遥感估算伊洛河流域地表蒸散的空间尺度转换

针对低分辨率遥感数据在区域地表蒸散(evapotranspiration,ET)估算中存在的空间尺度效应问题,提出一种基于网格面积比例加权聚合(grid area ratio weighting lumped method,GARWLM)的空间尺度转换方法。通过在网格(1km×1km)内部基于各种地表覆盖类型所占面积比例,分别赋予相应权重,建立高分辨率遥感数据向低分辨率遥感数据的尺度转换模型,实现了由高分辨率数据估算的ET向低分辨率数据估算的ET的空间尺度转换,并通过回归对低分辨率数据估算的ET进行了尺度效应纠正。在伊洛河流域的试验结果表明,估算的ET与地面实测数据的平均相对误差由纠正前的23.5%减小到纠正后的12%,与高分辨率估算结果的相关性分别由纠正前的0.339提高到纠正后的0.604,经过尺度纠正后的ET精度有了很大程度的提高。     

鄂尔多斯草原植被净生产力反演研究

以CASA模型为基础,利用Landsat TM遥感数据作为数据源,并结合气象站的气象数据以及数字高程模型,对1991年-2000年内蒙古地区杭锦旗境内的鄂尔多斯草原进行分类和植被净初级生产力的估算研究,同时使用MODIS数据的NPP数值产品进行精度评价和校正。结果表明:(1)鄂尔多斯草原在生长旺盛季(7月-8月)的NPP的总值为4.70263×1012gCm-2a-1,平均值为124.25gCm-2a-1;(2)鄂尔多斯草原近十年植被净生产力变化呈现先升高后降低的趋势,与95年后过度放牧开垦以及降水量的减少密切相关;(3)利用MODIS中的NPP合成数据产品随机选点做线性回归分析,相关性R2=0.741,可以得到本研究利用CASA模型进行的NPP反演效果较好的结论,具有研究价值。     

北京地区Landsat 8 OLI高空间分辨率气溶胶光学厚度反演

卫星气溶胶光学厚度(AOD)反演中,传统暗目标方法在反射率较低的水体、浓密植被覆盖区域取得了较好效果,在反射率较高且结构复杂的高反射地表上空目前多采用深蓝算法,但存在空间分辨率较低,对细节分布描述性较差等问题。为解决这一问题,本文首先以5年(2008年—2012年)长时间序列MODIS地表反射率产品为基础,采用最小值合成法建立500 m分辨率逐月地表反射率产品数据集,然后利用地物波谱库中典型地物波谱数据,分析建立MODIS与Landsat 8 OLI传感器蓝光波段反射率转换模型,最后北京地区AERONET地基观测数据确定了气溶胶光学物理参数,并反演获取了北京地区上空500 m分辨率的AOD分布。为验证反演算法的精度,分别将反演结果同AERONET及MODIS/Terra气溶胶产品(MOD04)进行交叉对比,同时利用相关系数R,均方根误差RMSE,平均绝对误差MAE以及MODIS AOD产品预期误差EE共4个指标进行衡量。结果表明:算法反演获取的AOD与AERONET观测值具有较高的一致性,各指标分别为R=0.963,RMSE=0.156,MAE=0.097,EE=85.3%,稍优于MOD04产品(R=0.962,RMSE=0.158,MAE=0.101,EE=75.8%),并且有效的对比点数也高于MOD04。通过与地基观测相比,卫星遥感获取的高分辨率城市地区AOD精度可作为定量评估城市空气质量的有效依据。     

基于支持向量机的SPIN－2影像与SPOT－4多光谱影像融合研究

遥感影像融合是解决多源海量数据富集表示的有效途径之一。针对高分辨率遥感数据SPIN-2(2m)与多光谱遥感数据SPOT-4(20m)的影像融合，提出了基于支持向量机(SVM)的遥感影像融合的新方法。建立了基于SVM的遥感影像融合模型，并进行了分类融合实验，实验效果较好。最后给出了分类融合评价。结果表明，支持向量机可用于遥感影像融合，且分类融合精度较高。     

西南地区破碎地表空间异质性刻画与空间尺度关系初探

尺度效应是定量遥感领域的经典且重要问题之一，其中地表异质性的判断和明确对地表真实性检验和场站优化布设问题的前置工作。并且地表异质性的判断和计算，一般是通过一景低分辨率待检验产品与同步获取的地面测量结果或者高分辨率产品进行尺度转换实现间接表达。然而，由于待检低分辨率与高分辨率遥感影像之间几乎很难做到完全同步。那么如何在缺乏同步产品的基础上，仅利用高分辨率产品去刻画地表异质性，是为下一步对空间异质性进行进一步探索和分析的前提条件。本文针对该问题使用优于0.2 m空间分辨率的无人机光谱反射率数据，计算得到归一化差值植被指数NDVI (Normalized Difference Vegetation Index)数据，通过三次卷积升尺度算法计算获取了0.2—30 m共39个不同空间分辨率结果，通过目视解译获得土地利用/覆盖变化LULC (Land Use and Land Cover change)数据，结合地理探测器对1 km×1 km图幅内的空间异质性行评价。结果表明：3个地形破碎的喀斯特槽谷区，其空间异质性评价值q的阈值存在差异，但总体上q值都随着空间分辨率的提高（30—0.2 m）由震...     

MODIS卫星遥感估计福州地区近地面PM2.5浓度

卫星遥感反演气溶胶光学厚度已被广泛应用于近地面空气污染遥感监测。为揭示福州地区细颗粒物污染的空间分异趋势,利用2014年—2015年的地基监测细颗粒物(PM_(2.5))浓度数据、MODIS 3 km气溶胶光学厚度(AOD)卫星数据以及GEOS-FP气象数据,分别构建了估计福州地区近地面PM2.5浓度的日校正模型和站点一日校正模型,并利用十折交叉验证方法对2个模型进行评价验证。结果表明:(1)日校正模型和站点一日校正模型分别能够解释福州地区PM2.5浓度76.2%和81.4%的变异,反演的2014年—2015年福州地区近地面PM2.5浓度和地面实测站点数据之间的相关性R~2分别为0.724(RMSE=10.993μg·m~(-3))和0.781(RMSE=9.687μg.m~(-3));(2)分别针对不同下垫面环境的城市站点和县郊站点数据进行模型拟合验证,两个模型反演的PM2.5浓度值与地面实测值之间皆具有良好的相关性,R~2最高可达0.808;(3)将模型反演的PM2.5浓度季均值与地面实测季均值进行对比分析,结果也显示二者高度相关,据此反演的2015年福州地区年平均PM2.5浓度分布图可清晰地揭示福州地区PM_(2.5)浓度分布的空间变化情况。由此可见,基于MODIS 3 km AOD产品和气象数据建立的近地面PM_(2.5)浓度遥感估算模型能够很好地反演出福州地区近地面PM2.5浓度分布情况。     

陆地总初级生产力遥感估算精度分析

准确估算陆地总初级生产力GPP(Gross Primary Productivity)数值对碳循环过程模拟有重要影响。本文介绍了多种基于植被指数以及基于光能利用率的遥感GPP算法,综述了不同算法在其研究区域的估算精度;并分析了MODIS/GPP以及BESS/GPP两种遥感GPP产品在不同植被类型的估算精度。通过对比全球碳通量站网络GPP数据表明,MODIS/GPP产品在全球估算结果具显著相关性(R2=0.59)及中等标准误差(RMSE=2.86 g C/m2/day),估算精度较高的植被类型有落叶阔叶林,草地等;估算精度较低类型包括常绿阔叶林,稀树草原等。本文对GPP产品中存在的不确定性进行分析,通过综述前人研究中发现的遥感估算GPP方法中存在的问题,指出可能的提高卫星遥感GPP产品估算精度的方法及发展趋势。     

基于Landsat8 OLI影像光谱的土壤盐分估算模型研究

针对艾比湖流域盐渍化土壤盐分定量监测的需要,利用Landsat8 OLI多光谱影像进行土壤盐分估算模型研究,以提高土壤盐分反演的精度。通过分析不同含盐量土壤的影像光谱反射率特征和不同变换形式的光谱反射率与盐分的相关性,寻求对盐分含量敏感的光谱波段;采用多元逐步回归算法,分别建立基于OLI影像光谱与ASD光谱仪重采样光谱的土壤盐分估算模型,并对影像光谱模型进行校正。结果表明:ASD重采样光谱数据的对数倒数一阶微分变换的土壤盐分估算模型精度较高,模型的决定系数(R2)为0.779;校正后的OLI影像光谱土壤盐分估算模型的R2从0.28提高到0.777 6,且均方根误差值仅为0.281。本研究实现了从实地测量光谱尺度向遥感多光谱尺度的转换,为土壤盐渍化的遥感定量监测提供了科学参考。     

水环境参数定量遥感反演空间尺度误差分析

对地观测技术的快速发展为水环境定量遥感监测提供了多源遥感数据的有利支撑,然而多源数据空间尺度差异引起的遥感数据和定量产品的不一致性严重制约了水环境科学研究和业务化应用。针对多源遥感数据的空间尺度转换和尺度误差问题,本文提出一种模拟遥感成像过程点扩散函数(PSF)的多源遥感数据空间尺度转换方法。以高空间分辨率GF-1卫星16m遥感数据为基础,模拟了常用的内陆水环境监测卫星Landsat TM/ETM+/OLI(30m)、Terra/Aqua MODIS(250m、500m、1000m)数据,系统研究了高动态浑浊水体(以鄱阳湖悬浮颗粒物监测为例)多源定量遥感监测的空间尺度误差,并对比分析了常用的多源数据尺度转换方法(基于遥感反射率数据平均法和基于悬浮颗粒物产品平均法)的有效性。结果表明,基于点扩散函数的空间尺度转换方法与传统方法具有较高的相关性,基于遥感反射率数据平均法的水环境定量遥感产品的误差水平低于基于悬浮颗粒物产品平均法;相对于南海等相对平稳水体的低空间尺度误差水平(0.5%),在高动态浑浊的内陆或近岸水环境遥感监测中,由空间尺度变化引起的产品误差可达±5%左右。因此,在高精度水环境定量遥感发展应用的需求和多源多尺度遥感数据协同的背景下,本文研究对于提高多源遥感监测产品的一致性和应用能力具有重要理论和现实意义。     

TM对NOAA面积校正模型的研究

为了实现NOAA卫星遥感影像在提供丰富的宏观信息的同时 ,能够具有较高的面积估计精度这一目标 ,以吉林省为例 ,根据 1998年的NOAA卫星遥感影像数据以及最新的TM卫星遥感影像数据 ,构建了高分辨率卫星影像数据对低分辨率卫星影像数据的面积精度校正模型 ,并引入分形理论对影像空间结构特征进行深入研究     

Scaling Effects on MODIS Band Ratio of 645 to 859 nm Aggregated from 250 m to 1 km Resolution: A Case Study in Yellow River Estuary

In this study, a theoretical model for studying the scaling effects on the two-band ratio of red to near-infrared band (TBRRN) is suggested. The model is used to explain the relationship between scaling error and local scale error; the results revealed that a special scale scaling procedure can be divided into a series smaller scale scaling procedures, and the total scaling error is the sum of the scaling error of these series’ smaller scale scaling procedure. Consequently, under the condition that the local scale is adequately fine, the total scale error at the target scale may be estimated accurately. In order to understand the mechanisms associated with scale in practical remote sensing, TBRRN data with 250 m and 1 km resolution is estimated from MODIS data at 645 and 859 nm, retrieved on September 1, 2009, in the Yellow River estuary, China. It is found that the TBRRN estimated from the 1 km resolution MODIS data is ~2.94 % smaller than as estimated from the 250 m MODIS data. The large scaling error distributes neither in the turbid waters, nor in the low suspended sediment regions, but instead in the high-low suspended sediment concentration transitional zone, which may be attributed to the spatial variable of suspended sediment in the transitional zone. This paper also points out that, owing to the importance of total scale error in achieving NASA’s mission in oceanic remote sensing, the way in which to conveniently and precisely estimate the total scale error of remote sensing parameters may potentially be an important topic in the field of oceanic remote sensing, both in present research and in the future.     

叶面积指数遥感尺度效应与尺度纠正

由于地表空间异质性的普遍存在,遥感反演模型的非线性必然会导致不同分辨率观测的遥感结果不一致,从而产生遥感产品尺度效应。本文研究了遥感产品尺度效应概念、模拟方法和定量计算模型,并利用锡林浩特草原研究区的实测数据,对尺度效应模型和方法进行了定量计算与验证分析。首先,基于不同升尺度方法与多尺度遥感成像机理之间的机理联系,通过“先反演再平均”与“先平均再反演”之间的差异,可计算“高”分辨率与“低”分辨率之间的遥感产品尺度差异。其次,分别以红光、近红外两波段反射率和归一化植被指数(NDVI)为自变量,对叶面积指数(LAI)非线性遥感模型进行泰勒展开,研究了模型非线性、遥感数据空间异质性对LAI遥感产品尺度差异的影响,发现高阶项可忽略,利用二阶导数项和遥感数据方差项可定量计算遥感产品尺度差异,经过二阶导数项纠正后的尺度差异相对偏差从5.6%分别降低到0.78%和1.45%。最后,分析了LAI遥感产品尺度效应的特征规律,得出以下结论:随着植被覆盖的增大,同等遥感空间异质性的LAI遥感产品尺度差异越大,且红光波段比近红外波段的尺度差异敏感性高近2个数量级;对于绝大部分陆地植被区域,存在“低分辨率低估”尺度效应,且遥感产品尺度差异的主导要素为LAI模型非线性,NDVI变量自身非线性对尺度效应贡献占23.5%;对于湿地类植被与水体混合情形,NDVI变量非线性的贡献为主导贡献,出现“低分辨率高估”尺度效应,必须利用红光、近红外两波段的二阶导数项非线性尺度差异,才能解释这一类型的LAI遥感产品尺度效应。本文建立了具有一定普适意义的遥感产品尺度效应定量模拟与尺度纠正方法,对推动定量遥感的尺度问题研究有一定参考价值。     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

作物LAI的遥感尺度效应与误差分析

以黑河中游盈科绿洲为研究区, 利用Hyperion高光谱数据, 采用双层冠层反射率模型(ACRM)迭代运算反演LAI; 通过LAI的均值化(LAImean)以及Hyperion数据反射率线性累加反演LAI(LAIp), 定量分析LAI反演的尺度效应; 从模型的非线性和地表景观结构的空间异质性2个方面分析引起反演误差的原因, 并在LAI-NDVI回归方程的基础上利用泰勒展开的方法对低分辨率数据反演结果进行了误差纠正。结果表明, 地表景观结构的空间异质性是造成多尺度LAI反演误差的关键因素, 通过泰勒展开式能很好地实现大尺度数据LAI反演结果的误差纠正。     

MODIS土地覆盖分类的尺度不确定性研究

以空间异质性较强的枯水期鄱阳湖为研究区,以搭载于同一卫星平台、具有同一观测时间和较高空间分辨率的ASTER数据为参照,分析研究了MODIS数据在土地覆盖分类中由空间尺度带来的不确定性。首先基于MODIS三角权重函数,建立了从ASTER到MODIS的尺度转换方法;然后对不同空间分辨率的数据进行土地覆盖分类,并基于误差矩阵和线性模型分析了MODIS土地覆盖分类结果的误差来源。结果表明,空间分辨率和光谱分辨率与成像方式这两类因素对MODIS与ASTER分类结果差异的贡献比例约为(6.6—11.2):2;MODIS像元尺度对研究区水体的分类不确定性影响较低,而对森林的不确定性影响可达63%。由此可见,在基于MODIS数据的土地覆盖分类研究中,空间尺度所产生的不确定性是比较显著的。这些研究结果对于土地覆盖分类及变化检测、尺度效应和景观生态学不确定性研究,有积极的参考意义。     

NPPVIIRS数据反演气溶胶光学厚度

利用NPP卫星的VIIRS传感器数据,基于暗像元法反演陆地气溶胶光学厚度AOD。首先,根据红外波段的归一化植被指数NDVI来对暗像元进行识别;然后,利用6S软件进行辐射传输计算构建查找表;最后,根据VIIRS数据从查找表插值得到AOD,并对其进行海拔校正。选取华北地区作为反演实验区,获得了2013年9月1日的气溶胶分布。利用AERONET北京站太阳光度计地基观测结果对反演结果对比验证,发现二者具有显著的相关性,相关系数达到0.7920。将2013年9月1日的MODIS AOD产品与本研究反演的AOD进行比对,发现二者分布趋势一致,相关系数为0.7059,相关性显著。反演结果表明,本文算法反演陆地AOD效果较好,为大气颗粒物环境监测提供了良好方法手段和数据源。     

Rice crop phenology mapping at high spatial and temporal resolution using downscaled MODIS time-series

Satellite data holds considerable potential as a source of information on rice crop growth which can be used to inform agronomy. However, given the typical field sizes in many rice-growing countries such as China, data from coarse spatial resolution satellite systems such as the Moderate Resolution Imaging Spectroradiometer (MODIS) are inadequate for resolving crop growth variability at the field scale. Nevertheless, systems such as MODIS do provide images with sufficient frequency to be able to capture the detail of rice crop growth trajectories throughout a growing season. In order to generate high spatial and temporal resolution data suitable for mapping rice crop phenology, this study fused MODIS data with lower frequency, higher spatial resolution Landsat data. An overall workflow was developed which began with image preprocessing, calculation of multi-temporal normalized difference vegetation index (NDVI) images, and spatiotemporal fusion of data from the two sensors. The Spatial and Temporal Adaptive Reflectance Fusion Model was used to effectively downscale the MODIS data to deliver a time-series of 30 m spatial resolution NDVI data at 8-day intervals throughout the rice-growing season. Zonal statistical analysis was used to extract NDVI time-series for individual fields and signal filtering was applied to the time-series to generate rice phenology curves. The downscaled MODIS NDVI products were able to characterize the development of paddy rice at fine spatial and temporal resolutions, across wide spatial extents over multiple growing seasons. These data permitted the extraction of key crop seasonality parameters that quantified inter-annual growth variability for a whole agricultural region and enabled mapping of the variability in crop performance between and within fields. Hence, this approach can provide rice crop growth data that is suitable for informing agronomic policy and practice across a wide range of scales.     

尺度效应的叶面积指数产品真实性检验方法

真实性检验是评价遥感反演产品质量和验证遥感应用产品是否准确、真实地反映实际情况的重要途径。叶面积指数(LAI)是表征陆地植被结构和长势的关键参数,全面准确评价和验证LAI产品是产品用于陆面过程模型的前提。本文以MODIS LAI与GLASS LAI产品为研究对象,在尺度效应和尺度转换的基础上,建立了针对非均匀像元的低分辨率LAI产品真实性检验方法。在考虑空间异质性和植被长势差异的情况下,借助中分辨率的遥感影像,分别利用1 km像元平均叶面积指数和反演表观叶面积指数实现了对LAI算法和产品的真实性检验。为了比较作物长势差异和地表非均匀度对产品的影响,本文选择有代表性的河南鹤壁和甘肃张掖两个地区进行两种LAI产品真实性检验研究。研究结果表明,GLASS LAI和MODIS LAI产品均存在明显的低估现象。这并不是产品算法的问题,而是由于地表异质性和非均匀度的影响。在异质性更显著的张掖盈科灌区,低估现象更明显。GLASS LAI产品是多种LAI产品的融合,它的平均LAI比MODIS更接近真实情况,但是LAI的动态范围比MODIS窄。     

Evaluating a thermal image sharpening model over a mixed agricultural landscape in India

Fine spatial resolution (e.g., <300 m) thermal data are needed regularly to characterise the temporal pattern of surface moisture status, water stress, and to forecast agriculture drought and famine. However, current optical sensors do not provide frequent thermal data at a fine spatial resolution. The TsHARP model provides a possibility to generate fine spatial resolution thermal data from coarse spatial resolution (≥1 km) data on the basis of an anticipated inverse linear relationship between the normalised difference vegetation index (NDVI) at fine spatial resolution and land surface temperature at coarse spatial resolution. The current study utilised the TsHARP model over a mixed agricultural landscape in the northern part of India. Five variants of the model were analysed, including the original model, for their efficiency. Those five variants were the global model (original); the resolution-adjusted global model; the piecewise regression model; the stratified model; and the local model. The models were first evaluated using Advanced Space-borne Thermal Emission Reflection Radiometer (ASTER) thermal data (90 m) aggregated to the following spatial resolutions: 180 m, 270 m, 450 m, 630 m, 810 m and 990 m. Although sharpening was undertaken for spatial resolutions from 990 m to 90 m, root mean square error (RMSE) of <2 K could, on average, be achieved only for 990–270 m in the ASTER data. The RMSE of the sharpened images at 270 m, using ASTER data, from the global, resolution-adjusted global, piecewise regression, stratification and local models were 1.91, 1.89, 1.96, 1.91, 1.70 K, respectively. The global model, resolution-adjusted global model and local model yielded higher accuracy, and were applied to sharpen MODIS thermal data (1 km) to the target spatial resolutions. Aggregated ASTER thermal data were considered as a reference at the respective target spatial resolutions to assess the prediction results from MODIS data. The RMSE of the predicted sharpened image from MODIS using the global, resolution-adjusted global and local models at 250 m were 3.08, 2.92 and 1.98 K, respectively. The local model consistently led to more accurate sharpened predictions by comparison to other variants.     

Net primary productivity of forest stands in New Hampshire estimated from Landsat and MODIS satellite data

Background

A simulation model that relies on satellite observations of vegetation cover from the Landsat 7 sensor and from the Moderate Resolution Imaging Spectroradiometer (MODIS) was used to estimate net primary productivity (NPP) of forest stands at the Bartlett Experiment Forest (BEF) in the White Mountains of New Hampshire.

Results

Net primary production (NPP) predicted from the NASA-CASA model using 30-meter resolution Landsat inputs showed variations related to both vegetation cover type and elevational effects on mean air temperatures. Overall, the highest predicted NPP from the NASA-CASA model was for deciduous forest cover at low to mid-elevation locations over the landscape. Comparison of the model-predicted annual NPP to the plot-estimated values showed a significant correlation of R² = 0.5. Stepwise addition of 30-meter resolution elevation data values explained no more than 20% of the residual variation in measured NPP patterns at BEF. Both the Landsat 7 and the 250-meter resolution MODIS derived mean annual NPP predictions for the BEF plot locations were within ± 2.5% of the mean of plot estimates for annual NPP.

Conclusion

Although MODIS imagery cannot capture the spatial details of NPP across the network of closely spaced plot locations as well as Landsat, the MODIS satellite data as inputs to the NASA-CASA model does accurately predict the average annual productivity of a site like the BEF.