基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence, SIF）可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数（Normalized SIF Drought Index, NSDI）用于黄淮海地区冬小麦旱情监测。该方法首先基于哨兵-5p卫星（Sentinel-5p）对流层观测仪（Tropospheric Monitoring Instrument, TROPOMI）传感器反演得到的SIF原始产品集,通过0.1°等经纬步长栅格化处理为空间连续数据,然后基于时间序列分析进行了缺失值线性插补,再经过S-G滤波重建获得了高时空分辨率荧光数据集。以此数据集为基础,结合研究区冬小麦分布数据构建NSDI指数。通过选取典型旱情事件对比分析,NSDI指数与同期归一化植被指数（Normalized Difference Vegetation Index, NDVI）以及温度植被干旱指数（Temperature Vegetation Drought Index, TVDI）都有良好的相关性,其中与NDVI的R²为0.60,与TVDI的R²为0.41;NSDI指数与野外土壤水分调查结果也高度相关,其中河北样区R²为0.53,山东样区R²为0.54,整体R²为0.51;通过物联网监测数据分析显示,NSDI指数可以在优于2 d的滞后期内响应旱情的变化,其变化趋势与田间土壤水分保持高度相关。实验结果表明：NSDI指数可以在时空尺度上有效指示黄淮海地区冬小麦旱情。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View,GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band,RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure,FCC）定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号（Sentinel-2A）红边波段,模拟GF-6红边波段特性,并提取相关纹理信息（Texture Information,TI）、植被指数（Vegetation Index,VI）和红边指数（Red- edge Index,RI）,同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors,TF）对FCC估测的影响,利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归（Stepwise Multiple Linear Regressions,SMLR）和支持向量机（Support Vector Machine,SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R²=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R²=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R²=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R²=0.68,RMSE=0.07,并高于SMLR（R²=0.39,RMSE=0.10）和SVM（R²=0.49,RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度,利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量,该模型包含了多层土壤模块、物候模块以及管理模块;其次,利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中,并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比,Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度,站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后,碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

内陆水体中浮游植物的存在对悬浮物（TSM）遥感反演模型精度具有一定的影响,藻类丰度会导致水体遥感反射率降低。实验基于中国、澳大利亚和美国内陆水体的372个采样点（4个数据集）水质分析和光谱实测数据,构建内陆水体遥感反射率与TSM的相关关系,建立最优波段比模型（OBR）,并分析了藻类颗粒物存在对该模型精度的影响。由于水质的不均一性,不同区域的水质参数敏感波段存在差异,因此各数据集用于建模的最优波段比值不同。结果表明,OBR模型精度较高,误差较小,中国水体模型验证均具有较好效果（石头口门水库：R²=0.87,RMSE=14.1 mg/L;查干湖：R²=0.82,RMSE=23.6 mg/L）,澳大利亚水体模型验证效果最佳,R²值高达0.95（RMSE=4.2 mg/L）,美国水体模型精度较低（R²=0.78,RMSE=3.7 mg/L）。研究发现,模型精度受水体叶绿素（Chla）浓度和Chla/TSM比率影响,当水体以TSM浓度较高的非藻类颗粒物为主时（如中国石头口门水库和南澳洲地区水体数据集）,最优波段比值模型表现更好;而当水体以浮游植物为主时,水体中的浮游植物的丰度会使光谱信号复杂化,从而限制或降低TSM浓度遥感算法的精度（如美国印第安纳州中部水库数据集）。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

Time and Space Fusion Model Comparison of Temperature Vegetation Drought Index

Drought is the first disaster affecting agricultural production. The annual precipitation in Xinjiang of China is scarce and the climate is dry. This is one of the major obstacles to the agricultural transformation and rural revitalization in Xinjiang. Therefore, timely and accurate monitoring of agricultural drought in Xinjiang is of great significance for safeguarding agricultural production. Yanqi Basin in Xinjiang was took as an example. Landsat8 and MODIS data were used. The Spatio Temporal Adaptive Reflectivity Fusion Model (STARFM), the Enhanced STARFM (Enhanced STARFM, ESTARFM) Model and Flexible Spatio Temporal Data Fusion (FSDAF) model were used to construct the Temperature Vegetation Dryness Index (TVDI). At the same time, the Relative Soil Moisture (RSM) was used to verify the TVDI inversion results. The results show that coefficient of determination (R²) and root mean square error (RMSE) of the drought factors(NDVI and surface temperature) simulated by the ESTARFM model were better than that by the other two models. And the R² and RMSE of NDVI simulated by the ESTARFM model reached 0.924 and 0.076. In addition, the R² and RMSE of surface temperature simulated by the ESTARFM model reached 0.877 and 2.799. Comparing with TVDI of the real Landsat8 data inversion and RSM data, it was found that the TVDI simulated by the ESTARFM model is better than the other two models, with 0.873 of R² and 0.248 of RMSE. The ESTARFM model can more accurately simulate the TVDI distribution of the Landsat8 images in the same period, so as to monitor the drought degree of the farmland in Xinjiang.     

Spatio-temporal reflectance fusion via unmixing: accounting for both phenological and land-cover changes

Owing to technical limitations the acquisition of fine spatial resolution images (e.g. Landsat data) with frequent (e.g. daily) coverage remains a challenge. One approach is to generate frequent Landsat surface reflectances through blending with coarse spatial resolution images (e.g. Moderate Resolution Imaging Spectroradiometer, MODIS). Existing implementations for data blending, such as the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) and Enhanced STARFM (ESTARFM), have their shortcomings, particularly in predicting the surface reflectance characterized by land-cover-type changes. This article proposes a novel blending model, namely the Unmixing-based Spatio-Temporal Reflectance Fusion Model (U-STFM), to estimate the reflectance change trend without reference to the change type, i.e. phenological change (e.g. seasonal change in vegetation) or land-cover change (e.g. conversion of a vegetated area to a built-up area). It is based on homogeneous change regions (HCRs) that are delineated by segmenting the Landsat reflectance difference images. The proposed model was tested on both simulated and actual data sets featuring phenological and land-cover changes. It proved more capable of capturing both types of change compared to STARFM and ESTARFM. The improvement was particularly observed on those areas characterized by land-cover-type changes. This improved fusion algorithm will thereby open new avenues for the application of spatio-temporal reflectance fusion.     

Blending MODIS and Landsat images for urban flood mapping

Satellite images provide important data sources for monitoring flood disasters. However, the trade-off between spatial and temporal resolutions of current satellite sensors limits their uses in urban flooding studies. This study applied and compared two data fusion models, the Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM) and Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM), in generating synthetic flooding images with improved temporal and spatial resolution for flood mapping. The synthetic images are produced in two scenarios: (1) for real-time prediction based on Landsat and MODIS images acquired before the investigated flooding; and (2) for post-disaster prediction based on images acquired after the flooding. The 2005 Hurricane Katrina in New Orleans was selected as a case study. The result shows that the Landsat-like images generated can be successfully applied in flood mapping. Particularly, ESTARFM surpasses STARFM in predicting surface reflectance in both real-time and post-flooding predictions. However, the flood mapping results from the Landsat-like images produced by both STARFM and ESTARFM are similar with overall accuracy around 0.9. Only for the flooding maps of real-time predictions does ESTARFM get a slightly higher overall accuracy than STARFM, indicating that the lower quality of the Landsat-like image generated by STARFM may not affect flood mapping accuracy, due to the marked contrast between land and water. This study suggests great potential of both STARFM and ESTARFM in urban flooding research. Blending multi-sources images could also support other disaster studies that require remotely sensed data with both high spatial and temporal resolution.     

基于局部空间自相关分析的时空数据融合

由于受到16d重访周期与云等对数据质量的影响,具有时间与空间连续性的Landsat 8OLI观测数据难以直接获取。考虑地物分布的空间自相关性,提出一种基于STARFM模型改进的局部自相关时空数据融合模型(LASTARFM),以新疆维吾尔族自治区喀什地区叶城县为研究区,利用Landsat 8OLI数据和MODIS数据的红光波段和近红外波段进行融合方法测试。结果表明:利用LASTARFM模型得到的融合影像,与真实影像NDVI相关系数达到0.92;在局部空间自相关性低的区域比STARFM模型影像反映出更多地物细节,具有更高的融合精度;在土地利用类型发生显著变化的区域与真实影像具有一定差异。