AMSR＿2微波植被指数在黄河流域的适用性对比与分析

微波数据具有全天候、穿透性强及不受云层影响等优势,使其在遥感研究领域得到越来越多的应用。利用2012年7月至2016年12月AMSR_2双极化亮温数据,反演微波穿透指数MVI与不同频率的微波极化差异指数MPDI18与MPDI36.5,对比黄河流域各微波植被指数与光学植被指数NDVI的差异,分析了微波植被指数在黄河流域的适用性。结果表明:微波穿透指数MVI与光学植被指数NDVI呈现显著负相关关系;微波极化差异指数MPDI18,MPDI36.5与光学植被指数NDVI呈显著正相关关系;其中,微波极化差异指数MPDI36.5与光学植被指数NDVI的逐月变化趋势几乎同步,相关系数达到了0.999。微波植被指数与光学植被指数对降雨、气温的响应大致相同。整体来说,微波穿透指数与微波极化差异指数在黄河流域均具有较好的适用性。     

脱氮功能菌去除市政废水中氮素的研究

为了探讨实验室筛选获得的氨氧化细菌CM-NR014和反硝化细菌CM-NRD3联合去除市政废水中氮素的应用价值,采用了两级A／O工艺进行菌株去除废水中氮素的小试实验,最后将菌株用于废水脱氮工程中。结果表明,脱氮功能菌实现了短程硝化-反硝化,氨氮去除率在98％以上,总氮去除率在75％以上,COD（化学需氧量）去除率大于90％,出水各项指标均低于城镇污水处理厂污染物排放一级（A）标准。脱氮功能菌在去除市政废水中氮素方面有很高的应用价值,可用于城镇污水处理厂提标改造等。     

GEE环境下融合主被动遥感数据的冬小麦识别技术

遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法（RF）和Google Earth Engine（GEE）云平台,探索时间序列Sentinel-1合成孔径雷达（SAR）数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明：仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine,GEE）云平台、随机森林算法（Random Forest,RF）和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

GPM与TRMM降雨数据在黄河流域适用性分析

GPM(Global Precipitation Measurement)是继TRMM(Tropical Rainfall Measuring Mission)之后的新一代全球卫星降水测量计划。GPM扩展了TRMM传感载荷,提升了降水观测能力。以GPM和TRMM重合期(2014年3月—2015年4月)数据为对象,利用黄河流域内76个气象站点的降雨实测数据,探讨了两种卫星降水数据在黄河流域的适用性,并分析了流域内两种卫星降水数据误差的时空分布。结果表明:年尺度上,GPM与TRMM卫星数据与实测降水量的决定系数分别为0.78,0.86,总体一致性较好,但分别存在2.46%与2.19%的相对高估。季节尺度上,春、秋两季数据精度高,夏季卫星降水数据相对于实测降水量存在较大的绝对误差,冬季则相对误差较大。月尺度上,除7月、8月外卫星降水数据均大于实测降水量,相对误差最大值出现在12月,绝对误差最大值出现在9月。单站点验证结果表明GPM与TRMM卫星降水数据在流域北部的陶乐、惠农、临河等区域数据精度偏低,而在广大的流域中南部区域卫星降水数据与实测降水量有较高的一致性。     

基于AMSR2微波植被指数与地表温度的旱情分析

基于微波数据全天时、全天候、不受云层影响等优点,选取了2012年7月—2016年12月的AMSR2微波数据中的10,18,36.5GHz水平垂直极化亮温数据反演微波穿透指数MVI与微波极化差异指数MPDI_(18),MPDI_(36.5),构建了微波植被指数与光学地表温度的微波旱情指数TMVDI,TMPVDI_(18),TMPVDI_(36.5),并与光学旱情指数TVDI进行了对比,分析了微波旱情指数在黄河流域旱情监测中的适用性。结果表明:微波旱情指数时空变化趋势与光学旱情指数基本保持一致;微波旱情指数在黄河流域旱情监测中具有很好的适用性,在大部分地区微波旱情指数反演效果优于光学旱情指数;光学、微波旱情指数与降雨因素的相关分析也表明微波旱情指数与降雨的相关关系整体优于光学旱情指数与降雨的相关关系,且微波旱情指数与降雨相关关系较好的区域集中在黄河流域南部地区。     

2000-2016年黄河源区植被NDVI变化趋势及影响因素

NDVI是研究区域植被变化的重要表征性指数。基于2000—2016年的MODIS NDVI遥感数据和同时期地面气象数据,采用非参数检验方法曼—肯德尔法（Mann-Kendall）检验法、斜率变化趋势分析法、复直线回归分析法等多种时间与空间分析方法,研究了黄河源区生长季植被覆盖时空变化及其与气候因子的相关性,探索黄河源区植被与气候变化的时空耦合关系,分析了气候因素及人类活动对植被覆盖的影响。结果表明:黄河源区NDVI在2000—2016年期间没有特别明显的突变年份;源区70.4%的区域植被NDVI是增加的,增长率大部分处于0～0.004/a。复直线回归分析显示气象因素对源区植被生长变化起到主要的促进作用,99%的区域NDVI气候因素贡献值为正值。人类活动促使植被NDVI增加的区域占总面积的比例是55%,说明人类活动等因素对黄河源区的生态环境产生一定的积极影响,但仍有接近50%的区域人类活动使NDVI减少,高寒草地的退化的趋势没有得到有效遏制。