img img
  • CN 62-1091/P
  • ISSN 1001-8166
  • 月刊 创刊于1986年
高级检索

地球科学进展, 2019, 34(4): 346-355 doi: 10.11867/j.issn.1001-8166.2019.4.0346

地理与地理信息科学

基于长时序Landsat 5/8多波段遥感影像的青海湖面积变化研究

韩伟孝,1,2, 黄春林,1, 王昀琛1,2, 顾娟3

1. 中国科学院西北生态环境资源研究院,甘肃省遥感重点实验室,甘肃 兰州 730000

2. 中国科学院大学,北京 100049

3. 兰州大学 西部环境教育部重点实验室,甘肃 兰州 730000

Study on the Area Variation of Qinghai Lake Based on Long-Term Landsat 5/8 Multi-Band Remote Sensing Imagery

Han Weixiao,1,2, Huang Chunlin,1, Wang Yunchen1,2, Gu Juan3

1. Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

2. University of Chinese Academy of Sciences, Beijing 100049, China

3. Key Laboratory of Western China's Environmental Systems, Ministry of Education, Lanzhou University, Lanzhou 730000, China

通讯作者: 黄春林(1979-),男,宁夏青铜峡人,研究员,主要从事多源遥感数据同化方法及陆面数据同化系统集成研究.

收稿日期: 2018-11-16   修回日期: 2018-12-06   网络出版日期: 2019-05-22

基金资助: 中国科学院战略性先导 A 类专项“地球大数据科学工程”.  编号: XDA19040500
兰州大学西部环境教育部重点实验室开放基金“青海湖水体信息遥感提取”.  lzujbky-2017-kl01

Corresponding authors: Huang Chunlin(1979-), male, Qingtongxia City, Ningxia Hui Autonomous Region, Professor. Research areas include multi-sources remote sensing data assimilation method and land surface data assimilation system integration, hydrology remote sensing, land surface process assimilation. E-mail:huangcl@lzb.ac.cn

Received: 2018-11-16   Revised: 2018-12-06   Online: 2019-05-22

作者简介 About authors

韩伟孝(1990-),男,甘肃兰州人,博士研究生,主要从事遥感大数据研究.E-mail:hwx1012010362@163.com , E-mail:hwx1012010362@163.com

摘要

青海湖作为高海拔的内陆湖泊,其表面水体面积多年变化对寒旱区的气候变化和水循环至关重要。为了研究30年来青海湖湖泊面积变化规律,提取了1986—2017年(除去2012年)覆盖青海湖的459景Landsat 5/8影像,采用6种常用的水体提取方法分别提取了青海湖表面水体面积,并分析了不同方法的差异,最终分别对Landsat 5 TM和Landsat 8 OLI遥感影像采用改进的归一化差异水体指数(MNDWI)和水体指数2015(WI2015)方法获得1986—2017年青海湖表面水体面积的年变化,并分析其变化趋势。结果表明:1989—2003年青海湖面积减小了175.34 km2,年平均减小率为12.52 km2/a,2003—2017年青海湖面积增加了183.43 km2,年平均增加率为13.10 km2/a,整体上,1986—2017年青海湖面积增加了104.46 km2,年平均增加率为3.37 km2/a。

关键词: 水体指数 ; Google Earth Engine ; 面积变化 ; Landsat ; 青海湖

Abstract

As a high-altitude inland lake, Qinghai Lake's annual change in surface water area is critical for climate change and water cycle in the cold and arid regions. In order to study the spatial and temporal variation of area of Qinghai Lake in the past 30 years, extract 459 images from Landsat 5/8 that covering Qinghai Lake from 1986 to 2017 (excluding 2012). Apply six common water extraction methods to extract the surface water area of ​​Qinghai Lake and analyze the differences of methods. Finally, obtain the annual surface water area variation of Qinghai Lake from 1986 to 2017 by using MNDWI and WI2015 water extraction methods for Landsat5 TM and Landsat8 OLI images respectively, and analyze its variation trend. The results show that the area of ​​Qinghai Lake decreased by 175.34 km2 from 1989 to 2003, and the average annual reduction rate was 12.52 km2/a . The area of ​​Qinghai Lake increased by 183.43 km2 from 2003 to 2017, and the average annual increase rate was 13.10 km2/a. The area of ​​Qinghai Lake increased by 104.46 km2, and the average annual increase rate was 3.37 km2/a from 1986 to 2017.

Keywords: Water Index ; Google Earth Engine ; Area variation ; Landsat ; Qinghai Lake.

PDF (9793KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

韩伟孝, 黄春林, 王昀琛, 顾娟. 基于长时序Landsat 5/8多波段遥感影像的青海湖面积变化研究. 地球科学进展[J], 2019, 34(4): 346-355 doi:10.11867/j.issn.1001-8166.2019.4.0346

Han Weixiao. Study on the Area Variation of Qinghai Lake Based on Long-Term Landsat 5/8 Multi-Band Remote Sensing Imagery. Advances in Earth Science[J], 2019, 34(4): 346-355 doi:10.11867/j.issn.1001-8166.2019.4.0346

1 引 言

表面水体是存在于小溪、河流、湖泊、人工水库和海洋等地球表面的一种水体,反映了地球的地理复杂性,对气候变化、水循环和生态系统平衡至关重要[1,2,3]。内陆水体通过与大气的水热交换影响着区域尺度的气候变化[4]。青海湖作为最具典型的内陆水体时刻影响着区域气候变化和生态系统服务,例如:提供水资源和净化、碳固定、防洪、气候调节和湖泊保护等[5]。由于遥感影像存在空缺和不完整,青海湖湖泊面积的年变化评估受到限制[6,7,8]。因此,“青海湖每年的湖泊面积是多少?”和“每年的湖泊变化率是多少?”这2个问题一直是研究青海湖最重要且不能完全准确回答的问题[9,10]

不同时间和空间分辨率的遥感影像数据分析技术已经用于提取土地覆盖和土地利用变化、长时间序列的湖泊面积变化[11]。现阶段监测湖泊表面水体面积变化的方法主要有:机器学习[12]、专家系统、视觉分析和证据推理[13]、基于离散粒子群优化的频谱匹配算法(Spectrum Matching based on Discrete Particle Swarm Optimization,SMDPSO)[14]、穗帽湿度(Tasseled Cap Wetness, TCW)[15]、水指数和改进的模糊聚类方法(Water Index and Modified Fuzzy Clustering Method, WIMFCM)[1]、归一化差异水体指数(Normalized Difference Water Index, NDWI)[16]、改进的归一化差异水体指数(Modified Normalized Difference Water Index, MNDWI)[17]、多波段水体指数(Multi-Band Water Index, MBWI)[18]、水体指数2015(Water Index 2015, WI2015)[19]和自动水体提取指数(Automated Water Extraction Index, AWEI)[20]

由Google、卡内基梅隆大学(Carnegie Mellon University)和美国地质调查局(United States Geological Survey, USGS)联合开发的Google Earth Engine(GEE)是目前世界上先进的Petabyte(PB)级地理数据科学分析及可视化平台,GEE面向用户提供海量卫星影像数据集与地理数据集,包括多年历史卫星影像数据(如MODIS—MODerate-resolution Imaging Spectroradiometer、Landsat等)与欧洲太空局(European Space Agency, ESA)的卫星影像数据(如Sentinel等)[21]。Gorelick等[22]对GEE平台、数据分类、系统架构、数据分发模型、应用和未来的工作前景进行了详细阐释。Patel等[23]基于GEE平台和Landsat影像,分析了多时间段的人类定居和人口数目变化。Liu等[24]基于GEE平台和Landsat影像,分析了高分辨率、长时间序列的全球城市用地变化。以上研究均展示了GEE平台大规模计算的高效性。

本文选择青海湖作为研究区域,基于GEE平台提取了1986—2017年(除去2012年)覆盖青海湖的459景Landsat 5 Thematic Mapper (TM)和Landsat 8 Operational Land Imager (OLI)遥感影像数据[25],分析6种常用水体指数对青海湖表面水体面积提取结果的影响,利用最适合Landsat 5/8遥感数据的水体指数方法分析了1986—2017年(除去2012年)青海湖表面水体面积变化。

2 研究区域

青海湖是中国最大的内陆湖和咸水湖,位于青海省内流河流域盆地(36°32′~37°15′N,99°36′~100°46′E)[26],平均海拔为3 193.8 m(图1),形成于青藏高原东北边缘地质构造的断陷[27]。2008年测量的结果显示湖泊平均深度为21 m,最大深度为25.5 m[27]。2010年时,湖泊表面面积大约为4 321 km2[28]。共计有23条河流和小溪汇入青海湖,大部分河流是季节性河流,5条永久性河流提供了近80%的河流入流量,最大的支流为布哈河,贡献将近50%的入流量[29],其次为沙柳河、乌哈阿兰河和哈尔盖河。

图1

图1   青海湖位置示意图

Fig. 1   Location of Qinghai Lake


青海湖的流域形状呈棱柱状,自西向东长约106 km,南北宽约63 km,周长约为360 km。每年的平均降雨量为300~400 mm,年平均蒸发量为1 300~2 000 mm。每年5~9月的降雨量占全年降雨量的90%[30]。大约每年的11月,青海湖进入冰期,12月开始形成稳定的冰盖,次年3月开始融化[26,31,32]。因此,青海湖表面水体面积的研究时间段选定为每年的5月1日至10月31日。

3 数据和方法

3.1 Landsat数据

本文使用的Landsat 5 TM和Landsat 8 OLI遥感影像数据来自于GEE数据库,数据集是“USGS Landsat数据一级大气校正反射率遥感数据产品”(USGS Landsat Collection 1 Tier 1 calibrated top-of-atmosphere (TOA) reflectance),由于Landsat 7 ETM+遥感影像存在条带问题,使得水体指数提取结果严重偏小,因此,本文没有应用Landsat 7 ETM+遥感影像。为了能够整体覆盖青海湖区域,选择Landsat影像数据的条带号为133,行编号为34和35,共计459景Landsat影像,平均每年有14.81景遥感影像可以覆盖青海湖区域,相关信息如表1和图2所示。

图2

图2   19862017年每年的Landsat 5/8影像数

Fig. 2   The annual number of Landsat 5/8 imagery during 1986-2017


表1   Landsat 5/8 影像相关信息

Table 1  The related information of Landsat 5/8 imagery

卫星发射时间数据起始时间数据结束时间时间段/a

行编号34影像

/景

行编号35影像

/景

影像合计

/景

平均每年影像

/景

合计1986-05-012017-10-313123222745914.81
Landsat 51984-03-011986-05-012011-10-312618518637114.27
Landsat 82013-02-112013-05-012017-10-31547418817.60

新窗口打开| 下载CSV


3.2 方法

应用于landsat 5 TM和Landsat 8 OLI遥感影像数据的常用水体指数有:TCW[15],NDWI[33],MNDWI[34],AWEI[20],WI2015[19]和MBWI[18],水体指数计算公式如表2所示。其中,ρ1ρ7为Landsat 5 TM遥感影像波段的相应编号,Landsat 8 OLI遥感影像波段编号略有不同。由于Landat 5 TM和Landsat 8 OLI遥感影像的成像季节时间不同,青海湖表面水体会有所不同,为了排除由于季节时间引起的地物类型不同对表面水体造成干扰,主要受到云、山体阴影、周围农田以及其他暗黑物质等的干扰,在影像预处理中对所有影像做了云处理,应用AWEI水体指数作为对比方法之一,AWEI方法由2组水体指数构成,结果取交集得到水体结果,AWEInsh能够有效消除不同季节非水体像素,包括黑色建筑表面;AWEIsh能够剔除掉AWEInsh不能够识别和剔除的山体阴影、暗黑色地物和农田等。

表2   应用于Landsat 5/8影像的6种常用的水体指数

Table 2  Six water index methods applied in Landsat 5/8 imagery

指数方程影像数据
TCW[15]TCW=0.0315ρb1+0.2021ρb2+0.3102ρb3+0.1594ρb4-0.6806ρb5-0.6109ρb7Landsat 4/5 TM
NDWI[33]NDWI=ρb2-ρb4ρb2+ρb4Landsat MSS(Multispectral Scanner)
MNDWI[34]MNDWI=ρb2-ρb5ρb2+ρb5Landsat TM, Landsat 7 ETM+
AWEI[20]AWEInsh=4(ρb2-ρb5)-(0.25ρb4+2.75ρb7)AWEIsh=ρb1+2.5ρb2-1.5(ρb4+ρb5)-0.25ρb7Landsat 5 TM
WI2015[19]WI2015=1.7204+171ρb2+3ρb3-70ρb4-45ρb5-71ρb7Landsat 5 TM/7 ETM+/8 OLI
MBWI[18]MBWI=2ρb3-ρb4-ρb5-ρb6-ρb7Landsat 8 OLI

新窗口打开| 下载CSV


6种方法应用于Landsat 5/8遥感影像的波段共计6个,分别为蓝波段(Blue)、绿波段(Green)、红波段(Red)、近红外波段(Near Infrared, NIR)、短波红外1波段(Short Wave Infrared 1, SWIR1)和短波红外2波段(Short Wave Infrared 2, SWIR2)[20]。Landsat 5 TM和Landsat 8 OLI波段详细信息如表3所示。

表3   Landsat 5/8影像中波谱的波段信息

Table 3  Spectral bands information of Landsat 5/8 imagery

卫星变量蓝波段绿波段红波段近红外短波红外1短波红外2
Landsat 5波段名B1B2B3B4B5B7
波谱范围/µm0.45~0.520.52~0.600.63~0.690.76 ~ 0.901.55 ~1.752.08 ~2.35
带宽/µm0.070.080.060.140.200.27
Landsat 8波段名B2B3B4B5B6B7
波谱范围/µm0.45~0.510.53~0.590.64~0.670.85~0.881.57~1.652.11~2.29
带宽/µm0.060.060.030.030.080.08

新窗口打开| 下载CSV


TCW变换指数基于Landsat 5 TM的6种波谱,经验性地提取表面水体[15]。McFeeters[33]发现绿光在表面水体反射率最大,近红外波段在无水区域反射率最大,由此发展了NDWI指数。Xu[34]在对Mcfeeters提出的NDWI分析的基础上,对构成该指数的波长组合进行了修改,发展了指数MNDWI。2014年Feyisa等[20]发展了一种新指数AWEI用于提取水体指数,这种水体指数可以增加水体与其他褐色表面的区别,AWEI 最基本的目的是通过不同波段加、减、乘、除不同的系数线性组合来增大水体像素和其他非水体像素的差异,根据Feyisa等提出的2种分离的方程来有效压制非水体像素,以此提高表面水体提取的精度。Fisher等[19]使用感兴趣的多边形作为样本训练数据,并进行统计分析,提出了WI2015水体指数。Wang等[18]基于Landsat 8 OLI遥感影像数据发展了一种提取表面水体的指数MBWI,利用全国的29个站点验证了水体指数的精度。

由于不同的水体指数应用在不同的遥感数据和不同的地理环境中提取水体的精度不同,因此要选取合适的遥感影像数据,从6种方法中筛选出能够较好地提取青海湖水体指数的方法。依据每颗卫星条带号为133,行编号为34和35同时存在于同一天、影像中云量最少的原则,选取Landsat 5 TM和Landsat 8 OLI影像各12景,其中,Landsat 5 TM影像云覆盖全为0;Landsat 8 OLI影像存在少许云量。选择的Landsat 5 TM和Landsat 8 OLI影像详细信息如表4所示。

表4   用于验证的Landsat 5/8影像信息

Table 4  The selected Landsat 5/8 imagery for validation

卫星序号获取时间云量/%卫星序号获取时间云量/%
Landsat 511987-10-180Landsat 812013-10-092.58
21989-09-21022015-07-272.33
31990-06-20032015-08-120.57
41994-11-06042015-09-131.71
52001-07-04052015-10-150.09
62008-05-04062016-07-290.81

新窗口打开| 下载CSV


本文集成GEE平台的计算高效性和6种水体指数提取方法各自的优点,高效地提取青海湖表面水体面积,并进一步分析1986—2017年青海湖表面水体面积变化情况。GEE平台提供的Landsat 5 TM和Landsat 8 OLI一级校正的TOA反射率遥感数据产品集具有一致性,充分利用GEE封装的基本函数快速高效地处理了1986—2017年(除去2012年)Landsat 5 TM和Landsat 8 OLI遥感影像数据集。青海湖表面水体提取流程如图3所示。首先应用6种水体指数计算青海湖表面水体面积,根据6种计算结果分析不同水体指数计算结果的差异;由于6种计算结果存在的差异较大,需要从6种水体指数方法中选择适合Landsat 5 TM和Landsat 8 OLI遥感影像的水体指数;其次,依据遥感影像云量最少、行编号为34和35同时存在于同一天的原则,分别选取Landsat 5 TM和Landsat 8 OLI各12景遥感影像作为验证影像,选取最适合Landsat 5 TM和Landsat 8 OLI遥感影像的水体指数方法;最后,应用相应的水体指数方法提取1986—2017年(除去2012年)青海湖表面水体面积,并且进行时间特征分析。

图3

图3   Landsat 5/8影像提取19862017年青海湖表面水体面积流程图

Fig. 3   Flowchart of extracting surface water area of Qinghai Lake using Landsat 5/8 imagery during 1986-2017


4 结 果

4.1 6种水体指数比较

利用Landsat 5 TM和Landsat 8 OLI计算得到的1986—2017年(除去2012年)青海湖表面水体面积结果如图4所示,6种不同的水体提取方法所得到的青海湖湖泊面积变化趋势基本一致,湖泊面积增大的年份和减小的年份出现的时间位置节点都相同,只是增大或者减小的幅度不一样。从图4a可以看到6种水体提取算法在1989年处均减小。利用MBWI方法计算得到的值大约为3 500 km2,明显小于其他方法计算结果。2001年,WI2015方法计算得到的结果明显要高于其他5种方法,大约大于200 km2;总体上,青海湖1986—2011年先减小后增大,于2003年达到极小值。6种方法计算结果来看,MBWI方法计算结果偏小,其次为NDWI方法,再次是TCW和AWEI计算结果非常接近,MNDWI和WI2015计算结果也非常接近。从图4b结果显示湖泊面积总体上是逐渐扩张的趋势,在2014年存在一个极大值,MNDWI方法和WI2015方法明显较高,MBWI方法明显小于其他5种,TCW方法和AWEI方法计算结果极为接近。综上可以得到,MNDWI方法和WI2015方法计算得到的结果几乎重合,都比其他方法计算结果偏高,TCW方法和AWEI方法计算结果几乎重合,计算结果居中,NDWI方法计算结果略偏小,稍微大于MBWI计算结果。

图4

图4   利用GEE平台计算得到的19862017年青海湖表面面积

Fig. 4   Surface water area of Qinghai Lake using GEE during 1986-2017


5显示了Landsat 5 TM影像在不同时间利用不同方法提取的青海湖边界。从图5c,e,f中可以看到MBWI方法明显存在不足,出现大面积的湖泊内部边界,图5e中TCW方法也存在很大的湖泊内部边界,图5a和图5d中AWEI,WI2015和NDWI方法主要受到山体阴影的影响,由于山体阴影反射率较低,很容易将山体阴影识别为水体,图5b中右上角存在大量白色地物,AWEI和WI2015方法受其影响很大,将部分地物识别为水体,从这6幅5~10月的无云遥感影像中发现,能够较好地提取Landsat 5 TM影像水体的水体指数为MNDWI方法。

图5

图5   6种方法提取青海湖表面水体边界图

Fig. 5   Boundary of surface water of Qinghai Lake using six methods


在图5g~l Landsat 8 OLI中,影像都存在少许云量,分布在青海湖研究区域周围,不覆盖在青海湖上空,从图5g看到青海南山北侧应用AWEI,TCW,MNDWI和NDWI方法将山体阴影识别为水体,图5h和图5l中,方法MBWI和TCW在将部分湖泊边识别为非水体,TCW将周边农田识别为水体,图5i和图5l中TCW和MNDWI方法将农田识别为水体,应用WI2015方法能够得到较好的青海湖水体提取结果。

进一步分析MNDWI和WI2015方法分别适用于Landsat 5 TM和Landsat 8 OLI的原因,发现其影像处理过程均相同,但产生结果不同主要是由于MNDWI和WI2015方法所用到的光谱波段和Landsat 5 TM和Landsat 8 OLI影像相同波段的波谱范围、带宽不同,MNDWI方法所用到的光谱波段为“绿波段”和“短波红外1”2种波段,WI2015方法所用到的光谱波段为“绿波段”、“红波段”、“近红外波段”、“短波红外1”和“短波红外2”5种波段,存在“绿波段”和“短波红外1”2种重叠的相同波段;另外,Landsat 5 TM和Landsat 8 OLI影像相同波段的波谱范围不同,对于2种方法中相同的“绿波段”和“短波红外1”而言,Landsat 5 TM 波谱范围为“0.52~0.60 µm”、“1.55~1.75 µm”,带宽为0.08 µm和0.20 µm;而Landsat 8 OLI波谱范围为“0.53~0.59 µm”和“1.57~1.65 µm”,带宽为0.06 µm和0.08 µm,波谱范围起始位置偏后,终止位置偏前,带宽均短于Landsat 5 TM。

4.2 19862017年青海湖表面水体面积分析

通过对6种水体提取方法比较(图5)可以看出,MNDWI和WI2015方法分别适用于Landsat 5 TM和Landsat 8 OLI影像提取青海湖表面水体面积。因此,本研究利用这2种方法得到了1986—2017年(除去2012年)青海湖表面水体面积结果(图6)。如图6所示,可以明显看到几乎每年都有几景遥感影像云覆盖大于30%,甚至有些达到了100%,除了1986年遥感影像云覆盖整体偏小,1988年遥感影像云覆盖偏大外,其余每年的平均遥感影像云覆盖为14.67%~46.92%。

图6

图6   19862017Landsat 5 TMLandsat 8 OLI青海湖表面水体面积变化

Fig. 6   Surface water area of Qinghai Lake from Landsat 5 TM and Landsat 8 OLI imagery during 1986-2017


为了综合考虑影像扫描的空缺和云覆盖程度的不同,本研究从每年5月1日至10月31日的全部遥感影像中提取了青海湖的最大表面水体面积进行分析。从图6中可以明显看到,1986—2017年青海湖表面水体面体的整体变化趋势为:1986—1988年表面水体面积减小,1989年面积骤然增大,然后一直波动持续减小,到2003年减小到最小值,此后一直波动持续增大到2017年。1989—2003年表面水体面积每年减少约10.82 km2,2003—2017年表面水体面积每年增加约7.84 km2

5 结 论

本文基于GEE平台和1986—2017年(除去2012年)覆盖青海湖的459景Landsat 5 TM和Landsat 8 OLI影像,利用6种常用的水体指数提取方法(TCW,NDWI,MNDWI,AWEI,WI2015和MBWI)提取了1986—2017年青海湖表面水体面积,由于6种方法计算得到的青海湖表面水体面积年变化结果的差异,不能很好地确定青海湖表面水体面积,因此依据遥感影像云量少的原则,应用6种水体指数分析不同卫星遥感影像数据提取青海湖表面水体的准确性,得到应用Landsat 5 TM遥感影像提取青海湖表面水体时,MNDWI水体提取方法较好,在应用Landsat 8 OLI遥感影像提取青海湖表面水体时,WI2015方法较好,利用合适的水体指数方法计算了1986—2017年(除去2012年)Landsat 5 TM和Landsat 8 OLI影像的青海湖表面水体面积年变化,得到的结果变化趋势一致。1986—2003年青海湖湖泊面积减小了175.34 km2,年平均减小率为12.52 km2/a,2003—2017年青海湖面积增加了183.43 km2,年平均增加率为13.10 km2/a,整体上,1986—2017年青海湖面积增加了104.46 km2,年平均增加率为3.37 km2/a。

本文在技术方法和遥感数据源方面还存在不足,随着可获取遥感影像数据的增多,新发射遥感卫星以及新技术方法的更新,下一步针对Landsat 7 ETM+ 遥感影像存在的条带问题,运用新技术方法加以解决,融合MODIS高时间分辨率(1天)和Sentinel高空间分辨率(30 m)遥感影像数据得到长时间序列、高时空分辨率的区域及全国湖泊面积变化。

参考文献

Yang Y , Liu Y , Zhou M , et al .

Landsat 8 OLI image based terrestrial water extraction from heterogeneous backgrounds using a reflectance homogenization approach

[J]. Remote Sensing of Environment, 2015, 171: 14-32.

[本文引用: 2]

Alsdorf D E , Lettenmaier D P .

Tracking fresh water from space

[J]. Science, 2003, 301(5 639): 1 491-1 494.

[本文引用: 1]

Brönmark C , Hansson L A .

Environmental issues in lakes and ponds: Current state and perspectives

[J]. Environmental Conservation, 2002, 29(3): 290-307.

[本文引用: 1]

Tranvik L J , Downing J A , Cotner J B , et al .

Lakes and reservoirs as regulators of carbon cycling and climate

[J]. Limnology and Oceanography, 2009,54(6 part2): 2 298-2 314.

[本文引用: 1]

Tulbure M G , Broich M .

Spatiotemporal dynamic of surface water bodies using Landsat time-series data from 1999 to 2011

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 79: 44-52.

[本文引用: 1]

Verpoorter C , Kutser T , Seekell D A , et al .

A global inventory of lakes based on high‐resolution satellite imagery

[J]. Geophysical Research Letters, 2014, 41(18): 6 396-6 402.

[本文引用: 1]

Lewis Jr W M .

Global primary production of lakes: 19th Baldi Memorial Lecture

[J]. Inland Waters, 2011, 1(1): 1-28.

[本文引用: 1]

Li Yu , Liu Yuan .

Long-term reconstructions and simulations of the hydrological cycle in the inland rivers, arid China: A case study of the Shiyang River drainage basin

[J]. Advances in Earth Science, 2017, 32(7): 731-743.

[本文引用: 1]

李育,刘媛 .

干旱区内流河流域长时间尺度水循环重建与模拟——以石羊河流域为例

[J].地球科学进展,2017,32(7):731-743.

[本文引用: 1]

Seekell D A , Pace M L , Tranvik L J , et al .

A fractal‐based approach to lake size‐distributions

[J]. Geophysical Research Letters, 2013, 40(3): 517-521.

[本文引用: 1]

Downing J A , Prairie Y T , Cole J J , et al .

The global abundance and size distribution of lakes, ponds, and impoundments

[J]. Limnology and Oceanography, 2006, 51(5): 2 388-2 397.

[本文引用: 1]

Toure S I , Stow D A , Shi H , et al .

Land cover and land use change analysis using multi-spatial resolution data and object-based image analysis

[J]. Remote Sensing of Environment, 2018, 210: 259-268.

[本文引用: 1]

Camps-Valls G .

Machine learning in remote sensing data processing

[C]//Machine Learning for Signal Processing, MLSP 2009. IEEE International Workshop on IEEE, 2009: 1-6.

[本文引用: 1]

Pekel J F , Cottam A , Gorelick N , et al .

High-resolution mapping of global surface water and its long-term changes

[J]. Nature, 2016, 540(7 633): 418.

[本文引用: 1]

Jia K , Jiang W , Li J , et al .

Spectral matching based on discrete particle swarm optimization: A new method for terrestrial water body extraction using multi-temporal Landsat 8 images

[J]. Remote Sensing of Environment, 2018, 209: 1-18.

[本文引用: 1]

Crist E P .

A TM tasseled cap equivalent transformation for reflectance factor data

[J]. Remote Sensing of Environment, 1985, 17(3): 301-306.

[本文引用: 4]

Gao B C .

NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space

[J]. Remote Sensing of Environment, 1996, 58(3): 257-266.

[本文引用: 1]

Yue H , Liu Y , Wang H , et al .

Analysis of dynamic change of Hongjiannao Lake based on MNDWI

[C]// IOP Conference Series: Earth and Environmental Science. IOP Publishing, 2017, 57(1): 012005.

[本文引用: 1]

Wang X , Xie S , Zhang X , et al .

A robust Multi-Band Water Index (MBWI) for automated extraction of surface water from Landsat 8 OLI imagery

[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 68: 73-91.

[本文引用: 4]

Fisher A , Flood N , Danaher T .

Comparing Landsat water index methods for automated water classification in eastern Australia

[J]. Remote Sensing of Environment, 2016, 175: 167-182.

[本文引用: 4]

Feyisa G L , Meilby H , Fensholt R , et al .

Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery

[J]. Remote Sensing of Environment, 2014, 140: 23-35.

[本文引用: 5]

Xu Hanzeyu , Liu Chong , Wang Junbang , et al .

Study on extraction of cirtrus orchard in Gannan Region based on Google Earth Engine platform

[J]. Journal of Geo-information Science, 201820(3): 396-404.

[本文引用: 1]

徐晗泽宇,刘冲,王军邦, .

Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究

[J].地球信息科学学报,2018,20(3):396-404.

[本文引用: 1]

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.

[本文引用: 1]

Patel N N , Angiuli E , Gamba P , et al .

Multitemporal settlement and population mapping from Landsat using Google Earth Engine

[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 35: 199-208.

[本文引用: 1]

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]

Wang Shuai , Xu Hanqiu , Shi Tingting .

Retireval of tasseled cap transformation coefficients for GF-1 WFV2 sensor data

[J]. Advances in Earth Science, 2018, 33(6): 641-652.

[本文引用: 1]

王帅,徐涵秋,施婷婷 .

GF-1 WFV2传感器数据的缨帽变换系数反演

[J].地球科学进展,2018,33(6):641-652.

[本文引用: 1]

Cai Y , Ke C Q , Duan Z .

Monitoring ice variations in Qinghai Lake from 1979 to 2016 using passive microwave remote sensing data

[J]. Science of the Total Environment, 2017, 607: 120-131.

[本文引用: 2]

Zhang G , Xie H , Duan S , et al .

Water level variation of Lake Qinghai from satellite and in situ measurements under climate change

[J]. Journal of Applied Remote Sensing, 2011, 5(1): 053532.

[本文引用: 2]

Yuan Y , Li D L , An D .

Respons of water level in Qinghai Lake to climate change in the Qinghai-Xizang Plateau

[J]. Plateau Meteorology, 2012, 31(1): 57-64.

[本文引用: 1]

Li X Y , Xu H Y , Sun Y L , et al .

Lake-level change and water balance analysis at Lake Qinghai, west China during recent decades

[J]. Water Resources Management, 2007, 21(9): 1 505-1 516.

[本文引用: 1]

Ding Y J , Liu F J .

Estimating on water balance elements in the drainage basin of Qinghai Lake

[J]. Arid Land Geography, 1993, 16(4): 25-30.

[本文引用: 1]

Yin Q , Yang Y .

Remote sensing monitoring of Lake Qinghai based on EOS/MODIS data

[J]. Journal of Lake Sciences, 2005, 17(4): 356-360.

[本文引用: 1]

Che T , Li X , Jin R .

Monitoring the frozen duration of Qinghai Lake using satellite passive microwave remote sensing low frequency data

[J]. Chinese Science Bulletin, 2009, 54(13): 2 294-2 299.

[本文引用: 1]

McFeeters S K .

The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features

[J]. International Journal of Remote Sensing, 1996, 17(7): 1 425-1 432.

[本文引用: 3]

Xu H .

Modification of Normalised Difference Water Index (NDWI) to enhance open water features in remotely sensed imagery

[J]. International Journal of Remote Sensing, 2006, 27(14): 3 025-3 033.

[本文引用: 3]

/