如何利用时序遥感影像，亲眼见证一个湖泊数十年间的萎缩或恢复过程？

一、数据获取与准备

选择遥感数据源

Landsat系列（1972年至今）：免费提供30米分辨率影像，时间跨度最长，适合长期监测。
Sentinel-2（2015年至今）：免费提供10米分辨率影像，适合近期高精度分析。
MODIS（2000年至今）：免费提供每日影像，分辨率较低（250米-1公里），适合快速大范围监测。
高分辨率商业卫星（如QuickBird、WorldView）：需付费，分辨率达亚米级，适合细节验证。

关键预处理步骤

辐射定标与大气校正：确保不同时间影像的光谱一致性。
影像配准：使所有影像空间对齐。
云掩膜处理：使用云检测算法（如Landsat的QA波段、Sentinel-2的云概率层）剔除云干扰。
时间筛选：选择每年同一季节（如枯水期）影像，减少季节性波动影响。

二、湖泊边界提取方法

水体制图指数法

NDWI（归一化水指数）：公式为 ((Green - NIR)/(Green + NIR))，适用于Landsat和Sentinel-2。
MNDWI（改进型水指数）：公式为 ((Green - SWIR)/(Green + SWIR))，能更好抑制建筑噪声。
阈值分割：通过历史样本确定阈值（如NDWI>0.2），二值化提取水体。

机器学习方法

使用随机森林、支持向量机等算法，结合多光谱特征训练水体分类器。
深度学习：采用U-Net等语义分割模型，自动化提取边界（需标注训练数据）。

三、时序分析与可视化

面积变化量化

计算每年水体像元数，结合像元面积（如Landsat 30m×30m=900㎡）统计总面积。
生成面积变化曲线图，标注关键拐点（如政策实施年、极端气候事件）。

动态可视化技术

时间滑块动画：在QGIS、Google Earth Engine中制作逐年边界动画。
3D地形叠加：结合DEM数据展示湖盆形态变化（如使用CesiumJS）。
变化检测图：用不同颜色标注萎缩/扩张区域（如红色表示消失水体，蓝色表示新增）。

四、典型案例工具链示例

以青海湖（1973-2023年）监测为例：

# Google Earth Engine 代码框架示例
import ee
ee.Initialize()

# 定义研究区与时间范围
lake_region = ee.FeatureCollection('users/your_lake_boundary')
years = ee.List.sequence(1973, 2023, 1)

# Landsat 影像预处理函数
def preprocess_l8(image):
    return image.select(['SR_B3','SR_B5','SR_B6']).clip(lake_region)

# 逐年水体提取
def extract_water(year):
    yearly_img = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2')
        .filterDate(f'{year}-06-01', f'{year}-09-30')
        .map(preprocess_l8)
        .median()
    water = yearly_img.normalizedDifference(['SR_B3','SR_B5']).gt(0.2)  # NDWI阈值
    return water.set('year', year)

# 生成时间序列
water_series = years.map(extract_water)