基于线性光谱混合模型分解MODIS多光谱影像的研究

为了获取多时相的土地覆盖基础数据以支持区域土壤侵蚀定量评价,基于线性光谱混合模型分解MODIS多光谱影像,并对分解结果进行了定性、定量评价。结果表明,结合像元年内植被指数变化特征,基于线性混合像元分解,可解译出耕地、林地、草地、裸地、水体、居民地等类型。分类结果与2006年TM分类结果的总体一致性为64.46%,Kappa系数为0.519 9,土地覆盖类型分类结果可靠;各类端元估算误差基本小于20%,且与对应TM分类结果具有相关性,总体精度较好;林地端元能够较好地反映植被盖度信息。基于LSMM分解MODIS影像可为区域环境研究提供可靠的土地覆盖类型图和植被覆盖信息。     

基于静止气象卫星的河北平原实际蒸散量遥感估算

本文提出利用中国第1 颗可操作性静止气象卫星风云2 号C 星(FY-2C)数据结合中等分辨率航天成像光谱仪MODIS 产品估算河北灌溉农田实际蒸散量(ET)的方法, 其中FY-2C 的第1、2 波段用于反演区域地表温度, 再结合16 d MODIS 合成的植被指数产品(MOD13), 得到地表温度与植被指数的三角空间分布图(Ts-NDVI)。通过Ts-NDVI 空间分布的关系, 利用改良三角算法得到区域的蒸发比(EF)。最后结合MODIS 地表反射率产品MCD43 估算得到的日净辐射量, 根据能量平衡计算得到该地区的日实际蒸散量。模型结果与地表Lysimeter 观测数据比较, 显示该模型估算得到的蒸发比和日蒸散量结果较为合理, 误差在可接受范围。此外, FY-2C 用于估算地表ET, 其时间分辨率具有较强的优势, 从而为获得多幅无云蒸散图提供了有利条件。     

青海诺木洪地区多源遥感及多特征组合地物分类

遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。     

基于MODIS温度/植被指数的东北地区土地覆盖分类

该文采用MODIS NDVI时序数据对东北区土地覆盖分类进行研究，以验证MODIS区域土地覆盖制图的可靠性。通过试验发现经过Savizky-Golay滤波处理能有效去除云、缺失数据及异常值的影响，使得NDVI时序曲线能更好的反映植被季相变化特征，分类结果表明NDVI时序数列能较好的区分植被与非植被、草本(一年生)与木本(多年生)覆盖类型。但研究区内一年一熟的农作物与高盖度草地、落叶针叶林与落叶阔叶林具有相似的物候特征，混分现象比较严重。该研究通过添加地表温度(land surface temperature, LST)数据解决这一问题，利用所得温度/植被指数TVI对研究区进行土地覆盖分类。所得结果用363个野外调查样区进行验证，NDVI及TVI时序数据的分类精度分别为62.26％与71.63％。结果表明TVI比NDVI对土地覆盖类型中的植被类型识别更有效。     

利用MODIS-EVI时序数据对河南省土地覆盖进行分类

基于遥感的土地覆盖信息提取对农林业生产、环境监测具有直接的应用意义。该文选取河南省作为研究区域,利用2005年23个时相的MODIS EVI数据,结合农作物物候历、其他分类参考数据及河南省种植结构的相关文献,在对时序数据进行去云、平滑处理后,采用SVM（支持向量机）分类器,对河南省的土地覆盖进行分类。分类结果上,一方面参照2005年河南省农作物种植面积的统计数据得到面积精度,对大面积种植的农作物：小麦为81.47%、玉米94.87%、水稻82.43%;经济作物：油菜39.81%、大豆93.65%、棉花95.21%、花生74.27%;另一方面,参照2000年1：10万全国土地覆盖的分类数据,将2000年的对应数据和分类结果分别归并为：耕地、林地、草地、水体、建筑进行精度比较,结果表明总体识别精度为78.07%,Kappa系数为0.6556。从分类精度验证来看,表明MODIS植被指数时序数据及该文研究方法在农作物信息提取中的有效性。     

多时相MODIS影像的黑龙江省水稻种植面积提取

黑龙江省稻田面积扩张引起农区地类发生巨大变化，利用遥感手段快速动态监测稻田面积扩张的变化，可为水稻产量估算、水土资源开发利用和评价提供科学决策依据。该研究以中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）地表反射率和植被指数数据为主要数据源，融合归一化光谱特征、分层分类、最大似然法、阈值和指数时间序列等方法建立决策树模型，对2003－2018年黑龙江省的稻田、旱地、草甸、滩地、森林、水体、城镇等进行遥感解译，并采用混淆矩阵法验证结果精度。结果表明2003－2018年稻田识别Kappa系数达到0.899～0.961，总精度达到了85.5%～92.3%。黑龙江省新增稻田主要由旱地、草甸和滩地转变，水稻种植面积从2003－2018年扩大了3倍，平均每年扩张158 100 hm2，稻田播种区域的中心向北延伸约160 km。该研究基于黑龙江省不同植被的物候特征，确定了不同地类的决策树分类判定标准，为黑龙江省稻田面积变化提供有效的方法。     

利用EOS-MODIS数据提取作物冠层温度研究

利用EOS-MODIS遥感数据，基于线性混合模型，提出了一种新的作物冠层温度反演方法。首先，利用EOS-MODIS数据提取了陆地表面温度LST和植被指数NDVI。然后，假定地表只有植被和裸地两种组分，通过植被指数温度VI-Ts方法来估算裸土的组分温度，作物冠层温度通过线性混合模型来求解。为了验证反演的地表温度和冠层温度的精度，把反演的地表温度与NASA MODIS地表温度产品进行差值运算，在差值图像中90%以上的像元灰度值分布在-1和1之间，像元灰度的平均值小于0.5；同时在河北固城农业气象试验站对冬小麦冠层温度进行同步观测，通过与反演的冠层温度进行比较，其误差在±1.5℃左右。结果表明，文中所提出的作物冠层温度反演方法精度较高，其结果能够满足有关作物生长模型以及土壤水分模型对输入参数的精度要求。     

MODIS土地利用/覆被多时相多光谱决策树分类

利用MODIS多时相与多光谱结合,尝试探讨低成本、高精度的北京土地利用/覆被实时获取方法。首先根据归一化植被指数（NDVI）的均值、标准差建立了研究区各地类的典型NDVI时间序列曲线,进而提取了6个可以反映区域物候模式、植被生长速率等信息的分类参数;然后对反映地表土壤信息较多的3月份多光谱影像进行主成分变换,选取第一主成分（PC1）作为辅助分类参数;最后基于分类回归树（CART）算法进行监督决策树分类。经SPOT-5影像验证,分类总体精度达到83%,Kappa系数为0.769,PC1辅助分类后总体精度提高     

数字高程模型和多时相MODIS数据复合的水稻种植面积遥感估算方法研究

随着搭载在TERRA卫星上的中分辨率成像光谱仪(MODIS)的出现,它以数据丰富、时间分辨率高和覆盖范围广等特点，为水稻遥感估产提供了较好的数据源。该文利用水稻种植易受坡度影响的特性，从数字高程模型(Digital Elevation Models简称DEM)中提取坡度信息，考虑到MODIS能提供多时相及丰富的数据，采用DEM产生的坡度和两个时相MODIS影像数据及植被指数复合提取水稻种植面积，经过比较试验证明，在南方丘陵山区的复杂地形区域,多源信息复合相对于单纯利用单景影像数据可以明显提高水稻种植面积估算的精度。     

基于MODIS EVI图像时间序列的冬小麦面积提取

植被指数的时间序列能够很好的反映植被在时间维上的生长变化,这为地表植被的分类以及作物面积的提取提供了思路。将TM数据作为过渡数据,利用地面测量数据间接对MODIS EVI数据进行了样本提取和验证,并结合冬小麦物候信息,将冬小麦植被指数时间曲线参量化为生长速率、衰减速率和峰值与休眠期比值,建立了华北平原冬小麦的面积提取模型。经验证,兖州地区MODIS数据和TM数据提取的冬小麦面积一致性为89.13%,整个华北地区选取13县市的MODIS提取面积与官方统计数据比对,表明有12县市的提取误差小于20%,误差主要源于MODIS的空间分辨率较粗而华北平原的地块较为细碎。     

基于时序NDVI图谱库提高土地覆盖分类精度的方法

为提高MODIS土地覆盖产品的分类精度,该文以河南省为试验区,首先将MODIS土地覆盖产品(MCD12Q1)分为高精度区域和低精度区域,然后通过构建时序NDVI图谱库并利用图谱曲线相似性测定方法,改进MCD12Q1低精度区域的分类精度。结果表明:1)时序NDVI是土地覆盖的重要分类特征,二者之间具有较强的关联性。2)利用时序NDVI图谱库能够明显提高MODIS土地覆盖产品的分类精度,改进后的MCD12Q1的总体分类精度分别由72.76%(比较评价)、64.52%(样本评价)提高到83.05%和81.72%。3)不同土地覆盖类别精度提高的程度不同,林地、草地、耕地、人工地表以及水体的生产者精度分别提高35.36%、29.51%、2.98%、6.96%和6.11%。4)对于判定时序NDVI曲线相似度的2种具体方法而言,最小距离法(minimum distance,MD)总体上优于光谱角度匹配法(spectral angle mapper,SAM)。综上,保留现有土地覆盖产品中分类精度较高的部分,基于时序NDVI图谱库改进分类精度较低的部分,是提高现有土地覆盖产品分类精度的有效方法。     

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于历史时序植被指数库的多源数据作物面积自动提取方法

针对目前作物提取工作中难以综合应用多源遥感数据进行自动分类的现状,该文以新疆博乐市为试验区,使用多年MODIS数据建立各类作物历史参考时序植被指数曲线库。对TM和环境星数据共同构成的当年时序数据通过植被指数转换、曲线相似性比较,并结合区分不同作物的关键时相,在长时期种植制度变化不大的区域,自动提取作物种植面积。结果表明:该方法使用多源(环境星+TM)中高分辨率遥感数据构建的时序植被指数提取作物的总体精度可达到90%以上;与传统的监督分类方法相比,省去了人工采集训练区的步骤,实现了作物种植面积的自动提取。     

多尺度高分辨率全球土地覆被遥感产品相对一致性比较

国家及区域尺度的土地覆被信息对于解决环境演变、生物多样性保护、生态系统评价及环境建模等一系列问题起着至关重要的作用。该文从国家及区域尺度分别比较了当前全球2种最高分辨率的土地覆被遥感产品,以便解释两者在空间及专题上的一致性和异质性。结果表明,GLOBCOVER和MODIS2种产品在国家尺度上具有较好的一致性,但在区域尺度上仍有较明显的差异,特别是在中国东北和西南地区;2种产品在林地、灌木、耕地和草地间存在严重的混淆现象;总体精度和Kappa系数在全国尺度和区域尺度有着较大的差异,总体精度值从全国尺度的56.35%降为区域尺度的27.01%,Kappa系数值从全国尺度的47.09%降为区域尺度的16.57%。在全国尺度上东北区域有着最好的一致性,四川盆地的总体一致性最差;MODIS产品的类别均质性百分比明显优于GLOBCOVER,类别一致性百分比与空间一致性之间存在显著的相关性,其决定系数R2为0.724,说明产品间的类别均质性百分比差异越小,两者的空间一致性越高。该研究可为遥感产品的使用者提供准确可信的信息分布,为产品生产者有针对性改进分类算法提供科学合理依据。     

基于MODIS EVI的冬小麦产量遥感预测研究

Terra-MODIS数据集同时具有归一化植被指数（NDVI）和增强型植被指数（EVI）两种植被指数。为了对比这两种植被指数在农作物估产中的应用效果，该文利用MODIS-NDVI和MODIS-EVI作为遥感特征参量，以对美国冬小麦的长势监测与产量预测为例进行了研究：运用区域作物特定生育期内多年的NDVI和EVI值与作物产量进行相关分析，采用一次线性拟合方法分别建立回归方程，估算当年的农作物产量。结果表明，EVI明显地比NDVI更好地与产量建立回归方程，用EVI建立的回归方程，各州相关系数大多在0．7以上；而用NDVI建立的回归方程，相关性不稳定。因此利用EVI建立的模型对2004年美国冬小麦进行估产，并将预测结果与美国国家统计署6月1号公布的预测结果进行对比，结果发现，美国国家统计署预测单产误差为3．05％，总产误差为-2．56％，而该研究预测结果单产误差为2．62％，总产误差为-1．77％且预测时间比美国国家统计署预测时间提前约半个月。可见EVI可以更有效地进行作物监测及估产，提高预测的准确性。     

基于拟合物候参数的植被遥感决策树分类

针对目前遥感分类较少利用植被物候特征参数的现状,该研究以内蒙古自治区额尔古纳、根河两市作为试验区,基于2012年根河土地覆盖数据,采用双Logistic函数拟合的方法对跨度范围为2011年7月下旬至2013年7月下旬的时间序列MODIS EVI数据进行植被物候参数的分析与提取,并依据物候参数特征构建决策树对试验区土地覆盖进行分类。研究表明,不同植被的物候有较明显的特征,森林、草原与作物的生长季开始时间依次滞后,作物的生长季最短,森林与草原生长季基本持平;利用植被物候特征参数进行决策树分类,作物和森林2种植被类型取得较好分类效果,分类的总体精度达到73.67%,优于该区域MODIS土地覆盖产品的总体精度(66.08%)。该研究可为呼伦贝尔地区生态环境评价和农、牧、林业生产活动提供一定的参考。     

基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类

为了实现干旱半干旱灌区地表信息低成本、高效率的动态监测,利用HJ-CCD数据的多时相和多光谱信息,探讨了平罗县土地利用遥感分类方法。首先建立研究区内典型地物的NDVI时间序列曲线,提取反映该区物候模式的时序特征参数;然后对土壤信息丰富的3月份多光谱影像进行主成分变换,选取第1主成分(PC1)作为光谱特征参数,最后基于分类回归树(classification and regression tree,CART)算法进行决策树监督分类。总体分类精度达到92.26%,Kappa系数为0.91,比最大似然法分类结果精度提高了2.58%。研究表明:构建的NDVI时间序列曲线对研究区内的地类具有较强的代表性,提取的时间维和光谱维的分类参数对各地类均有很好地区分性,CART决策树算法分类结果清晰准确且精度较高。该方法为HJ小卫星在干旱半干旱区等区域的深入应用提供科学依据和实证基础。