FY-3A中分辨率光谱成像仪图像地理定位方法

风云三号A星 (FY-3A) 中分辨率光谱成像仪 (MERSI) 采用45°镜旋转扫描,形成垂直于卫星飞行轨迹的360°连续圆周扫描方式,多元探测器并扫的技术。该研究依据这种扫描特性,给出了适用于FY-3A MERSI遥感图像地理定位的方法;定义了完善的坐标系及坐标系转换关系,根据MERSI观测几何、卫星空间位置和姿态、仪器空间位置和指向建立了探测器像元观测矢量与地面位置之间关系的模型;通过地形校正消除地形起伏带来的定位误差;在FY-3A地面应用系统中业务运行的同时,通过一定数量的地面控制点分析,将定位误差等效为遥感仪器安装误差,修正了MERSI的仪器指向角度。实验结果表明,使用该方法对MERSI遥感图像地理定位精度达到250 m像元级,满足MERSI图像的高精度定位要求。     

遥感图像处理系统ENVI及其在MODIS数据处理中的应用

介绍了美国遥感图像处理系统ENVI的主要功能,包括数据接口、交互式分析功能、波谱工具、矢量处理功能、及遥感图像处理功能等。并将MODIS影像(HDF数据格式)在NEVI中进行了处理分析,包括数据读入、影像几何校正、监督分类和制图。应用证明,ENVI可以处理最先进的卫星数据格式,在高级遥感图像处理和高光谱影像处理方面具有优势。     

基于MODIS遥感数据的混合像元分解技术研究和应用

使用郑州市MODIS（Moderate-Resolution Imaging Spectroradiometer）遥感数据,运用线性混合模型,对MODIS遥感数据进行混合像元分解技术研究。探讨了MODIS遥感数据的预处理、线性光谱分解模型、图像端元组分反射率的求取方法。把结果与分辨率较高的Landsat ETM＋图像分类结果进行对比,并根据得到的均方根误差（RMS;Root Mean Square）进行分析表明,利用这种像元分解方法得到的结果较为理想,MODIS数据可以有效地应用于遥感动态监测和土地覆盖分类研究。     

去除EOS/MODIS 1B数据中"弯弓"效应的方法

分析了中分辨率成像光谱仪EOS／MODIS的扫描方式,在此基础上研究了EOS／MODIS1B数据集“弯弓”效应的成因。对EOS／MODIS1B数据02级产品HDF文件的格式进行了探讨,并以250m分辨率资料为例,在2002年7月13日10时的MODIS资料中选取鄱阳湖以北部分地区,读取其数据进行插值、Lambert投影、重采样等处理,从而消除了影响资料使用的“弯弓”效应,同时也完成了对EOS／MODIS数据的几何校正,取得了一定的效果,为EOS／MODIS遥感资料在今后得以广泛应用作了有益的尝试。     

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。     

MODIS 1B数据的预处理及归一化植被指数计算

MODIS 1B数据的预处理是MODIS数据使用前的重要处理步骤之一。本文在分析MODIS数据畸变的基础上,利用ENVI软件对2006年7月覆盖宁夏全区的MODIS 1B数据进行了bow-tie校正和几何校正。在预处理的基础上,通过最大值合成法计算出了7月下旬宁夏全区的归一化植被指数（NDVI）。结果表明,通过该方法得到的NDVI可以很好反映全区的植被状况。     

利用MODIS云检测产品客观确定AIRS云检测

云检测是用卫星资料研究云对气候系统作用至关重要的第一步,采用Nagle的基于扫描几何特性的共同空间匹配算法,用MODIS云检测产品客观确定了AIRS云检测,是将高空间分辨率成像仪产品与高光谱分辨率传感器观测资料结合使用的一次实际应用。合成使用高空间分辨率成像仪与高光谱分辨率传感器观测资料的关键步骤在于:①有效而精确的时间和空间上的匹配;②传感器像素内图像仪云检测产品的断定。不仅是云检测,利用AIRS视场内空间匹配的MODIS云产品,还可以判断AIRS的云相态、有效云量及云光学厚度等。     

MODIS数据在福建省地表温度上的应用研究

利用MODIS卫星资料的宏观、实时等特点对福建省地表温度进行遥感反演,在对MODIS影像进行双眼皮校正、几何校正和辐射校正的基础上,建立以分裂窗法的福建省地表温度反演算法模型,并对两个时相的福建省地表温度结果进行动态分析。结果表明福建省地表热量分布存在着明显的北冷南暖、东高西低的特点,沿海地区由于经济发达和城市化进程的原因,城市聚落地明显要比中西部相对落后农村地区地表温度高,并有加剧的趋势,这对合理进行农作物合理区划和环境监测分析提供了重要的参照依据。     

MODIS数据在福建省地表温度上的应用研究

利用MODIS卫星资料的宏观、实时等特点对福建省地表温度进行遥感反演,在对MODIS影像进行双眼皮校正、几何校正和辐射校正的基础上,建立以分裂窗法的福建省地表温度反演算法模型,并对两个时相的福建省地表温度结果进行动态分析。结果表明福建省地表热量分布存在着明显的北冷南暖、东高西低的特点,沿海地区由于经济发达和城市化进程的原因,城市聚落地明显要比中西部相对落后农村地区地表温度高,并有加剧的趋势,这对合理进行农作物合理区划和环境监测分析提供了重要的参照依据。     

插值法在去除MODIS遥感影像条带噪声中的应用

采用多元并扫方式(1 km分辨率10元并扫,500 m分辨率20元并扫,250 m分辨率40元并扫)的MODIS传感器,由于各探测单元在轨响应差异而引起的条带噪声对MODIS定量产品的反演计算精度造成一定影响。为了尽可能减少这种影响,提高MODIS定量产品反演精度,本文提出了应用插值法剔除MODIS数据条带噪声。研究首先分析了传统去条带噪声方法的弊端,根据条带噪声在MODIS影像中的分布规律,以及如何准确判断条带噪声所在的行,然后应用插值法去除了MODIS波段5和波段30影像的条带噪声,取得了满意的效果,最后对图像的去除效果与传统的矩匹配法和傅立叶变换法进行了比较,并用两种评价指标做出评价。结果表明,两种评价指标得出的结果一致,也正说明了插值法是一种很好的去除MODIS数据条带噪声的方法,同时用这种方法处理后的图像还能保留原有的大部分信息。     

西藏林芝地区混合像元MODIS地表温度产品验证

西藏林芝地区地形复杂、土地覆盖类型多样,MODIS地表温度 (land surface temperature,LST) 产品验证面临处理混合像元的难题,为获得与像元尺度 (1 km) 相匹配的地表温度数据,该文提出采用多点同时观测结合面积加权的方法,将该方法应用于验证林芝地区2013年6月10日夜间晴空MODIS/LST产品。结果显示:单点观测对像元的代表性不足,容易低估产品精度 (10个样本均方根误差为2.2 K),面积加权法可获得综合性更好的地面LST信息,对MODIS/LST产品的精度给出更高的评价 (30个样本均方根误差为1.40 K)。对于地表类型混杂程度高且地势较为平坦的像元,面积加权法的优势更为明显,可将卫星LST产品与地面LST之间的差异由3 K降至1 K以内。     

从MODIS资料提取土壤湿度信息的主成分分析方法

沿袭了遥感地物分类中K-L变换思想, 以归一化处理后的遥感数据, 结合地面土壤湿度观测数据, 应用主成分分析方法, 采用MODIS不同红外波段数据, 通过相关关系计算, 在监测结果中融合MODIS具有250 m分辨率的第2波段数据, 建立了青海省多维特征空间土壤湿度监测模型。模型的建立克服了热惯量法监测干旱需多时相遥感数据的缺陷, 经初步检验, 此模型可以在一定精度范围之内监测表层土壤湿度, 具有业务应用潜力。     

基于MODIS时序数据提取河南省水稻种植分布

以河南省为研究区,利用2009年多时相8d合成MODIS地表反射率产品提取水稻种植分布。根据稻田含水量变化特征及水稻生长规律,构建水稻种植分布提取流程。为减少云等噪声的影响,对地表水含量指数（ILSW,land surface water content index）和增强型植被指数（IEV,enhanced vegetation index）的时序数据进行平滑重建。然后,依据豫北和豫南稻区水稻物候期差异,分别建立标准水稻IEV生长线,以计算像元尺度的水稻相似性指数作为影像分类的特征波段。同时,对重建的ILSW和IEV时序数据分别进行主成份分析,选择各自的前3个成份作为特征波段。在此基础上,采用支持向量机分类算法对组建的特征波段进行分类,提取影像中水稻的种植分布。结果显示,提取的河南省水稻种植分布与实际情况吻合较好,豫北稻区水稻分布呈现集中连片的特征,多分布在沿黄河两岸,而豫南稻区水稻种植广泛,多在大型水库灌区周边及沿淮和低洼易涝地区。与各地区水稻统计面积相比,MODIS提取的水稻面积平均相对误差为6.56%,根均方误差为5.63khm2。受到混合像元影响,以及个别地区水稻种植分散且面积相对较小,使该地区水稻面积相对误差超过±60%。     

MODIS反演多云地区地表反照率的一种新方法及其反演试验

在参考国内外卫星遥感反演地表反照率方法的基础上,提出了一种反演多云地区地表反照率的新方法,称之为组合反演法。对于受云影响而无法获得足够的晴空观测数据的像素点,在遥感地表分类数据和归一化植被指数（NDVI） 数据的辅助下,在其周围的有限范围内选择与其具有相同BRDF形状的像素点,将它们在观测角度上互为补充的晴空观测数据组合成对同一个BRDF形状的一组多角度观测数据,达到一定数量后直接利用线性的RossThick-LiSparse互易核驱动模型反演二向反射分布函数（BRDF）参数。然后,根据“16天”期间平均的当地正午太阳高度角计算反照率。选择青藏高原地区2004年6～8月间5组“16天”的Terra MODIS数据进行的反演试验表明,该方法不仅具有反演多云地区地表反照率的能力,而且能够更好地反映实际的地表信息,反演结果的精度与美国MOD43产品的精度相当。     

DETECTION OF DAYTIME FOG IN SOUTH CHINA SEA USING MODIS DATA

Based on a current fog detection theory, a multiband threshold method for MODIS data was put forward to detect daytime fog in the South China Sea. It used Bands 1, 2, 18, 20 and 31 of MODIS data to separate fog from the cloud and the sea surface. The digital detection indexes were as follows. If RB1<20%, RB2<20% and RB1>RB2, the pixel was identified to be the sea surface. If RB1>55%, RB2>55% and TB31<273 K, the pixel was identified to be a middle- and high-level cloud. If IFC>20, the pixel was classified to be sea fog. The method was verified with sea fog data observed from the coastal region of Guangdong during January-April 2011. Out of the 13 samples of satellite detection, nine were consistent with the surface observations, three were identified to be low-level the cloud according to the satellite detection but fog according to the surface observations, and only one sample was identified to be the ocean surface by the satellite detection but fog by the surface observations. Because the MODIS data cannot penetrate the cloud or fog, the model was designed for a single field of view which had only one layer of cloud or fog. It can accurately distinguish fog which is not covered by the cloud, but it identifies fog as cloud if the former is covered by a cloud. Generally speaking, the model is effective and feasible.     

三套NDVI长时间序列植被指数的对比——以玛曲为例

NDVI／MODIS、NDVI／GIMMS和NDVI／NSMC是时间长度不同、空间分辨率相差甚远的3套ND—VI数据集,如何集成应用这些不同时间长度、不同分辨率的数据进行相关研究,数据集间的比较是最基础的工作。本文以甘肃省甘南州玛曲县为例,用直方图、相关分析、趋势分析等方法研究了这3套NDVI产品数据集的相互关系。结果表明：1）NDVI／NSMC与NDVI/MODIS的直方图具有类似的图像分布特征,但是NDVI／MODIS数据分布范围更大;2）3套NDVI在数值上表现为NDVI／MODIS〉NDVI／GIMMS〉NDVI／NSMC;3）3套数据集空间图像特征一致,两两间均具有十分显著的空间相关性,其中1月份相对最弱,5、10月份最强,三者相比NDVIfNSMC与NDVI／MODIS的空间相关性更强;4）1—3月、5—8月及年均的NDVI／GIMMS与NDVI／NSMC值存在显著的时间相关性,但两者逐年变化趋势存在较大差别,两者气候倾向率相差最大的高达5倍之多。NDVIfNSMC数据集在处理过程中可能未进行大气订正及交叉定标,这是造成共同源的NDVIfGIMMS与NDVI／NSMC差异较大的重要原因。     

用神经网络方法对NOAA-AVHRR资料进行云客观分类

利用NOAA AVHRR 5个通道资料建立了 6种云类以及陆地和水体的样本数据库 ,其中包括 8× 8象素样本和单象素样本。AVHRR的 5个探测通道都位于大气窗区 ,吸收物质少 ,比较透明 ,可以比较准确地反映探测表面的性质。理论分析和试验结果表明 :除了不同性质的云在 5个通道中有不同的表现外 ,通道之间的差别也可用于云分类。在理论分析和试验的基础上 ,对 8× 8象素样本库提取了包括光谱特征、灰度特征、通道差特征、灰度统计量和灰度直方图统计量特征在内的 80个特征 ,并利用逐步判别分析方法进行特征筛选 ,共选出 2 0个特征 ,用神经网络方法对 8种类型云和地表样本数据库分类 ,选择网络结构为 2 0 - 4 0 - 15 - 4的B P网络 ,利用 30 0 0多个样本进行神经网络训练 ,并用其余的 3万多个独立样本数据进行检验 ,测试正确率达 79%。类似地 ,对单象素样本数据 ,提取了包括光谱特征、灰度特征、通道差特征在内的 2 0个特征 ,用神经网络方法对 8种类型云和地表分类 ,选择网络结构为 2 0 - 4 0 - 15 - 4的 4层B P网络 ,利用 2 0 0 0多个样本进行神经网络训练 ,并用其余的 2万多个独立样本数据进行检验 ,测试正确率达 78%。设计并编写了实际云图客观云分类系统和软件 ,该系统输入为 5个通道的AVHRR数据 ,可自动获取已     

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。