针对黑河流域大尺度环境下水体提取难度大、演变规律尚不明晰等问题,基于谷歌地球引擎(Google Earth Engine,GEE)处理黑河流域1986—2024年Landsat影像,采集7.8×10^(4)个水体/非水体样本并构建逐年样本数据集,通过将多波段水体指数...针对黑河流域大尺度环境下水体提取难度大、演变规律尚不明晰等问题,基于谷歌地球引擎(Google Earth Engine,GEE)处理黑河流域1986—2024年Landsat影像,采集7.8×10^(4)个水体/非水体样本并构建逐年样本数据集,通过将多波段水体指数(Multi band water index,MBWI)、增强型水体指数(Enhanced water index,EWI)、改进归一化差异水体指数(Modified normalized difference water index,MNDWI)与光谱波段进行单独与统一组合,构建并筛选出最佳融合水体指数的随机森林(Random forest,RF)水体提取方法,提取了研究区39个时相的逐年地表水体影像,采用曼-肯德尔(Mann-Kendall,M-K)法揭示了黑河流域逐年地表水体面积变化特征,基于主成分与敏感性分析探究了影响地表水体演变的主要驱动因素。结果表明:融合3种水体指数(MBWI、EWI、MNDWI)的随机森林水体提取方法对黑河流域Landsat影像的水体提取效果最佳,平均总体精度(Overall accuracy,OA)为96.16%,平均Kappa系数为0.9128;经M-K法检验,黑河流域1986—2024年地表水体面积呈波动减少态势;年降水量、人口、年蒸散量为黑河流域地表水体演变的最主要驱动因素。研究结果可为全流域地表水体的快速准确提取提供理论支持。展开更多
青藏高原自然资源丰富、生态系统多样,是我国重要的生态安全屏障。叶面积指数(Leaf Area Index,LAI)是表征植被冠层结构的重要参数,高效准确地获取青藏高原LAI数据对于青藏高原植被生长状况动态监测及生态环境变化等研究具有重要的意义...青藏高原自然资源丰富、生态系统多样,是我国重要的生态安全屏障。叶面积指数(Leaf Area Index,LAI)是表征植被冠层结构的重要参数,高效准确地获取青藏高原LAI数据对于青藏高原植被生长状况动态监测及生态环境变化等研究具有重要的意义。本研究以青藏高原为研究区,采用PROSAIL物理机理模型和机器学习(随机森林方法)结合的LAI反演方法,生产了1990-2023年青藏高原长时间序列30米分辨率年度最大有效LAI产品。Google Earth Engine云平台存档的近40年Landsat系列卫星历史影像为LAI产品生产提供了数据保障。数据产品质量评估结果表明,青藏高原30 m分辨率LAI产品在直接验证和交叉验证中均有较好的精度,产品质量可靠,可以为青藏高原植被资源调查、生态环境保护与恢复等研究提供数据产品支撑。展开更多
文摘针对黑河流域大尺度环境下水体提取难度大、演变规律尚不明晰等问题,基于谷歌地球引擎(Google Earth Engine,GEE)处理黑河流域1986—2024年Landsat影像,采集7.8×10^(4)个水体/非水体样本并构建逐年样本数据集,通过将多波段水体指数(Multi band water index,MBWI)、增强型水体指数(Enhanced water index,EWI)、改进归一化差异水体指数(Modified normalized difference water index,MNDWI)与光谱波段进行单独与统一组合,构建并筛选出最佳融合水体指数的随机森林(Random forest,RF)水体提取方法,提取了研究区39个时相的逐年地表水体影像,采用曼-肯德尔(Mann-Kendall,M-K)法揭示了黑河流域逐年地表水体面积变化特征,基于主成分与敏感性分析探究了影响地表水体演变的主要驱动因素。结果表明:融合3种水体指数(MBWI、EWI、MNDWI)的随机森林水体提取方法对黑河流域Landsat影像的水体提取效果最佳,平均总体精度(Overall accuracy,OA)为96.16%,平均Kappa系数为0.9128;经M-K法检验,黑河流域1986—2024年地表水体面积呈波动减少态势;年降水量、人口、年蒸散量为黑河流域地表水体演变的最主要驱动因素。研究结果可为全流域地表水体的快速准确提取提供理论支持。
