方法进行遥感分类精度较高,研究所得的6期土地覆被/利用数据产品与训练样本交叉验证的学习精度均在93%以上,方法可靠有效。2010年的分类产品与测试样本混淆矩阵的验证精度为88.67%,Kappa系数为0.86。2010年的分类产品与GlobeLand30-2010数据的空间一致性为74.0%,其中林地一致性高达84.28%;两套产品中,人造地表、草地和水体面积比重相差不足1%,各地类面积构成一致性较高。(3)北京市主要土地类型为耕地、林地和人造地表,面积比重为90%左右;1990~2016年期间人造地表和林地面积呈增加态势,耕地和水体呈萎缩态势,其中,人造地表面积增加1 371km2,增幅高达87%以上,耕地萎缩幅度近40%;1990~2016年北京市平原地区人造地表由圈层状的"摊大饼"扩张态势向"遍地开花"扩张态势转变;人造地表的扩张主要通过对耕地的侵占实现。人口快速增长、经济快速发展以及政策等社会经济发展因素驱动北京市土地覆被/土地利用的演化进程。展开更多
Google Earth Engine(GEE)是目前最先进的地理大数据分析和可视化平台,使遥感监测地表植被突破了数据获取难、本地存储量大、处理效率低的限制。基于GEE云平台计算Landsat系列卫星影像,研究了1987—2019年民勤绿洲NDVI的时空变化,并通...Google Earth Engine(GEE)是目前最先进的地理大数据分析和可视化平台,使遥感监测地表植被突破了数据获取难、本地存储量大、处理效率低的限制。基于GEE云平台计算Landsat系列卫星影像,研究了1987—2019年民勤绿洲NDVI的时空变化,并通过一元线性趋势分析、稳定性分析、Hurst指数对变化趋势进行了分析和预测。结果表明:(1)1987—2019年民勤绿洲NDVI年均值从0.172上升到0.230,多年平均值为0.244,1989—2007、2010—2016年呈上升趋势,1987—1989、2007—2010、2016—2019年呈下降趋势。年内NDVI-0.017—0.333,高值集中在每年4—10月。空间上来看,绿洲外围NDVI明显增大,绿洲向荒漠扩张。(2)1987—2019年民勤绿洲大部分区域NDVI基本不变,坝区、泉山区绿洲外围、湖区南部和青土湖呈增大趋势,坝区中部民勤县城区、湖区北部绿洲边缘呈减小趋势,基本不变、增大、减小区域分别占总面积的81.90%、16.25%和1.85%。(3)1987—2019年民勤绿洲NDVI变化稳定性高的区域主要位于坝区东南部、泉山区东部、湖区北部荒漠区域;波动性高的区域主要位于坝区、泉山区绿洲外围、湖区南部和青土湖。(4)未来民勤绿洲大部分区域NDVI变化趋势保持基本不变,坝区、泉山区绿洲外围、湖区北部和青土湖,NDVI未来有可能增大,坝区中部民勤县城区、湖区北部向荒漠过渡地带,NDVI未来有可能减小,基本不变、未来有可能增大、减小的区域面积分别占71.62%、12.96%、15.42%。展开更多
文摘针对传统的遥感影像解译速度缓慢、效率较低、人力物力需求量大等问题,基于谷歌地球引擎(Google Earth Engine,GEE)平台,利用Landsat TM/OLI遥感影像,采用分类回归树(Classification and Regression Tree,CART)方法,对1990~2016年北京市土地覆被/土地利用变化(LUCC,Land Use and Land Cover Change)开展了遥感解译研究,分析了北京市土地覆被/土地利用时空动态变化特征和耕地、人造地表面积变化的驱动机制。研究表明:(1)GEE在区域尺度遥感数据分析和处理等方面具有方便快捷的优势。(2)CART方法进行遥感分类精度较高,研究所得的6期土地覆被/利用数据产品与训练样本交叉验证的学习精度均在93%以上,方法可靠有效。2010年的分类产品与测试样本混淆矩阵的验证精度为88.67%,Kappa系数为0.86。2010年的分类产品与GlobeLand30-2010数据的空间一致性为74.0%,其中林地一致性高达84.28%;两套产品中,人造地表、草地和水体面积比重相差不足1%,各地类面积构成一致性较高。(3)北京市主要土地类型为耕地、林地和人造地表,面积比重为90%左右;1990~2016年期间人造地表和林地面积呈增加态势,耕地和水体呈萎缩态势,其中,人造地表面积增加1 371km2,增幅高达87%以上,耕地萎缩幅度近40%;1990~2016年北京市平原地区人造地表由圈层状的"摊大饼"扩张态势向"遍地开花"扩张态势转变;人造地表的扩张主要通过对耕地的侵占实现。人口快速增长、经济快速发展以及政策等社会经济发展因素驱动北京市土地覆被/土地利用的演化进程。
