1990~2015年吉林省西部耕地变化与“旱改水”时空特征研究

以Landsat遥感影像为数据源,利用面向对象和决策树方法获得多期土地覆被数据;以此为基础,分析了1990~2015年吉林省西部耕地变化与旱田水田转化特征及驱动因素。结果表明：1990~2015年期间,吉林省西部耕地面积增加了2159.33 km²,增速逐渐变缓。旱田面积在1990~2000和2000~2010年期间有小幅增加,但在2010~2015年期间呈减少趋势。水田面积持续扩张,25年间增加了1139.39 km²（51.7%）,旱田净转化为水田的面积不断增加,1990~2000年为69.13 km²,2000~2010年为156.19 km²,2010~2015年为288.27 km²。人口和经济的增长是导致耕地面积迅速增长的主要原因,影响水田面积扩张和旱田向水田转化的驱动因素有：科技进步、水利设施建设、政策倾向和利益驱动。最后提出了吉林省西部地区耕地保护的建议,为区域农业生产和生态建设提供科学借鉴。     

1990~2015年吉林省西部耕地变化与“旱改水”时空特征研究

以Landsat遥感影像为数据源，利用面向对象和决策树方法获得多期土地覆被数据；以此为基础，分析了1990~2015年吉林省西部耕地变化与旱田水田转化特征及驱动因素。结果表明：1990~2015年期间，吉林省西部耕地面积增加了2159.33 km²，增速逐渐变缓。旱田面积在1990~2000和2000~2010年期间有小幅增加，但在2010~2015年期间呈减少趋势。水田面积持续扩张，25年间增加了1139.39 km²（51.7%），旱田净转化为水田的面积不断增加，1990~2000年为69.13 km²，2000~2010年为156.19 km²，2010~2015年为288.27 km²。人口和经济的增长是导致耕地面积迅速增长的主要原因，影响水田面积扩张和旱田向水田转化的驱动因素有：科技进步、水利设施建设、政策倾向和利益驱动。最后提出了吉林省西部地区耕地保护的建议，为区域农业生产和生态建设提供科学借鉴。     

基于面向对象分类方法的乌苏里江流域中俄跨境区域湿地景观动态研究

选取乌苏里江中下游干流50km缓冲区为研究区,以1989、2000和2013年的Landsat TM、OLI遥感影像为数据源,利用面向对象的分类方法获取湿地信息;在GIS技术支持下,选取斑块类别面积(CA)、面积所占比例(PLAND)、最大斑块面积指数(LPI)、平均斑块面积(AREA-MN)、斑块数(NP)、斑块密度(PD)等景观格局指数,分析了研究区1989~2013年湿地的景观格局动态特征。结果表明:面向对象的分类方法能够准确提取湿地信息,并且有效地避免"椒盐现象";1989~2013年,该区水田、水库/坑塘、运河/水渠、灌丛沼泽增加和河流、湖泊、草本沼泽、森林沼泽减少;大量草本沼泽转为水田为该区湿地变化主要特征;1989年湿地类型以草本沼泽为主,2013年水田的斑块面积略高于草本沼泽斑块面积;湿地景观变化区主要分布于中国一侧的挠力河流域和穆棱河流域;天然湿地景观破碎化程度逐年加深,人工湿地景观趋于聚集,人为干扰是导致湿地景观格局变化的主要动力;中俄两国境内湿地景观变化程度差异显著,中国境内大量天然湿地转为人工湿地;俄罗斯境内的湿地变化微小,天然湿地保存较好。农田垦殖是导致两国湿地景观破碎程度差异的主要原因。     

西安城区土地利用/覆被变化及生态效应测评研究

利用两期遥感影像,以ArcGIS9.0和ERDAS8.5为平台分析了西安市2000~2007年间土地利用时空变化过程;并对研究区2000~2007 年间土地利用变化引起的生态效应变化进行了测评;结果表明：7 a间西安城区土地利用/覆被变化显著,综合土地动态度为1.9%,建设用地面积逐年增加,年变化率为3.1%;耕地、未利用地、园地、水体面积有所减少,西安城区的生态系统服务价值从2000年的259.8 ×106元减少到2007年的233.6×106元,共减少了26.2×106元;经证实用遥感与地理信息系统技术研究因土地利用/覆被变化引起的生态响应是一种有效的方法。     

基于遥感技术的大亚湾海岸线的变迁研究

利用Landsat卫星数据,经边缘检测、彩色合成图像处理方法,分析大亚湾海岸的岸相特征,提取海岸线,研究大亚湾海岸近20 a来1987年~2005年）的变化特征。结果显示,大亚湾海岸线变化主要受人为因素影响,岸线变迁最大的是泥质海岸带,沙质和基岩海岸的变化较小。岸线变化主要集中在西岸和北岸,以养殖开发、工业用地、城镇和港口建设用地开发为主。
     

基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析

海岸带湿地具有重要的生态价值和经济开发价值,明确其时空变化特征与影响因素对于维持区域生态系统平衡和可持续发展具有重要意义。以Landsat TM/ETM+/OLI影像为基本数据源,综合利用面向对象与深度学习分类方法对1985~2015年闽东南低海拔海岸带地区的湿地信息进行提取,以揭示其时空演变特征与驱动力因素。结果表明：基于面向对象—深度学习分类方法对湿地进行信息提取,整体分类精度可达93%以上,分类结果整体性好;1985~2015年自然湿地面积呈减少趋势,人工湿地面积呈增加趋势,分别减少和增加250.31 km²和251.36 km²;湿地二级类型中,30 a间河口/浅海水域和淤泥质海滩面积减少最大,盐田/水产养殖场面积增加最大;1985~2015年湿地变化类型多样,且2000~2015年较1985~2000年湿地变化更为剧烈;湿地变化是人类活动和自然环境变化共同作用的结果,其中人类活动是影响湿地变化的主要原因。该方法及研究结果可为海岸带湿地监测与保护管理提供技术支持和决策参考。     

基于遥感的祁连山东部冷龙岭冰川变化研究

利用1970年的地形图,1995、1999、2002和2009年的Landsat\|TM/ETM遥感影像,通过遥感图像处理和GIS技术对祁连山冷龙岭地区的冰川变化进行研究。结果表明：研究区的冰川面积1990年以来变化显著,1995年冰川面积比1970年减少了13.79%,1999年冰川面积比1995年减少了21.96%,2002年冰川面积比1999年减少了10.54%,2009年冰川面积比2002年减少了6.35%。选取研究区不同规模的18条典型冰川进行面积长度的变化分析,总体情况与前面一致。     

洪泽湖区土地利用/覆盖变化分析

利用1973年、1984年和2006年3期Landsat卫星遥感图像,分别对校正处理后的3期图像进行缨帽变换,并利用亮度、绿度和湿度这3个分量的差值运算进行信息复合。然后利用变化向量分析法确定复合图像中的变化和非变化像元之间的变化强度阈值。最后利用阈值分割和掩膜技术,对3期图像进行土地利用/覆盖变化监测。研究表明,近33年来洪泽湖区土地利用结构发生根本性改变：天然湿地面积大幅度缩减,1973年~1984年间减少了200.55km2,1984年~2006年间减少了357.04km2,主要表现为敞水区和湿地植被面积的减少,养殖场、农田面积显著增加,城镇用地略有增加。本文研究表明基于缨帽变换并结合差值运算方法和变化向量分析法实现土地利用/覆盖变化监测的可行性。     

不同工程海域围填和岸线利用差异的遥感研究

通过天津中心渔港、宁德核电厂、珠海货煤码头围填前后SPOT-5/6遥感影像的信息提取和比较,分析3个工程海域围填和岸线利用的差异。研究表明:天津中心渔港以垂岸向海为主的建设形态更有利于岸线的节约利用,其围填效率1.46km~2/km、岸线增长1 362.60%,均数倍于后两者,综合各指标判定其海域围填和岸线利用效率为三者中最高。后两者均以沿岸铺开建设为主,且横纵比相近,但宁德核电厂采用的海岛包围式围填导致的岸线损失大,使其围填效率仅约是珠海货煤码头的1/3。围填方式、平面建设形态(横纵比)、围填效率、岸线消长比例共同决定了海域围填和岸线利用的效率。这些因素可以通过工程平面设计的改进来优化,以提高海岸资源利用效率,减少资源占用及其环境影响。     

利用决策树分类方法的南京江宁水稻面积变化研究

自从2000年12月江宁撤县设为南京市江宁区以来,2002年~2010年期间许多农田现在变成了高楼大厦。该文以南京市江宁区水稻田为研究对象,以江宁区2002年、2006年以及2010年的遥感影像为主要信息源,利用决策树分类的方法,通过坡度、湿度、NDVI等决策因子,根据野外实地勘测调查数据对比,提取出江宁区的水稻田,再通过驱动因子分析,用地理加权回归方法找出主要影响因子,加上空间分布格局的动态分析,从而比较出在这段时间内南京江宁区水稻田的变化情况。研究表明:1江宁区在2002年~2010年内水稻田面积减少了约690km2,约70%的稻田变为其他用地,变化非常明显;2主要影响面积变化的驱动因子是人类居住活动范围的变化;3水稻田的空间格局在2002年~2010年间聚集性减弱,破碎化趋势加强。     

近岸水域悬浮物的遥感分析

利用多时相的卫星遥感影像Landsat TM／ETM＋为数据源，对厦门近岸水域悬浮物浓度分布及其变化趋势进行了研究分析。研究发现修正后的归一化水体提取指数（MNDWI）能很好地剔除非水体信息，研究应用该指数法并结合矢量层数据对研究区进行了准确提取。由于红光波段与悬浮物浓度呈现较好的线性相关性，研究将利用该波段数据来反映悬浮物浓度状况。利用建立的浓度等级划分标准对不同时相影像进行浓度等级划分，并采用分级后比较和影像差值法等变化检测技术清晰地反映了不同年份间悬浮物浓度的时空变化。研究结果显示，厦门近岸水域悬浮物污染状况总体较好，但是研究年份间悬浮物浓度均值仍呈升高趋势，升高的区域主要位于九龙江入海口和同安湾。     

不同地表参数变化的上海市热岛效应时空分析

研究地表参数变化与热岛效应的关系对优化城市功能分区以及城市可持续发展具有重要意义。采用上海市2000、2005、2009年3个时期的Landsat ETM+卫星遥感影像,使用归一化不透水面指数(NDISI)、基于指数的植被指数(IVI)、归一化差异水体指数(MNDWI)分别从遥感影像中提取不透水面、植被和水体;然后从时间、空间角度并采用回归分析方法分析了上海市地表参数在这9 a中发生的变化及其对城市热环境造成的影响。结果表明:9 a中城市不透水面面积大幅增加,不透水面增加的代价是植被和水体大范围减少,形成了城市的热岛。上海市整体热岛强度是先增强后缓慢减弱的趋势,且热岛分布从集中型向分散型发展。     

Urban areas extraction from multi sensor data based on machine learning and data fusion

Accurate urban areas information is important for a variety of applications, especially city planning and natural disaster prediction and management. In recent years, extraction of urban structures from remotely sensed images has been extensively explored. The key advantages of this imaging modality are reduction of surveying expense and time. It also elevates restrictions on ground surveys. Thus far, much research typically extracts these structures from very high resolution satellite imagery, which are unfortunately of relatively poor spectral resolution, resulting in good precision yet moderate accuracy. Therefore, this paper investigates extraction of buildings from middle and high resolution satellite images by using spectral indices (Normalized Difference Building Index: NDBI, Normalized Difference Vegetation Index: NDVI, Soil Adjustment Vegetation Index: SAVI, Modified Normalized Difference Index: MNDWI, and Global Environment Monitoring Index: GEMI) by means of various Machine Learning methods (Artificial Neural Network: ANN, K-Nearest Neighbor: KNN, and Support Vector Machine: SVM) and Data Fusion (i.e., Majority Voting). Herein empirical results suggested that suitable learning methods for urban areas extraction are in preferring order Data Fusion, SVM, KNN, and ANN. Their accuracies were 85.46, 84.86, 84.66, and 84.91%, respectively.     

利用植被覆盖度-地表温度特征空间提取厦门市土壤湿度信息

土壤湿度是水文学、气象学以及农业科学研究领域的一个重要参数。利用1989年和1996年两个时相Landsat TM遥感卫星影像来获取厦门的植被覆盖度和地表温度,并由此构建了植被覆盖度和地表温度组成的特征空间,最后利用该特征空间反演了土壤湿度,并分析湿度在两个时相中的变化情况。结果显示,在所研究的时间段内,厦门西南老城区的湿度得到增加。但是在东北部城市建成区扩展的地区,土壤湿度则明显降低。     

基于客观阈值与随机森林Gini指标的水体遥感指数对比

利用福建福州、西藏尼玛和澳大利亚弗伦奇3地代表不同水体类型的Sentinel-2A MSI和Landsat-8 OLI数据,采用客观阈值法（0阈值）和随机森林重要性评估法,比较和分析了改进型归一化差值水体指数（Modified Normalized Difference Water Index, MNDWI）、自动水体提取指数（Automated Water Extraction Index, AWEI）和水体指数2015 （Water Index 2015, WI2015） 这3种世界常用的水体指数之间的差异。从水体增强的效果来看,MNDWI增强的水体不仅具有丰富的信息还具有鲜明的对比度,AWEI和WI2015增强的水体信息的对比度相对偏弱。精度验证表明：3种指数提取的水体精度都较高,但MNDWI在3个地区的平均总精度略高于WI2015和AWEI,3者的平均总精度分别为91.83 %、91.16 %和90.07 %。在提取细小水体方面,MNDWI的能力强于其他2种指数,在阴影较为明显的高原山地区域,MNDWI提取水体的效果优于AWEI和WI2015。进一步采用随机森林的Gini指标进行的重要性评估表明,MNDWI在区分水体和非水体的分类中表现出了很强的重要性,尤其在Sentinel-2A MSI数据中表现得更为突出,而WI2015和AWEI的重要性则相对较弱。     

城市不透水面及其与城市热岛的关系研究-以泉州市区为例

利用Landsat TM卫星影像提取了泉州市1989到1996年的城市建成区不透水面,并研究了其与城市热岛之间的关系。根据Ridd(1995)提出的城市建成区不透水面与植被覆盖度有很强的负相关关系的思想,先利用归一化植被指数求出泉州市建成区的植被覆盖度,进而提取了泉州市建成区的不透水面。通过比较所提取的两个时相不透水面信息,可以看出泉州市区不透水面的面积在7年里有了明显的增加,并主要沿研究区东南部扩展。通过将所提取的不透水面信息与利用TM6波段反演的地表温度进行相关分析,可发现二者之间存在着明显的正相关关系。     

不同指数法在地表水体提取中的效果比较

由于遥感技术能够快速、高效地获取地表水体的时空分布特征,目前基于影像提取内陆水体的方法很多,但针对不同类型的水域,哪一种方法提取效果更好,是值得探讨的问题。以天健湖、须水河和黄河郑州段3个水域为研究对象,基于GF-2,Landsat 8,SPOT5卫星影像,采用水体、植被指数法等几种方法提取水域部分。通过分析提取效果,得出:对于水体较浅的天健湖,无论是GF-2还是Landsat 8影像,提取效果较好的方法是水体指数法,提取效果较差的均为单波段阈值法;对于相对较深的须水河,无论是GF-2还是Landsat 8影像,提取效果较好的方法是植被指数法,提取效果较差的均为单波段阈值法;对于含沙量较大、有细小水体的黄河水域,提取效果相对较好的是水体指数法,较差的是单波段阈值法和植被指数法。表明:在基于影像提取水体时,首先应弄清水域的情况,以采用相应的遥感指数。     

基于压缩数据维的城市建筑用地遥感信息提取

通过压缩数据维的方式，研究城市建筑用地信息准确提取的原理和方法。通过对城市土地利用类型的分析，选取了归一化差异建筑指数、修正归一化差异水体指数和土壤调节植被指数来代表城市建成区的3种最主要地类——建筑用地、水体和植被。通过将ETM 影像原有的7个波段压缩为由它们衍生的这3个采用比值运算构成的指数波段，大大压缩了数据维数、减少了数据的相关度并降低了不同地类的光谱混淆性。因此采用简单的最大似然分类和掩膜处理技术，就可以将城市建筑用地信息提取出来，其精度可达91．2％。     

4种混合像元分解方法在沿海丘陵城市地表组分分析中的比较研究

近年来混合像元分解在城市地表组分监测与分析中的应用逐渐成为城市遥感的一个热点。目前多数研究选择内陆或沿海平原城市作为研究区,并在分解之前把水体作为干扰因素掩膜去除,以获得较好的分解结果,并符合V-I-S(Vegetation-Impervious Surface-Soil)概念模型。以沿海丘陵城市厦门为研究对象,使用4种方法对2007年1月8日TM影像进行混合像元分解,对分解结果的有效性进行了比较,并使用2006年12月25日SPOT5影像对分解结果的精度进行评估和比较。结果表明：在厦门这种沿海丘陵城市,去水的3端元方法会引起阴坡植被与不透水面之间的光谱混淆,而包含水体的4端元方法则能得到更好的分解结果,光谱归一化对于分解结果并没有太大的改善。下一步将通过更多的试验来获得适合沿海丘陵城市的最佳光谱混合像元分解方法。     

Changes of Major Lakes in Central Asia and Analysis of Key Influencing Factors

The five Central Asian countries are located in the inland areas with a serious shortage of water resources and the lakes are the main support for the ecosystem in the area.Due to the lack of long-term information support both in the year and in the intervening years，it is difficult to fully understand the characteristics of the major lakes in the five Central Asian countries.In this study，MODIS 8-day reflectivity products were used as data sources from 2001 to 2016，and the Normalized Difference Water Index (NDWI) method was used to extract the water body area.The annual and inter-annual water surface of 9 major lakes in Central Asia Change Characteristics and Key Influence Factors.The results show that:(1) Lake water surface changes in the five Central Asian countries are affected by anthropogenic disturbance and climate change.The annual and interannual time series of the lake tail and alpine enclosed lake show different trend and fluctuation characteristics;(2) the changes of the Aral sea in the south and north are most obvious.The surface area of the South Aral Sea has decreased obviously in recent 15 years，reducing the area by more than 70%，while the North Aral Sea fluctuates with the variation of precipitation.(3) the total area of the sub-main lakes has been declining.The area has shrunk by 23.51% over the past 15 years.The South Aral Sea is a contributor to the statistical decrease of all lakes.However，the surface area of other lakes shows an increasing trend.