Abstract By incorporating temporal effects into the geographically weighted regression (GWR) model, an extended GWR model, geographically and temporally weighted regression (GTWR), has been developed to deal with both spatial and temporal nonstationarity simultaneously in real estate market data. Unlike the standard GWR model, GTWR integrates both temporal and spatial information in the weighting matrices to capture spatial and temporal heterogeneity. The GTWR design embodies a local weighting scheme wherein GWR and temporally weighted regression (TWR) become special cases of GTWR. In order to test its improved performance, GTWR was compared with global ordinary least squares, TWR, and GWR in terms of goodness-of-fit and other statistical measures using a case study of residential housing sales in the city of Calgary, Canada, from 2002 to 2004. The results showed that there were substantial benefits in modeling both spatial and temporal nonstationarity simultaneously. In the test sample, the TWR, GWR, and GTWR models, respectively, reduced absolute errors by 3.5%, 31.5%, and 46.4% relative to a global ordinary least squares model. More impressively, the GTWR model demonstrated a better goodness-of-fit (0.9282) than the TWR model (0.7794) and the GWR model (0.8897). McNamara's test supported the hypothesis that the improvements made by GTWR over the TWR and GWR models are statistically significant for the sample data. Keywords: geographically and temporally weighted regressiongeographically weighted regressionspatial nonstationaritytemporal nonstationarityhousing priceCalgary Acknowledgments This research is funded by the Hong Kong Research Grants Council (RGC) under CERG project no. CUHK 444107 and the Natural Sciences and Engineering Research Council (NSERC) of Canada under discovery grant no. 312166-05. Their support is gratefully acknowledged. We also thank the two anonymous reviewers for their insightful comments that have been very helpful in improving this article.

Urban land-use mapping is a significant yet challenging task in the field of remote sensing. Although numerous classification methods have been developed for obtaining land-use information in urban areas, the accuracy and efficiency of these methods are insufficient to meet the requirements of real-world applications such as urban planning and land management. In recent years, deep learning techniques, especially deep convolutional neural networks (DCNN), have achieved an astonishing level of performance in image classification. However, the traditional DCNN methods do not focus on multispectral remote sensing images with more than three channels, and they are limited by their training samples. In addition, these methods uniformly decompose large images into small processing units, which chop up the land-use patterns and produce land-use maps with obvious “blocks”. In this study, a semi-transfer deep convolutional neural network (STDCNN) approach is proposed to overcome these weaknesses. The proposed STDCNN has three parts: one part involves a transferred DCNN with deep architecture; another part is designed to analyze multispectral images; and the final part fuses the first two parts into a classification layer. Moreover, a skeleton-based decomposing method using street block data is devised to maintain the integrity of the land-use patterns. In two case studies, the proposed method is used to generate urban land-use maps from a WorldView-3 image of a 143 km2 area of Hong Kong and a WorldView-2 image of a 25 km2 area of Shenzhen. The results show that the proposed STDCNN obtains an overall accuracy (OA) of 91.25% and a Kappa coefficient (Kappa) of 0.903 for Hong Kong land-use classification, and an OA of 80% and a Kappa of 0.780 for Shenzhen land-use classification. In addition, due to the proposed skeleton-based decomposition method, the proposed method can produce better land-use maps for real-world urban applications.

This paper presents a novel model for blending remote sensing data of high spatial resolution (HSR), taken at infrequent intervals, with those available frequently but at low spatial resolution (LSR) in the context of monitoring and predicting changes in land usage and phenology. Named “SParse-representation-based SpatioTemporal reflectance Fusion Model” (SPSTFM), the model has been developed for predicting HSR surface reflectances through data blending with LSR scenes. Remarkably, this model forms a unified framework for fusing remote sensing images with temporal reflectance changes, phenology change (e.g., seasonal change of vegetation), or type change (e.g., conversion of farmland to built-up area), by establishing correspondences between structures within HSR images of given areas and their corresponding LSR images. Such corresponding relationship is achieved by means of the sparse representation, specifically by jointly training two dictionaries generated from HSR and LSR difference image patches and sparse coding at the reconstruction stage. SPSTFM was tested using both a simulated data set and an actual data set of Landsat Enhanced Thematic Mapper Plus-Moderate Resolution Imaging Spectroradiometer acquisitions. It was also compared with other related algorithms on two types of data: images primarily with phenology change and images primarily with land-cover type change. Experimental results demonstrate the superiority of SPSTFM in capturing surface reflectance changes on both categories of images.

Estimation of the water storage changes in the lakes of the Tibetan Plateau (TP) is essential for an accurate evaluation of climate change in this alpine region and its impact on the surrounding hydrologic environment. Because of the remoteness and poor accessibility of these alpine lakes, and a lack of lake bathymetric data, estimating their mass budget over the TP poses a considerable challenge. However, the integration of optical remote sensing images, satellite altimetry data, and gravimetry data makes it possible to monitor the overall variations in lake water storage in this extensive region. The ICESat/GLAS altimetry data used in this study reveal that most of the lakes in the TP showed a significant upward tendency (0.2–0.6 m/year) in water level between 2003 and 2009, particularly those lakes that are supplied with a large proportion of glacial meltwater. A series of lake area data derived from Landsat MSS/TM/ETM + imagery over the past four decades indicate that during the 1970–1990 period most of the lakes experienced severe shrinkage, with only some of those in central and western Tibet undergoing expansion. During the 1990–2011 period, in contrast, the majority of the lakes on the TP displayed a remarkably expansion tendency. The total lake area increased from 35,638.11 km2 in the early 1970s to 41,938.66 km2 in 2011. Based on the statistical relationships between the extent of the lake surface area and lake water levels from 2003 to 2009, an empirical model for each of the region's 30 lakes is established to estimate the lake water level from the corresponding area data, thereby reconstructing time series of lake level data for each lake from the 1970s to 2011. Based on time series of lake area and water level data, a time series of lake water volume is also reconstructed. The results show that total lake water storage increased by 92.43 km3 between the early 1970s and 2011, with lakes with an area larger than 100 km2 accounting for 77.21% of the total lake water volume budget. Moreover, the GRACE signals confirm a similar spatial pattern in water mass changes, i.e., a significantly positive water mass balance in the north and center of the TP and mass loss in southeastern Tibet and along the Himalayas. The water mass budget (6.81 km3/year) derived from satellite gravimetry signals in the Chiangtang Plateau are in good agreement with the estimated rising rate of 6.79 km3/year of lake water storage in this region based on the empirical model developed in this study. The mechanism of lake water storage changes is discussed and analyzed with reference to previous studies.

We propose a novel spatiotemporal fusion method based on deep convolutional neural networks (CNNs) under the application background of massive remote sensing data. In the training stage, we build two five-layer CNNs to deal with the problems of complicated correspondence and large spatial resolution gaps between MODIS and Landsat images. Specifically, we first learn a nonlinear mapping CNN between MODIS and low-spatial-resolution (LSR) Landsat images and then learn a super-resolution CNN between LSR Landsat and original Landsat images. In the prediction stage, instead of directly taking the outputs of CNNs as the fusion result, we design a fusion model consisting of high-pass modulation and a weighting strategy to make full use of the information in prior images. Specifically, we first map the input MODIS images to transitional images via the learned nonlinear mapping CNN and further improve the transitional images to LSR Landsat images via the fusion model; then, via the learned SR CNN, the LSR Landsat images are supersolved to transitional images, which are further improved to Landsat images via the fusion model. Compared with the previous learning-based fusion methods, mainly referring to the sparse-representation-based methods, our CNNs-based spatiotemporal method has the following advantages: 1) automatically extracting effective image features; 2) learning an end-to-end mapping between MODIS and LSR Landsat images; and 3) generating more favorable fusion results. To examine the performance of the proposed fusion method, we conduct experiments on two representative Landsat-MODIS datasets by comparing with the sparse-representation-based spatiotemporal fusion model. The quantitative evaluations on all possible prediction dates and the comparison of fusion results on one key date in both visual effect and quantitative evaluations demonstrate that the proposed method can generate more accurate fusion results.

Abstract Alpine lakes on the Tibetan Plateau are minimally disturbed by human activities and are sensitive indicators of climate variability. Accelerated lake expansion in the 2000s has been confirmed by both dramatic lake‐area increases (for 312 lakes larger than 10 km 2 ) derived from optical images, and rapid water‐level rises (for 117 lakes with water‐level data) measured by satellite altimetry. However, the underlying climate causes remain unclear. This paper analyzes the relationship between the water‐level changes of lakes on the plateau and the potential driving factors, such as the glacier meltwater supply and a dependency on precipitation and runoff over the whole plateau and in each zone. The results show that the rates of change of non‐glacier‐fed lakes in the 2000s were as high as those of glacier‐fed lakes across the whole plateau and the lake‐level changes were closely associated with the lake supply coefficients (the basin/lake area ratio). The lake variations agreed well with the spatial pattern of precipitation changes. However, in different zones, especially at around 33°N north of the plateau, glacier‐fed lakes did exhibit faster lake level increases than no‐glacier‐fed lakes, indicating that the presence of a glacier meltwater supply augmented the precipitation‐driven lake expansions in these areas. Despite the absence of quantitative modeling due to limited data availability, this study provides qualitative support that the lake expansions on the Tibetan Plateau in the 2000s have been driven primarily by changes in precipitation and evapotranspiration and not solely by the effect of glacier wastage.