精确的土地覆盖信息是进行碳循环、气候变化监测、土壤退化等相关科学研究的基础。随着云计算技术的不断成熟,一些高效算法与平台被不断提出,用来充分挖掘遥感数据所包含的海量信息。基于Google Earth Engine(GEE) 云平台,利用随机森林监督分类法对1990、2000、2010、2017年的山西省土地覆被进行了分类。参考Google Earth高清影像选择的1 580个样本点,对分类结果进行了验证;同时将分类结果与CNLUCC、GlobeLand30、FROM-GLC等现有土地覆被分类产品进行比较。验证和对比发现时间序列分类结果的总体精度达到86%~94%,比同期单时相分类总体精度提高了5%~10%;本文时间序列结果达到了CNLUCC、GlobeLand30、FROM-GLC等产品的分类精度。结果表明:①在快速准确土地覆被分类方面,时间序列影像与云平台结合,显示出时效性强、时间周期短、成本低等优势;②时间序列百分位数指标能有效地区分不同土地覆被类型的物候差别,在进行土地覆被分类方面显示出简单、易用、高效等特点。该方法对于深入研究大区域尺度的土地覆被变化过程具有重要的参考价值。
植被的变化特征是流域生态监测的重要内容和流域综合管理决策的基础信息。基于谷歌地球引擎(Google Earth Engine,GEE),利用空间分辨率为250 m的MODIS-EVI(Enhanced Vegetation Index)产品,研究2001~2017年黑河流域植被的时空变化趋势及延续性特征。结合气温、降水与河流径流量观测数据,分析黑河流域上游、中下游绿洲与非绿洲区植被变化的影响因素。结果表明:近17年来黑河流域植被年最大EVI值年均增幅为0.003 9,年均新增植被面积为480.3 km2。受气温、降水、耕地开垦、水资源管理措施及与其密切相关的地下水等因素的不同影响,上中下游表现出不同的变化特征。无论是年最大EVI值还是植被面积,中游的增加趋势最为显著,绿洲区较非绿洲区增加趋势更为明显。这种变化趋势短期内可能延续,但长时间内存在较大风险。研究为快速监测植被变化提供了示范,揭示了干旱区植被监测中长势变化与类型变化的同等重要性,流域植被变化的区域协同性对合理分水、加强地表-地下水协同管理等流域综合管理提出了更高要求。
植被覆盖时空变化是全球及区域生态环境重要研究内容之一。基于Google Earth Engine云平台,利用2000~2017年250 m分辨率的MODIS-EVI长时间序列数据,采用像元二分模型并辅以趋势分析、去趋势标准差、Hurst指数方法定量估算中国自2000年来植被覆盖度时空变化,并从省域尺度分析中国植被覆盖度近18 a以及未来趋势变化的时空分异特征。研究结果表明:①2000年以来中国植被覆盖度的变化速率为0.09%/a(P<0.01),平均植被覆盖度为44.63%,空间分布格局上整体呈现“东南高、西北低”的特点,但存在空间异质性;②从省级尺度来看,海南省平均植被覆盖度最高(79%),新疆维吾尔自治区最低(13%),山西省改善趋势最显著(0.4%/a),天津市年际波动最大(DSD=0.039),位于中国最西部的3省:新疆、西藏、青海植被覆盖度年际波动最小;③全国尺度植被覆盖度Hurst指数为0.72,未来将继续保持改善的趋势。具有改善持续性的省份基本呈“T”型分布,位于东西两侧的省份应注重加强植被生态修复与防护工作,保障区域生态文明建设的持续性。