Google Earth Engine云平台下的遥感实验教学改革与实践

以Google Earth Engine作为遥感实验教学平台,对遥感实验教学内容和方法进行全面改革,教学实践表明教学改革弥补了桌面平台不足,增强了学生的专业兴趣,提升了学生自主学习、应用开发和创新研究能力.     

基于Google Earth Engine的遥感大数据分析研究进展与应用

随着地理信息数据规模不断增长,传统的空间分析模式受限于软硬件的性能已经不能对大数据多尺度研究提供较好的支持.以GEE平台为基础,通过算法原理阐述平台架构体系以及分析GEE的技术特点,论述其在遥感大数据分析领域的研究进展、人工智能技术在地理信息分析领域的应用,探索地理空间数据分析的智能化方向.最后,结合交叉学科前沿探索G...     

Google Earth Engine在土地覆被遥感信息提取中的研究进展

谷歌地球引擎(Google Earth Engine,GEE)是一个面向全球尺度的地理空间分析平台,充分集成了Google Earth海量的地理和遥感数据资源以及Google的强大云端计算能力,为地球系统科学、特别是其重要组成部分的土地覆被遥感信息提取研究提供了一种有效便捷的方式.围绕GEE和土地覆被遥感信息提取相关的...     

Google Earth Engine平台下秦岭地区植被覆盖时空变化分析

秦岭地区植被覆盖动态变化对其生态环境有重要影响。本文利用Google Earth Engine云平台,选取1986—2019年Landsat TM/OLI地表反射率数据,结合像元二分模型估算秦岭地区植被覆盖度(FVC);通过年际变化斜率、变异系数、Hurst指数等评价指标,对FVC的时空变化、稳定性和持续性变化进行分析。此外,探究FVC与气温、降雨的耦合关系,并分析土地利用变化对FVC的影响。结果表明:34年间,秦岭地区FVC整体上呈现良好的状况,中高等及以上植被覆盖区达73.11%;FVC由1986年的62.86%增长到2019年的70.01%,植被活动在不断增强;FVC的变异系数均值为0.34,标准差为0.45,其稳定性与其空间分布呈高度自相关性;秦岭地区的植被覆盖变化受气候变化和人为因素的共同影响。     

基于Google Earth Engine的土地覆盖分类方法研究

基于谷歌云在线处理平台(Google Earth Engine,GEE),以2019年全年Landsat-8 OLI影像为数据源,选取黑龙江省哈尔滨市为试验区,基于决策树算法、随机森林算法、最邻近算法、支持向量机算法开展土地覆盖分类方法研究,并对不同分类器方法提取结果进行精度评价.试验结果表明,基于GEE平台可以快速完...     

基于Google Earth Engine三江平原水田提取研究

以三江平原地区为研究区,基于1980年代、1990年代、2000年代和2010年代陆地资源卫星(Landsat)遥感影像数据,根据水稻的生长周期特征计算指数信息,利用物候算法和逻辑运算,从时间和空间上揭示1980-2018年水田分布格局变化规律,总结得出结论:人口增长、气候变化、国家政策和科技进步是促进水田面积扩张的主要因素.Google earth engine云平台和物候算法相结合的水田提取方法,既迅速有效,又可充分发挥Landsat数据的时间分辨率特征,同时结合多时相的自动分类弥补单一时相解译方法的不客观性.     

Google Earth Engine平台下的1990-2019年江西省森林覆被连续变化分析

森林是人类赖以生存和发展的重要生态环境资源,对其时空格局进行监测和分析具有十分重要的意义。本文以全国生态文明示范区之一的江西省作为研究区,基于Google Earth Engine平台的Landsat时序数据,采用CCDC方法,对江西森林的面积和绿度变化进行了分析。其结果对森林时空格局的监测和分析具有一定的参考价值。     

基于Google Earth Engine的巢湖流域生态环境质量时空动态变化及影响因素分析

本文以巢湖流域为研究区,基于2000—2020年Landsat TM/OLI系列遥感数据,通过Google Earth Engine云计算平台构建遥感生态指数(RSEI),采用空间自相关与地理探测器等方法对巢湖流域生态环境质量进行大尺度、长时序动态监测分析与评价。结果表明：(1)研究区RSEI均值由2000年的0.70提升至2020年的0.74,整体上呈现改善趋势,研究区生态环境等级以优、良为主。(2)研究区全局Moran’s I指数均大于0,巢湖流域生态环境质量在全局自相关上呈现聚类趋势,具有显著的空间正相关性,20年间“低-低”聚集区呈现先增加后减少趋势。(3)研究区生态环境受多因子影响,其中人为因素对2010年巢湖流域生态环境影响较大,进而导致生态环境质量下降。     

Google Earth Engine云平台及植被遥感案例研究

植被物候是全球变化的敏感指示器,对陆表物质和能量交换产生显著影响.植被物候遥感分析存在数据收集困难、提取方法实现复杂等问题,谷歌地球云计算平台(Google Earth Engine,GEE)为基于遥感大数据的物候分析提供了有利条件.本文分析了GEE平台的数据源、开发接口和应用场景,然后基于GEE中的长时序植被指数数据...     

GEE遥感云平台支撑下的河南省土地利用变化检测

针对长时序大尺度的土地利用类型精细化分类存在的挑战,基于Google Earth Engine遥感大数据云平台,利用具有较好时空一致性的Landsat7、Landsat8数据,采用随机森林模型和众数滤波优化算法研究了过去20年间河南省土地利用分类空间变化特征及趋势.研究结果表明:1)基于GEE遥感云平台提供的丰富数据和...     

基于Google Earth Engine与机器学习的省级尺度零散分布草地生物量估算

大区域草地地上生物量估算对草地资源利用管理及全球碳循环研究具有重要意义。为高效快速地估算大区域零散分布草地地上生物量,本文选取安徽省为研究区,在谷歌地球云引擎（Google Earth Engine）平台的支撑下,通过机器学习方法建立Landsat 8 OLI及其他辅助数据与地面实测草地地上生物量之间的联系,开展了草地零散分布地区省级尺度草地地上生物量高分辨率估算,并与传统的基于归一化植被指数（NDVI）回归模型进行了比较。研究结果表明,综合利用光谱与地形因子的机器学习方法,估算零散化分布草地地上生物量的精度可以达到65%以上,其中分类回归树（CART）模型R²=0.57,预测精度为68.60%,支持向量机（SVM）模型R²=0.59,预测精度为75.74%,而使用NDVI的回归分析产生的误差较大,R²=0.37,预测精度为57.51%,因此机器学习方法相对于传统基于NDVI的回归分析具有明显优势。另外,谷歌地球云引擎平台数据来源广泛、获取方便,可以高效地实现海量影像数据的预处理及计算分析,大大提升了工作效率,与地面调查数据的结合可实现更大区域乃至全国尺度上的零散分布草地地上生物量高分辨率遥感估算。     

中国红树林制图的遥感时空概率阈值方法

红树林作为热带和亚热带海岸带上特有的森林群落,具有独特的生态功能以及重大的社会、经济价值。中国红树林经历了反复的破坏与保护,遥感监测手段可以为实施大规模的红树林生态系统保护和恢复行动提供科学技术支撑。本研究依托Google Earth Engine平台提出一种时空概率阈值法对中国红树林范围进行提取。研究选取2015年516景Landsat 8数据,首先使用非监督分类法进行水陆分离,其次通过生成缓冲区确定红树林潜在生长区,然后协同多种指数与光谱信息构建多特征决策树提取红树林粗略的生长范围,最后基于长时序的红树林粗略范围数据计算红树林生长概率,并通过实验确定概率阈值对红树林进行精细提取。通过实验对比发现时空概率阈值法的红树林生产者精度达90.36%,且能较好地提取幼小、分散的红树林。研究得到了2015年中国红树林分布结果,全国红树林面积为21932 ha,广西和广东两省红树林面积占中国红树林总面积的73.22%,为中国红树林主要分布区域。     

遥感云计算平台发展及地球科学应用

人类已有半个多世纪的全球历史遥感数据积累,这些不断涌现的海量遥感数据形成的遥感大数据为地球科学研究提供了丰富的数据支持;对遥感大数据快速处理、分析和挖掘是一个新的挑战.遥感云计算平台的出现为遥感大数据挖掘提供了前所未有的机遇,并彻底改变了传统遥感数据处理和分析的模式,使得全球尺度的长时间序列快速分析和应用成为可能.本文...     

遥感云计算平台相关文献计量可视化分析

在遥感大数据时代背景下,遥感云计算平台的出现改变了遥感数据处理和分析的传统模式,极大地提高了运算效率,使得全球尺度的快速分析成为可能.国内外已有众多学者利用遥感云计算平台开展研究,然而相对缺乏对遥感云计算平台发展和应用的客观性综述.本文基于Web of Science (WoS)和中国知网CNKI(China Nati...     

Multitemporal settlement and population mapping from Landsat using Google Earth Engine

As countries become increasingly urbanized, understanding how urban areas are changing within the landscape becomes increasingly important. Urbanized areas are often the strongest indicators of human interaction with the environment, and understanding how urban areas develop through remotely sensed data allows for more sustainable practices. The Google Earth Engine (GEE) leverages cloud computing services to provide analysis capabilities on over 40 years of Landsat data. As a remote sensing platform, its ability to analyze global data rapidly lends itself to being an invaluable tool for studying the growth of urban areas. Here we present (i) An approach for the automated extraction of urban areas from Landsat imagery using GEE, validated using higher resolution images, (ii) a novel method of validation of the extracted urban extents using changes in the statistical performance of a high resolution population mapping method. Temporally distinct urban extractions were classified from the GEE catalog of Landsat 5 and 7 data over the Indonesian island of Java by using a Normalized Difference Spectral Vector (NDSV) method. Statistical evaluation of all of the tests was performed, and the value of population mapping methods in validating these urban extents was also examined. Results showed that the automated classification from GEE produced accurate urban extent maps, and that the integration of GEE-derived urban extents also improved the quality of the population mapping outputs.     

基于Google SketchUp与Google Earth的校园3维实现

以西南林学院为例,采用Google SketchUp创建3维建筑模型,介绍了建模方法和优化技术,并在GoogleEarth平台上发布了西南林学院校园3维全景,利用两个生活实例初步探讨了校园3维的应用功能.     

A scalable cyberinfrastructure and cloud computing platform for forest aboveground biomass estimation based on the Google Earth Engine

ABSTRACT

Earth observation (EO) data, such as high-resolution satellite imagery or LiDAR, has become one primary source for forests Aboveground Biomass (AGB) mapping and estimation. However, managing and analyzing the large amount of globally or locally available EO data remains a great challenge. The Google Earth Engine (GEE), which leverages cloud-computing services to provide powerful capabilities on the management and rapid analysis of various types of EO data, has appeared as an inestimable tool to address this challenge. In this paper, we present a scalable cyberinfrastructure for on-the-fly AGB estimation, statistics, and visualization over a large spatial extent. This cyberinfrastructure integrates state-of-the-art cloud computing applications, including GEE, Fusion Tables, and the Google Cloud Platform (GCP), to establish a scalable, highly extendable, and high-performance analysis environment. Two experiments were designed to demonstrate its superiority in performance over the traditional desktop environment and its scalability in processing complex workflows. In addition, a web portal was developed to integrate the cyberinfrastructure with some visualization tools (e.g. Google Maps, Highcharts) to provide a Graphical User Interfaces (GUI) and online visualization for both general public and geospatial researchers.     

Google Earth在《城市遥感技术》教学中的应用

Google Earth软件具有免费、开放、简单易用等特点,对丰富教学资源和改善教学方法具有重要意义。基于GoogleEarth平台,在《城市遥感技术》教学中,对于遥感成像和影像特征、遥感解译标志及方法、城市遥感影像的信息提取、城市遥感专项调查等章节的理论教学,应重点运用遥感影像的搜索、标注和显示等功能;对于遥感影像地图制作、地类信息提取、演变信息提取等实验教学,应重点运用采集、存储、查询、分析、显示和输出等集成功能。实践表明,Google Earth值得在地学教育模式革新中推广。     

基于Sentinel-1的长江干流水域面积动态变化遥感监测

本文利用Sentinel-1数据获得了2016-2020年月度长江干流上海-宜宾段水域面积,并分析其年际、年内变化规律。分析结果表明,①月度变化规律为1-5月水面面积变化相对平稳,6-8月水域面积逐步增加,在7月达到峰值;9月稍有回落,10月再次达到峰值后逐步减少至稳定。②季节性变化规律为冬季水域面积最小,夏季水域面积最大,夏季和冬季呈现明显的季节差异。③年际变化规律为2016年后水域面积呈增长趋势,其中2017-2019年水域面积相对稳定且缓慢增长,2020年面积急剧增长。分段而言,水域面积随时间的变化幅度为下游>中游>上游,中上游变化相对平稳,下游较显著。④易发生洪涝的断面主要分布在中下游段,需引起重视并做好监测预警。     

Google Earth和World Wind比较研究

Google Earth和World Wind是目前最具代表性的两款基于网络的三维地理信息浏览器,为空间信息的共享发布提供了新的解决思路和技术手段。本文首先深入分析了这两款软件的技术特点,并在此基础上作了比较研究。