1 引 言
植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] 。湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] 。近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] 。另一方面,甘河工业园于2002年7月由青海省政府批准设立。其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响。例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究。
利用多源遥感数据研究流域尺度生态环境变化已较成熟。黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] 。湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究。杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%。这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子。
地球大数据平台谷歌地球引擎(Google Earth Engine, GEE)能够为快速实现流域尺度生态环境监测提供大数据处理云平台。GEE由Google公司联合卡内基梅隆大学和美国USGS开发,集成了近40 a的全球海量遥感数据,每天更新约4 000幅影像[12 -14 ] 。GEE平台还集成了近800多种算法,能够快速实现机器学习等技术的图像处理工作[15 ] 。GEE云平台可高效在线处理海量数据,解决了遥感大数据处理问题。传统的影像处理工具也可在GEE平台实现在线高效处理大规模地理数据集,有效解决遥感大数据的处理难题[14 ] 。
针对上述问题,本研究参考前人研究[15 -17 ] ,利用GEE平台所提供的2000—2019年的MODIS EVI(Enhanced Vegetation Index)数据及其在线处理流程,分析湟水流域近20 a的植被变化特征,在此基础上,构建Hurst指数预测植被变化趋势,并研究植被变化的异质分布及其对气候、环境因子的影响,为湟水流域的综合管理、青海省可持续发展等决策提供技术支持。
2 数据与方法
2.1 研究区概况
湟水流域位于36°20′—38°25′ N,100°42′—103°15′ E,地处青海省东北部,是青海省最主要的河流流域。流域呈羽状水系,由达坂山与拉脊山构成河流谷地,流域面积约1.61万km2 (见图1 )。
图1
图1
湟水流域2018年土地利用图
Fig.1
Land use and cover of the Huangshui Basin at 2018
湟水流域地处青藏高原边缘与黄土高原过渡地带,气候条件温暖湿润,是青海省主要的农业产地和人口密集区。湟水流域由河谷冲积平原和黄土丘陵构成,西北高,东南低。年均气温约为6.4 ℃,降水主要集中在夏季,年平均降水量约为306 mm,属于干旱半干旱大陆性气候。青海省省会西宁市就位于湟水流域内,湟水流域内人口329万,占全省人口的50%以上,工业总产值约占全省的70%以上,对青海省社会经济全面发展具有战略地位[18 ] 。
2.2 数据来源
利用GEE平台提供的2000—2019年MODIS EVI数据,其空间分辨率为250 m。从中国气象数据网(http:∥cdc.nmic.cn)获得了湟水流域内气象观测站点多年观测数据,筛选了年降水量、年最高气温、年最低气温和年平均气温作为气候研究要素。本文按照2018年1∶10万土地利用图(数据来源于中国科学院地理科学与资源研究所)将研究区划分为3个区域,上游区主要为海晏、湟源,中游为西宁市、大通和湟中,下游为平安、乐都和民和地区。另外,本文按照上述3个分区分别统计各气象站处的气温与降水量的年均值作为各子区的气候因子。
2.3 研究方法
2.3.1 Hurst指数
本研究的关键是评价时间序列变化趋势,为此选择了Hurst指数来描述其时间变化的可延续性[19 ] ,Hurst指数的优势在于可以检测时间序列数据的随机性与波动性,可分析植被变化的年际特征。目前,该指数已经广泛应用于气候变化、生态、水文等众多研究领域[20 ] 。其中,Hurst指数用来分析湟水流域未来短期内的植被变化趋势,采用了重标极差分析方法(R/S)计算,其中,植被变化的时间序列为E V I i ,计算过程如下[21 ] :
E V I ¯ i , j = 1 j ∑ i = 1 j E V I i (1)
X i , j = ∑ i = 1 i ( E V I i - E V I ¯ j ) , 1 ≤ i ≤ j (2)
R j = m a x 1 ≤ i ≤ j X i , j - m i n 1 ≤ i ≤ j X i , j (3)
S j = 1 j ∑ i = 1 j E V I i - E V I j 2 1 2 (4)
( R / S ) j = 1 j ∑ j = 1 j R j S j (5)
( R / S ) j = C j H (6)
其中:Hurst指数用H表示,是上述方程中的斜率;C为常数,为回归方程的截距,对方程两边同时取对数变形得到如下公式[21 ] :
l o g ( R / S ) j = C + H ∙ l o g j (7)
然后,采取最小二乘法拟合,即可计算出Hurst指数的修正值。
H值是表征变化趋势连续性的指数,当H值为0.5左右时,可以认为时间序列变化是随机的,变化趋势预测也是随机的;若时间序列变化的H值接近于1,说明变化的趋势具有强延续性;当H值接近0时,可认为变化的趋势与之前极有可能相反。
2.3.2 时间序列分析方法
为了表征植被生长最茂盛的状况,利用最大化合成法计算得到各年的EVI合成影像,作为当年植被生长最繁茂时期的EVI数据。对比2018年1∶10万土地利用图与相关研究,将EVI≥0.1的区域作为植被区,以进行流域内植被覆盖的统计和分析。
利用一元线性回归法开展变化趋势研究。选择EVI指数进行时间序列变化率分析,采用最小二乘法对观测值序列(t ,EVI i )进行变化率和拟合线性回归。因变量为最大植被指数EVI i ,自变量为年份t ,可用下式表示二者之间的关系:
E V I i = α + β t + ε (8)
其中:参数ε为随机误差;α 和β 是未知常数。利用最小二乘法和观测值序列(t , EVI i )拟合得到β :
β = ∑ ( t i - t ¯ ) ( E V I i - E V I ¯ ) ∑ ( t i - t ¯ ) 2 (9)
其中:β 值代表植被覆盖的变化趋势,β <-0.005表示植被明显减少,-0.005≤β <-0.001表示植被轻微减少,-0.001≤β <0.001表示植被稳定不变,0.001≤β <0.005表示植被轻微增加,β ≥0.005表示植被明显增加。
利用判定系数R 2 分析回归结果的线性拟合优度。计算公式如下:
R 2 = ∑ ( E V I ¯ - E V I ^ i ) 2 ∑ ( E V I i - E V I ¯ ) 2 = 1 - ∑ ( E V I i - E V I ^ i ) 2 ∑ ( E V I i - E V I ¯ ) 2 (10)
其中:E V I ¯ 表示EVI均值;E V I i 表示第i 年的EVI值;E V I ^ i 表示第i 年的EVI回归值;判定系数R 2 的取值范围为[0,1],R 2 值越接近于1表示时间序列的线性关系越好,反之,线性关系越差。
所有数据处理都通过GEE平台实现,包括EVI最大化合成、一元线性回归、Hurst指数法分析植被变化趋势及其可延续性特征,相对于本地处理运算效率显著提高。
3 结果与讨论
3.1 湟水流域年EVI最大值空间变化特征
得到各年EVI最大值数据,其中2000年和2019年的合成结果如图2 所示。通过线性回归法得到植被变化趋势的β 值分布图与相应的判定系数R 2 分布图(图3 )。
图2
图2
2000年与2019年湟水流域年EVI最大值分布图
Fig.2
Spatial patterns of maximum EVI of 2000 and 2019 in the Huangshui Basin
图3
图3
湟水流域2000—2019年年EVI最大值变化趋势分布图与判定系数R 2 分布图
Fig.3
Spatial patterns of annual maximum EVI change trend from 2000 to 2019 and the coefficient of determination R 2 in the Huangshui Basin
依据2019年EVI最大值划定的植被区域,分别统计湟水流域内9个行政区的植被变化趋势的分级面积占比(表1 ),分析流域内植被的年EVI最大值的空间变化特征。
分析2000年与2019年,湟水流域EVI最大值数据,发现差异较大的区域主要为湟水流域沿线河谷地带,特别是西宁、湟中地区的河道地带。统计结果表明,湟水流域植被的年EVI最大值均值在2000年为0.413,2019年为0.533,植被覆盖面积有明显增加。整体来看,流域内植被生长情况呈现为轻微增加趋势,年EVI最大值年均值的增幅为0.006 3。且植被呈明显减少趋势的面积占比均不超过3%。R 2 在西宁、民和河谷地区、海晏中部、平安中部、民和南部大部分区域较高,表明该区域植被的变化趋势最为明显(图2 )。
具体分析发现,不同区域的植被变化趋势差异较为明显,上游的海晏和湟源地区,植被整体以轻微增加为主,河道地区的植被增加更为明显。西宁、湟中、大通、互助整体为轻微增加趋势,而在河道地区,略微减少最为明显。年EVI最大值的变化趋势的均值为0.007 9,整体表现为轻微增加的趋势。植被呈明显增加趋势的部分主要分布于地势相对平缓区域的河道两侧,所占比例为98.37%;而呈减少趋势的部分较少,仅占1.63%,集中分布于城镇周边的河道区域。
中游的湟中、西宁、大通和互助的2000年植被年EVI最大值均值为0.358 6,到2019年增加为0.412,中游植被整体呈增加趋势,非河道区植被呈明显增加趋势的区域较多。河道区植被主要呈轻微增加趋势,主要分布于山前区域。而植被呈减少趋势的部分不足5%,集中分布于城镇建设区、河道农业用地区域。
下游植被年EVI最大值均值为0.212,非河道区植被覆盖度较低,年EVI最大值均值为0.11。河道与非河道区植被变化的差异较大,河道区植被主要呈增加趋势,明显增加的部分集中分布于邻近河道区的中部区域,而呈减少趋势的部分较少,所占比例为6.23%。非河道区植被总体上呈稳定不变态势,面积占比为54.63%,呈轻微增加趋势的部分所占比例为25.24%。
3.2 湟水流域年EVI最大值与年际变化特征
湟水流域上游的两个县域的植被年EVI最大值是9个县中指数最高的区域,均呈年际间波动并缓慢增加的趋势,且该区域年均新增植被面积较多。植被EVI最大值年均增加值为0.006 61,中东部近河道区域与西部及北部山区的植被,主要呈现为植被增加的趋势。
在湟水流域中游的4个县区,植被EVI年最大值均呈现为线性增加的趋势。从变化曲线可以看到,在2002、2006及2012年前后,波动性较大(图4 )。从植被变化趋势图可以明显看到,河道区比非河道区变化趋势更为明显。中游区域EVI最大值年均增加了0.003 6。总体来看,在这段期间,上游植被整体呈明显的增加趋势。
图4
图4
2000—2019年湟水流域上中下游9个县区植被年EVI最大值与变化趋势
Fig.4
The change trend of annual maximum EVI of nine counties in Huangshui Basin from 2000 to 2019
中游区的年EVI最大值呈明为波动性变化的趋势,部分零星分布的低覆盖区域植被呈年际随机性变化。西宁市区的植被EVI指数是9个县区最低的区域,其植被变化基本持平,在2012年和2018年处于两个峰值。特别是2002的植被变化,是唯一EVI下降的区域,究其原因可能是当时城市发展和建设用地增加的原因。
湟水流域下游区的年EVI最大值变化最明显,且以民和地区的变化波动性最显著。民和和乐都的变化趋势值分别为0.008 9和0.006 3,是9个县区中最高的两个县域,说明该区域的植被有了很大的改善。根据图2 的变化趋势分布图,湟水流域下游的植被整体低于上游的植被状况。2000年民和的最大EVI均值为0.329,而当时海晏的年最大植被EVI指数均值为0.491。因而,变化趋势方面,民和增加的程度远远高于上游区域。一方面,是由于水热条件的改善,另一方面,是上游的植被发育到饱和阶段,处于一个长期稳定的发展阶段。下游植被的改善,从整个区域来看相对较微弱。龙爽等[22 ] 的研究发现,省级尺度来看,青海植被覆盖度年际波动是所有省中最小的3个省之一。这与本文研究趋势是一致的,湟水流域的变化,一定程度上也反映了青海整体的情况。
3.3 湟水流域植被变化的影响因素分析
3.3.1 气温和降水量的年际变化趋势
水热条件是影响植被变化最为关键的影响因子。从湟水流域整体看,气温均呈上升趋势。中、下游区域升温最快,上游升温较慢;年均最低气温较年均最高气温增幅更为明显,特别是位于下游的气象站,年均最低气温的增幅近0.13℃/a。湟水流域的降水量也呈现增加的趋势。上游区域降水量的年均增幅最为明显,为4.11 mm/a,而中、下游区域降水量年均增幅较小。
3.3.2 主要影响因子分析
湟水河的径流、地下水变化、人类活动也是主要的影响因素,但是由于数据的限制,研究仅分析水热条件的影响。实验选取了年降水平均值、年气温均值作为影响因子,与植被变化进行相关性分析如表2 所示。
实验分析发现,9个县区的植被变化的影响因素,有一定的差异。海晏的植被年最大EVI值与年均气温相关性最高,说明主要影响因子是以气温为主。湟源的年最大EVI值与降水、气温都有一定的相关性,这表明水热条件共同影响植被的变化。而在大通、西宁、平安、乐都和民和,植被变化与年降水量的相关性显著。湟水流域海拔较高,整体呈现为上游海拔高、逐渐到下游降低的过程,也是逐渐从青藏高原向黄土高原的过渡带。温度较低,随着降水量增加和最低气温升高,更有利于植被的生长。这与杜梅等[11 ] 基于MODIS NDVI的分析结果,基本保持一致。
图3 中可以看到,河道地区与周边的植被变化差异性很大。非河道地区,大部分以草地为主,分析发现该区域的植被指数变化,主要受到温度和降水的综合影响。河道区域植被变化的原因更为复杂,植被类型除了自然植被之外,还有农田和人工林,很大程度上受到人类活动的干扰。在河道地区新增加的植被,主要分布在平安、民和中部。
总体上,整个湟水流域的自然区植被对气温、降水等气候因子反应较为敏感,而中、下游河道区植被一定程度上受到人类活动的影响。另外,从整个格局来看,流域的中、下游地区植被,与降水的变化趋势表现的并不非常一致。
3.4 湟水流域植被变化趋势的可延续性
湟水流域的Hurst指数如图5 所示。为了分析湟水流域植被变化的趋势,利用Hurst指数,并结合β 值和R 2 进行分析(表3 )。
图5
图5
湟水流域Hurst指数值分布图
Fig.5
The spatial patterns of Hurst exponent in the Huangshui Basin
湟水流域Hurst指数的均值为0.522,其有效值为0.11—0.94之间。植被变化整体上呈现增加的趋势,而变化趋势的延续性相对较低。海晏、西宁和互助河道区域,以及平安、民和中部地区植被呈可延续性增加趋势。中、下游中部区域,植被变化趋势有可能在短期内发生变化,其他地区难以判断其发展趋势。
上游平均Hurst指数值为0.58,未来短期内植被整体呈随机性变化趋势。河道周边植被相对东部区域较少,呈明显增加趋势且具有良好的可延续性。源头区域和上游区域植被变化趋势有可能发生一定的变化。
中游植被整体呈良好的可延续性增加趋势,河道区Husrt指数值为0.63。下游非河道平均Husrt指数值为0.69,植被呈增加趋势且可延续性较高,非河道平均Husrt指数值为0.59,植被将呈随机性变化趋势。其他极低和无植被覆盖的戈壁区整体呈稳定不变态势,且Hurst指数值大于0.6,说明该区域植被延续这种状态的可能性较大。
要说明的是,本研究所选取的时间跨度有限,会对本研究中植被变化的可延续性研究产生限制。如果从更长时间步长上去看植被变化,就会更加复杂,不仅仅考虑到温度、降水的变化,还需要考虑径流、人类活动等产生的影响。
4 结 论
本研究基于Google Earth Engine云平台,利用EVI植被指数,分析了近20 a来湟水流域的植被变化特征,以及未来植被变化趋势和延续性,研究了温度和降水以及土地利用对植被变化的影响。研究结果为监测湟水流域的植被变化和环境保护,提供了可靠的科学根据。
2000年至2019年来,湟水流域植被整体呈现为轻微的增加趋势。湟水流域在上游、中游和下游地区的植被变化差异性较为明显,特别是湟水河道两侧区域,植被变好的趋势最为明显。植被增加的主要驱动因素是气候变暖和降水增加,在不同的区域,主导的因子也有所不同。另外,人类活动也对植被变化产生了一定的作用,特别是在西宁、平安、民和等城市发展地区。
湟水流域上游的海晏、湟源地区,植被变化的整体趋势为轻微增加,新增植被主要分布于西部山区,增加趋势明显的部分主要分布于近河道区域,主要受降水增加的影响。中游地区河道周边与非河道区的植被变化存在一定差异,减少的部分主要分布于西宁市周边区域,植被受人为因素和城市发展的影响。非河道区植被整体上呈轻微增加趋势,植被分布及增幅呈由河道向外围区域递减的分布特征。下游河道周边地区植被整体上呈明显增加趋势,且植被整体覆盖水平日趋均衡。
总的来看,湟水流域植被的增长趋势为微弱增加,短期内将延续这种变化趋势。然而,青海省城市的发展和城建区域扩建,一定程度上影响了植被的变化。因此,需要加强上游水资源管理,协调中下游城市建设和规划,维持湟水流域的植被稳定和健康发展。
参考文献
View Option
[1]
Li Xin , Liu Shaomin , Ma Mingguo , et al . HiWATER: An integrated remote sensing experiment on hydrological and ecological processes in Heihe River Basin
[J]. Advances in Earth Science , 2012 , 27 (5 ):481 -498 .
[本文引用: 1]
李新 , 刘绍民 , 马明国 , 等 . 黑河流域生态—水文过程综合遥感观测联合试验总体设计
[J]. 地球科学进展 , 2012 , 27 (5 ):481 -498 .
[本文引用: 1]
[2]
Ma Huijuan , Gao Xiaohong , Gu Xiaotian . Research on land use/land cover classification in complex topography based on random forest method
[J]. Journal of Geo-Information Science ,2019 ,21 (3 ):359 -371 .
[本文引用: 1]
马慧娟 ,高小红 ,谷晓天 .随机森林方法支持的复杂地形区土地利用/土地覆被分类研究
[J].地球信息科学学报 ,2019 ,21 (3 ):359 -371 .
[本文引用: 1]
[3]
Shi Feifei , Gao Xiaohong , Yang Lingyu , et al . Study on classification of typical crops in Huangshui watershed based on HJ-1A hyperspectral remote sensing data
[J]. Remote Sensing Technology and Application ,2017 ,32 (2 ):206 -217 .
[本文引用: 1]
史飞飞 ,高小红 ,杨灵玉 ,等 .基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究
[J].遥感技术与应用 ,2017 ,32 (2 ):206 -217 .
[本文引用: 1]
[4]
He Xiaohui , Wang Fang , Gong Jiaguo , et al . Study on regional hydrological change in Xining section of Huangshui River under climate change
[J]. Yellow River ,2015 ,37 (9 ):11 -13 ,16 .
[本文引用: 1]
赫晓慧 ,王芳 ,龚家国 ,等 .气候变化下湟水河西宁段区域水文变化研究
[J].人民黄河 ,2015 ,37 (9 ):11 -13 ,16 .
[本文引用: 1]
[5]
Ye Peilong , Zhang Qiang , Wang Ying , et al . Climate change and its effects on ecological vegetation and runoff in the upper reaches of the Yellow River during 1980—2018
[J].Acta Scien-tiae Atmosphere Sinica ,2020 ,43 (6 ):967 -979 .
叶培龙 ,张强 ,王莺 ,等 .1980—2018年黄河上游气候变化及其对生态植被和径流量的影响
[J].大气科学学报 ,2020 ,43 (6 ):967 -979 .
[6]
Zhang Tiafeng , Zhu Xide , Wang Yongjian , et al . Quantitative assessment of the impacts of climate change and human activities on runoff in the Huangshui River Basin
[J]. Resources Science ,2014 ,36 (11 ):2256 -2262 .
[本文引用: 1]
张调风 ,朱西德 ,王永剑 ,等 .气候变化和人类活动对湟水河流域径流量影响的定量评估
[J].资源科学 , 2014 ,36 (11 ):2256 -2262 .
[本文引用: 1]
[7]
Cai Chunling . Case study on environmental risk of construction project
[J]. Industrial Safety and Environmental Protection ,2010 ,36 (8 ):26 -28 .
[本文引用: 1]
蔡春玲 .建设项目环境风险实例分析
[J].工业安全与环保 ,2010 ,36 (8 ):26 -28 .
[本文引用: 1]
[8]
Li Xupu , Zhang Fuping , Wei Yongfen , et al . Research on dynamic changes of the vegetation coverage levels in Heihe River Basin
[J]. Areal Research & Development , 2013 , 32 (3 ):108 -114 .
[本文引用: 1]
李旭谱 , 张福平 , 魏永芬 , 等 . 黑河流域植被覆盖程度变化研究
[J]. 地域研究与开发 , 2013 , 32 (3 ):108 -114 .
[本文引用: 1]
[9]
Han Huibang , Ma Mingguo , Yan Ping . Periodicity analysis of NDVI time series and its relationship with climatic factors in the Heihe River Basin in China
[J]. Remote Sensing Technology and Application , 2011 , 26 (5 ): 554 -560 .
[本文引用: 1]
韩辉邦 , 马明国 , 严平 . 黑河流域 NDVI 周期性分析及其与气候因子的关系
[J]. 遥感技术与应用 , 2011 , 26 (5 ): 554 -560 .
[本文引用: 1]
[10]
Han Huibang , Ma Mingguo , Ma Shoucun , et al . Vegetation change and its climatic driving factors in Qinghai Province in recent 30 years
[J].Arid Land Research ,2017 ,34 (5 ):1164 -1174 .
[本文引用: 1]
韩辉邦 ,马明国 ,马守存 ,等 . 近30 a青海省植被变化及其气候驱动因子分析
[J].干旱区研究 ,2017 ,34 (5 ):1164 -1174 .
[本文引用: 1]
[11]
Du Mei , Zhao Jianyong . Spatiotemporal variation characteristics of vegetation cover in Huangshui River Basin based on MODIS NDVI
[J]. Journal of Qinghai University , 2020 , 38 (6 ):77 -84
[本文引用: 2]
杜梅 ,赵健赟 .基于MODIS NDVI的湟水流域植被覆盖时空变化特征分析
[J].青海大学学报 ,2020 ,38 (6 ):77 -84 .
[本文引用: 2]
[12]
Liu X , Hu G , Chen Y , et al . High-resolution multi-temporal mapping of global urban land using landsat images based on the Google Earth Engine platform
[J]. Remote Sensing of Environment , 2018 , 209 : 227 -239 .
[本文引用: 1]
[13]
Hao Binfei , Han Xujun , Ma Mingguo , et al . Research process on the application of Google Earth Engine in geoscience and environmental sciences
[J]. Remote sensing Technology and Application , 2018 , 33 (4 ):600 -611 .
郝斌飞 , 韩旭军 , 马明国 , 等 . Google Earth Engine在地球科学与环境科学中的应用研究进展
[J]. 遥感技术与应用 ,2018 ,33 (4 ):600 -611 .
[14]
Gorelick N , Hancher M , Dixon M , et al . Google Earth Engine: Planetary-scale geospatial analysis for everyone
[J]. Remote Sensing of Environment ,2017 ,202 :18 -27 . DOI:10. 1016/j.rse.2017.06.031 .
[本文引用: 2]
[15]
Kong D , Zhang Y , Gu X , et al . A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine
[J]. ISPRS Journal of Photogrammetry and Remote Sensing , 2019 , 155(SEP.):13 -24 .
[本文引用: 2]
[16]
Vermeulen L M , Munch Z , Palmer A . Fractional vegetation cover estimation in Southern African rangelands using spectral mixture analysis and Google Earth Engine
[J]. Computers and Electronics in Agriculture , 2021 , 182 (12 ):105980 .DOI:10.1016/j.compag.2020.105980 .
[17]
Tan Meibao , Ran Youhua , Su Yang , et al . Characteristics of vegetation change and its sustainability assessment in the Heihe River Basin from 2001 to 2017
[J].Remote Sensing Technology and Application , 2020 , 35 (2 ):71 -80 .
[本文引用: 1]
谭美宝 , 冉有华 , 苏阳 ,等 . 黑河流域2001~2017年植被变化特征及其可延续性评价
[J]. 遥感技术与应用 , 2020 ,35 (2 ):71 -80 .
[本文引用: 1]
[18]
Statistics Bureau of Qinghai Province Statistical Yearbook of Qinghai Province 2016 [M]. Beijing : China Statistics Press , 2016 .
[本文引用: 1]
青海省统计局 编. 青海省统计年鉴2016 [M]. 北京 :中国统计出版社 , 2016 .
[本文引用: 1]
[19]
Cai B F , Yu R . Advance and evaluation in the long time series vegetation trends research based on remote sensing
[J]. Journal of Remote Sensing , 2009 , 13 (6 ): 1170 -1186 .
[本文引用: 1]
[20]
Tamiminia H , Salehi B , Mahdianpari M , et al . Google Earth Engine for Geo-Big Data applications: A meta-analysis and systematic review
[J]. ISPRS Journal of Photogrammetry and Remote Sensing ,2020 . DOI:10.1016/j.isprsjprs.2020.04.001 .
[本文引用: 1]
[21]
Jiang W , Yuan L , Wang W ,et al . Spatio-temporal analysis of vegetation variation in the Yellow River Basin
[J]. Ecological Indicators ,2015 ,51 :117 -126 .
[本文引用: 2]
[22]
Long Shuang , Guo Zhengfei , Xu Jiao ,et al .Analysis of spatialtemporal variation characteristics of vegetation coverage in China based on Google Earth Engine
[J]. Remote Sensing Technology and Application , 2020 , 35 (2 ):326 -334 .
[本文引用: 1]
龙爽 ,郭正飞 ,徐粒 ,等 .基于Google Earth Engine的中国植被覆盖度时空变化特征分析
[J].遥感技术与应用 ,2020 ,35 (2 ):326 -334 .
[本文引用: 1]
黑河流域生态—水文过程综合遥感观测联合试验总体设计
1
2012
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
黑河流域生态—水文过程综合遥感观测联合试验总体设计
1
2012
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
随机森林方法支持的复杂地形区土地利用/土地覆被分类研究
1
2019
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
随机森林方法支持的复杂地形区土地利用/土地覆被分类研究
1
2019
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究
1
2017
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究
1
2017
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
气候变化下湟水河西宁段区域水文变化研究
1
2015
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
气候变化下湟水河西宁段区域水文变化研究
1
2015
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
1980—2018年黄河上游气候变化及其对生态植被和径流量的影响
0
2020
1980—2018年黄河上游气候变化及其对生态植被和径流量的影响
0
2020
气候变化和人类活动对湟水河流域径流量影响的定量评估
1
2014
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
气候变化和人类活动对湟水河流域径流量影响的定量评估
1
2014
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
建设项目环境风险实例分析
1
2010
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
建设项目环境风险实例分析
1
2010
... 植被的变化趋势是反映生态环境的重要指标,也是流域尺度上生态监测的首要研究要素[1 ] .湟水流域是我国西北干旱区和青藏高原的典型流域,也是重要的农业区[2 -3 ] .近几十年来,气候变化和人类活动导致了流域内的环境、土地发生很大的变化[4 -6 ] .另一方面,甘河工业园于2002年7月由青海省政府批准设立.其中大部分企业为铝业、冶炼、化肥、建材等企业,对湟水流域的环境和土壤产生了巨大的影响.例如,园区内青海云天化国际化肥有限公司的液氨贮存区可能会对环境存在重大危险[7 ] ,可能导致区域环境恶化和水资源污染,需要对其进行重点研究. ...
黑河流域植被覆盖程度变化研究
1
2013
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
黑河流域植被覆盖程度变化研究
1
2013
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
黑河流域 NDVI 周期性分析及其与气候因子的关系
1
2011
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
黑河流域 NDVI 周期性分析及其与气候因子的关系
1
2011
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
近30 a青海省植被变化及其气候驱动因子分析
1
2017
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
近30 a青海省植被变化及其气候驱动因子分析
1
2017
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
基于MODIS NDVI的湟水流域植被覆盖时空变化特征分析
2
2020
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
... 实验分析发现,9个县区的植被变化的影响因素,有一定的差异.海晏的植被年最大EVI值与年均气温相关性最高,说明主要影响因子是以气温为主.湟源的年最大EVI值与降水、气温都有一定的相关性,这表明水热条件共同影响植被的变化.而在大通、西宁、平安、乐都和民和,植被变化与年降水量的相关性显著.湟水流域海拔较高,整体呈现为上游海拔高、逐渐到下游降低的过程,也是逐渐从青藏高原向黄土高原的过渡带.温度较低,随着降水量增加和最低气温升高,更有利于植被的生长.这与杜梅等[11 ] 基于MODIS NDVI的分析结果,基本保持一致. ...
基于MODIS NDVI的湟水流域植被覆盖时空变化特征分析
2
2020
... 利用多源遥感数据研究流域尺度生态环境变化已较成熟.黑河流域遥感监测是这方面研究的典型代表,早期研究基于SPOT数据植被覆盖度分析发现黑河流域的植被覆盖整体改善[8 ] ,NDVI和气候数据综合分析发现,降水和气温是黑河流域植被变化最主要的因子[9 ] .湟水流域位于青海省东北部,最近的研究发现,整个青海省植被覆盖呈现整体升高,局部退化趋势[10 ] ,湟水流域尺度上的植被变化还有待深入研究.杜梅等[11 ] 基于2000—2018年MODIS NDVI遥感数据分析了湟水流域年NDVI时空变化及其与气候因子的关系,发现在此期间,研究区年均NDVI在0.61以上,植被覆盖较高,在2000—2018年期间没有显著突变年份,植被覆盖呈上升及显著上升趋势的区域占湟水流域总面积的88.52%.这些研究一定程度上反映了湟水流域植被的变化情况,但还需要提高研究的空间精细程度,以便揭示引起植被变化空间异质性的驱动因子. ...
... 实验分析发现,9个县区的植被变化的影响因素,有一定的差异.海晏的植被年最大EVI值与年均气温相关性最高,说明主要影响因子是以气温为主.湟源的年最大EVI值与降水、气温都有一定的相关性,这表明水热条件共同影响植被的变化.而在大通、西宁、平安、乐都和民和,植被变化与年降水量的相关性显著.湟水流域海拔较高,整体呈现为上游海拔高、逐渐到下游降低的过程,也是逐渐从青藏高原向黄土高原的过渡带.温度较低,随着降水量增加和最低气温升高,更有利于植被的生长.这与杜梅等[11 ] 基于MODIS NDVI的分析结果,基本保持一致. ...
High-resolution multi-temporal mapping of global urban land using landsat images based on the Google Earth Engine platform
1
2018
... 地球大数据平台谷歌地球引擎(Google Earth Engine, GEE)能够为快速实现流域尺度生态环境监测提供大数据处理云平台.GEE由Google公司联合卡内基梅隆大学和美国USGS开发,集成了近40 a的全球海量遥感数据,每天更新约4 000幅影像[12 -14 ] .GEE平台还集成了近800多种算法,能够快速实现机器学习等技术的图像处理工作[15 ] .GEE云平台可高效在线处理海量数据,解决了遥感大数据处理问题.传统的影像处理工具也可在GEE平台实现在线高效处理大规模地理数据集,有效解决遥感大数据的处理难题[14 ] . ...
Google Earth Engine在地球科学与环境科学中的应用研究进展
0
2018
Google Earth Engine在地球科学与环境科学中的应用研究进展
0
2018
Google Earth Engine: Planetary-scale geospatial analysis for everyone
2
2017
... 地球大数据平台谷歌地球引擎(Google Earth Engine, GEE)能够为快速实现流域尺度生态环境监测提供大数据处理云平台.GEE由Google公司联合卡内基梅隆大学和美国USGS开发,集成了近40 a的全球海量遥感数据,每天更新约4 000幅影像[12 -14 ] .GEE平台还集成了近800多种算法,能够快速实现机器学习等技术的图像处理工作[15 ] .GEE云平台可高效在线处理海量数据,解决了遥感大数据处理问题.传统的影像处理工具也可在GEE平台实现在线高效处理大规模地理数据集,有效解决遥感大数据的处理难题[14 ] . ...
... [14 ]. ...
A robust method for reconstructing global MODIS EVI time series on the Google Earth Engine
2
2019
... 地球大数据平台谷歌地球引擎(Google Earth Engine, GEE)能够为快速实现流域尺度生态环境监测提供大数据处理云平台.GEE由Google公司联合卡内基梅隆大学和美国USGS开发,集成了近40 a的全球海量遥感数据,每天更新约4 000幅影像[12 -14 ] .GEE平台还集成了近800多种算法,能够快速实现机器学习等技术的图像处理工作[15 ] .GEE云平台可高效在线处理海量数据,解决了遥感大数据处理问题.传统的影像处理工具也可在GEE平台实现在线高效处理大规模地理数据集,有效解决遥感大数据的处理难题[14 ] . ...
... 针对上述问题,本研究参考前人研究[15 -17 ] ,利用GEE平台所提供的2000—2019年的MODIS EVI(Enhanced Vegetation Index)数据及其在线处理流程,分析湟水流域近20 a的植被变化特征,在此基础上,构建Hurst指数预测植被变化趋势,并研究植被变化的异质分布及其对气候、环境因子的影响,为湟水流域的综合管理、青海省可持续发展等决策提供技术支持. ...
Fractional vegetation cover estimation in Southern African rangelands using spectral mixture analysis and Google Earth Engine
0
2021
黑河流域2001~2017年植被变化特征及其可延续性评价
1
2020
... 针对上述问题,本研究参考前人研究[15 -17 ] ,利用GEE平台所提供的2000—2019年的MODIS EVI(Enhanced Vegetation Index)数据及其在线处理流程,分析湟水流域近20 a的植被变化特征,在此基础上,构建Hurst指数预测植被变化趋势,并研究植被变化的异质分布及其对气候、环境因子的影响,为湟水流域的综合管理、青海省可持续发展等决策提供技术支持. ...
黑河流域2001~2017年植被变化特征及其可延续性评价
1
2020
... 针对上述问题,本研究参考前人研究[15 -17 ] ,利用GEE平台所提供的2000—2019年的MODIS EVI(Enhanced Vegetation Index)数据及其在线处理流程,分析湟水流域近20 a的植被变化特征,在此基础上,构建Hurst指数预测植被变化趋势,并研究植被变化的异质分布及其对气候、环境因子的影响,为湟水流域的综合管理、青海省可持续发展等决策提供技术支持. ...
1
2016
... 湟水流域地处青藏高原边缘与黄土高原过渡地带,气候条件温暖湿润,是青海省主要的农业产地和人口密集区.湟水流域由河谷冲积平原和黄土丘陵构成,西北高,东南低.年均气温约为6.4 ℃,降水主要集中在夏季,年平均降水量约为306 mm,属于干旱半干旱大陆性气候.青海省省会西宁市就位于湟水流域内,湟水流域内人口329万,占全省人口的50%以上,工业总产值约占全省的70%以上,对青海省社会经济全面发展具有战略地位[18 ] . ...
1
2016
... 湟水流域地处青藏高原边缘与黄土高原过渡地带,气候条件温暖湿润,是青海省主要的农业产地和人口密集区.湟水流域由河谷冲积平原和黄土丘陵构成,西北高,东南低.年均气温约为6.4 ℃,降水主要集中在夏季,年平均降水量约为306 mm,属于干旱半干旱大陆性气候.青海省省会西宁市就位于湟水流域内,湟水流域内人口329万,占全省人口的50%以上,工业总产值约占全省的70%以上,对青海省社会经济全面发展具有战略地位[18 ] . ...
Advance and evaluation in the long time series vegetation trends research based on remote sensing
1
2009
... 本研究的关键是评价时间序列变化趋势,为此选择了Hurst指数来描述其时间变化的可延续性[19 ] ,Hurst指数的优势在于可以检测时间序列数据的随机性与波动性,可分析植被变化的年际特征.目前,该指数已经广泛应用于气候变化、生态、水文等众多研究领域[20 ] .其中,Hurst指数用来分析湟水流域未来短期内的植被变化趋势,采用了重标极差分析方法(R/S)计算,其中,植被变化的时间序列为E V I i ,计算过程如下[21 ] : ...
Google Earth Engine for Geo-Big Data applications: A meta-analysis and systematic review
1
2020
... 本研究的关键是评价时间序列变化趋势,为此选择了Hurst指数来描述其时间变化的可延续性[19 ] ,Hurst指数的优势在于可以检测时间序列数据的随机性与波动性,可分析植被变化的年际特征.目前,该指数已经广泛应用于气候变化、生态、水文等众多研究领域[20 ] .其中,Hurst指数用来分析湟水流域未来短期内的植被变化趋势,采用了重标极差分析方法(R/S)计算,其中,植被变化的时间序列为E V I i ,计算过程如下[21 ] : ...
Spatio-temporal analysis of vegetation variation in the Yellow River Basin
2
2015
... 本研究的关键是评价时间序列变化趋势,为此选择了Hurst指数来描述其时间变化的可延续性[19 ] ,Hurst指数的优势在于可以检测时间序列数据的随机性与波动性,可分析植被变化的年际特征.目前,该指数已经广泛应用于气候变化、生态、水文等众多研究领域[20 ] .其中,Hurst指数用来分析湟水流域未来短期内的植被变化趋势,采用了重标极差分析方法(R/S)计算,其中,植被变化的时间序列为E V I i ,计算过程如下[21 ] : ...
... 其中:Hurst指数用H表示,是上述方程中的斜率;C为常数,为回归方程的截距,对方程两边同时取对数变形得到如下公式[21 ] : ...
基于Google Earth Engine的中国植被覆盖度时空变化特征分析
1
2020
... 湟水流域下游区的年EVI最大值变化最明显,且以民和地区的变化波动性最显著.民和和乐都的变化趋势值分别为0.008 9和0.006 3,是9个县区中最高的两个县域,说明该区域的植被有了很大的改善.根据图2 的变化趋势分布图,湟水流域下游的植被整体低于上游的植被状况.2000年民和的最大EVI均值为0.329,而当时海晏的年最大植被EVI指数均值为0.491.因而,变化趋势方面,民和增加的程度远远高于上游区域.一方面,是由于水热条件的改善,另一方面,是上游的植被发育到饱和阶段,处于一个长期稳定的发展阶段.下游植被的改善,从整个区域来看相对较微弱.龙爽等[22 ] 的研究发现,省级尺度来看,青海植被覆盖度年际波动是所有省中最小的3个省之一.这与本文研究趋势是一致的,湟水流域的变化,一定程度上也反映了青海整体的情况. ...
基于Google Earth Engine的中国植被覆盖度时空变化特征分析
1
2020
... 湟水流域下游区的年EVI最大值变化最明显,且以民和地区的变化波动性最显著.民和和乐都的变化趋势值分别为0.008 9和0.006 3,是9个县区中最高的两个县域,说明该区域的植被有了很大的改善.根据图2 的变化趋势分布图,湟水流域下游的植被整体低于上游的植被状况.2000年民和的最大EVI均值为0.329,而当时海晏的年最大植被EVI指数均值为0.491.因而,变化趋势方面,民和增加的程度远远高于上游区域.一方面,是由于水热条件的改善,另一方面,是上游的植被发育到饱和阶段,处于一个长期稳定的发展阶段.下游植被的改善,从整个区域来看相对较微弱.龙爽等[22 ] 的研究发现,省级尺度来看,青海植被覆盖度年际波动是所有省中最小的3个省之一.这与本文研究趋势是一致的,湟水流域的变化,一定程度上也反映了青海整体的情况. ...