基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取

水稻是中国的主要粮食作物,及时获取水稻种植面积和空间分布信息对指导水稻生产、调整区域供需平衡等具有重要的意义。以江苏省为例,利用2009—2011年连续三年的MODIS 8 d合成地表反射率数据(MODIS09A1),计算了归一化差值植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)和陆表水指数(land surface water index,LSWI)。结合水稻在不同生长发育期EVI的时间序列变化特征,确定了水稻面积提取的关键生育期。根据水稻移栽期稻田土壤含水量高的特征,利用NDVI、EVI和LSWI三种指数构建判别条件,确定可能种植水稻的区域。利用线性光谱混合像元分解模型对包含水稻的混合像元进行分解,得到江苏省三年水稻种植空间分布。最后,选取研究区内的水稻典型样区,利用与MODIS同时期的较高分辨率的环境小卫星HJ-1 CCD(30 m)数据提取水稻种植面积和空间分布,以此作为参考数据进行精度验证,同时利用统计部门的江苏省水稻种植面积统计数据对江苏省水稻面积进行验证,两种方法验证后表明误差均在10%以内。研究表明,采用MODIS09A1数据结合线性光谱混合模型可以更高精度地提取大范围的水稻种植面积。     

利用HJ-1卫星数据监测山区水库资源

遥感技术能够快速、宏观地获得研究区域的数据,已成为湖泊环境动态变化监测的重要技术手段。但是对于山区的湖泊和河流而言,由于沟壑众多,河道狭窄,水体像元多为混合像元,利用现有方法提取水体遥感影像难度较大。水体与植被、城市和土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基本原理。本文在水体光谱特征分析的基础上,描述了HJ-1卫星数据特征及所采用的山区水体信息的遥感提取方法,并以南湾水库为例,描述了利用植被指数(NDVI)方法识别水体信息的技巧:首先将HJ-1数据的第3和第4波段经过波段运算得到NDVI图像;再将两种遥感图像中NDVI值小于0的像元判识为水体,NDVI值大于0的判识为水库周围的农田,经过计算像元数量得到水体面积信息;最后在各种专业软件的支持下,结合非监督分类的水体识别效果,将水体与其他地物类型区分开来。结果表明,利用HJ-1卫星数据可有效排除其他地物的干扰,显著提高水体监测的精度。     

基于高分卫星的一季稻面积遥感估算

高分一号卫星(GF-1)是中国高分辨率对地观测系统中的重要成员之一,可以提供高空间分辨率的对地观测信息。本文以合肥市为研究范围,根据物候历选择2017年5月下旬和8月上旬的两个时相GF-1影像为研究资料,利用增强型植被指数(EVI)为监测判别指标,并以一季稻成熟期的蓝移现象作为辅助判别条件,构建了种植面积遥感估算模型。结果表明:通过对比验证模型,发现用统计调查数据来验证遥感估算结果的精度为93.2%,用混淆矩阵法来验证的精度和Kappa系数分别为83.7%和0.84。验证精度表明本文构建的遥感估算模型是合理可行的,为安徽省及合肥地区一季稻信息提取和估算提供参考。     

基于MODIS和HJ-1数据的宿鸭湖水库面积遥感监测研究

水体与植被、城市和土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基本原理。以宿鸭湖水库为例,在水体光谱特征分析的基础上,采用归一化植被指数（NDVI）方法提取2010年的MODIS和HJ-1遥感影像上的水体信息。首先将MODIS数据的第1和第2波段,以及HJ-1数据的第3和第4波段经过波段运算得到NDVI图像。将两种遥感图像中NDVI值为负的像元判识为水体,NDVI值为正的判识为水库周围的农田,经过计算像元数量得到水体面积信息。水体判识阈值在全年变化范围在-0．08和0．08之间。HJ-1数据具有较高的空间分辨率,水体判识的结果比MODIS数据更加精确。利用HJ—I数据水体监测结果对MODIS数据结果进行校正,使得到的监测结果同时具有较高的时间分辨率和空间分辨率。研究结果表明：利用HJ-1数据校正后的MODIS数据所测得的水域面积与实际观测得到的水库蓄水量之间的复相关系数为0．8603,显著提高了水体监测的精度,从而为大范围的水资源与水环境动态监测提供了迅速、可靠的依据。     

不同播期冬小麦叶面积指数高光谱遥感监测模型

叶面积指数(Leaf area index,LAI)与植物的光合能力密切相关,是评价作物长势和预测产量的重要农学参数,利用高光谱遥感能够实现农作物LAI快速无损监测。为了建立不同播期条件下冬小麦LAI反演的最佳高光谱监测模型,提高冬小麦LAI估算模型精度,将地面实测冬小麦LAI数据和冠层高光谱数据相结合,对4个播期及4个播期组合模拟的混合播期数据进行分析,选取8种植被指数,通过相关分析、回归分析等统计方法,构建不同播期冬小麦叶面积指数监测模型。结果表明,在4个播期处理和由一个所有播期组合下(即混合播期)建立的LAI光谱监测模型中,播期1和播期4分别以EVI2和mNDVI拟合效果较好,播期2、播期3及混合播期均与NDGI拟合效果最好。不同播期及混合播期的拟合方程决定系数(R~2)分别为0.803,0.823,0.907,0.819和0.798;通过试验田实测LAI与反演LAI数据进行拟合模型验证,均方根误差分别为0.81,0.78,0.63,0.82,0.91。通过分析可知,不同播期的分期监测模型比混合播期统一监测模型的拟合效果更好,精度更高。因此,播期1、播期2、播期3、播期4分别选用植被指数EVI2、NDGI、NDGI、mNDVI建立冬小麦LAI反演模型。该结果可为实现不同播期下冬小麦长势精确监测提供理论依据和技术支撑。     

MODIS和HJ-1B资料在江苏大雾监测中的应用

雾是一种常见的天气现象,雾的遥感监测是近年来的热点之一。利用多种卫星资料实现雾的监测和预警工作,对于环境保护、灾害评估等具有重要的意义。根据云、雾及下垫面在可见光、中红外和热红外波段的光谱特性差异,结合EOS-MODIS数据特点和HJ-1B传感器波段设置等,利用多通道阈值法分别对2013年1月24日江苏省一次雾天过程不同生长阶段的雾进行雾区监测,并分别结合地面实测数据对两种数据源的监测结果进行精度检测。结果发现:对此次雾的两个生长阶段的雾区监测,MODIS数据监测的结果总体精度为80.28%,HJ-1B数据的监测结果总体精度为91.04%,两者监测效果均比较理想,HJ-1B数据可作为雾监测的一种可靠资料来源。     

夏玉米生长过程曲线重建研究——以鹤壁市为例

增强型植被指数(EVI)时间序列数据(即植被生长曲线)是整个生育期内植被各种生物学特征的综合反映。由于太阳位置、大气、地表和传感器位置与性能等的影响,根据遥感数据计算的EVI值往往比实际值偏低(存在大量噪声),并不能反映植被生长的真实情况,应用前需进行去噪重建工作。针对目前生长曲线重建研究大多是针对MODIS等国外遥感数据的情况,在综合分析重建方法的基础上,利用风云3号卫星的MERSI中分辨率遥感卫星数据构建鹤壁市夏玉米的EVI生长过程曲线。首先,用最大值合成法(MVC)对原始EVI时间序列数据进行初步的去云处理。接着,利用基于时间域的Savitzky-Golay滤波(简称SG滤波)对该EVI序列进行进一步的平滑去噪处理,结果发现,在噪声点EVI数值提高了,但同时在其他不是噪声点的地方EVI的值降低了。针对这种不合理的情况,利用基于SG迭代滤波取上包络线的改进方法进行处理,很好地克服了上述缺陷,在非噪声点EVI数值适当提高,且曲线平滑,达到了生长曲线重建的目的。然后,采用基于频率域的小波变换方法进行实验对比,结果发现,小波变换存在着与经典SG滤波类似的缺陷,而且在曲线末端存在突变情况。经过比较分析发现,针对研究区的实际情况,改进SG迭代滤波是较优的去噪方法。     

基于MODIS植被指数的太湖蓝藻信息提取方法研究

有效地提取蓝藻水华信息对分析蓝藻动态分布有重要意义,而卫星遥感技术是进行太湖水质监测与保护的措施之一.本文以2007年7月25日Terra/MODIS数据为主要数据源,用比值植被指数(Irv)、归一化植被指数(Indv)和增强型植被指数(Iev),研究提取太湖蓝藻信息.结果表明:植被指数可以有效提取遥感影像中的蓝藻水华信息,其中Indv是应用效果较好的植被指数之一;在掩膜处理后,用Indv提取了太湖蓝藻的面积分布信息,效果较好;此外,选取Indv为测试变量,利用决策树分类法,有效地把蓝藻水华高浓度覆盖区、中浓度覆盖区和轻浓度覆盖区分开来,为准确掌握太湖蓝藻发生、发展趋势和发生程度提供可靠信息.     

植被指数及其研究进展

介绍了植被的光谱特征，概述了几种常见的植被指数及其优缺点。对MODIS探测器监测植被的特点和美国NASA归一化差值植被指数(NDVI)和增强植被指数(EVI)产品特性和不足做了说明。指出了研究西北地区MODIS植被指数的重要意义。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率和多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法。近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率、多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法;近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

基于MODIS的广东省植被指数序列构建与应用

植被指数是衡量植被长势的重要指标,植被指数序列有助于准确地认知植被覆盖、土地利用和土壤水分的时空变化规律,以及进行干旱和植被生长监测.利用2004-2006年的MODIS数据,选择RVI、NDVI和EVI三种植被指数,采用最大值合成法进行广东省植被指数序列构建.按照不同植被覆盖对三种植被指数的年际变化规律进行分析,并通过NDVI进行植被覆盖度计算以及植被覆盖等级分类来分析植被的空间分布.结果表明,建立的植被指数序列能真实地反映植被生长规律,植被覆盖度和广东地区的植被实际分布状况一致.说明建立植被指数序列是动态监测广东省植被长势的及植被环境的变化的有效方法.     

基于棉田光谱的FY一3A／MERSI与MODIS植被指数关系研究

对同一区域不同时次的FY一3A／MERSI与MODIS的归一化植被指数(NDVI)和 比值植被指数(RVI)进行了计算,并针对地面光谱和影像数据方面进行了分析。结果表明, FY一3A／MERSI比MODIS数据更敏感,但受大气辐射传输影响也更突出,卫星入瞳处的反射率与地面实测资料相比,MERSI比MODIS变化大。FY一3A／MERSI与MODIS植被指数具有很好的相关性,遥感影像植被指数相关系数为0．98(NDVI)和0．96(RVI),地面光谱产生的 植被指数(NDVI和RVI)相关性则达到0．99。     

夏玉米植被指数与叶面积指数的关系研究

利用ASD便携式地物光谱仪和SunScan冠层分析仪实测了陕西杨凌区和扶风县夏玉米关键生育期冠层光谱反射率及叶面积指数(LAI),对归一化植被指数(NDVI)、比值植被指数(RVI)和差值植被指数(DVI)与叶面积指数进行了相关性分析,建立了基于三种植被指数的LAI估算模型,并进行精度检验。结果表明:基于抽穗期和蜡熟期NDVI以及灌浆期RVI的LAI估算模型的均方根差和相对误差较低,模拟效果较好。结果对夏玉米生长状况及病虫害监测、产量预测以及田间管理具有参考价值。     

MODIS遥感监测滇池蓝藻水华分布

以中分辨率的MODIS数据作为遥感影像源,运用蓝藻水华在蓝波段、红波段和近红外波段的光谱特征,使用假彩色合成法（RGB：6-2-1）和归一化植被指数法对滇池的蓝藻水华进行遥感监测。通过星地同步试验,证明了该两种方法的正确性。其中假彩色合成法通过色彩差异表现蓝藻水华,具有视觉效果较好的优点,归一化植被指数法则以数值大小的方式区别水华浓度,该方法建立反演模型后可用于定量研究。     

基于HJ-1B卫星数据的地表温度反演方法研究

以典型岩溶地貌区为研究区,HJ-1B遥感数据为数据源,通过分别采用覃志豪单窗算法、普适性单通道算法、基于影像的Artis反演算法,并对其中的经验关系式进行修订,最后反演出研究区的地表温度,与MODIS温度产品(MOD11_L2)进行对比分析,探寻适用于岩溶地貌区利用HJ卫星遥感数据进行干旱监测的地表温度反演算法。结果表明,修订后的普适性单通道算法优于其他两种算法,其与MODIS温度产品平均温差相差0.36 K,反演精度达到1 K之内,说明该算法经过修订后适用于反演岩溶地貌区的地表温度。     

基于MODIS-EVI数据的神农架林区植被指数变化特征研究

对植被覆盖动态变化监测可以提供生态系统状况有价值的信息,可以检测到人类或气候作用引起的变化.以2003-2012年MODIS的遥感数据为信息源,利用增强型植被指数(EVI),采用最大值合成法,对神农架林区植被覆盖动态变化进行监测,并与同期的气候因子进行相关性分析,结果表明:10 a来神农架林区植被覆盖整体呈增加趋势,且东部地区的EVI增幅大于西部增幅,特别是近5 a(2008-2012年),除2010年外,植被指数均为正距平.说明神农架林区近5 a来植被生长状况较好,生态环境得到了进一步改善.与气候因子进行相关性分析说明,气温是制约神农架植被生长的主要气候因子,而降水和日照是影响该地区植被生长的重要气候因子.     

基于MODIS增强型植被指数的青海省牧草产量估产研究

利用青海省22个生态环境监测站在2003和2004年牧草生长季内各月所测的牧草鲜草产量数据，并搜集了该时段内逐日的MODIS遥感数据，通过对图像的预处理，云区识别，植被指数的计算及月最大植被指数的合成，形成了与牧草产量数据相对应的MODIS EVI数据。然后按牧草生长季和草地类型建立了牧草鲜草产量与MODIS植被指数的关系模型。结果表明，牧草产量和MODIS EVI之间存在较高的相关性，用指数函数建立产量模型效果较好。按牧草生长季建立的牧草产量检测模型比按草地类型建立的模型相关性要高。     

MODIS植被指数及其分县统计分析的实现

MODIS归一化植被指数(NDVI)已引起了广泛的注意,它与NOAA/AVHRR的NDVI既有联系又有区别。利用同一天的NOAA/AVHRR和EOS/MODIS资料,介绍了各县域内平均NDVI的统计方法和计算结果及NDVI与增强植被指数(EVI)的差异。MODIS和AVHRR两种资料得到的NDVI数值虽然有差异,但都能很好地反映植被的空间分布和时间变化。MODIS增强植被指数(EVI)对植被条件的变化更加敏感,使定量分析的精确性提高,具有较好的应用前景。     

西北地区MODIS-NDVI指数饱和问题分析

为了了解西北地区MODIS-NDVI和MODIS-EVI两种植被指数的特点,本文利用美国NASA LP DAAC(Land Process Distributed Active Archive Center)2004年1~12月的250 m分辨率16天植被指数合成的MOD13 Q1数据集,对西北地区不同类型植被NDVI和EVI的特征进行分析,并对西北地区MODIS-NDVI饱和问题进行了初步研究。结果表明:NDVI和EVI对干旱—半干旱气候区植被覆盖度不高的植被类型描述能力相似,月际变化趋势一致。西北地区各种植被类型NDVI比EVI高,NDVI与EVI的差异总体上呈现从半荒漠、草原、农区到林区,随NDVI值的增加而增大的规律。对植被度覆盖度高的阔叶林和针叶林,在植被生长旺盛期,NDVI总在0.8附近波动,NDVI随植被的生长增加的很小,一直维持在一个高且平的范围内,不再能看出植被生长变化的现象,即饱和现象严重;而EVI表现良好,随着植被的生长而增加,能明显地反映出植被生长的季节变化。西北高寒草甸和陕西关中农业区NDVI也出现有不同程度的饱和,饱和时间因植被的不同从1~2月不等。0.8可作为NDVI饱和的阈值。NDVI饱和问题对卫星监测植被的研究和应用会产生误差,EVI能较好地解决NDVI的饱和问题。