基于温度植被干旱指数的江苏淮北地区农业旱情监测

为实现江苏省淮北地区农业旱情监测,利用Savitzky—Golay(S-G)滤波方法,对2011—2012年江苏省淮北地区1-5月MODIS的归一化植被指数(normalized difference vegetation index,NDVI)和地表温度(land Surface temperature,LST)8 d产品进行重构,去除原8 d数据的噪声,填补受云影响而缺失的数据。基于重建后的NDVI和LST数据,计算温度植被干旱指数(temperature vegetation dryness index,TVDI);分析TVDI和土壤湿度之间的关系,构建土壤湿度反演模型。最后,利用另外1组数据验证所建土壤湿度模型的精度。研究结果表明:1)S-G滤波方法能够提高MODIS LST和NDVI数据质量,并能对缺失数据进行填补;2)TVDI方法能够实现试验区土壤湿度反演,所建模型在试验区具有一定的普适性,反演精度较高(R2=0.575,RMSE=2.59%);3)TVDI方法在江苏省淮北地区干旱监测中得到了较好的应用,能够成功地监测出江苏淮北地区2011年和2012年春旱。该研究可为农业旱情的快速监测提供借鉴。     

基于温度植被旱情指数的徐州市郊干旱遥感监测

利用Landsat TM/ETM+数据,以徐州市郊为研究区,获取归一化植被指数(NDVI)、土壤调整植被指数(SAVI)和地表温度(Ts)信息,分别构建NDVI-Ts和SAVI-Ts特征空间,依据这两个特征空间计算出研究区2001年4月3日和2007年5月14日的温度植被旱情指数TVDI(NDVI)和TVDI(SAVI),并分别与地表温度(Ts)和降水量进行了相关评价.结果表明,TVDI可用于实现大范围的干旱监测,SAVI能够修正NDVI对土壤背景的敏感,基于SAVI的反演结果明显优于基于NDVI的反演结果,能够有效地运用于干旱监测.     

基于Landsat 8遥感影像的黔中水利枢纽工程区土壤含水量反演分析

为了获取黔中水利工程区土壤含水量的变化情况,基于2013—2018年的Landsat 8地表温度产品数据(LST)和植被指数产品数据(NDVI),采用植被供水指数(VSWI)法,反演研究区不同年份土壤含水量,结合实测数据进行精度验证,探讨了研究区土壤含水量分布的时空异质性及主要影响因素。结果表明:(1)基于Landsat 8影像反演的土壤含水量和实测数据具有较好的正相关性,表明Landsat 8影像适于研究区土壤含水量反演;(2) 2013—2018年研究区土壤含水量在时间上表现出波动升高的趋势,年平均增速为0.91%,在空间上呈现出西南部高、东北部低的趋势,以湿润为主;(3) 6年来研究区平均土壤含水量类型发生明显的变化,其面积变化幅度以增加为主;(4)研究区土壤含水量与温度均呈中度负相关,而与降雨量在毕节等部分地区呈高度正相关,在其余地区则呈中度正相关。利用Landsat 8遥感影像数据和植被供水指数(VSWI)可以实现研究区的土壤含水量反演,研究结果可为该地区土壤含水量动态监测和改善区域生态环境提供科学依据。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

北京山区森林叶面积指数季相变化遥感监测

森林叶面积指数(LAI)遥感反演,对于区域环境生态监测具有重要意义。该文以北京市西北山区鹫峰国家森林公园为研究区,获取多时相Landsat5 TM数据,并利用半球形照相机(Hemispherical Photography)同步获取森林LAI。使用3种植被指数(归一化植被指数NDVI、增强植被指数EVI和三梯度差植被指数TGDVI),分别建立单个观测时期及整个时期的LAI反演模型,通过相关性分析筛选出最佳模型。研究表明利用整个时期的LAI建立的模型精度较高,其中最好的是基于NDVI的LAI指数模型。利用该模型反演森林LAI,生成基于时间序列的北京山区森林LAI分布图。该研究进一步分析了阔叶林、针叶林和混交林3种情况,结果表明,与不分植被类型的LAI反演模型精度比较,阔叶林和混交林有所提高,而针叶林稍微下降,但模型精度均达到显著水平。     

基于TVDI的山地平原过渡带土壤水分反演——以绵竹市为例

为了对生态脆弱的西部山地平原过渡带进行土壤水分监测研究。以绵竹市为例,利用Landsat8OLI/TIRS影像,获取了陆地表面温度(TS)和归一化植被指数(NDVI),通过温度植被干旱指数(TVDI)建立了土壤水分回归模型进行遥感水分反演,并通过野外采样数据对结果进行精度验证。结果表明:TVDI和土壤水分存在较强相关性(R=0.6553),能较好反映表层土壤湿度;土壤水分整体分布状况表现为西北山地地区高于东南平原地区,过渡带上山地向平原逐渐降低。因此,TVDI能较好反映过渡带土壤水分时空差异,对监测过渡带土壤干湿状况具有理论与现实意义。     

基于植被指数的藏北牧区土壤湿度反演

土壤湿度的遥感动态监测在农牧业生产中具有重要意义。近年来,多种基于遥感指数的土壤湿度监测方法被提出并得到广泛关注,但当前对不同深度土壤湿度的反演及植被指数反映土壤湿度滞后性的研究较少。该文针对遥感指数反演土壤湿度的精度问题,对MODIS(moderate resolutionimaging spectroradiometer)的2种植被指数产品归一化差异植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)与土壤湿度实测值进行相关分析,并利用在其中一个样点得到相关系数最高的回归模型对距离较远的其它点进行土壤湿度值估算,最后用土壤湿度实测值对模型的精度进行验证。结果表明,2种植被指数均与土壤湿度值呈现出较强的相关性,且利用植被指数估算土壤湿度的延迟天数为5~10 d。在相同气候模式、土壤类型和植被类型的条件下,高程为影响回归模型精度的主要因素。该研究可为牧区多层深度土壤湿度反演方法的选择和监测提供参考依据。     

基于LAI-Ts特征空间的河南省冬小麦返青-成熟期旱情监测

以河南省返青-成熟期冬小麦为研究对象,利用研究区2000、2005、2010及2015年每年2月26日-6月1日MODIS产品叶面积植被指数（LAI)和地表温度（Ts)数据,探讨当NDVI未达到饱和时,基于LAI-Ts特征空间的温度叶面积干旱指数（TLDI）能否用于旱情监测,并利用气象站实测10cm土壤湿度数据进行精度验证,进而应用该指数对河南省冬小麦旱情进行监测。结果表明：TLDI与实测土壤湿度之间存在显著负相关关系（P＜0.05）,相关系数大小在0.5212～0.7467。当NDVI未达到饱和时,基于LAI-Ts特征空间的TLDI可作为干旱监测指标,补充拓展基于植被指数和地表温度的旱情监测方法。在冬小麦返青期即植被覆盖度较低时LAI-Ts特征空间呈三角形,随着植被覆盖度的提高逐渐演变为梯形。河南省旱情主要分布在中西部、西南部以及北部地区,每年3月上旬及5月为旱情频发期,分别处于冬小麦返青期和开花-灌浆期。     

基于MODIS数据的湖南省旱情监测研究

干旱的发生不仅影响到当地的农业生产,还极大的破坏了当地的生态环境。采用MODIS数据以条件植被温度指数(VTCI)作为旱情指标,对湖南省2005年7月下旬的旱情分布进行了监测。综合考虑了归一化植被指数(NDVI)和增强型植被指数(EVI)的优劣性之后,以EVI代替NDVI构建了EVI-Ts特征空间,其中采用分裂窗算法对陆地表面温度进行了反演,最终得到了与实际旱情大致相符的旱情分布图。研究表明:此种方法适用于湖南省的旱情监测,同时它也是一种便捷、高效的大面积与近实时监测方法。     

基于4种植被指数TVDI模型的三江平原土壤湿度反演

利用遥感手段监测土壤湿度有利于分析大尺度区域的土壤干湿状况。比对分析不同植被指数计算的温度植被干旱指数（TVDI）的精度能够提高TVDI反演土壤湿度的实际应用价值。以三江平原为研究区,基于2013年5—9月的四期MODIS影像,利用归一化植被指数（NDVI）、增强型植被指数（EVI）、修正土壤调节植被指数（MSAVI）、比值植被指数（RVI）分别计算TVDI,并以地面实测土壤湿度数据及降水数据进行精度验证。结果表明:（1）4种植被指数计算的TVDI与土壤湿度数据均具有一定的负相关关系,即TVDI值越高,土壤湿度值越低;（2）不同植被指数计算的TVDI在5月、6月、9月与土壤湿度回归分析的R²数值相近,均适合用来反演这3个时间段的土壤湿度,在7月份,相较于NDVI和RVI计算的TVDI结果（R²均在0.15左右）,基于EVI和MSAVI计算的TVDI （R²均在0.35左右）更适合反演该时期的土壤湿度;（3）5—9月期间,干旱现象主要发生在三江平原的中部及西南部,干旱程度主要为轻旱,东部及东北部在不同时期基本保持在正常或轻微湿润状态。     

小波分析与支持向量机结合的冬小麦白粉病遥感监测

为利用遥感影像数据在区域尺度上实现快速、准确地监测小麦白粉病的发生、发展情况,该研究基于环境与灾害监测预报小卫星(HJ-1A/1B)数据对地表温度(land surface temperature,LST)进行反演、提取4个波段反射率数据并构建7个植被指数。耦合K-mean和Relief算法对小麦白粉病遥感特征进行筛选。通过支持向量机(support vector machine,SVM)与小波特征(Gabor)结合SVM(Gabor SVM)的方法分别建立河北省晋州市小麦白粉病发生监测模型,并对2种模型的监测精度进行对比。结果表明:归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(simple ratio index,SR)和地表温度3种特征参量可较好地表征小麦白粉病的发生情况,Gabor SVM的总体精度达到86.7%,优于SVM的80%。因此,小波分析与支持向量机结合的方法可用于基于卫星遥感影像的大面积病害监测,对提高病害监测精度具有重要应用价值。     

基于MODIS数据的长江三角洲地区近地表气温遥感反演

近地表气温是一个重要的气候参数,为了给农业研究提供空间上连续的气温信息,以长江三角洲为研究区,根据MODIS地表温度和NDVI数据运用温度-植被指数方法反演了2005年全年的气温,并通过进一步去除温度-植被指数空间窗口的残余云和水体信息扩大了该方法的通用范围.最后利用气象站点观测气温数据对遥感反演值进行了精度验证,分析...     

两种NDVI时间序列数据拟合方法比较

归一化植被指数（NDVI）时间序列数据拟合目的是降低时序数据的噪声水平,重建高质量的NDVI时序数据,有利于多种参数反演和信息提取。针对国际上普遍应用的两种NDVI时间序列数据拟合方法,即Savitzky-Golay滤波法和非对称性高斯函数拟合法,该文在介绍两种方法基本概念的基础上,利用直接比较法和间接比较法在中国对两种拟合方法进行了比较分析。结果表明,Savitzky-Golay滤波法和非对称性高斯函数拟合法的拟合效果总体上一致,但二者之间还是存在区域差异性,这种区域差异与两种方法的自身特点和中国区域自然条件紧密相关。不同数据拟合方法的比较研究可以弄清每种方法的优缺点和区域适宜性,有助于研究人员针对不同研究目的和研究区域选择适宜的NDVI数据拟合方法,减少遥感数据处理中的误差,提高研究精度。     

基于NDVI-LST模型对辽宁月尺度土壤水分的反演

利用MODIS卫星数据集中的归一化植被指数NDVI(Normalized Difference Vegetation Index,NDVI)与地表温度LST(Land Surface Temperature,LST)数据建立NDVI-LST模型,对辽宁省2015年5-8月的土壤水分进行反演,建立土壤水分与干边斜率的相关关系,得到该模型反演下的土壤水分。结果表明:(1)该时间段的NDVI-LST实际模型能够形成类似"三角"的特征空间,与理论模型吻合,利用该模型反演的5-8月土壤水分含量与地面实际监测结果相关性较高,除8月外,相关系数均在0.8以上,反演结果空间布局与地面实际土壤水分基本一致;(2)8月土壤水分反演结果不理想,相关系数为0.48,反演和地面实际空间特征差异也较大,其原因是8月NDVI对7月降水极少的响应时间的延后。整体而言,NDVI-LST模型反演土壤水分的试验结果较理想,可为利用卫星遥感手段快速反演辽宁月尺度的土壤水分、干旱灾害防御评估等决策工作提供一种新思路。     

呼和浩特市不同植被指数与地表温度的定量遥感关系

利用Landsat 8影像数据,提取呼和浩特市地表温度（LST）、4种典型植被参数:归一化植被指数（NDVI）、修正土壤植被指数（MSAVI）、比值植被指数（RVI）及植被覆盖度（FV）,并结合研究区土地覆被信息,探讨了LST与4种典型植被参数的定量遥感关系,不同下垫面类型对地表温度—植被参数的影响及其二者之间的空间尺度效应。结果表明:地表温度—植被参数呈现出显著负相关关系,NDVI,RVI,MSAVI,FV每增加0.1,对应的LST分别下降:0.99℃,0.83℃,1.02℃,0.64℃;不同土地覆被类型中二者相关性差异显著,其中林地LST与4种植被参数相关性最强,RVI与LST相关性最稳定;在不同的空间尺度下（30～1 920 m）,地表温度—植被参数空间相关性呈现出先增大后减小的趋势,NDVI,FV,MSAVI,RVI与LST的空间相关性分别在120 m,240 m,60 m,120 m达到最高。     

基于不同植被指数和分类回归树的关中地区土地利用分类

及时准确地获取土地利用信息可以为土地资源规划管理和生态环境保护提供重要依据。为获取关中地区土地利用信息,比较基于不同植被指数的分类效果,基于2014年10月1日至2016年3月15日33个时相的MOD13Q1数据,通过Savitzky-Golay滤波法重构了NDVI及EVI时间序列,并构建了NDVI+EVI和EVI+NDVI组合植被指数时间序列,在迭代自组织分析算法聚类的基础上采用分类回归树,分4种情形对关中地区土地利用进行了分类,采用混淆矩阵进行空间精度分析,并提取关中5个地市和整个地区的农业用地面积,进行定量精度评价。结果显示:(1)4种情形总体精度均大于96%,Kappa系数均大于0.94;(2)基于不同植被指数的分类精度和农业用地提取精度存在EVI+NDVINDVI+EVIEVINDVI的规律。研究表明:(1)该分类方法适用于关中地区土地利用分类;(2)EVI对植被的识别能力较NDVI高;(3)基于组合植被指数进行分类时,判别依据更多,决策树准确性更高。     

基于MODIS数据的山东省2014-2016年干旱监测分析

针对近年频发的干旱情况不能准确及时监测评估的问题,以山东省为研究区,基于温度植被干旱指数方法（TVDI）,利用S-G加权滤波对MODIS地表温度产品MOD11A2和植被指数产品MOD13A2数据进行了重建,根据重建后的数据计算2014—2016年山东省的温度植被干旱指数,在比较NDVI-LST与EVI-LST构建的温度植被指数干旱模型（TVDI）的基础上,利用效果更好的EVI-LST构建的TVDI模型反演山东省2014—2016年的干旱情况,最后利用气象站观测数据对TVDI结果进行了相关性分析。研究表明,山东省在2014—2015年全年平均干旱面积占比分别为37.62%,41.7%,2016年基本无旱情发生。气象站观测的降水、温度与TVDI的相关性均在0.32以上,且均通过显著性检验,说明植被覆盖信息和陆地表面温度信息相结合反演的TVDI空间和时间分布能够较好地反映表层土壤水分变化趋势,其作为旱情评价指标是合理的。     

基于时序遥感数据的玉米种植面积提取方法研究

探讨了在Landsat TM图像上进行玉米分布区域信息提取的基础上,利用MODIS数据NDVI植被指数的时间序列进行提取的方法,并以吉林省榆树市实验区为例,提取了2007年的玉米种植面积。研究结果发现,该方法提高了用单一时相landsat TM进行玉米面积识别的精度。     

北票市基于Landsat8遥感影像的归一化植被指数分析

归一化植被指数(NDVI)是反映植被长势和营养信息的重要参数之一,由近红外波段与红光波段的反射率值计算得到。Landsat8作为美国Landsat计划的第8颗卫星,遥感数据的准确性更高,时效性更新,采用美国地质勘探局(USGS)网站提供的Landsat8卫星遥感影像,利用ENVI软件计算2013年7月~2016年6月北票市NDVI,分析北票市3a的植被覆盖情况。结果表明:用遥感影像的时效性,通过计算NDVI可以有效监测区域内植被的覆盖情况,获取多年的遥感影像可以分析区域内植被覆盖规律,便于分析区域水土流失情况,制定水土保持计划与决策。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。