基于LTDR AVHRR和MODIS观测的全球长时间序列叶面积指数遥感反演

叶面积指数是描述土壤-植被-大气之间物质和能量交换的关键参数,获取大区域长时间序列叶面积指数有助于研究气候变化条件下植被的响应及反馈。本文利用MODIS观测和经过重新处理的地表长时间数据集（Land Long Term Data Record）LTDR AVHRR数据,生成了全球1981-2012年叶面积指数数据。算法通过建立二者之间像元级关系,利用高质量MODIS观测约束历史AVHRR数据的反演,这有助于减小2种存在显著差别传感器反演结果的不一致性,也有助于提高AVHRR反演质量。首先算法利用高质量MODIS地表反射率反演2000-2012年叶面积指数,然后利用多年每8 d的LTDR AVHRR地表反射率数据计算简单比植被指数（Simple Ratio,SR）,利用SR平均值和MODIS LAI平均值建立像元级AVHRR SR-MODIS LAI关系。在此基础上,实现1981-1999年AVHRR LAI反演,最终得到全球1981-2012年叶面积指数数据。本算法反演的AVHRR和MODIS LAI与全球植被的空间分布吻合,能表征主要生物群系类型的季节变化特征,2个数据集一致性较好,并且与NASA MODIS LAI标准产品（MOD15A2）的空间分布和季节变化曲线吻合较好。     

全球250 m反照率产品算法及验证

反照率是反映地表能量平衡的重要参数之一,也被运用于全球变化与天气预测研究中。为了更好地获取反照率产品,学者们在不断地更新反照率产品和提出新算法。本文主要是在1 km分辨率的全球陆表特征参量（GLASS）反照率产品基础上进一步开发250 m反照率产品。算法思路是利用中分辨率成像光谱仪（MODIS）传感器的250 m分辨率波段提供纹理信息,利用成熟的GLASS 1 km反照率产品提供均值信息,进行数据融合,实现GLASS 1 km反照率产品的降尺度。相比于GLASS 1km反照率产品,250 m产品首先展现出更为丰富的空间细节信息,并且在与地面站点观测数据（北美地区站点数据）直接对比中显示出稍高的验证精度,GLASS 1 km产品的验证精度为0.0257,而250 m产品验证精度0.0235。最后,以北京市为例,基于2003—2013年的产品分析了北京市周边反照率及其变化趋势的空间分布,可以看到250 m反照率产品视觉效果更好,相比于1 km产品能够揭示反照率变化趋势的更多空间细节信息。分析表明,在北京城市化进程中,由于加大了城市绿化,主城区反照率总体呈降低趋势。     

基于长时间序列MODIS数据的鄱阳湖湖面面积变化分析

湖泊是气候、水和生物地球化学循环的关键组分,遥感观测有助于获得湖泊面积变化及对环境的响应信息。本文基于长时间序列遥感观测提出了一种利用像元水淹没/陆地出露比例的湖面变化分析算法,并应用于鄱阳湖的湖面提取及变化分析。首先,用全年遥感数据合成获得当年最大湖面;然后,在此最大湖面范围内,识别出每景数据的水体和陆地状态;最后,统计一定时期内每个像元的水淹没比例,并据此分析湖泊的年际和季节变化特征。该算法的最大优势是克服了云的干扰,以及湖面快速变化造成的年际变化对比分析困难问题。算法应用于2000-2010年MODIS观测,分析结果表明,本算法检测出的湖面面积与鄱阳湖水文站水位观测资料非常一致;算法可以获得鄱阳湖湖面面积的显著季节变化信息;2000-2010年间,鄱阳湖湖面面积在丰水期未发现有规律的变化;在枯水期,2003年后湖面面积急剧减小。     

MODIS_LST与AMSR-E_BT的相关性及地表温度反演

本文以2007年和2008年MODIS每日地表温度（LST）数据及AMSR-E地表亮温（BT）数据为研究对象,结合土地覆盖类型数据,统计分析MODIS_LST与AMSR-E_BT在不同土地覆盖类型、频率和极化方式条件下的相关性。结果表明,频率在18.7、23.8和36.5 GHz的AMSR-E-BT与MODIS_LST的相关性较大,且在垂直极化通道上的相关性较在水平极化上大;不同土地覆盖类型,与MODIS_LST相关性较大所对应的AMSR-E微波通道不同。同时,考虑混合像元问题对相关性的影响,对25种不同地物类型组合下MODIS_LST与AMSR-E-BT的相关性进行统计分析,发现混合像元中地物类型越多,则二者相关性越小。最后,采用多元线性回归分析法,根据不同土地覆盖类型建立反演回归模型,对部分研究区域MODIS-LST进行反演,误差平均在±3.15 K以内,与不考虑下垫面覆盖的模型比较,反演MODIS_LST精度平均提高了1.5 K。     

我国应变固体潮观测及其长时间序列的调和分析结果

介绍了我国应变固体潮观测的现状，计算并给出了１９８８年以来我国实际应变固体潮长时间序列的调和分析结果，从资料分析的角度对我国十年来的应变固体潮观测进行了小结。     

通用劈窗算法的NOAA-18(N)AVHRR/3数据地表温度遥感反演与验证

本文以NOAA-18(N)AVHRR/3数据,运用通用劈窗技术获得地表温度。首先,利用MODTRAN 4模拟不同地表和大气状况下热红外通道(Ch4,10.3~11.3μm和Ch5,11.5~12.5μm)的星上亮温,并建立模拟数据库。其次,按照地表温度、大气可降水汽含量、地表比辐射率和观测天顶角,对模拟数据库分组,确定出各分组的通用劈窗算法系数。然后,将构建的地表温度反演模型应用到NOAA-18(N)AVHRR/3数据,模型所需的地表比辐射率由NDVI阈值法确定,大气可降水汽含量是利用Li等(2003)提出的一种劈窗的协方差与方差比的方法来估算。反演结果表明:在观测天顶角小于30°或者大气可降水汽含量小于3.5 g/cm2时,地表温度反演的均方根误差小于1.0K;在观测天顶角小于45°并且大气可降水汽含量小于5.5g/cm2情况下,均方根误差小于1.5K。最后,利用美国通量站的实测数据对地表温度反演结果进行了验证,结果表明均方根误差小于1.8K。     

基于随机森林算法的近地表气温遥感反演研究

近地表气温是城市热环境的重要表征,是改变和影响城区气候的重要因素。为获得空间上连续的近地表气温,本文以北京市为研究区,利用Landsat5/TM数据计算分别得到地表温度、归一化植被指数、改进的归一化差异水体指数、地表反照率、不透水面盖度,并结合气象站点气温和高程作为输入参数建立随机森林模型反演近地表气温。结果表明,随机森林反演的近地表气温平均绝对误差（MAE）为0.80 ℃,均方根误差（RMSE）为1.06 ℃,与传统多元线性气温回归方法相比,平均绝对误差（MAE）和均方根误差（RMSE）分别提高0.06 ℃和0.09 ℃。研究表明,利用随机森林模型反演近地表气温是可行的,并且具有一定的优越性。此外,对随机森林模型的输入参数进行重要性分析,地表温度对气温反演模型的影响最大,其次为高程。     

基于MODIS数据的气溶胶光学厚度反演

气溶胶在大气污染事件中扮演重要角色。光学厚度作为大气气溶胶的一个重要光学属性,常作为其他相关科学研究的重要参数。本文以ENVI5.0为平台,利用经典的暗像元算法,对2011年8月5日北京地区的MODIS卫星遥感影像数据进行了气溶胶光学厚度(AOD)反演,并对其空间分布进行了分析,为环境监测部门提供了大气污染治理依据。     

基于物理模型训练神经网络的作物叶面积指数遥感反演研究

叶面积指数(LAI)是估算作物生长的关键参数。基于物理模型的LAI反演,被认为是当前最为可靠的方法,但其反演复杂。本文提出了将物理模型和神经网络相结合,从地表反射率反演叶面积指数的算法,利用MOD IS地表反射率和4-scale模型反演作物LAI。(1)利用4-scale模型模拟不同LAI与地表反射率的关系,生成训练数据;(2)利用模型模拟的LAI训练神经网络;(3)以MOD IS地表反射率输入训练后的神经网络,反演LAI。估算的LAI与其他LAI产品进行了比较,结果表明,估算的作物LAI和MOD IS及CYCLOPES LAI产品空间和时间分布一致,均方根误差分别为0.4994和0.6558。以2004年衡水的作物LAI地面观测数据进行了直接验证,估算的LAI与研究区地表植被分布一致,但是,三种卫星LAI产品都小于地表测量,故需针对华北平原浓密作物设计模型参数化方案。     

基于不同产生机制的伪随机序列和DNA序列的随机性测量

随机序列在现代网络通信中起重要作用,而随机性是衡量随机序列好坏的关键。利用2种标准算法DES和AES及改进,实现基于TDES、3-TDES、AES以及3-AES 4种不同机制的伪随机数生成器,并利用DNA序列转换机制形成0-1序列。对所有序列进行单比特频数检测,通过P值形成分布直方图,采用相似性图示比较它们的分布特征。比较结果显示,3-AES生成的序列不显示更强的随机性,但DNA序列显示出良好的随机特性。     

InSARʱ�򷨷�������ӳ���λ����μ�MODISˮ������Է���

????????????????????ε?????????????????????????40??Envisat ASAR?????д???????????飬????????????????λ????κ?MODIS???????????????з?????     

地表温度的多源遥感数据反演算法对比分析

 多源遥感数据的综合应用是提高地表温度反演精度的有效途径.MODIS数据和Landsat TM数据在我国同一地区获取的时间相差不大,可以获取近似同步的MODIS数据和TM数据.本文将基于MODIS数据反演的大气参数应用于TM影像的地表温度反演,分别对单窗口算法和普适性单通道算法进行了实验研究,应用气象站实测的地表温度数据对反演结果进行了检验,并对比分析了不同土地覆盖条件下两种算法的精度差异.结果表明:两种算法反演精度均较高,单窗口算法反演精度为0.76K,普适性单通道算法反演精度为1.23K;在不同的土地覆盖条件下,两种算法表现出明显的差异性,水体区反演结果差异最小,均值差异仅为0.02K,植被区差异最大,均值差异为0.62K.     

基于DEM修正的MODIS地表温度产品空间插值

地表温度是资源环境、气候变化、陆地生态系统等科学研究的重要参数之一。MODIS LST（Land Surface Temperature, LST）产品是地表温度相关研究的重要数据源。而现有MODIS LST产品均存在云覆盖区域,因此云覆盖区域地表温度估计已成为热红外遥感的前沿性研究难题。为解决MODIS LST产品云遮挡区域地表温度信息缺失,以秦岭地区为研究区,选用2001-2017年的MOD11A2数据,在传统的反距离权重（IDW）、规则样条函数（SPLINE）、普通克里金（OK）、趋势面（TREND）空间插值方法中引入高程因子,通过反复试验形成基于DEM修正的MODIS LST空间插值方法。分析空间插值结果表明： ① 空间插值精度由高到低为：OK>SPLINE>IDW>TREND,基于DEM修正后精度分别提高了约0.38、0.31、0.32和0.78℃; ② 空间插值结果的精度呈现季节差异,夏季6、7、8月的精度较高,1月的精度最低;③ 插值精度与云区的范围存在一定的关系,当云覆盖区域<1.1 km²时,DEM+OK方法的插值误差<0.55 ℃,当云覆盖区域<3.1 km²,插值误差<1 ℃;DEM+SPLINE方法在云覆盖区域<2.7 km²时,插值误差<0.55 ℃,云覆盖区域<10.4 km²,插值误差<1℃;当云覆盖为1.1~2.7 km²时,DEM+SPLINE方法的插值精度高于DEM+OK方法。     

基于Google Earth Engine的红树林年际变化监测研究

遥感技术已广泛应用于红树林资源调查与动态监测中,但仍然存在遥感数据获取困难、数据预处理工作量大、监测时间长而周期过大等问题,影响了学者对红树林演变过程的精细刻画与理解。本文基于Google Earth Engine（GEE）云遥感数据处理平台,选取Landsat系列卫星数据,生成长时间序列年际极少云影像集（云量少于5%）,利用3个红外波段反射率（NIR、SWIR1、SWIR2）和3个特征指数（NDVI、NDWI、NDMI）建立阈值规则集,实现对实验区越南玉显县红树林、红树林-虾塘、不透水面-裸地、水体4种目标地物的专家知识决策树分类和土地覆盖的制图,并基于分类结果监测该区域1993-2017年的红树林年际动态变化。结果表明：GEE平台可满足多云多雨地区红树林的长时间序列年际变化监测需求;本文阈值分类方法可以有效提取红树林及红树林-虾塘,实验区有86%年份的影像分类精度达到80%以上;年际变化监测可精细刻画实验区红树林面积先增后减再增的变化过程,也能准确反映红树林与红树林-虾塘养殖系统面积之间的负相关关系。红树林年际动态监测结果可以降低红树林演变分析的不确定性,并能更精细地量化红树林与其他土地覆盖类型的转化过程,从而评估经济发展、政策等因素对红树林演变的影响。     

基于长时序MODIS数据的中国城市昼夜热岛强度时空特征

随着我国城市化进程的加快,城市热岛难显缓解之势,有关土地利用/覆盖类型、城市规模、城市形态对城市热岛的影响已有较多研究,尚缺少气候背景对我国城市昼夜地表热岛强度的影响研究。本文通过长时序的MODIS地表温度数据,从年均、季节和昼夜3个时间尺度,从全国、气候带、城市3个空间尺度探讨了我国347个城市昼夜地表热岛强度的空间分布特征以及时间变化规律。结果表明：(1)昼夜差异：我国城市年均地表热岛强度白天（1.25±0.81℃）高于夜晚（0.79±0.43℃）;(2)季节差异：昼夜地表热岛强度在不同季节表现不同,白天表现为夏季高,冬季弱,夜晚四个季节差异不大;(3)气候带差异：昼夜地表热岛强度分布呈现明显的空间分异。白天地表热岛强度表现为热带及亚热带地区高于温带及高原地区,其中南亚热带表现为最强,高原气候区最弱;夜晚则表现为温带高于亚热带、热带及高原地区,其中中温带最强,北亚热带最弱;(4)时空变化：白天地表热岛强度年际呈非显著下降趋势（|Z|<1.96）,而夜晚呈显著上升趋势（|Z|>1.96）;昼夜地表热岛强度年际变化存在季节差异,白天地表热岛强度夏季上升趋势显著高于其他季节,...     

基于光谱时间序列拟合的中国南方水稻遥感识别方法研究

多云多雾现象是农作物遥感分类经常遇到的问题,影响分类精度。为解决此类问题,本文提出一种基于时间序列GF-1号遥感影像识别水稻方法。利用多时相时间序列的GF-1号遥感影像提取中稻、晚稻的近红外波段（NIR）反射率、红光（R）波段反射率、归一化植被指数（NDVI）特征;拟合光谱和植被指数时间序列特征曲线;分析多时相影像离散近红外波段 、红光波段、NDVI值落在拟合中稻、晚稻近红外波段、红光波段、NDVI时间序列曲线两侧的敏感性区域的比例,该区域也可以视为水稻作物识别特征的目标特征区域,只有达到一定的比例才能视为某类水稻作物。在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。研究表明：该方法可以在多云雾地区对中稻和晚稻精确识别,中稻和晚稻用户精度可达95.97%和95.95%,总体精度为95.76%,kappa系数为0.9335。实验结果表明了NIR、R、NDVI时间序列曲线拟合的有效性,以及拟合曲线目标特征区域设置的合理性。     

基于Prophet-XGBoost模型的GNSS高程时间序列预测

针对GNSS时间序列非平稳性和非线性等特点,通过分析XGBoost模型与Prophet模型的适用性与特点,构建Prophet-XGBoost预测模型。该模型先通过Prophet模型对GNSS原始时间序列进行分解,然后通过XGBoost模型进行分部预测,等权相加得到预测结果。实验选用ALGO、ALRT、BRST三个IGS站U分量日坐标时间序列数据,采用MAE和RMSE作为评价指标。结果表明,与单一的XGBoost模型和Prophet模型相比,Prophet-XGBoost模型的MAE和RMSE值均得到一定程度优化,说明该模型具备有效性,可用于GNSS时间序列预测。     

基于PCA方法的GPS台站时间序列分析

基于10 a以上的全球GPS台站数据,利用主成分分析法及其他数据处理方法,对台站时间序列进行预处理和结果分析,研究其中的非线性周期规律,探讨时间序列的主要影响机制。结果表明,主成分分析法可以将台站残差时空矩阵分解成若干正交成分,GPS台站时间序列的东西方向具有线性漂移趋势,全球大部分GPS台站都存在非线性周期规律,周年项和半周年周期占据主导地位。