利用MODIS监测高原水稻生育期和长势的方法

用GIS技术分离提取贵州高原上坡度〈6°、面积〉667hm^2大坝子的地理信息，选择其中栽培水稻的大坝子为遥感监测区域，用2005—2006年MODIS的旬合成NDVI序列与地面农业气象观测站数据，分析水稻生育期、长势与NDVI值的关系。结果发现，水稻各生育期与NDVI有很好的对应关系，水稻返青后的NDVI在0．60左右，分蘖-拔节期NDVI迅速上升到0．70，孕穗-抽穗期NDVI到达峰值0．75左右，乳熟-成熟期则下降到较低点，NDVI=0．70可以作为水稻生殖生长开始点的指标。通过NDVI与同期气温资料对比分析，可以对水稻的长势进行定性预测和长势评估。     

基于MODIS和NOAA数据尺度转换的若尔盖植被变化研究

为获得若尔盖地区较长时间序列的遥感植被指数,采用重采样技术和一元线性回归方法实现了GIMMS NDVI和MODIS NDVI的空间尺度转换和时间尺度外推。结果表明:（1）不同重采样方法对MODIS NDVI数据的影响与空间尺度有关,对GIMMS NDVI数据的影响则与空间尺度关系不大;（2）空间分辨率2.5 km,对不同植被类型可建立GIMMS NDVI和MODIS NDVI数据的一元线性转换关系,利用GIMMS NDVI拟合的结果与MODIS数据的差值统计符合正态分布;（3）1982—2013年,以1998年为节点若尔盖地区的植被先退化后逐渐恢复,尽管近几年植被指数平均水平高于研究初期,但局部地区的植被退化形势仍然比较严峻。     

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。     

基于MODIS和NOAA/AVHRR的荒漠化遥感监测方法

土地荒漠化是中国西部最严重的生态环境问题,荒漠化遥感监测技术是掌握荒漠化发展趋势的重要手段。基于空间分辨率为1 km的NOAA/AVHRR和MODIS遥感数据,首先依据湿润指数法确定了荒漠化范围和气候分区。然后选取出了可以反映不同荒漠化特征,并且能够通过中低分辨率的NOAA/AVHRR和MODIS遥感影像反演出来的5个荒漠化遥感监测指标,通过精度评价分析,确定了最佳指标组合。由于MODIS和NOAA/AVHRR数据的影像特征存在较大差异,针对每一气候分区, 建立了分别适用于MODIS和NOAA/AVHRR数据的两套遥感指标分类体系。通过不同分类方法的比较,确定了最佳分类方法－决策树分类法。通过对中国1995年和2001年的荒漠化动态变化状况进行了分析,结果表明,本文提出的荒漠化遥感监测方法,不仅能够成功地进行大尺度的荒漠化遥感监测,而且能够取得较好的监测效果。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

湖南省主要森林类型植被指数动态变化分析

植被指数具有明显的季节性,能客观反映植被物候信息.利用湖南省2006年MODIS/NDVI与MODIS/EVI数据,对不同森林类型的NDVI和EVI变化进行了对比与相关性分析.研究表明:(1)常绿针叶林、常绿阔叶林、竹林及灌木林NDVI季节变化不明显,曲线较平;EVI则有明显季节性,表现为钟形曲线.(2)落叶阔叶林的NDVI与EVI变化趋势一致,均呈钟形曲线.EVI能较好地描述各森林类型在不同季节的差异,适宜用作森林类型信息提取的基础数据.     

新疆区域FY-3 NDVI数据集质量比较评估及其适用性评价

利用2014-2020年空间分辨率为250m×250m的MODIS和FY-3的NDVI数据,采用最大值合成法(MVC)合成MODIS和FY-3数据集周、月尺度NDVI值,基于不同数据集月尺度NDVI最大值,分别计算其季节、年平均NDVI。采用数值对比、相关性和线性回归等方法,比较分析2014-2020年新疆区域FY-3和MODIS NDVI数据的一致性,讨论FY-3在新疆区域的适用性,并基于FY-3NDVI数据,采用变异系数法研究2014-2020年新疆植被覆盖的变化。结果表明：2014-2020年新疆区域的MODIS NDVI的月均值普遍低于FY-3NDVI,两种数据变化规律一致性较好,但月尺度NDVI在沙地、草地、林地、耕地、2017年春季、2016年和2018年夏季、2015年和2019年秋季及2019年冬季存在差异,差异区主要位于阿勒泰山区、伊犁河谷和天山东段。2020年新疆区域各土地利用类型及季节的FY-3 NDVI均值高于MODIS NDVI均值,且FY-3 NDVI更接近实测值。新疆各土地利用类型及季节FY-3NDVI数据的R²、RMSE、MAD、R...     

农田防护林对作物长势的影响分析

农田防护林系统对改善环境、防风治沙、保护农田、提高农作物产量具有重要意义。该文以作物长势为主要指标,选择德惠、农安、榆树、扶余所辖范围作为研究区,利用16 d合成250 m×250 m空间分辨率的MODIS NDVI数据,获取作物生长期内的NDVI时间序列值,通过对比农田防护林防护区域与无防护区域的作物长势,分析了农田防护林对作物的防护效应,并进一步研究了气温、降水、土壤类型等因素对农田防护林防护效应的影响。研究结果表明,1）农田防护林防护区域内的作物长势整体优于无防护区,农田防护区内的NDVI累积值较无防护区增加了0.07,且在作物生长的旺季最为明显,该时期农田防护区的NDVI累积值较无防护区增加了0.05;2）随着气温的升高,农田防护林对作物的防护效应呈明显增加趋势,气温每升高0.5℃,农田防护区与无防护区的NDVI累积值的差值平均增加0.02;3）随着降水的增多,农田防护林对作物长势的防护效应在作物生长的初期呈明显增加趋势,该时期内,降水量每增加100 mm,农田防护区与无防护区的NDVI累积值的差值增加0.03;4）土壤类型对农田防护林防护效应的影响无显著差异。该研究拓宽了农田防护林研究的时空尺度,丰富了遥感技术在农田防护林领域的监测手段,提高了区域农田防护林遥感监测水平,并为农田防护林的经营管理、以更好的发挥其防护效应提供了科学依据。     

福建沿海水域互花米草蔓延的动态监测分析

利用1999/2000年和2006/2007年2个不同时相的遥感影像对福建省沿海水域的互花米草进行解译提取,并结合地理信息数据和社会统计数据进行变化分析。研究表明:基于专家决策树的福建省互花米草信息提取法具有较高的解译精度,动态监测结果显示,7a来福建沿海水域互花米草蔓延迅速,已侵占了大片的养殖水域和滩涂资源,研究旨在为引起有关部门的高度重视并采取必要的治理措施提供理论依据。     

福建沿海海雾的卫星遥感监测

基于2000-2010年福建沿海18个气象站的能见度资料,利用NOAA/AVHRR、FY-1 D/CAVHRR和EOS/MODIS传感器的可见光、近红外、短波红外、中红外和热红外多光谱波段数据,分析福建沿海海雾的时空变化特征,探讨福建沿海海雾卫星遥感监测技术方法,并通过卫星数据样本分析海洋、中高云、低云和海雾等不同下垫面的光谱反射和辐射特征.同时分析了多种海雾遥感识别指数,根据海雾与其它地物光谱反射和辐射特征的差异确定监测模型的阈值指标,在此基础上分别建立了白天EOS、FY-1D、NOAA-17、NOAA-16/18海雾监测模型和夜间海雾监测模型.结果表明,研究区90％的海雾发生在1-5月,且大多在凌晨,中南部是海雾多发区.用沿海气象观测站的能见度数据对监测结果进行验证,其准确率总体达83％,表明基于多源卫星数据的海雾遥感监测模型能较准确地对福建沿海海雾的分布和发展过程进行监测,有利于在大雾天气过后及时采取相关应对措施,以减少大雾天气对福建沿海农业生产活动,尤其是对设施农业的不利影响.     

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。     

应用线性混合模型遥感监测冬小麦种植面积

中分辨率成像光谱仪（MODIS）具有多光谱、多时相以及免费接收使用的优势。该文利用冬小麦返青期间的MODIS多光谱数据,采用传统的监督分类和阈值方法研究冬小麦种植区域的分布情况,同时针对遥感像元多为混合像元的特点,重点将线性混合像元分解技术应用于冬小麦种植面积的分解计算研究。比较不同分类方法对冬小麦种植面积估算的精度分析表明,采用线性混合分解模型,绝大部分（98.45%）的均方根误差都小于0.01,对比实际冬小麦种植面积数据,相对误差约3%,明显优于传统遥感分类方法的精度。     

石羊河流域植被生态质量时空变化动态监测

基于遥感和GIS技术，以MODIS NDVI为数据源，应用DEM和土地利用分类图，采用转移矩阵、一元线性回归模型等方法，对石羊河流域2000-2020年植被生态质量指数（Q）的时空变化特征进行研究，并对Q值基于不同海拔高度、坡度、坡向和植被类型的分布特征进行分析。结果表明：（1）2000-2020年石羊河流域的平均Q值为9.8，南北差异较大，Q值与海拔高度和坡度呈正相关；（2）分析Q转移矩阵，流域植被生态质量处于改善之中，2000-2010年植被生态质量改善和退化面积占总面积的比例分别为30.0%和2.2%,2010-2020年分别为13.7%和10.9%;(3)2000年以来流域Q值平均每10a增加1.2，呈增加趋势（Slope>0.0）的区域面积占整个研究区面积的90.3%;(4)Q值呈增加趋势的面积随着海拔高度的增大呈波动变化，随着坡度的增大先增加后减小；（5）森林、草地和灌木丛植被类型Q值呈增加趋势所占比例均在60.0%以上；（6）研究区Q值与气温、降水的相关系数分别为0.352和0.281，气温是植被生长的主要影响因素。     

基于Sentinel-2影像的西南山区不同生长期水稻识别

山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。     

利用遥感和GIS技术估算果洛藏族自治州草地生产力和载畜量

Remote sensing data from the Terra Moderate-Resolution Imaging Spectroradiometer (MODIS) and geospatial data were used to estimate grass yield and livestock carrying capacity in the Tibetan Autonomous Prefecture of Golog, Qing-hai, China. The MODIS-derived normalized difference vegetation index (MODIS-NDVI) data were correlated with the aboveground green biomass (AGGB) data from the aboveground harvest method. Regional regression model between the MODIS-NDVI and the common logarithm (LOG10) of the AGGB was significant (r² = 0.51, P < 0.001), it was, therefore, used to calculate the maximum carrying capacity in sheep-unit year per hectare. The maximum livestock carrying capacity was then adjusted to the theoretical livestock carrying capacity by the reduction factors (slope, distance to water, and soil erosion). Results indicated that the grassland conditions became worse, with lower aboveground palatable grass yield, plant height, and cover compared with the results obtained in 1981. At the same time, although the actual livestock numbers decreased, they still exceeded the proper theoretical livestock carrying capacity, and overgrazing rates ranged from 27.27% in Darlag County to 293.99% in Baima County. Integrating remote sensing and geographical information system technologies, the spatial and temporal conditions of the alpine grassland, trend, and projected stocking rates could be forecasted for decision making.     

云南省元阳梯田遥感辅助识别特征研究

深入分析和研究元阳梯田的空间分布规律及其光谱特征,能够为今后元阳梯田的遥感分类识别提供专家知识,克服传统地面调查方法的弊端,及时准确地掌握元阳梯田的空间分布及动态变化情况,为有效保护、合理利用元阳梯田提供基础依据。在对元阳梯田进行基于SPOT5的目视解译分类的基础上,提取了各梯田斑块中心点上的海拔、坡度、坡向、MODIS-NDVI以及Landsat TM各波段上的像元亮度值,分别从元阳梯田的空间分布特征、植被指数特征和像元亮度特征三个方面,提取和归纳了元阳梯田的遥感辅助识别特征。结果表明,影响元阳梯田空间分布的环境因子按影响程度由大到小依次为海拔 > 坡度 > 坡向,主要分布于海拔1 000~1 400 m、坡度12°~33°、北坡和东北坡;随着梯田斑块面积的逐渐增大,MODIS-NDVI平均值则逐渐减小,总体平均值为0.754,最小值为0.378,最大值为0.849;元阳梯田在可见光波段（B10,B20,B30）的DN值较低,在近红外波段（B40）的DN值较高,各面积的等级元阳梯田在Landsat TM数据各波段上的像元亮度曲线趋近一致。     

基于多时相遥感影像的作物种植信息提取

为了快速、准确地在遥感影像上对作物种植信息进行提取,该研究运用多时相的TM/ETM+遥感影像数据和13幅时间序列的MODISEVI遥感影像数据,采取基于生态分类法的监督分类与决策树分类相结合的人机交互解译方法,建立决策树识别模型,对黑龙港地区的主要作物进行遥感解译,总体分类精度达到了91.3%,与单纯对TM影像进行监督分类相比,棉花、玉米、小麦、蔬菜4类作物的相对误差的绝对值分别降低了1.3%、20.5%、2.0%、13.8%。结果表明该方法的分类精度高,能较好的反映作物的分布状况,可为该地区主要作物种植结构调整提供科学依据,还可为其他区域尺度作物分布信息的提取提供参考。     

基于多时相遥感数据的吉林西部土地覆被分类提取

为深化计算机自动提取土地覆被类型在遥感分类研究中的应用,以吉林西部的镇赉县为试验区,利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量,构建多维分类特征数据集对试验区进行土地覆被分类研究,提取了11种地表覆被类型。结果表明:1)多维变量组合方案的总体分类精度为95.50%,Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果,方案有效可行;2)方案中,3个主要特征分类变量的引入能很好改善易混淆地类的可分性,尤其,地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度;3)实际情况表明,引入的分类特征量不是越多越好,只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案,该方案有效可行。     

基于多时相遥感数据的农田分类提取

为深化遥感解译在农田类型自动提取研究中的应用,了解研究区内农业资源的现状,该文以镇赉县为试验区,设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程(主要分类变量),结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据,对研究区内的水田和旱地进行分类提取。结果表明:1)该算法的总体分类精度为94%,Kappa系数为0.87:2)水田的遥感提取精度为98.3%,旱地为98%;3)水田占全区总面积的13.26%,旱地为20.12%,旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。