基于MODIS数据的北京市植被覆盖度动态监测

植被覆盖度是反映地表植被覆盖状况的重要指标,也是衡量区域环境质量与水土保持情况的重要因子。以北京市为研究区域,应用基于MODIS NDVI的像元二分模型估算北京市2014—2016年植被覆盖度,分析不同年份、不同分级植被覆盖度的变化情况,结果表明:北京市植被覆盖度整体较高,高植被覆盖度区域在全市范围占了很大的比例,山区植被覆盖度明显高于平原区;植被覆盖状况总体较为稳定,呈现改善趋势,低植被覆盖度、中低植被覆盖度、中等植被覆盖度、中高植被覆盖度面积连续2年均出现了不同程度的减少,其覆盖度等级逐渐向高植被覆盖度演进。     

基于MODIS NDVI的广西喀斯特石漠化演变特征

为了研究广西喀斯特石漠化演变特征,选择2000,2004,2008,2012年MODIS NDVI数据,结合研究区的土地利用数据和土壤数据,采用基于归一化植被指数(NDVI)的像元二分模型估算了研究区的植被覆盖度,根据石漠化与植被覆盖度的对应关系,反演了研究区不同时相的石漠化信息,分析了石漠化总体演变特征、演变轨迹,并探讨了石漠化演变与环境背景因素、气候因素、社会经济因素、石漠化治理政策因素的关系。结果表明:1)2000—2012年研究区石漠化面积总体呈先迅速减少后又略有回升的趋势,石漠化改善与恶化并存,石漠化演变动态度最快的为轻度石漠化,动态度为3.73%;2)13a间,石漠化演变轨迹为改善型的面积占喀斯特总面积的11.60%,反复型的占9.54%,恶化型的占3.69%,4个研究时段均为石漠化的面积仅占1.59%,改善面积大于恶化面积;3)石漠化演变过程受环境背景因素、气候因素、社会经济因素、石漠化治理政策因素的共同影响。     

基于MODIS数据的福建省农作物低温监测分析与风险评估

利用MODIS数据分别对福建省地表温度和农作物用地信息进行反演,建立基于分裂窗法的福建省地表温度反演模型,构建福建省土地利用信息的专家决策树分类体系,并在Surfer和ArcGIS辅助下提出基于遥感的福建省农作物地表低温风险评估法.结果表明,基于分裂窗法的地表温度监测精度较高,达到83.56％.通过与气象站实测温度对比分析,其高低温分布趋势基本一致,并能精细反映地形条件下的温度差异,弥补了气象站数量不足的缺陷.利用专家决策树分析法灵活构造NDVI、NDWI等不同判读因子,能较准确地提取福建省农作物土地利用信息.经过归一化处理建立的福建省主要农作物用地低温风险等级分为:轻度(0.45～1.00)、中度(0.24 ～0.45)和重度(0～0.24),能够细致反映出福建省地表低温分布和农作物所处的风险格局,为农作物合理区划和低温灾害风险评估等提供参考依据.     

基于MODIS数据的福建省干旱遥感动态监测分析

干旱是影响社会发展和农业生产的重要因素之一,利用MODIS数据和气象资料,结合福建省的地形、气候和植被覆盖条件,分别反演出2004年和2006年的归一化植被指数（NDVI）,借助分裂窗法成功反演了两个时相的地表实际温度（Ts）,并建立了基于植被供水指数算法（VSWI）的干旱监测模型。结果表明,对于植被覆盖率高的福建省,利用VSWI进行遥感干旱监测是可行的,MODIS数据可很好地满足大范围的实时动态监测。福建省地表干旱存在着较明显的南北区域差异,东南沿海比中西部严重,从两个时相的对比来看,干旱有加重的发展趋势,而经济发展和城市化进程是引起干旱程度加剧的重要因素。     

MODIS数据的积雪密度遥感监测分析

基于中分辨率成像光谱仪(MOD IS)影像数据,对选取的样本点的各个波段的反射率进行运算,结合该点的积雪密度建立各积雪密度ρ与各波段的积雪反射率计算值的回归模型。结果表明,实测数据与理论值的绝对误差的平均值为0.035 243,平均相对误差为15.30%,模型精度较高。此模型的建立,对实时进行积雪信息分析处理,及时、准确地提供雪情报告,合理利用水资源,支持社会经济的发展以及防灾减灾都具有重要意义。     

基于小波变换的华北平原耕地复种指数提取

该文以中国华北平原为研究区域,提出了基于小波变换的耕地复种指数遥感提取方法。首先,利用小波变换对2007年36景SPOT VGT/NDVI（SPOT VEGETATIONVGT数据归一化植被指数）遥感数据进行去噪处理,重建耕地农作物生长NDVI（归一化植被指数）曲线;然后,结合地面样点数据、农时数据和农业统计数据,采用二次差分法提取了华北平原2007年耕地复种指数和空间分布特征。研究结果表明,华北平原5省市耕地复种空间分布存在明显的地域特性,河南省耕地复种指数最大,达到179.4%,山东省次之,北京市最小。该研究结果与统计数据和其他遥感监测比较结果表明,基于小波变换去噪时序遥感数据提取耕地复种指数的技术方法与统计数据和其他遥感监测结果总体上具有较好的一致性,复种指数空间分布变化趋同。     

基于MODIS NDVI年序列的区域化肥投入空间化方法

随着农业水土资源高效利用和大量化肥投入,区域农业生态系统面临很大的生态环境压力。为准确评估区域施肥导致的环境风险,需要化肥投入的空间分布数据。在区域土地的初级生产力构成因素理论分析基础上, 通过主成分分析建立不同作物种植模式下MODIS的NDVI年序列与区域土地自然质量和化肥投入的空间关系,建立了化肥统计数据的空间化分配方法。研究区结果表明NDVI年序列第一主成分与第二主成分,分别与土地自然质量和化肥投入呈显著相关,利用该关系完成了乡镇化肥汇总数据的空间分配,表明该方法对区域化肥进行加权分配的合理性和可行性。     

使用MODIS数据监测土壤湿度

土壤湿度是水文学、气象学以及农业科学研究领域的一个重要参数,目前使用遥感来监测土壤湿度主要用NOAA/AVHRR数据和微波数据,使用MODIS数据的研究还不多见。本文采用MODIS数据,根据水的吸收率曲线提出使用中红外波段来监测土壤湿度。通过在内蒙古地区的实地调查,回归分析表明MODIS第7波段的反射率与地面湿度之间有较好的线性关系,因此认为使用MODIS数据进行大面积土壤湿度监测是可行的。     

基于NDVI象元二分法的植被覆盖变化监测

研究了NDVI象元二分法计算植被覆盖度的精度,并对其适用范围进行了分析。利用2002年、2007年合肥市的TM数据,针对于城市地区的特点,选择合适的NDVIsoil 和NDVIveg,计算各自时相的植被覆盖度,然后采用差值运算方法得到该时段合肥市区植被覆盖度变化数据。对于合肥市来说,在研究时段,植被覆盖度总体呈下降的趋势,下降最为明显的是滨湖新区和包河工业区,下降值分别为16.7%和21.4%,植被覆盖的锐减是由于城市扩张造成的,是一个值得注意的生态问题。与航片调绘结果进行比较,NDVI二分法得到的植被覆盖度对于低植被覆盖区偏高,对于高植被覆盖的林区偏低,两个时相植被覆盖度差值可以消除部分系统误差的影响,具有更高的精度,可以作为植被覆盖监测的重要手段。     

MODIS/NDVI和MODIS/EVI在耕地信息提取中的应用及对比分析

MODIS植被指数数据是区域土地利用信息提取的重要数据源.为了对比MODIS两种主要植被指数(NDIV、EVI)在耕地信息提取中的应用,采用通过时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS),对2006年全年MODIS 16天250m的NDVI和EVI时间谱数据进行了重构,从而进行了河西走廊绿洲中东部样区一系列耕地信息的提取实验,包括耕地、休耕地识别以及耕地复种指数、作物种类提取.在此基础上,对MODIS的NDVI与EVI数据的应用进行了对比分析.结果显示:(1)利用傅立叶谐波变换得到的EVI和NDVI时间谱曲线的谐波余项及谐波振幅对耕地进行识别,从识别精度来看,EVI要优于NDVI,识别精度分别为97.17%和95.99%,Kappa系数分别达到0.7938和0.6518;(2)通过计算时间序列曲线的波峰数能够提取耕地的复种指数,并且在EVI和NDVI曲线波峰阈值分别设为0.20和0.25时,休耕地能较为准确地被识别出来;(3)通过提取作物生长期内曲线的Ⅵ最大增长速率时间点以及峰值时间点等信息,作物种类能被初步识别,并且EVI较NDVI具有更强的识别能力.     

Crop yield forecasting on the Canadian Prairies using MODIS NDVI data

Although Normalised Difference Vegetation Index (NDVI) data derived from the advanced very high resolution radiometer (AVHRR) sensor have been extensively used to assess crop condition and yield on the Canadian Prairies and elsewhere, NDVI data derived from the new moderate resolution imaging spectroradiometer (MODIS) sensor have so far not been used for crop yield prediction on the Canadian Prairies. Therefore, the objective of this study was to evaluate the possibility of using MODIS-NDVI to forecast crop yield on the Canadian Prairies and also to identify the best time for making a reliable crop yield forecast. Growing season (May-August) MODIS 10-day composite NDVI data for the years 2000-2006 were obtained from the Canada Centre for Remote Sensing (CCRS). Crop yield data (i.e., barley, canola, field peas and spring wheat) for each Census Agricultural Region (CAR) were obtained from Statistics Canada. Correlation and regression analyses were performed using 10-day composite NDVI and running average NDVI for 2, 3 and 4 dekads with the highest correlation coefficients (r) as the independent variables and crop grain yield as the dependent variable. To test the robustness and the ability of the generated regression models to forecast crops grain yield, one year at a time was removed and new regression models were developed, which were then used to predict the grain yield for the missing year. Results showed that MODIS-NDVI data can be used effectively to predict crop yield on the Canadian Prairies. Depending on the agro-climatic zone, the power function models developed for each crop accounted for 48 to 90%, 32 to 82%, 53 to 89% and 47 to 80% of the grain yield variability for barley, canola, field peas and spring wheat, respectively, with the best prediction in the semi-arid zone. Overall (54 out of 84), the % difference of the predicted from the actual grain yield was within ±10%. On the whole, RMSE values ranged from 150 to 654, 108 to 475, 204 to 677 and 104 to 714 kg ha⁻¹ for barley, canola, field peas and spring wheat, respectively. When expressed as percentages of actual yield, the RMSE values ranged from 8 to 25% for barley, 10 to 58% for canola, 10 to 38% for field peas and 6 to 34% for spring wheat. The MAE values followed a similar trend but were slightly lower than the RMSE values. For all the crops, the best time for making grain yield predictions was found to be from the third dekad of June through the third dekad of July in the sub-humid zone and from the first dekad of July through the first dekad of August in both the semi-arid and arid zones. This means that accurate crop grain yield forecasts using the developed regression models can be made one to two months before harvest.     

农区MODIS植被指数时间序列数据重建

MODIS植被指数时间序列数据能够连续反映植被的覆盖情况,是农作物遥感测量的重要数据源。但现有MOD13产品中存在由云、气溶胶,传感器角度等干扰因素导致的噪声指数。因此,必须对MOD13时间序列中的噪声指数进行恢复。根据农作物种植区物候与熟制信息,将待重建像元时间序列划分为符合作物生长周期的时段。对各时段内指数按非对称高斯模型重建,优化相邻时段之间重叠期内指数。多次迭代重建和优化过程后恢复时间序列中噪声指数。对覆盖北京市通州区以南和河北省保定市以北农区2005年MOD13数据进行重建,与两阶段S-G滤波重建结果对比。结果表明：噪声指数被准确判断并恢复。农区多熟制导致的低值指数被有效保留。重建时间序列可以正确反映植被的覆盖情况。     

2000—2016年四川省耕地种植指数时空变化及其自然潜力分析

种植指数是反映耕地利用强度的基础性指标,明确其空间格局、时间演变是合理制定农业决策的基础。本文以四川省2000-2016年MODIS-NDVI长时间序列数据为数据源,通过提取耕地NDVI时序曲线峰值频数,进而提取四川省2000-2016年耕地种植指数,分析其时空格局及演变,并结合积温-降水模型对区域耕地潜力种植指数分布进行了分析,为明确四川省耕地种植指数时空特征及演变和引导耕地合理集约利用提供科学依据。结果显示：研究时段内,一年1熟一直是四川省主要的熟制制度,其面积占耕地面积比达78.05%,主要分布在川西北高原区、川东北和川南的低山丘陵区以及攀西河谷区;一年2熟/3熟制主要分布在成都市及其周边地区,空间分布上呈现由成都市及其周边地区向四周下降的态势。可提升潜力种植指数（PMCI_p）方面,省内89.7%的耕地仍具有较高的可提升潜力;成都市及其周边地区可提升潜力较低（PMCI_p<50%）,且实际种植指数年际变化剧烈（标准差>60%）;川东北和川南地区可提升潜力种植指数在50%以上,面积占耕地面积比达65.6%,是未来耕地种植潜力挖掘的理想区域;川西北高原区、攀西河谷区和川东北大巴山中山区为过度耕作的主要分布区（PMCI_p<0）,面积占耕地面积10.3%,是未来农业生态退耕的重点区域。本文结合农作物节律性,利用长时间序列的遥感数据反演,实现对区域耕地种植指数的动态监测,并分析区域耕地种植指数的潜力及可提升潜力的空间格局,为区域农业政策制定提供有益参考。     

基于作物水分亏缺指数的环渤海地区鲜食葡萄干旱风险评估

水分对葡萄的生长发育过程有着不容忽视的影响。为了给鲜食葡萄种植干旱风险管理和减损保质提供一定理论参考,本研究以中国葡萄环渤海产区为研究区域,以作物水分亏缺指数为探究鲜食葡萄干旱的指标,采用区域内60个气象站点1981−2014年的逐日气象资料,通过计算区域内鲜食葡萄各生育期内的作物水分亏缺指数,得到各生育期鲜食葡萄的干旱频率及站次比,基于区域内鲜食葡萄干旱时空分布情况评估其干旱发生风险。结果表明：环渤海地区降水量与鲜食葡萄需水量的时间匹配性较差,区域内鲜食葡萄在各个生育阶段均具有一定的干旱风险;以鲜食葡萄的新梢生长期及着色成熟期为发生干旱的高风险时期,该时期发生干旱频率高且易发生较为严重的干旱;以河北省中南部为干旱高风险地区,该地区鲜食葡萄发生严重干旱风险较高,且环渤海地区鲜食葡萄以着色成熟期干旱影响范围最广。     

基于MODIS/EVI的中国北方地区耕地复种指数提取

复种是区域粮食增产的重要途径之一,也是中国粮食生产中一种重要的耕作模式。该文通过深入分析农作物的农时历和耕地的时间序列植被指数曲线的对应关系,提取了反映作物种植模式的特征时相,并以特征时相的EVI（enhanced vegetation index）值作为特征参量,构建了提取耕地复种指数的决策树方法。该方法仅用了作物生长季中7个时相来提取复种指数,减少了数据使用量,缩短了提取时间,提高了提取效率。最终,采用MODIS（moderate-resolution imaging spectroradiometer）/EVI数据,提取了2005年中国北方15个省市区的耕地复种指数,与之前的研究结果进行比较验证发现该方法具有较高的提取效率和精度。     

基于多时相遥感信息的中国农业种植制度空间格局研究

多熟种植是中国重要的种植制度,对保持和增加粮食产量和促进农村经济发展有重要意义。复种指数受自然条件和农村社会状况的影响处于不断变化之中,及时获取其变化信息对估计粮食产量变化及其原因和农业发展科学决策有非常重要的意义。中国地域辽阔,作物种植制度复杂多样,传统的统计方法不能及时满足政府获取种植制度变化的要求。卫星遥感是探测大尺度土地覆被格局及变化最有效手段,因此可以作为获取区域和全国尺度作物复种指数的一个重要途径。该研究探讨了应用多时相遥感数据定量表达全国种植制度信息提取的方法及可行性,采用峰值特征点检测法结合作物生长季相特征及农田管理特点(播种和收获)提取了中国农田的多熟种植信息,并与统计数据的复种指数进行比较验证,为进一步进行农业种植制度变化研究奠定了基础。     

基于MODIS指数和随机森林的江西省早稻种植信息提取

尽早获取双季早稻的种植信息,对政府部门掌握全省水稻生产形势及制定粮食安全保障的相关政策方针具有重要意义。传统业务服务中,通常将水稻生长早期的多时相MODIS指数与阈值法相结合,对种植信息进行提取,但该方法主观性强,受人为及不同地区水稻物候期差异影响大,且存在混合像元等限制,机器学习算法可以较好解决此问题。因此,该研究提出一种结合水稻生长早期MODIS指数和随机森林的种植信息提取方法,基于江西省早稻生长早期多时相MODIS增强型植被指数（Enhanced Vegetation Index,EVI）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）和地表水分指数（Land Surface Water Index,LSWI）的变化特征,利用随机森林算法构建早稻种植区域提取模型与丰度反演模型,提取全省早稻种植信息,并利用Sentinel-1A提取的验证样区与统计资料验证。结果表明,早稻种植区域及丰度的空间分布特征与Sentinel-1A提取的验证样区的空间特征基本一致,提取模型的分类精度为93.18%,丰度反演模型与样本数据的平均绝对误差、均方根误差和决定系数分别为0.07、0.10与0.86,且在高丰度种植区反演效果更优。与统计资料相比,全省早稻面积识别精度为92.33%。该研究解决了水稻种植信息提取中阈值选取合理性、混合像元与时效性限制等问题,为水稻生长早期种植信息的业务化提取提供一种参考方法,具有一定应用价值。     

华北平原冬小麦面积遥感提取及时空变化研究

多年作物种植面积的时空变化可以反映种植结构的调整结果,并可用于进行驱动力分析。为解决连续遥感监测作物种植面积变化过程中,不同的训练样本或分类规则不能较好地反映作物种植面积时空格局变化的问题,本文首先根据研究区(华北平原)农业气象观测站提供的主要农作物物候观测资料获得主要农作物典型物候期特征,结合HANTS滤波后的NDVI时间序列数据提取不同地物类型的NDVI时序曲线,引入复种指数,探讨了CART算法在提取华北平原冬小麦种植面积的可行性,最后提取了2000—2013年华北平原冬小麦种植面积,并参考市级的农业统计数据进行精度评价。经检验,近13年的遥感监测种植面积与农业统计面积相关系数达到0.94(置信水平为95%),且各市13年面积一致性小于40%的概率仅为15%。利用遥感监测多年冬小麦空间分布信息获得其空间种植概率,能较好地反映研究区冬小麦的主要种植区,该方法可为大范围、连续年份冬小麦种植面积时空格局的遥感监测提供参考。