GEE云平台支持下的西天山森林遥感监测与时空变化分析

doi:10.13474/j.cnki.11-2246.2020.0240

测绘通报 ›› 2020, Vol. 0 ›› Issue (8): 13-17.doi: 10.13474/j.cnki.11-2246.2020.0240

GEE云平台支持下的西天山森林遥感监测与时空变化分析

邵亚奎¹, 王蕾², 朱长明¹, 方晖³, 张新⁴, 黄端⁵, 陶莉¹

1. 江苏师范大学地理与测绘学院, 江苏徐州 221116;
2. 新疆林业科学院现代林业研究所, 新疆乌鲁木齐 830063;
3. 中国科学院新疆生态与地理研究所, 新疆乌鲁木齐 830011;
4. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室, 北京 100101;
5. 东华理工大学测绘工程学院, 江西南昌 330013

收稿日期:2020-03-18 出版日期:2020-08-25 发布日期:2020-09-01
通讯作者: 朱长明。E-mail:zhuchangming@jsnu.edu.cn E-mail:zhuchangming@jsnu.edu.cn
作者简介:邵亚奎(1992-),男,硕士生,主要研究方向为遥感与GIS应用。E-mail:syk227816_gis@163.com
基金资助:
国家重点研发计划（2017YFB0504201）；中国科学院战略性先导科技专项课题（XDA05050202）

Forest survey and spatio-temporal analysis in West Tianshan mountains supported by Google Earth Engine

SHAO Yakui¹, WANG Lei², ZHU Changming¹, FANG Hui³, ZHANG Xin⁴, HUANG Duan⁵, TAO Li¹

1. College of Geography and Geomatics, Jiangsu Normal University, Xuzhou 221116, China;
2. Research Institute of Modern Forestry, Xinjiang Academy of Forestry, Urumqi 830063, China;
3. Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China;
4. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China;
5. Faculty of Geomatics, East China University of Technology, Nanchang 330013, China

Received:2020-03-18 Online:2020-08-25 Published:2020-09-01

摘要/Abstract

摘要： 针对区域大尺度森林遥感调查、精确信息提取和时间序列变化监测过程中存在的数据挑选困难、计算效率较低、提取精度不高等问题，本文基于谷歌云计算平台（GEE）强大的海量遥感数据组织、存储和计算功能，根据新疆干旱区森林资源的空间分布特点，结合多源遥感数据和地理要素数据集，首先构建了光谱+纹理+地形等多维分类特征集；然后在地理国情监测森林地面调查样本数据的协助下建立了西天山森林分类样本数据库；进而采用随机森林分类算法实现了对西天山森林1995、2000、2005、2010、2015和2018年6期自动分类；最后通过云端与本地相结合完成了森林资源遥感分类数据编辑检查、制图与分析。研究结果表明：①1995-2018年西天山森林总体呈动态扩张趋势，森林分布面积从1995年的3 953.6 km²年增加到2018年的4 243.2 km²，增长速率为12.6 km²/a；在结构组成上，西天山森林以针叶林为主，阔叶林、灌木林、针阔混交林较少。②在时间变化过程上，西天山森林的扩张态势呈现缓中增强，2005-2018年增长速率要明显高于1995-2005年。③在空间变化特征上，不同森林类型之间的转化很少，新增林地主要来自非林地，2000年以来非林地转林地的面积约为520 km²。非林地转化为林地区域主要集中在特克斯县分局、尼勒克县分局、昭苏县分局、新源林场、巩留分局、伊宁分局，转入面积分别为111.14、102.19、67.16、56.45、42.76、40.71 km²。

关键词: 林业遥感, GEE云计算, 时空变化, 随机森林, 西天山

Abstract: Aiming at the problems of difficult data acquisition, low calculation efficiency, large amount of data and low accuracy in large-scale spatial distribution information extraction and long-time series change monitoring, supported by the Google Earth Engine platform, based on multi-source remote sensing data, a multi-dimensional classification feature set is constructed, and the forest extraction and classification of West Tianshan mountains in 1995, 2000, 2005, 2010, 2015 and 2018 are studied by random forest classification algorithm. Six periods of forest high-precision extraction and mapping analysis are completed by cloud-local combination. The results show that the process constructed in this paper has high accuracy. During the past 23 years, the forest area in West Tianshan mountains has been expanding dynamically, increasing from 3 953.57 km² in 1995 to 4 243.41 km² in 2018, with an increasing rate of 12.60 km²/a. In terms of time, the growth rate of forest has been rising steadily in the past 23 years. The growth rate in 2005-2018 is higher than that in 1995-2015. In terms of spatial distribution, there are few conversions between different forest types. The newly added forest land mainly comes from non-forest land. The area of non-forest land converted to forest land has been about 520 km² in the past 23 years. The Tex county branch, Nileke country branch, Zhaosu county branch, Xinyuan forest farm, Gongliu branch, and Yining branch have transferred areas of 111.14, 102.19, 67.16, 56.45, 42.76, and 40.71 km².

Key words: forest remote sensing, GEE cloud caculation, spatio-temporal change, random forest, West Tianshan mountains

中图分类号:

P237

邵亚奎, 王蕾, 朱长明, 方晖, 张新, 黄端, 陶莉. GEE云平台支持下的西天山森林遥感监测与时空变化分析[J]. 测绘通报, 2020, 0(8): 13-17.

SHAO Yakui, WANG Lei, ZHU Changming, FANG Hui, ZHANG Xin, HUANG Duan, TAO Li. Forest survey and spatio-temporal analysis in West Tianshan mountains supported by Google Earth Engine[J]. Bulletin of Surveying and Mapping, 2020, 0(8): 13-17.

参考文献

[1] 唐守正.中国森林资源及其对环境的影响[J].生物学通报,1998,33(11):2-6.
[2] 李虎,吕巡贤,陈蜀疆,等.新疆森林资源动态分析——基于RS与GIS的森林资源动态研究[J].地理学报,2003,58(1):133-138.
[3] 黄龙生,王兵,牛香,等.东北和内蒙古重点国有林区天然林保护工程生态效益分析[J].中国水土保持科学, 2017,15(1):89-96.
[4] OUYANG Z, ZHENG H, XIAO Y, et al. Improvements in ecosystem services from investments in natural capital[J]. Science, 2016, 352(6292):1455-1459.
[5] 加尔肯居马肯·爱特, 朱海涌. 伊犁河谷生态功能区划探讨[J]. 环境科学与管理, 2009, 34(4):140-142.
[6] 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.
[7] 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(4):600-611.
[8] HANSEN M C, POTAPOV P V, MOORE R, et al. High-resolution global maps of 21st-century forest cover change[J]. Ecological Science, 2013,342(6160):850-853.
[9] GONG P, LIU H, ZHANG M N, et.al. Stable classification with limited sample:transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019,64(6):370-373.
[10] WANG J, XIAO X, QIN Y, et al. Mapping the dynamics of eastern redcedar encroachment into grasslands during 1984-2010 through PALSAR and time series Landsat images[J]. Remote Sensing of Environment, 2017, 190:233-246.
[11] 闫俊杰, 张静, 雷雨, 等. 2000-2016年新疆伊犁河谷草地NDVI变化趋势分析[J]. 草地学报, 2018, 26(4):72-81.
[12] FARR T G, ROSEN P A, CARO E, et al. The shuttle radar topography mission[J]. Reviews of Geophysics, 2007, 45(2):1-33.
[13] 段均泽, 毛炜峄, 黄逸静, 等. 近56 a伊犁河谷冷空气过程气候变化特征[J]. 干旱气象, 2018, 36(5):46-54.
[14] 肖德顺, 赵义峰, 安志清. 伊犁地区降水特征及变化趋势分析[J]. 干旱区资源与环境, 2006,20(4):49-52.
[15] BREIMAN L, CUTLER R A. Random forests machine learning[J]. Journal of Clinical Microbiology, 2001(2):199-228.
[16] 冯文卿,眭海刚,涂继辉,等. 高分辨率遥感影像的随机森林变化检测方法[J]. 测绘学报,2017,46(11):90-100.

GEE云平台支持下的西天山森林遥感监测与时空变化分析

Forest survey and spatio-temporal analysis in West Tianshan mountains supported by Google Earth Engine

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[2]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[3]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[4]	赵侃, 师芸, 牛敏杰. Google Earth Engine平台下秦岭地区植被覆盖时空变化分析[J]. 测绘通报, 2022, 0(5): 49-55.
[5]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[6]	王丽蒙, 王加胜, 杨昆, 王志敏, 粟凡婕, 陈鑫亚. 1990—2019年石漠化区耕地时空特征及成因分析——以富源县为例[J]. 测绘通报, 2022, 0(4): 77-82.
[7]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[8]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[9]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[10]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[11]	李军, 桑潇, 张成业, 赵伟, 刘新华, 王宏鹏, 王金阳, 李佳瑶, 杨颖. 资源型城市长时间序列土壤含水量变化分析——以锡林浩特市为例[J]. 测绘通报, 2021, 0(7): 17-22,38.
[12]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[13]	古春霞, 李大成. 时空融合技术在区域地表覆盖时序分类中的应用[J]. 测绘通报, 2021, 0(5): 20-24.
[14]	高照忠, 魏海霞, 黄铁兰. 粤港澳大湾区土地覆盖及景观格局时空变化分析[J]. 测绘通报, 2021, 0(5): 25-29.
[15]	苏美臣, 魏晓燕, 周峻松, 汪祎勤. 金沙江流域滑坡易发性空间预报分析[J]. 测绘通报, 2021, 0(4): 13-16.