不同数据源归一化植被指数在中国北方草原区的应用比较

中国北方草原区生产力在区域碳水循环、农牧业发展中举足轻重。归一化植被指数（Normalized Difference Vegetation Index,NDVI）广泛应用于生产力的计算,然而目前来源众多的NDVI数据反映中国北方草原植被时空动态的一致性仍未可知。本研究利用2000—2015年3个来源NDVI数据集（MODIS NDVI、GIMMS NDVI和SPOT NDVI）并以国际上公认的数据准确性较高的MODIS NDVI为基准对比分析了中国北方草原区NDVI时空动态的一致性,并选取适宜的NDVI产品揭示研究区NDVI长期的时空格局。结果表明：整个中国北方草原区以及部分草原类型（高寒草甸、高寒草原、高寒荒漠、温带荒漠草原）GIMMS NDVI和MODIS NDVI 2套数据集无论是数值范围,还是年际波动和变化趋势具有较高一致性（二者在高寒草甸、高寒草原、高寒荒漠、温带荒漠草原的相关系数分别为0.60、0.47、0.51、0.74）,而SPOT NDVI数值远高于其他2个数据集,尤其是在青藏高原草原区,SPOT NDVI数值每年较另外两套数据集约偏高0.15,表明该区域使用SPOT数据应慎重。部分温带草原类型（典型草原和草甸草原）GIMMS NDVI和SPOT NDVI数据集在年际波动以及变化趋势上具有较高的一致性（相关系数分别为0.85和0.60）,但温带草原区3种数据集NDVI数值范围整体相差不大,小于0.06。基于上述结果,本研究进一步采用时间序列最长且与MODIS NDVI一致性最好的GIMMS NDVI分析了研究区NDVI的时空动态,发现1982—2015年中国北方草原区NDVI整体呈增加趋势,25%的区域达显著水平（p<0.05）,主要集中在温带草原区;高寒草原区NDVI大部分区域变化不显著且有一定比例的区域NDVI呈显著下降趋势。本研究可以为模型数据集选择和预测中国北方草原区植被对未来气候变化的响应提供科学依据。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

NDVI、NDMI与地表温度关系的对比研究

通过研究归一化植被指数(NDVI)、归一化水汽指数(NDMI)与地表温度(LST)的相关关系,对比NDVI和NDMI定量分析LST的适宜程度。以Landsat 8遥感影像为数据源,以郑汴都市区为例,反演LST,计算NDVI和NDMI。从整体、分区、像元等不同层面分析NDVI和NDMI与LST的相关关系,并利用GEO-Da软件,分析150 m、300 m、450 m三种不同采样间隔数据的NDVI、NDMI与LST的空间相关性。主要结论为：①NDVI与LST的线性拟合度较差,而NDMI与LST具有很强的线性关系,剖面分析显示NDMI与LST呈显著负相关关系。②缓冲区分析结果表明,随着距城市中心距离的增加,用地类型增多,LST和NDMI之间的相关性逐渐增强。③在Moran's I空间相关性分析中,不同采样间隔下两指数与LST的负相关关系均比较明显,但由于水体在2个指数中数值的差异,使NDMI与LST表现出更强的空间负相关性,而NDVI与LST空间相关性则相对较弱。因此,总的来说NDMI是热环境研究的有效指标,与NDVI相比,NDMI与LST的负相关关系更强、更稳定,也更适宜于对LST的定量分析。     

卫星遥感结合地面资料对区域表面动量粗糙度的估算

利用地面湍流观测资料估算了黑河实验区几个典型下垫面的局地地表动量粗糙度，与卫星观测Landsat TM资料相结合得到了由标准化差值植被指数(NDVI)计算地表动量粗糙度的经验关系式，进而估算了实验区夏季和近冬季的地表粗糙度的区域分布，并对所得关系式进行了合理性检验。     

植被指数-地面温度特征空间的生态学内涵及其应用

植被指数与地面温度是描述土地覆盖特征的重要参数 ,对两种数据的综合分析 ,可以衍生出更丰富、更清晰的地表信息 ,有助于更加准确、有效地认知土地覆盖 /土地利用的时空变化规律。本文探讨了植被指数与地面温度构成的二维向量空间的物理意义与生态学内涵 ,以基于 NOAA AVHRR的时间序列数据为本底 ,分析了不同土地覆盖类型在该特征空间上的时序变化规律 ,并以黄淮海地区主要农作物冬小麦为例 ,研究了植被指数-地面温度指标与干旱、半干旱地区农作物产量之间的响应关系。     

利用NOAA－AVHRR资料提取水体信息的初步研究

本文讨论了应用NOAA-AVHRR资料来提取水体信息的方法。采用AVHRR一、二通道(下面简写为CH1、CH2)获得的地面反射率数据构成的归一化植被指数(NDVI)来识别水体,并初步提出了应用模糊数学的方法提取混合像元中的水体面积信息的技术思路。     

植物物候遥感监测精度影响因素研究综述

基于植物物候的遥感监测对于研究植被对气候变化的响应具有重要的科学价值。本文在阐述植物物候遥感监测原理及其通用技术流程的基础上,分别从植被类型及其所处的地理条件、遥感数据源及其预处理、植物物候遥感识别方法和植物物候遥感监测结果评价4个方面分析了影响植物物候遥感监测精度的因素,并针对当前研究中存在的不足,探讨了提高植物物候遥感监测精度的可行性途径,即建立高分辨率的近地面遥感定点观测及数据共享网络,发展普适性更强的卫星遥感时序数据去噪及植被指数曲线重建方法,寻求稳定性更高的植物物候期遥感识别方法,探索综合运用地面观测、遥感监测与模型模拟实现物候观测空间尺度拓展的可能性。     

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遥感数据的水体提取模型及算法改进

针对MODIS遥感数据采用多波段谱间关系模型提取水体容易与阴影混淆,产生提取不精确的问题,作者改进了模型中的水体提取算法,然后对鄱阳湖的MODIS遥感数据进行水体提取实验。最终,实验结果表明,改进后的水体提取算法能够有效地提升水体提取精度。该方法现已运用到一些采用MODIS数据进行水体监测与提取的实践作业中。