基于ESTARFM模型的区域农田高时空分辨率影像产生与应用

多时相遥感影像特别是关键生育期数据是农业物候、长势及产量监测的重要数据源,然而可见光影像易受云雨干扰,在特定区域关键时间窗口缺少高时空分辨率数据的现实情况下,遥感影像时空数据融合方法变得尤为重要。增强型自适应反射率时空融合模型ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一种小区域合成高时空分辨率影像的较好方法,该算法在我国不同农业种植区的适应性及应用工作尚未充分展开。本文以河北、黑龙江、新疆典型农区为研究区域进行大面积应用检验分析,基于MODIS与Landsat影像,利用ESTARFM生成具有高时空特征的Landsat模拟影像,将其与真实Landsat影像进行对比,并在新疆地区展开ESTARFM算法在NDVI方面的应用。结果表明, ESTARFM对3个不同区域状况的地区都有较好的影像预测能力,并且在新疆地区可以很好地生成30 m空间分辨率的多时相NDVI,用于作物分类和长势监测。     

基于多源遥感数据和EC-LUE模型的冬小麦产量估算

【目的 】及时、准确、无损地估算冬小麦产量有助于粮食生产管理和粮食安全。【方法 】文章使用Sentinel-2的红光波段和短波红外数据及MOD09Q1数据,使用ESTARFM融合方法,生成冬小麦生长期（3～6月）内8 d的NDVI高空间分辨率时间序列数据。结合MERRA-2气象同化数据,使用EC-LUE模型进行农作物总初级生产力（GPP）的模拟估算,并使用收割指数方法将之转化为冬小麦产量,将估算结果与美国农业部门公布的县级产量数据进行比较验证。【结果 】实验表明,Sentinel-2与MOD09Q1融合NDVI具有良好的融合精度,相关系数在0.60～0.87之间。基于融合NDVI估算的GPP相比MOD17A2H具有更好的空间细节和纹理。2017—2020年估算产量平均绝对误差MAE为8.41 bu/acre,平均相对误差为18.4%,均方根RMSE为9.7 bu/acre。【结论 】基准影像数量及其与预测日期的时间差会影响融合的精度,总体上能用于后续GPP模拟;EC-LUE模型较好地模拟了农作物的GPP水平和产量,在土地覆盖类型复杂的区域,可以提供更好的GPP空间变异信息,具有可移植性...     

基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究

运用遥感精准识别技术提取灌溉耕地可以为区域内农业耗水管理提供关键数据支持,但受限于遥感数据的时空分辨率,对于光谱特性相似容易混淆的灌溉耕地作物识别有一定难度。为此,本研究通过增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)对MODIS和Landsat数据进行融合,得到察汗淖尔流域时间分辨率为8 d、空间分辨率为30 m的NDVI数据,并与同期真实Landsat NDVI进行对比验证,相关系数为0.94。利用HANTS滤波建立ESTARFN NDVI时间序列数据,选取灌溉耕地样本通过支持向量机进行灌溉耕地空间分布的提取,以弥补数据源、特征提取等限制因素对复杂灌溉耕地提取的空缺。结果表明:流域内灌溉耕地总面积为1958.24km~2,商都、兴和、尚义、康保和化德5县耕地总面积占流域耕地总面积的94%,灌溉耕地分别为616.67km~2、337.36km~2、409.85km~2、290.93 km~2和239.38 km~2,主要种植葵花、甜菜、马铃薯等生长季从4月初到9月底的长生育期作物和生长季从5月初到8月初的蔬菜;张北、察哈尔右翼前旗、后旗和镶黄旗耕地占流域耕地总面积为6%, 4县灌溉耕地面积共64.05 km~2。最后,通过真实样本进行验证,总分类精度为93.18%, Kappa系数为0.91。结果表明,用该数据融合模型获得的NDVI时间序列能反映作物真实变化情况,并且使用支持向量机提取察汗淖尔流域灌溉耕地效果较好。     

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子（Vegetation cover and management factor,以下简称C因子）是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型（Linear Spectral Mixture Model,LSMM）、像元二分模型、增强型自适应反射率时空融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM）等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区（海拔>3 000 m）的C因子值较高,北部中低山丘陵区（2 000 m<海拔<3 000 m）的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。