C33 城市环境（Part 7）

导读

在过去的几十年里，城市化及其影响迅速扩大。1950年，世界上只有30%的人口居住在城市地区，但到2050年，这一数字预计将达到68%(联合国2019年)。世界上已有超过50%的人口生活在城市地区(联合国，2019年)。这种向城市居住的转变帮助数百万人摆脱了贫困，但也带来了复杂的社会环境挑战，如栖息地丧失、城市热岛、洪水和更多的温室气体排放。
应对这些挑战的一个重要部分是了解城市化轨迹及其影响。卫星图像为全球城市化提供了丰富的历史和当前信息来源，并越来越多地用于城市可持续性研究(Goldblatt等人2018;Prakash et al 2020)。
我们将介绍几种可视化和量化城市化对景观影响的方法。

主要内容：

创建动画GIF；
基于已有的城市分类结果实现数量和质量分析；
运行你自己的LUCC分类；
城镇化时空变化制图。

Section1 时间序列动画GIF

qualitative depiction of the impact of urbanization 城市化影响的定性描述

// Filter collection. 
var collection = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
    .filterBounds(geometry) 
    .filterDate('2013-01-01', '2023-12-31') 
    .filter(ee.Filter.lte('CLOUD_COVER_LAND', 3)); 
 
// Define GIF visualization arguments. 
var gifParams = { 
    bands: ['SR_B4', 'SR_B3', 'SR_B2'], 
    min: 0.07 * 65536, 
    max: 0.3 * 65536, 
    region: geometry, 
    framesPerSecond: 4, 
    format: 'gif'
}; 
 
// Render the GIF animation in the console. 
print(ui.Thumbnail(collection, gifParams));

大兴机场GIF

Section2 现有城市分类产品

有几种可公开访问的土地覆盖分类，其中就包括城市地区。这些分类是确定城市范围的一种快速方法。

GEE上的3种公开的城市分类数据产品：

1）the MODIS LandCover Type Yearly Global；

覆盖范围：全球

2）the Copernicus CORINE Land Cover；

覆盖范围：欧盟

3）the United States Geological Survey (USGS) National Land Cover Database (NLCD).

覆盖范围：美国

2.1 MCD12Q1.061 MODIS Land Cover Type Yearly Global 500m 数据介绍

LC_Type1-5 代表不同的分类体系

LC_Type1 分类体系

1. 常绿针叶林:以常绿针叶林为主(冠层>2米)。林木覆盖率>60%。

2.常绿阔叶林:以常绿阔叶林和棕榈树为主，树冠>2m。林木覆盖率>60%。

3.落叶针叶林:以落叶针叶林(落叶松)为主(树冠>2米)。林木覆盖率>60%。

4.落叶阔叶林:以落叶阔叶树(冠层>2米)为主。林木覆盖率>60%。

5.混交林:以落叶和常绿两种树种(各占40-60%)为主，树冠大于2米。林木覆盖率>60%。

6.封闭灌丛:以多年生木本植物(1-2m高)为主，盖度>60%。

7.开阔灌丛:以多年生木本植物(1-2米高)为主，覆盖度为10-60%。

8.木质稀疏草原:树木覆盖率30-60%(树冠>2米)。

9.稀疏草原:树木覆盖率10-30%(树冠>2米)。

10.草地:以草本一年生植物为主(<2m)。

11.永久湿地:永久被淹没的土地，水覆盖率为30-60%，植被覆盖率>10%。

12.农田:至少60%的面积为耕地。

13.城市和建设用地:至少30%的不透水表面面积，包括建筑材料、沥青和车辆。

14.农田/天然植被

15.永久冰雪:一年中至少有10个月至少60%的面积被冰雪覆盖。

16.裸地:至少60%的面积为植被不足10%的无植被贫瘠(沙、岩、土)地区。

17.水体:至少60%的面积被永久性水体覆盖。

示例：看一下海口的Modis 城市产品

// MODIS (haikou) 
// Center over 海口. 
Map.setCenter(110.31955, 20.010, 11); 
 
// Visualize the full classification. 
var MODIS_lc = ee.ImageCollection("MODIS/061/MCD12Q1").select('LC_Type1'); 
var igbpLandCoverVis = { 
    min: 1.0, 
    max: 17.0, 
    palette: ['05450a', '086a10', '54a708', '78d203', '009900', 
        'c6b044', 'dcd159', 'dade48', 'fbff13', 'b6ff05', 
        '27ff87', 'c24f44', 'a5a5a5', 'ff6d4c', '69fff8', 
        'f9ffa4', '1c0dff'
    ], 
}; 
 
Map.addLayer(MODIS_lc, igbpLandCoverVis, 'IGBP Land Cover');
 
// Visualize the urban extent in 2001 and 2019.
// 2019
var MODIS_2019 = MODIS_lc.filterDate(ee.Date('2019-01-01')); 
 
//查看元数据可以看到，urban类的值为13
var M_urb_2019 = MODIS_2019.mosaic().eq(13); 
Map.addLayer(M_urb_2019.mask(M_urb_2019), { 
    'palette': 'FF0000'
}, 'MODIS Urban 2019'); 
 
 
// 2001
var MODIS_2001 = MODIS_lc.filterDate(ee.Date('2001-01-01')); 
var M_urb_2001 = MODIS_2001.mosaic().eq(13); 
Map.addLayer(M_urb_2001.mask(M_urb_2001), { 
    'palette': 'a5a5a5'
}, 'MODIS Urban 2001'); 

　2001

2019

Section 3. 城区分类

前面，我们依靠几种LULC分类产品来估计建成区土地覆盖的分布及其随时间的变化。

下面我们基于影像，采用随机森林方法，进行城镇LUCC分类。

基于Landsat 7卫星数据：

我们用1-6波段进行实验

使用GEE上自带的去云函数：

// Surface reflectance function from example: 
function maskL457sr(image) { 
    var qaMask = image.select('QA_PIXEL').bitwiseAnd(parseInt('11111', 2)).eq(0); 
    var saturationMask = image.select('QA_RADSAT').eq(0); 
     
    // Apply the scaling factors to the appropriate bands. 
    var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2); 
    var thermalBand = image.select('ST_B6').multiply(0.00341802).add( 149.0); 
     
    // Replace the original bands with the scaled ones and apply the masks. 
    return image.addBands(opticalBands, null, true) 
        .addBands(thermalBand, null, true) 
        .updateMask(qaMask) 
        .updateMask(saturationMask); 
    } 
     
// Map the function over one year of data. 
var collection = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
    .filterDate('2020-01-01', '2021-01-01')
    .map( maskL457sr); 
     
var landsat7_2020 = collection.median(); 
 
Map.addLayer(landsat7_2020, { 
    bands: ['SR_B3', 'SR_B2', 'SR_B1'], 
    min: 0, 
    max: 0.3
}, 'landsat 7, 2020'); 
 
var lc = nbu.merge(bu); 
print("样本lc",lc);
 
var bands = ['SR_B1', 'SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'ST_B6', 'SR_B7']; 
 
 
var training = landsat7_2020.select(bands).sampleRegions({ 
    collection: lc, 
    properties: ['class'], 
    scale: 30
}); 
 
// Create a random forest classifier with 20 trees. 
var classifier = ee.Classifier.smileRandomForest({ 
    numberOfTrees: 20
}).train({ // Train the classifier. 
    // Use the examples we got when we sampled the pixels. 
    features: training, 
    // This is the class that we want to predict. 
    classProperty: 'class', 
    // The bands the classifier will use for training and classification. 
    inputProperties: bands 
}); 
 
// Apply the classifier on the 2020 image. 
var classified20 = landsat7_2020.select(bands).classify(classifier); 
 
 
Map.addLayer(classified20.mask(classified20), { 
    palette: ['#ff4218'], 
    opacity: 0.6
}, 'built-up, 2020'); 
 
 
var landsat7_2010 = ee.ImageCollection("LANDSAT/LE07/C02/T1_L2")
    .filterDate('2010-01-01', '2010-12-31') 
    .map(maskL457sr).median(); 
     
// Apply the classifier to the 2010 image. 
var classified10 = landsat7_2010.select(bands).classify( classifier); 
Map.addLayer(classified10.mask(classified10), { 
    palette: ['#f1ff21'], 
    opacity: 0.6
}, 'built-up, 2010'); 
 
var difference = classified20.subtract(classified10); 
Map.addLayer(difference.mask(difference), { 
    palette: ['#315dff'], 
    opacity: 0.6
}, 'difference');