基于FastICA算法和MODIS数据的水稻面积提取

以苏、皖、赣三省为研究区域,采用FastICA算法从MODIS数据中提取2010年水稻种植面积,并验证该算法在混合像元分解中的有效性。在对2010年46景8 d合成地表反射率产品数据进行预处理的基础上,结合MODIS土地利用产品和平滑滤波算法,构建耕地类型像元的I_LSW和I_NDV时相变化曲线。依据I_LSW和I_NDV曲线在水稻移栽期前后的变化规律,并根据由各地区水稻I_NDV时相曲线计算得到水稻相似性指数,从MODIS影像中提取水稻像元。采用FastICA算法对潜在水稻像元水稻生长期内的I_NDV时相曲线进行分解,计算每个像元的水稻丰度,绘制水稻丰度图,获取研究区各省水稻分布和种植面积。利用统计年鉴数据和样方资料对FastICA算法提取的水稻面积进行了验证。结果显示:采用水稻相似性曲线有利于提高稻田识别效率,所获取的水稻分布与实际情况吻合;FastICA算法能够分解不同地区水稻I_NDV时相曲线;与统计资料比较,江苏、安徽、江西三省水稻面积的提取精度分别为86.4%、87.9%、51.5%。江西水稻面积提取误差主要出现在地形起伏较大的山区。     

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.     

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。     

应用模糊数学方法提取水体面积信息

讨论了应用ＮＯＡＡ－ＡＶＨＲＲ资料提取水体信息的方法。采用１．２通道反射率数据构成的归一化植指数（ＮＤＶＩ）来识别水体，并初步提出了应用模糊数学方法提取混合像元中的水体面积信息。     

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、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。     

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。     

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。     

长江上游MODIS影像的水体自动提取方法

利用MODIS资料,分析了长江上游不同水体及其它主要地物在1～7通道的光谱特征,分析发现,水体混合像元在可见光的光谱特征与山体的阴影、云的阴影、城镇等的光谱特征具有很好的相似性,仅采用近红外波段和红光波段的方法不能有效提取出研究区的水体.提出综合采用归一化差分水指数、积雪指数以及可见光、近红外多通道信息的方法,逐步提取出研究区的水体及混合水体像元.     

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。     

基于多时相MODIS数据的黑龙江省水稻种植面积动态监测研究

水稻是黑龙江省四大主要粮食作物之一,水稻生产在黑龙江乃至全国的粮食生产中均占有十分重要的地位。本文利用2007～2009年多时相MODIS数据,在GIS、GPS的支持下,根据黑龙江省水稻生长的特点,选择水稻种植面积估算最佳时相,实现了黑龙江省水稻种植面积的动态监测,分类精度达到了85%。研究结果表明,利用多时相MODIS数据进行黑龙江省水稻种植面积的动态监测是切实可行的。     

基于MODIS植被指数的太湖蓝藻信息提取方法研究

有效地提取蓝藻水华信息对分析蓝藻动态分布有重要意义,而卫星遥感技术是进行太湖水质监测与保护的措施之一.本文以2007年7月25日Terra/MODIS数据为主要数据源,用比值植被指数(Irv)、归一化植被指数(Indv)和增强型植被指数(Iev),研究提取太湖蓝藻信息.结果表明:植被指数可以有效提取遥感影像中的蓝藻水华信息,其中Indv是应用效果较好的植被指数之一;在掩膜处理后,用Indv提取了太湖蓝藻的面积分布信息,效果较好;此外,选取Indv为测试变量,利用决策树分类法,有效地把蓝藻水华高浓度覆盖区、中浓度覆盖区和轻浓度覆盖区分开来,为准确掌握太湖蓝藻发生、发展趋势和发生程度提供可靠信息.     

基于地面通量观测与MODIS数据估算玉米光能利用率北大核心

基于地面通量数据和中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer, MODIS)数据,对玉米农田生态系统光能利用率(Light Use Efficiency, LUE)进行反演和分析。通过地表碳通量资料构建了玉米农田生态系统的LUE模型,分析了LUE的变化规律;通过比较不同参照波段、不同传感器角度下计算的MOIDS光化学反射植被指数(Photochemical Reflectance Index, PRI)与LUE间的关系,构建了MOIDS PRI反演玉米LUE的模型。结果表明:(1)玉米LUE呈现出明显的季节和日尺度上的变化规律,季节变化表现为单峰形,白天的LUE呈现出“U”型变化规律;(2)相比较NDVI,PRI反演植被LUE有明显优势,利用MODIS PRIS与LUE的较好相关性,建立了PRI488、PRI551和PRI667模型进行LUE反演;(3)经比较,MODIS PRIS反演LUE时最适合的为PRI551模型,其全向散射的模型具有通用性,而如果区分出后向散射数据则采用相应的PRI551后向散射模型更好;(4)利用LUEa与全天平均LUEd拟合模型与MODIS PRI551瞬时模型联合,可实现对日尺度的光能利用率的反演,其推广应用前景值得期待。     

Interannual Variability of the Normalized Difference Vegetation Index on the Tibetan Plateau and Its Relationship with Climate Change

The Qinghai-Xizang Plateau, or Tibetan Plateau, is a sensitive region for climate change, where the manifestation of global warming is particularly noticeable. The wide climate variability in this region significantly affects the local land ecosystem and could consequently lead to notable vegetation changes. In this paper, the interannual variations of the plateau vegetation are investigated using a 21-year normalized difference vegetation index （NDVI） dataset to quantify the consequences of climate warming for the regional ecosystem and its interactions. The results show that vegetation coverage is best in the eastern and southern plateau regions and deteriorates toward the west and north. On the whole, vegetation activity demonstrates a gradual enhancement in an oscillatory manner during 1982-2002. The temporal variation also exhibits striking regional differences： an increasing trend is most apparent in the west, south, north and southeast, whereas a decreasing trend is present along the southern plateau boundary and in the central-east region. Covariance analysis between the NDVI and surface temperature/precipitation suggests that vegetation change is closely related to climate change. However, the controlling physical processes vary geographically. In the west and east, vegetation variability is found to be driven predominantly by temperature, with the impact of precipitation being of secondary importance. In the central plateau, however, temperature and precipitation factors are equally important in modulating the interannual vegetation variability.     

基于FY3/MERSI数据的辽宁省植被指数重建及时空变化分析

为建立中国风云三系列气象卫星长时间序列归一化植被指数数据集,选用滤波和函数拟合方法,针对林地、湿地、水稻、玉米、大豆、城市和水体7类地物开展数据重建效果定量分析,确定最佳数据重建方法,并在辽宁省开展时空变化分析。结果表明：非对称高斯函数拟合法（Asymmetric Gaussians,AG）、Savitzky-Golay滤波法（SG）、双Logistic函数拟合法（Double Logistic,DL）和时间序列谐波分析法（Harmonic Analysis of Time Series,HANTS）四种方法均表现出相对较好的去噪能力。SG方法对噪声比较敏感,HANTS方法在低值区受噪声影响大。AG和DL方法平滑效果较好,DL方法的峰值更接近于原始峰值。在高植被覆盖区和季节性作物区,SG方法相关系数最高（>0.93）、均方根误差最低（< 0.1）;在城市和水体低植被指数区,HANTS方法相关系数最高,为0.87,但四种方法的均方根误差均在0.06左右,差别不大。综合考虑曲线和定量分析结果,选取SG方法进行辽宁省植被指数数据集数据重建。辽宁省植被指数数值高低的空间分布与下垫面植被类型相符合,东部山区林地植被指数最高,达到0.75以上。2009-2020年,辽宁省NDVI年均值存在波动,不同地物植被指数变化存在差别,水体和城市植被指数变化相对较小,旱田作物（玉米、大豆）的植被指数受干旱年的影响植被指数变化稍大。辽宁省主要粮食作物植被指数年内均呈单峰分布,与一年一熟型吻合,均在8月上旬达到最大值。     

基于深度学习的FY3D/MERSI和EOS/MODIS云检测模型研究

针对FY3D/MERSI和EOS/MODIS的云检测问题,提出了一种基于深度学习技术的全自动云检测算法,首次将深度学习引入到卫星影像云检测领域。本算法使用深度全卷积神经网络(Deep Convolutional Neural Networks)作为核心结构,基于EOS/MODIS基本云检测原理选择合适的通道作为特性向量参数,针对不同的场景进行分类和网络模型的训练,最终得到基于深度学习的云检测模型。经过EOS/MODIS数据和FY3D/MERSI数据的测试,云检测的精度达到98%以上,可以看出基于深度学习的云检测算法能够用于云检测,该算法具有效率高、精度高等特点,云检测效果理想。     

基于遥感数据的江苏省水稻收获期时空分析研究

本研究基于2001—2020年中分辨率成像光谱仪遥感产品,使用谐波分析重建完整作物生长过程植被指数变化曲线,对江苏省范围内水稻种植区域的收获期进行提取。同时利用Sen趋势分析与相关分析方法,研究水稻收获期时空动态变化趋势与影响因子。结果表明:利用谐波分析方法能够较好地重建作物生长期生理参数变化曲线,滤波值与原始值线性相关系数达到0.8;水稻收获期分布在9月中旬到12月上旬之间,2010年之后,10月中下旬之后占比增加,达到50%以上;部分地区水稻收获期呈现延迟趋势,南京北部、扬州、盐城北部地区为3 d·a^-1及以上,泰州、南通等地区保持稳定,趋势绝对值低于1 d·a^-1;9—11月降水日数与降水量均对水稻收获期有影响,10月降水量与收获期存在负相关,10、11月降水日数与收获期存在正相关。本研究的基于遥感的水稻收获期提取方法为大范围的水稻农业物候信息提取提供参考。