一种利用MODIS数据的夏玉米物候期监测方法

采用MODIS数据重构夏玉米归一化植被指数生长曲线,提取并建立特征点位对应日期与作物进入不同物候期的实际日期之间的最佳匹配关系。研究表明:使用改进的SG（Savitzky-Golay）迭代滤波对最大值合成后的植被指数时间序列做平滑处理并进行Logistic曲线拟合,可得到时间分辨率为1 d的作物生长过程曲线,经与2013-2014年物候期实测数据匹配,选择利用动态阈值1提取七叶期,均方根误差为5.4 d;利用曲率最小值提取拔节期,均方根误差为6.4 d;利用动态阈值2提取抽雄期,均方根误差为6.0 d。经2015年物候期实测数据验证,3个关键物候期的遥感监测误差均在6 d以内。利用该方法可提高基于遥感数据开展大面积作物物候期监测识别的效率和准确率。     

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。     

ERA5再分析资料在辽宁省的适用性分析与订正

为系统研究ERA5再分析资料在辽宁省的适用性，本文基于近10a辽宁省62个地面站和9个探空站（省内4部，省外5部）资料，提取了温度、湿度、气压、风场等业务和研究中常用物理量，采用统计分析方法对ERA5资料在辽宁省的适用性进行了分析，并尝试使用机器学习的方法订正ERA5资料的偏差。结果表明：在地面观测要素分析中，2 m温度相关系数普遍较高，均方根误差普遍偏低，辽河流域及其西侧地区效果好于其他地区；10 m风速对比结果总体稍差，U分量相关系数总体低于V分量；ERA5资料质量有明显的月变化特征，相关系数总体呈现春秋季节高于夏冬季节，且相关系数总体较高的季节，均方根误差也普遍偏高。在高空观测要素分析中，辽宁中部地区的数据质量要高于东西部两地区，温度的平均相关系数最高，相对湿度相关系数平均较低，均方根误差总体较大；相对湿度的相关系数在春夏之交时最低，夏季上升较快，夏秋之交时达到最高，相关系数快速上升的月份，均方根误差也呈现出快速上升的趋势；高空U风场和V风场的均方根误差总体相差不大，且均方根误差月变化相一致，总体经向风（V风场）质量低于纬向风（U风场）。通过机器学习的订正方法有效提升了地面温度和相对湿度的应用能力，使ERA5地面温度资料的均方根误差缩小0.5～1.0℃，使地面相对湿度资料的均方根误差缩小最高可达26%。     

基于MODIS数据的水体识别指数方法的比较研究

从典型地物光谱曲线分析入手,MODIS数据的第7、2、1波段对植被、陆地、水体区分明显。本文对长三角太湖流域地区,采用MODIS数据以五种常水体识别进行水体信息提取,然后分别从目视解译效果、水体区分度的计算和提取的水体面积三方面来对这五种指数方法进行比较和评价。结果表明,在应用MODIS数据进行水体识别时,比值植被指数（RVI,Ratio Vegetation Index）和混和水体指数（CIWI,Combined Index of Normalized Difference Water Index）模型的目视解译效果较好,且CIWI指数具有水陆区分度较大和水体面积提取精度较高的优点。     

基于遥感影像的都昌县土地利用变化及城市热岛分析

以都昌县为研究区,利用Landsat 8遥感影像为数据资料,采用监督分类法对研究区的土地利用信息进行解译,采用辐射传输方程法反演研究区的地表温度,分析研究区的土地利用信息和城市热岛变化特征,探究两者之间的联系。结果表明：（1）2013—2021年研究区水域、建设用地面积不断增加;耕地面积先减后增,总体呈减少趋势;绿地面积不断减少;未利用地面积先增后减少,总体呈减少趋势。（2）2013—2021年研究区强冷岛区、冷岛区和中间区的面积增多,热岛区和强热岛区面积减少。（3）改进后的归一化差异水体指数、归一化植被指数与地表温度成负相关,植被和水体对城市热环境具有一定的降温调控作用。（4）水域的地表温度均最低,其次分别为绿地、耕地和建设用地,而未利用地的地表温度最高。     

利用HJ—1卫星多光谱数据监测城市 湖泊蓝藻研究

以2009年8月中旬东湖支湖局部暴发蓝藻为案例,对蓝藻暴发前后三个时期的HJ-1卫星多光谱遥感影像数据进行对比分析,利用比值植被指数(RVI)、归一化植被指数(NDVI)以及增强型植被指数(EVI)三种植被指数对蓝藻信息进行判别提取,通过已验证的样本点率定判别方法阈值,并对三种植被指数精度及判别结果进行比较分析。结果表明,利用HJ-1遥感数据可快速鉴别蓝藻范围及其程度,大气校正突出了蓝藻水体和其他地物光谱差异,EVI方法精度较高,可剔去水质中泥沙等悬浮物的干扰,可作为城市湖泊蓝藻变化检测经验模型。     

卡尔曼滤波方法在南宁市单站温度预报中的应用

卡尔曼递推滤波方法适用于温度等连续变量的预报，具有容易适应模式的变化和不需要收集大量历史资料样本的优点，用卡尔曼滤波方法制作南宁市最高、最低和平均气温预报，对1995年1—2月的历史资料进行试报的结果表明，最低温度预报与实况的拟合最好，其次是平均温度和最高温度。均方根误差和平均约对误差的计算结果，除了最高温度预报外，均方根误差都在3℃以内，平均绝对误差在2℃以内。     

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。     

阜康试验区主要地物光谱特征及其分析

对阜康地区主要地物即土壤、植被、水体三大类共534个样本测量的光谱数据进行了分析，结果表明：植被、土壤、水体的反射光谱各有特点，容易区别，农田光谱特征具有复合光谱的特征，形成了一种新型的地物（植—土地物），此类地物的波谱曲线介于植物与土壤波谱曲线之间，随植被覆盖度而变化。     

基于MODIS数据的作物苗期干旱监测方法

针对苗期低植被覆盖情况,在原有的归一化植被指数基础上,增加了土壤调节植被指数,将其与条件温度指数结合,通过与地面实测土壤相对湿度进行相关分析,分别建立作物苗期的干旱监测模型,并与热惯量方法和供水植被指数方法进行对比分析,初步得出辽宁省范围内作物苗期进行大范围干旱遥感监测的最适宜模型为土壤调节植被指数一温度模型.     

基于MODIS数据光谱突变法提取冬小麦种植面积研究

利用2004—2005年MODIS 16天合成的NDVI最大值植被指数数据,基于NDVI光谱突变方法对山西省运城地区冬小麦种植面积提取。冬小麦有两个生育阶段其绿度—时相曲线与其他大宗作物、植被有明显差异：一是10—11月,为冬小麦秋播至分蘖阶段;二是5—6月,为冬小麦孕穗至收获期。通过分析得出：2005年5—6月（2005161～2005129）提取的冬小麦面积与实测面积相关性最高,估测的冬小麦面积与实测面积的误差最小,准确性最高。     

基于3种遥感指数的东北春玉米干旱识别对比

以东北春玉米为研究对象,探究利用植被光合特性的日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)指数、近红外-短波红外波段构建的归一化差值水分指数(normalized difference water index,NDWI)和可见光-近红外波段构建的归一化差值植被指数(normalized difference vegetation index,NDVI)识别东北春玉米干旱的准确度和敏感度。研究发现:SIF指数、NDWI和NDVI对干旱识别准确度均超过80%,其中重度干旱准确度超过94%,且在春玉米苗期表现最佳;3种指数对比可知,SIF指数在春玉米干旱识别的准确度和敏感度方面均最佳,分别为89.27%和81.65%,NDWI敏感度次之,NDVI最差。表明基于光合特性的SIF指数在识别东北春玉米干旱方面优于基于地物光谱特性所构建的植被指数。     

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。     

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.     

安徽省MODIS干旱监测技术研究

为了更有效地监测安徽省农业干旱,以安徽省半湿润区、过渡区为研究对象,利用MODIS资料,在对比分析了基于植被供水指数和温度植被干旱指数两种干旱监测方法基础上,结合已业务应用的农业干旱指标累积湿润指数,开展安徽省分时段的晴空遥感干旱监测研究,建立并确定了部分时段半湿润区、过渡区的MODIS植被供水指数和温度植被干旱等级标准,同时结合当地台站监测土壤墒情对干旱监测进行检验。结果表明,作物生长季节VSWI、TVDI与累积湿润指数存在相关性,两种方法建立指标和模型可以用来分时段进行区域干旱监测,得出了初夏旱TVDI更适合于研究区域的干旱监测。     

重庆岩溶地区气候变化对植被的影响

岩溶生态系统是一种脆弱的生态系统,植被类型与盖度成为岩溶环境中最重要、最敏感的自然要素。介绍了以重庆岩溶地区为对象,利用气象和NDVI数据,采用相关分析等方法探讨了植被对气候变化的响应。结果表明:(1)在多年平均水平上,气候对重庆岩溶植被生态系统起着比降水大的作用;在植被生长的年际变化方面,气温和降水对植被生长起着大致相反的趋势。(2)年际变化方面,气温和降水对植被生态系统的生长起着大致相反的作用。一般来说,气温与NDVI之间的关系为正相关。(3)植被指数的动态变化受气候波动的影响较大,近20 a来,总体呈增加的趋势。可为岩溶生态系统恢复和重建提供科学依据。     

青藏高原植被指数最新变化特征及其与气候因子的关系

利用GIMMS/NDVI(全球库存模拟和影像研究/归一化植被指数,Global Inventory Modeling and Mapping Studies,Normalized Difference Vegetation Index)和MODIS/NDVI遥感数据以及青藏高原6个气象代表站的站点数据,结合多种统计和计算方法,分析了青藏高原植被NDVI变化规律及其影响因子。结果表明:1982~2013年青藏高原多年平均植被NDVI的空间分布存在明显的区域差异,总体上呈从东南向西北递减的趋势,而且发现不同地区植被的时间变化规律也不尽相同。根据高原长势最好的6~9月植被NDVI进行经验正交分解,将青藏高原植被分为5个区,并进一步分析了不同分区内植被的变化规律,得出:青藏高原植被NDVI下降最明显的区域在二区的噶尔班公宽谷湖盆地地区和北羌塘高原地区,植被NDVI上升最明显的区域在四区的祁连山东部地区。为了探讨青藏高原不同分区内影响植被NDVI下降的因子,从青藏高原二区、四区、五区各选取NDVI处于下降趋势的两个代表站点。研究分析了各个站点植被NDVI与降水量、平均气温、平均最低气温、平均最高气温、日照百分率5个气象因子的关系,得出:在高原二区日照强度是其它分区的两倍左右,而降水量相对较少导致植被NDVI降低。高原四区由于降水量小、温度高、日照强,导致植被NDVI处于下降趋势;在青藏高原五区虽然降水充足,但日照较弱,限制了植被的正常成长导致NDVI处于下降趋势中;其结果为高原植被退化机制研究及高原植被对大气反馈等奠定了基础。     

Assessment of vegetation dynamics and their response to variations in precipitation and temperature in the Tibetan Plateau

The Tibetan Plateau is a region sensitive to climate change, due to its high altitude and large terrain. This sensitivity can be measured through the response of vegetation patterns to climate variability in this region. Time series analysis of Normalized Difference Vegetation Index (NDVI) imagery and correlation analyses are effective tools to study land cover changes and their response to climatic variations. This is especially important for regions like the Tibetan Plateau, which has a complex ecosystem but lacks a lot of detailed in-situ observation data due to its remoteness, vastness and the severity of its climatic conditions. In this research a time series of 315 SPOT VEGETATION scenes, covering the period between 1998 and 2006, has been processed with the Harmonic ANalysis of Time Series (HANTS) algorithm in order to reveal the governing spatiotemporal pattern of variability. Results show that the spatial distribution of NDVI values is in agreement with the general climate pattern in the Tibetan Plateau. The seasonal variation is greatly influenced by the Asian monsoon. Interannual analysis shows that vegetation density (recorded here by the NDVI values) in the entire Tibetan Plateau has generally increased. Using a 1 km resolution land cover map from GLC2000, seven meteorological stations, presenting monthly data on near surface air temperature and precipitation, were selected for correlation analysis between NDVI and climate conditions in this research. A time lag response has also been found between NDVI and climate variables. Except in desert grassland (Shiquanhe station), the NDVI of all selected sites showed strong correlation with air temperature and precipitation, with variations in correlation according to the different land cover types at different locations. The strongest relationship was found in alpine and subalpine plain grass, the weakest in desert grassland.     

气候变化背景下黄河流域植被变化及其成因北大核心CSCD

研究黄河流域植被的时空变化及其影响因素,对生态文明建设政策的制定具有重要意义。基于2001~2020年MODIS(Moderate Resolution Imaging Spectroradiometer)植被指数(Normalized Different Vegetation Index,NDVI)数据集及同期气象数据,运用均值法、一元线性回归、偏相关性分析和回归残差法等方法研究了近20年黄河流域植被时空变化及驱动因素。结果表明:黄河流域NDVI整体呈上升趋势并具有较大的空间异质性,其中黄河中游NDVI增长幅度最大,为0.0496(10 a)^(-1)。生长季受降水和沿黄灌区耕作的影响,西部地区、东南部区域和宁夏平原、河套平原植被指数明显较高;从整个流域来看,降水和温度变化对NDVI的贡献分别为32.6%和15.9%,其中降水对NDVI变化的贡献主要体现在黄河上游(50.7%),而温度的贡献则在黄河下游表现最突出(32.3%);20年来,人类活动和气候变化分别对黄河流域植被变化贡献了78%和22%,其中人类活动贡献率超过80%的区域主要集中在黄土高原中部区域;整个黄河流域NDVI与干旱程度有显著的正相关性,尤其在陇中黄土高原和河东沙区等区域。黄河上游NDVI与改进的帕默尔干旱指数scPDSI的相关性最高,而下游相对较低。