植被结构特征对MODIS光谱干旱指数的影响

基于MODIS光谱反射信息的干旱指数在农业生产实践中有广泛的应用。利用PROSAIL模型和山东2010年的观测数据,研究了植被叶面积指数和生理生长周期等结构特征对MODIS光谱干旱指数的影响。结果表明,MODIS近红外与短波红外三个波段的反射率随植被叶片含水量变化明显,由他们构建的五种MODIS光谱干旱指数能够监测植被叶片水分含量。然而,各干旱指数均受叶面积指数(LAI)的影响,在LAI较低时影响较为严重,随着LAI的增大,这一影响逐渐减弱;植被生理生长周期也会影响干旱指数的大小。因此,在使用MODIS光谱干旱指数进行区域干旱监测时,必须考虑植被结构特征,谨慎分析监测结果。研究结论将为干旱遥感监测提供理论基础。     

基于实测光谱的植被指数对水稻叶面积指数的响应特征分析

叶面积指数(LAI)是目前最常用的农业生态监测指标,可以为农作物的病虫害监测、作物长势监测、碳循环、生物量估算及作物估产提供依据。植被指数(VI)是卫星LAI产品生产的重要数据源,但不同VIs对植被LAI的响应特征具有一定的差异性。以江西省水稻为例,基于实测光谱提取了水稻实测VIs,结合实测LAI,讨论了归一化植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征,并与MODIS LAI备用算法的计算结果进行了对比分析,研究了不同VIs用于LAI产品反演的可行性及存在的问题。通过对不同实测VIs-LAI模型精度的评估,分析其应用于LAI反演的适应性,结果显示EVI,SAVI和MSAVI比NDVI有更好的适应性,其中EVI效果最优。此外,通过对比MODIS LAI备用算法查找表,发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类,在LAI>4时,NDVI出现饱和;而实测水稻作物的NDVI在LAI>2时开始出现饱和;且当NDVI相同时,查找表LAI远大于实测LAI,MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差,有必要改用其他VIs优化该备用算法。通过对比分析四种VIs模型对LAI的预测误差,发现EVI,SAVI和MSAVI精度明显优于NDVI,基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6,基于实测NDVI反演算法的1/2,因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。     

利用地表温度与LAI的新型土壤湿度监测方法

地表温度（T_s）是土壤湿度和植被生长状态等因素的综合反映,利用植被指数和T_s能够监测土壤湿度的时空分布特征。利用农田气候模型CUPID的T_s模拟结果,发展了利用温度与叶面积指数（LAI）的新型土壤水分反演方法（advanced temperature vegetation dryness index, ATVDI）。前人研究表明归一化植被指数（NDVI）容易达到饱和状态,因此利用LAI代替NDVI开展土壤水分反演。利用CUPID模型模拟结果构建LAI-T_s散点图,分析T_s随LAI与土壤湿度的变化特征,利用对数关系式改进了温度植被干旱指数（TVDI）中相同土壤湿度时T_s与植被指数之间的线性关系,建立了ATVDI方法。在实际应用中,首先利用LAI与T_s的散点图确定对数曲线的上边界与下边界,然后采用查找表的方法将每个像元对应的T_s变换为研究区最小叶面积指数对应的T_s。以陕西省关中作为研究区,利用MODIS的LAI和T_s产品（MOD11A2和MOD15A2）以及野外观测土壤湿度数据对ATVDI模型进行验证,结果表明该方法具有较高的监测精度,R2达到0.62。此外,ATVDI的计算结果具有一定的物理意义,使得不同时期的监测结果具有一致性,因而可更好地满足不同空间尺度土壤湿度的动态监测。     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。     

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数（LAI）是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R2和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。实验结果表明：（1）由相关性分析可知,整体上讲,20种光谱植被指数与LAI具有显著相关性,相关系数在0.4以上,且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数,其中NDSI的相关性最优;（2）由拟合分析可知,整体上讲,20种光谱植被指数与LAI拟合效果较好,其中NDS13的拟合精度是最高的,R2为0.803,RMSE为0.301 2。（3）由反演的空间分布可知,反演结果符合当地的实际情况。（4）由实测叶面积指数验证模型可知,实测叶面积指数与NDSI3模型反演的LAI整体拟合较好,R2为0.804,RMSE为0.312 5,说明该模型能有效反演乳熟期玉米的生长状况。（5）由MODIS LAI产品验证模型可知,LAIMODIS均值要高于LAIGF-6,这与MODIS影像像元混合严重和空间分辨率低有关。综上所述,GF-6WFV反演叶面积指数能力较强,其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数,为玉米长势监测提供依据。     

小麦叶面积指数的高光谱反演

以高光谱遥感技术实现了小麦叶面积指数(leaf area index,LAI)的反演.对18种高光谱指数进行了比较分析,筛选出了可敏感反映小麦LAI的高光谱指数OSAVI,并以地面光谱数据为样本建立了小麦LAI的反演模型.分析表明,指数OSAVI所建立的反演模型校正集与预测集R2分别达0.823与0.818,在各指数中反演精度最高.利用反演模型逐象元对OMIS影像进行解算,实现小麦LAI的空间量化表达,并将反演结果与地面实测值进行回归拟合,发现两组数据的拟合模型R2达0.756,RMSE为0.500,具有较高的相似度.结果表明:以高光谱指数进行小麦LAI的反演是可行的,且OSAVI为优选指数.     

PROSAIL冠层光谱模型遥感反演区域叶面积指数

大面积区域作物叶面积指数遥感反演,对指导作物管理具有非常重要的意义,验证和发展基于物理叶面积指数遥感反演可避免基于经验模型的缺点。以北京地区青云店、魏善庄和高丽营为研究区,采用MODIS和ASTER两类不同空间分辨率遥感数据,探讨PROSAIL物理模型反演冬小麦叶面积指数的可行性,尤其在不同空间分辨率遥感数据上的稳定性,并与经验模型进行了对比分析。 与经验模型相比,物理模型模拟LAI值更具真实性;用线性组分加权的方法,对小尺度物理模型反演LAI进行尺度扩展并与基于大尺度遥感数据的LAI物理反演结果相对比,相差不大,说明LAI物理反演方法在空间尺度上的稳定性。     

基于△Ts-Albedo光谱信息的土壤水分监测新指数研究

土壤水分的遥感监测在农业干旱和水资源管理方面具有重要的意义.利用MODIS反射率和温度产品来获取地表昼夜温差(△Ts)和宽波段反照率(Albedo),构建△Ts-Albedo光谱特征空间,提出温差-反照率干旱指数(temperature difference albedo drought index,TDADI)用来监测土壤水分,并利用宁夏实测0～10cm平均土壤含水量数据验证该指数的精度,结果表明:它们之间的相关性较好,R2变化范围为0.36～0.52.TDADI与TAD/相比,该指数具有更高的土壤水分监测精度.然而,由于数据获取的局限性,只采用了宁夏平原数据对TDADI进行验证,在其他区域仍需要进一步验证.     

冬小麦叶面积指数遥感反演方法比较研究

叶面积指数(leaf area index, LAI)是反映作物生长状况和进行产量预测预报的主要指标之一,对诊断作物生长状况具有重要意义。遥感技术为大面积、快速监测植被LAI提供了有效途径。利用高光谱遥感影像,结合田间同步实验数据,探讨不同方法对冬小麦叶面积指数遥感反演的能力。介绍了支持向量机、离散小波变换、连续小波变换和主成分分析四种LAI反演方法。分别利用上述四种方法构建冬小麦LAI反演模型,并对不同算法反演的LAI模型进行了真实性检验。结果显示,支持向量机非线性回归模型精度最高,对冬小麦LAI估算能力最强,反演值与实测值拟合的决定系数为0.823 4、均方根误差为0.419 5。离散小波变换法和主成分分析法都是基于特征提取和数据降维,其多元变量回归分析对LAI估算能力相近,决定系数分别为0.697 1和0.692 4,均方根误差分别为0.605 8和0.554 1。连续小波变换法回归模型精度最低,不适宜直接用其小波系数来反演LAI。结果表明,非线性支持向量机模型最适宜用于研究区域的冬小麦LAI反演。     

遥感反演时间序列叶面积指数的集合卡尔曼平滑算法

基于MODIS LAI产品数据集(MOD15A2)构建经验性的LAI动态模型,以LAI作为连接参数,将LAI动态模型与植被辐射传输模型MCRM2相耦合,提出了将耦合模型与时间序列MODIS反射率观测数据集(MOD09A1)同化进行LAI反演的方案.将集合卡尔曼平滑(EnKS)方法引入到LAI同化反演中,为更好地评价该算...     

New index for soil moisture monitoring based on deltaT(s)-albedo spectral information

Monitoring soil moisture by remote sensing has been an important problem for both agricultural drought monitoring and water resources management. In the present paper, we acquire the land surface temperature difference (deltaT(s)) and broadband albedo using MODIS Terra reflectance and land surface temperature products to construct the deltaT(s)-albedo spectral feature space. According to the soil moisture variation in spectral feature space, we put forward a simple and practical temperature difference albedo drought index (TDADI) and validate it using ground-measured 0-10 cm averaged soil moisture of Ningxia plain The results show that the coefficient of determination (R2) of both them varies from 0.36 to 0.52, and TDADI has higher accuracy than temperature albedo drought index (TADI) for soil moisture retrieval. The good agreement of TDADI, Albedo/LST, LST/ NDVI and TVDI for analyzing the trends of soil moisture change supports the reliability of TDADI. However, TDADI has been designed only at Ningxia plain and still needs further validation in other regions.     

MODIS植被指数监测农业干旱的适宜性评价

MODIS传感器提供的短波红外光谱波段为农业干旱遥感监测带来了新的机遇,因为它对植被水分十分敏感。本文选择中国东北松嫩平原为研究区,旱田为农业干旱的监测目标。基于2001—2010年的8天合成MODIS产品（MOD09A1）,分别计算了四种基于可见光和近红外光谱的植被绿度指数和四种基于近红外和短波红外光谱的植被水分指数,并以多尺度标准化降水指标(SPI)为判别植被指数农业干旱敏感性的标准,利用一种气象站点与象元配对关联的方法计算了不同植被指数与多尺度SPI的皮尔逊相关系数。研究表明,在农业干旱监测敏感性方面,MODIS植被水分指数（NDII6和NDII7）明显好于植被绿度指数。其中NDII7的表现最为出色,研究证实了MODIS短波红外光谱在监测农业干旱方面的潜力,为今后相关研究提供了新的见解。     

A simple data assimilation method for improving the MODIS LAI time-series data products based on the object analysis and gradient inverse weighted filter

A simple data assimilation method for improving estimation of moderate resolution imaging spectroradiometer (MODIS) leaf area index (LAI) time-series data products based on the gradient inverse weighted filter and object analysis is proposed. The properties and quality control (QC) of MODIS LAI data products are introduced. Also, the gradient inverse weighted filter and object analysis are analyzed. An experiment based on the simple data assimilation method is performed using MODIS LAI data sets from 2000 to 2005 of Guizhou Province in China.     

基于环境减灾小卫星(HJ-1B)的地表温度单窗反演研究

地表温度是地球环境中的一个关键参数,可探测地表温度的热红外波段在光谱谱段中占有重要位置.针对近年来发射的HJ-1B星波段特点,本研究在基于影像的COST模型大气校正基础上,以宁夏为研究区,采用无需大气水汽含量参数的单窗算法反演地表温度,并采用同步的MODIS温度产品对比验证,结果表明该法具有<1 K的较高精度.同时,对...     

基于SWIR-Red光谱特征空间的农田干旱监测新方法

干旱是一种频繁发生的自然灾害,遥感监测干旱已成为重要的研究方向。可从农田遥感干旱监测最主要的两种地物类型(植被和土壤)的光谱特性分析入手,选择了对水分变化敏感的红光、短波红外波段来监测干旱状况,以短波红外与红光的差值和短波红外与红光的和构建新的光谱空间特征,提出了干旱监测的新方法——归一化的干旱监测指数NPDI。用野外实测的土壤含水量对NPDI模型进行验证,结果表明:NPDI,MPDI与10cm处的土壤含水量模型都具有较高的相关性,其R2分别为0.583和0.438,NPDI模型的监测效果要优于MPDI。此模型是对PDI,MPDI和SPSI等模型的进一步改进,可实现对不同植被覆盖度的、整个生长季的农田干旱监测,在实际的农田干旱监测中具有较高的应用潜力和推广价值。     

基于热红外光谱和微波反演地表温度的研究进展

地表温度(LST)是研究地表和大气之间辐射和能量交换以及区域和全球尺度地表物理过程的重要参数。卫星遥感技术在生态环境、水文、气象、地震、军事的应用研究,以及气候模式的辐射过程描述都需要获得准确的LST。光谱中的红外和微波对于探测LST发挥重要作用。文章综合分析了热红外波谱和微波遥感反演LST的研究进展,包括:利用热红外辐射温度表探测LST的方法,晴空条件下星载传感器的红外通道反演LST的单窗、分裂窗等反演方法,单通道和多通道算法,组分温度的反演方法,单通道多角度法和多通道多角度法,以及地表发射率ε特性研究等。微波可以全天候探测地表,文章分析了被动微波波段遥感反演LST的方法。并对这些方法的优缺点、适用性及应用前景进行了评述。     

基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。