第七届青年地学论坛

       沙尘暴作为干旱区与半干旱区常见的气象灾害，对工农业生产、基础设施建设、交通运输、人体健康造成巨大危害。据统计，全球约有150多个国家或地区直接遭受沙尘暴的影响，每年造成的经济损失高达130亿美元（UNCCD，2017）。沙尘暴作为一种特殊的天气现象，大多发生在自然环境恶劣、气候条件干旱的荒漠区。这些区域不仅人口稀少，而且气象站点稀疏且分布不均匀，依靠传统地面监测难以准确描述沙尘释放源、规模范围以及发展规律（Muhammad等，2012）。基于高时间分辨率的遥感影像可以实现对沙尘暴事件进行及时准确、长时间、连续、大范围的监测，对研究沙尘暴的尘源、形成原因、强度、移动路径、空间分布规律起到重要作用。
       目前随着计算机运算能力的发展，机器学习方法在沙尘暴遥感监测领域的应用越来越广泛（Li等，2020）。但是这些方法的识别精度高度依赖人工手动标记的训练样本，因此难以在区域尺度和长时间序列上开展广泛应用。目前基于经验的物理方法在沙尘暴遥感监测方面应用趋于成熟，如归一化沙尘指数（NDDI）、增强沙尘指数（EDI）、热红外沙尘指数（TDI）等，这些方法在以非监督方式表征高质量目标样本方面具有特殊优势。基于此，本文提出了一种融合传统物理方法与支持向量机方法（SVM）的沙尘暴监测模型。具体而言，首先借助于波段反射率、光谱指数、混合像元端元比等光谱特征自动标记训练样本，然后基于这些标记样本训练SVM分类器，对包括沙尘像元在内的不同对象进行识别分类，最后基于训练和验证数据集分别计算训练精度（TA）和验证精度（VA）。在这项研究中，本文使用MODIS遥感卫星数据以及相关辅助数据，借助于Google Earth Engine（GEE）云计算平台，对2014年4月25日和2018年5月17日亚洲中部干旱区两次典型沙尘暴事件进行监测。结果表明，利用单一沙尘指数进行沙尘检测时，EDI指数容易将薄云以及薄云与地物混合区域识别为沙尘，NDDI指数难以识别浮尘和扬沙天气；本研究提出的基于自动标记训练样本的SVM沙尘监测模型不仅有效解决上述问题，同时具有较高的地物分类精度，沙尘像元分类训练精度为84.23%，验证精度为83.46%，地物分类总体训练精度为95.31%，总体验证精度为78.22%。因此基于自动标记训练样本的沙尘暴遥感监测模型具有较强的沙尘暴监测能力，并在大范围长时间序列沙尘事件监测具有较大的应用潜力。

Google Earth Engine（GEE）,沙尘暴,亚洲中部干旱区,支持向量机,MODIS