基于遥感与GIS中国陆地景观结构分析

利用遥感和GIS技术,首先根据生态区划计算出描述中国陆地景观结构的十三种景观结构指数,包括斑块密度、最大斑块指数、边界密度、面积加权斑块形状指数、面积加权斑块分维度、平均最近斑块距离、最近斑块距离的标准差、最近斑块距离的相异系数、蔓延度、分布邻接指数、结合度、香农多样性指数、辛普森多样性指数.在相关分析的基础上,使用等级聚合与因子分析方法对最近斑块距离相异系数之外的十二种指数进行分析,最后采用因子分析结果中的前三个公因子分析中国陆地景观结构,三个公因子的方差累积贡献率达88.8%,分别定义为斑块多样性因子、斑块形状复杂性因子、斑块分布均匀性因子结果表明,在人类活动影响强烈的生态区,这三种公因子取值都比较小,表明在人类活动的影响下,斑块类型多样性减少、斑块形状复杂性降低、斑块分布趋于均匀.     

西北干旱区农田春小麦蒸散量的空间插值方法

综合运用传统统计分析方法和地质统计分析方法,研究了西北旱区春小麦蒸散量在不同生育阶段的时空变异特征,并分析了试验区表层土壤储水量和叶面积指数对春小麦蒸散量的影响关系,通过分析比较,筛选表层土壤储水量为协同因子,并将其应用到试验区春小麦蒸散量的空间插值研究中。研究结果表明:在所研究的条件下,即使外观较为均匀、面积相对较小的农田,春小麦蒸散量仍具有较高的空间变异(变异系数范围0.328~0.495);当降雨入渗深度小于20 cm时,表层土壤储水量(0~20 cm)是影响研究区春小麦蒸散量变异的主要因子,春小麦不同生育期累积蒸散量与表层土壤储水量变化的相关系数在0.8~0.9之间,远大于春小麦累积蒸散量与叶面积指数的相关系数;基于表层土壤储水量的蒸散量协同克里金空间插值分析与地面实测结果相比,仅42个蒸散量地面采样数据即可保证研究区春小麦蒸散量估计精度高于90%。     

被动微波土壤水分产品真实性检验研究进展

随着全球气候变化和陆面数据同化研究对土壤水分反演精度要求的不断提高,大尺度被动微波土壤水分产品的真实性检验变得极为重要。如何获取可以代表卫星观测尺度“真值”、并能表征空间异质性的土壤水分观测场,成为被动微波土壤水分产品真实性检验的关键问题。土壤水分观测场的构建涉及地面观测、同步观测、尺度转换等关键环节,可通过“点代面”和“多源信息融合”这2个技术途径进行构建。简要总结了应用于大尺度土壤水分的5种典型的真实性检验方法,包括实测样本数据检验、影像数据交叉检验、模型模拟检验、影响因素检验和传统地统计检验。这5种方法或缺乏对先验知识的有效利用,或忽略地面实测的重要性,或在综合利用多源数据类型的先验知识信息方面不足。随着贝叶斯最大熵理论的发展,基于贝叶斯最大熵理论和先验知识的大尺度土壤水分产品真实性检验有望发展成为一种可靠的方法。贝叶斯最大熵理论的优势在于,能够提供灵活的数据利用方式,使多种来源、多种类型的数据集有机会同时被用于卫星观测尺度的时空分析,生成高分辨率土壤水分数字地图,从而为大尺度土壤水分产品的真实性检验研究提供一个新的途径。     

城市化进程中京津冀地区相对湿度时空演变研究

利用ERA-interim再分析数据和夜间灯光遥感数据,研究了1993、1997、2001、2005、2009、2013年京津冀地区相对湿度（RH）的时空演变与城市化水平之间的定量关系。结果表明,京津冀地区干岛面积比例表现为随时间增加的趋势,与土地城市化率存在较高的正相关。2005年的平均相对湿度与城市化水平的空间相关性表现为负相关,相关系数为-0.730,且在0.01显著性水平以下,空间上RH分布受城市化水平的影响。不同网格粒度下平均相对湿度与城市化水平的相关性随网格粒度增大呈先增强后减弱的趋势,在100 km网格粒度下两者的相关性达到最大（0.700以上）。     

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。