狄克松检验的时空信息加权SG时间序列滤波法北大核心CSCD

为准确重构受连续云雾污染NDVI时间序列,提高拟合曲线保真性,提出一种狄克松检验并融合时空信息的加权SG滤波法(SGDST)。首先,利用狄克松检验对像元生成一条标准参考曲线;其次,利用参考曲线和时空信息在目标像元邻域内找到相似像元,通过整合相似像元数据生成预处理序列;最后,通过加权SG滤波法对处理后NDVI序列进行平滑,获得高质量NDVI时序数据。采用2010—2019年MODS13Q1_NDVI数据,与SG滤波法、DL拟合法和AG法对比。结果表明:在拟合曲线时,SGDST方法能准确重构连续多期缺失数据的时间序列,有效保留局部波峰波谷细节特征;处理顽固噪声时,可避免过度修正有效低值;与其他3种方法相比,SGDST法的均方根误差和绝对平均误差小于0.0853像元,占拟合总像元比例最大,保真度最高。     

不同等级石漠化区MODIS-NDVI与MODIS-EVI对比分析

利用2001～2010年10 a的MODIS资料,比较分析广西喀斯特不同等级石漠化区MODIS\|NDVI和MODIS\|EVI的时间变化特征差异,利用全时间序列及16 d10 a均值序列分析NDVI和EVI之间的相关关系,比较线性及对数相关模型对两种植被指数相关关系的拟合效果,结果表明:石漠化等级由重度到潜在,两者之间的差值也随着植被覆盖度的增加而增大,植被覆盖度越低,NDVI和EVI所表征的植被变化特征越相似。NDVI的峰值出现时间多晚于EVI且其反映的植被变化趋势与实况更吻合,但其NDVI偏高;各等级石漠化的两种时间序列NDVI与EVI的对数相关关系优于线性相关,两种植被指数的相关性随着植被覆盖度的降低而增大,但全时间序列中轻度、中度石漠化相关性变化规律与16 d 10 a均值序列相反。     

北京一号小卫星NDVI时间序列重建方法研究

利用目前使用较广泛的Savitzky-Golay滤波拟合法和傅立叶谐波分析法对NDVI时间序列进行滤波处理,分析植被指数时间序列滤波重建方法对北京一号小卫星数据的适用性。试验结果表明,较之Savitzky-Golay方法,傅立叶谐波改进算法的重建结果更能体现地物的物候变化规律,且对原始数据的扰动较小,更有利于基于植被指数时间序列的土地覆盖分类及作物估产等定量应用,比较适合于北京一号小卫星NDVI时间序列的重建。     

基于MODIS时间序列数据的春尺蠖虫害遥感监测方法研究——以新疆巴楚胡杨为例

春尺蠖虫害近年在新疆天然胡杨林区暴发成灾,严重威胁天然胡杨林的生存和绿色屏障功能的发挥。由于胡杨林面积大且胡杨树体高大,传统监测方法难以满足对胡杨林春尺蠖虫害进行快速监测的需求。以新疆巴楚县夏马勒林场为研究区,通过2014年至2017年上半年MODIS数据重构了NDVI时间序列数据集,并采用滤波技术进一步拟合了NDVI时间序列曲线。对比分析了3种滤波方法的效果,发现S-G滤波在拟合的同时较好的保留了原始曲线的细节,且全局拟合能较好地减弱异质性,使得植被覆盖空间连续性较好。通过飞机防治区样本点NDVI时间序列数据年际对比和与未飞防区样本点年内对比分析和突变点检测发现,飞机生物药剂喷洒手段针对春尺蠖病虫害有较明显防治效果,与地面虫口数量调查结果一致,且飞防效果具有一定延续性。研究结果表明通过胡杨林NDVI时间序列来监测分析春尺蠖病虫害可行。     

环境星归一化植被指数时间序列滤波算法比较

由于环境卫星成像条件和卫星平台的限制,针对环境卫星归一化植被指数(HJ NDVI)时间序列中存在较多噪音的现象,该文比较分析了Savitzky-Golay(S-G)滤波法、非对称高斯函数拟合法(AG)、双逻辑曲线拟合法(DL)和时间序列谐波分析法(Hants)4种滤波算法。建立了南京市典型植被类型区域的HJ NDVI时间序列,对4种滤波方法进行实验。对比纯像元样点、样区的滤波结果以及滤波后5类典型植被的分类精度,评价4种滤波方法的滤波效果,并利用MODIS NDVI时序数据验证结果可靠性。结果表明:滑动窗口大小为5的S-G滤波的滤波效果最佳。该研究结论为基于HJ NDVI时间序列的应用研究滤波方法选择提供参考。     

Logistic函数方法拟合多时序NDVI数据的改进研究

单Logistic函数曲线拟合法是NDVI时间序列重建及物候遥感中关键物候期划分的重要方法之一。虽然该方法不需要设定阈值或经验系数、较适应于不同环境区域的物候遥感监测,但是在山区NDVI噪音较大的情形下,其拟合精度仍会受到较大影响。选取秦岭中部山区为研究区,在分析了多年NDVI时间序列数据特征基础上,利用山区NDVI数据序列最大值相对于最小值更为稳定的特性,对传统单Logistic模型求解方法进行改进,采用更为稳定的参数构建模型以提高NDVI时间序列重建的精度。基于秦岭样区MODIS NDVI多年遥感数据,分别在保持植被生长季特征能力和保留高质量原始真值程度两方面对原方法与改进方法的计算结果进行比较。研究表明改进的方法在上述两个方面都具有更好的效果。在植被指数噪音较大的山区,改进的方法对NDVI时间序列重建表现出更好的适用性,可为复杂的山区物候遥感相关研究提供参考。     

环境星NDVI时间序列重构方法研究

利用目前时间序列曲线重构中较为常用的非对称高斯函数拟合、Double-Logistic曲线拟合、S-G滤波和时间序列谐波分析法对环境星NDVI时间序列进行重构处理。分析了上述4种植被指数时间序列重构方法对环境星数据的适用性。实验结果表明,对于环境星数据,在4种方法中非对称高斯函数拟合、Double-Logistic曲线拟合法更适用于对植被地物的时间序列进行重构,对照参考数据,其重构曲线对植被物候的表达有较高的一致性;而时间序列谐波分析法对原始数据的扰动最小,适用于非植被地物的时间序列重构;S-G滤波在4种方法中的重构效果最差。     

基于融合NDVI和EVI时间序列的遥感影像分类研究

通过比较分析发现同一地物的NDVI和EVI时间序列变化规律具有一定差异,据此,提出结合NDVI和EVI植被指数时间序列的分类方法,结果表明比单独使用NDVI或EVI时间序列总体精度要提高2.7%,kappa系数提高0.04。     

基于MODIS时间序列数据的作物季相信息提取

基于MODIS NDVI时间序列数据对浙北平原单季稻区进行作物季相一致性分析。对NDVI时间序列数据进行离散傅立叶变换去除噪声,再利用土地利用现状图提取耕地区的NDVI影像图,根据时间序列曲线的最大值研究作物的季相。结果表明:水稻生长期对NDVI时间序列曲线的响应和季相一致性均较小麦和油菜好;8 d合成的数据较16 d合成的数据可以更详细地反映作物季相信息。研究证实了MODIS NDVI时间序列曲线对区域作物季相分析的意义。     

MODIS NDVI 时间分辨率加倍算法:从16-Day到8-Day

第五代植被指数(C5)对16\|Day 的Terra/MODIS\|NDVI (MOD\|NDVI) 和 Aqua/MODIS\|NDVI (MYD\|NDVI) 采用“错位8 d”合成,理论上可以将时间分辨率提高到8\|Day。为了探讨该算法可行性,利用中国东北2008年生长季C5 的MOD 和MYD数据进行了研究。首先利用线性滤波分别对MOD和 MYD时间序列进行平滑,同时对MOD 和MYD的合成时间(DOY)进行了统计分析。DOY分析发现:MODIS C5 采用MOD与MYD“错位8 d”合成出现的8\|Day重叠,可能导致时间错位问题:按照“前8\|Day∶后8\|Day”统计,比例为55∶45,如果直接合并,会导致像元DOY时间错位比例为7%,这导致MYD\|NDVI与MOD\|NDVI错位,而且这样的错位不能通过滤波恢复。最后,提出了基于实际DOY的合成算法,可以把C5的两个16\|Day产品合并为8\|Day时间序列。判定的优先顺序为:DOY>QA>NDVI。     

融合QA-SDS的MODIS NDVI时序数据重构

基于云南省MOD13Q1时序数据,对比分析了不同质量设置(UI5、UI5-CSS、UI3、UI3-CSS)和不同时序重构方法(简单线性插值、Savitzky-Golay滤波、非对称高斯函数拟合法和双逻辑函数拟合法)组合下NDVI时序重构效果。结果表明:NDVI时序中无效像元数和最大间隙长度在时间和地域上的分布差异受气候干、雨季影响显著。非对称高斯函数拟合法和双逻辑函数拟合法的稳健性和拟合效果较优。NDVI时序中无效像元最大间隙长度是衡量数据质量优劣和时序重构可行性的重要指标,雨季降水和多云天气过于集中是影响云南省境内部分地区时序重构质量提升的关键。基于重构NDVI时序,云南省全境NDVI时空分布呈现雨季大于干季、西部大于东部、南部高于北部、河谷大于山地的特征。     

Changes in vegetation spring dates in the second half of the twentieth century

This study aims at estimating trends in spring phenology from vegetation index and air temperature at 2?m height. To this end, we have developed a methodology to infer spring phenological dates from Global Inventory Modeling and Mapping Studies (GIMMS) Normalized Difference Vegetation Index (NDVI) time-series, which are then extrapolated to the period 1948–2006 with the help of Reanalysis data, using its 2?m height air temperature parameter. First, yearly NDVI is fitted to a double-logistic function for the whole extent of the GIMMS database (1981–2003). This fitting procedure allows us to describe, on a yearly basis, the NDVI evolution for each pixel through the estimation of six parameters which include the spring date. Retrieved spring date time-series are then upscaled to Reanalysis database resolution and compared to degree-day amounts. Those degree-day amounts are estimated for various thresholds in order to determine the best thresholds for their calculations on a pixel-by-pixel basis. Once the correct thresholds are identified by correlation with corresponding GIMMS spring date time-series, spring dates are estimated for the whole extent of the Reanalysis database (1948–2006). Finally, Mann–Kendall trend tests are conducted on degree-day-retrieved spring date time-series and trends are estimated only for those pixels that show statistically significant trends. These trends in spring occurrence have an average value of –0.03 days per year, but range between –0.9 and?+0.9 days per year, depending on the considered areas. Since the approach is based only on air temperature, retrieved spring dates for vegetation whose growth is limited by water are unreliable, as correlation analysis confirms. The obtained spring date trends show good coherence with previous studies and could be used for climate change impact studies, especially in polar and temperate areas, where the model is more reliable.     

NDVI 时间序列数据集重建方法述评

基于NOAA/AVHRR、SPOT/VEGETATION 以及MODIS 等卫星影像得到的归一化植被指数(NDVI,Normalized Difference Vegetation Index) 时序资料已经在植被动态变化监测、宏观植被覆盖分类和植物生物物理参数反演方面得到了广泛的应用, 但由于受云层、天气等因素的影响,NDVI 数据集存在大量的噪声, 因此对NDVI 时间序列数据集进行重建, 提高NDVI 数据集质量的研究逐步受到关注。对近年来普遍使用的几种NDVI 时间序列数据集重建方法(最大值合成、最佳指数斜率提取、中值迭代滤波、时间窗内的线性内插、傅里叶变换、S2G 滤波) 进行了详细介绍并评述了这些方法的优缺点。     

多周期时序数据的傅氏级数拟合算法

一般地说,时序数据通常是由趋势项、随机项及季节周期项三种成分组成的。通过对已有的时序数据进行分析与建模,便可以找出事物所蕴含的变化规律。针对多周期时序数据,设计实现了一种高精度的数据拟合算法。该算法首先对被拟合时序数据的趋势成分进行消除,然后应用自相关函数理论从剩余成分中析出多个两两互质的基本周期,最后基于最小二乘原理,用多组傅氏级数对多周期时序数据进行了拟合。实际应用验证了算法的有效性及先进性。     

Assessing the performance of smoothing functions to estimate land surface phenology on temperate grassland

NDVI (Normalized Difference Vegetation Index) time-series have been used for permitting a land surface phenology retrieval but these time series are affected by clouds and aerosols, which add noise to the signal sensor. In this sense, several smoothing functions are used to remove noise introduced by undetected clouds and poor atmospheric conditions, but a comparison between methods is still necessary due to disagreements about its performance in the literature. The application of a smoothing function is a necessarily previous step to describe land surface phenology in different ecosystems. The aims of this research were to evaluate the consistency of different smoothing functions from TIMESAT software and their impacts on phenological attributes of temperate grassland – a complex mosaic of land uses with natural vegetated and agricultural regions using NDVI-MODIS time series. An adaptive Savitzky–Golay (SG) filter, Asymmetric Gaussian (AG) and Double Logistic (DL) functions to fitting NDVI data were used and their performances were assessed using the measures root mean square error (RMSE), Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) and bias. Besides, differences on the estimation of the start of the growing season (SOS) and the length of the growing season (LOS) were obtained. High and low RMSE over croplands and grassland were observed for the three smoothing functions; in the rest of the region, the SG filter showed more reliable results. Patterns of difference on the estimation of SOS and LOS between SG filter and the other two models were randomly distributed, where differences of 20–50 days were found. This study demonstrated that methods from TIMESAT software are robust and spatially consistent but must be carefully used.     

基于质量权重的Savitzky-Golay时间序列滤波方法

归一化植被指数(NDVI)时间序列数据因含有大量噪声,给其应用带来诸多不便,甚至产生错误结果。自适应Savitzky\|Golay滤波器能够有效地抑制突降噪声,但在对高值噪声的抑制和突降非噪声数据的保护方面存在不足。将MODIS VI产品中的质量因子作为权重,提出基于质量权重的Savitzky\|Golay滤波方法,经验证该方法能够保持高质量NDVI数据的稳定性和相关性,并能够有效抑制噪声的影响。     

基于NDVI数据的三江平原农田物候监测

物候现象被称为气候变化的积分仪,研究农田物候现象对农业生产有重要的指导意义。多时相遥感影像使区域物候监测成为可能。利用傅里叶级数对MODIS NDVI数据进行平滑,结合地面观测资料,采用动态阈值法提取物候信息,并与实际观测结果进行比较分析。研究结果表明:三江平原大部分农作物在第120~130 d开始生长,在第250~260 d左右停止生长,2003年三江平原农作物开始生长和结束的时间较早,2005年开始生长日期比2003年有所推迟,2007年农作物开始生长的日期早于2005年,但生长季结束的日期比2003年和2005年都晚,2007年生长季长度较长。采用MODIS NDVI数据获取的物候参数具有一定的可靠性,在农田大面积分布区域监测结果更为准确。
     

Atmospheric conditions for monitoring the long-term vegetation dynamics in the Amazon using normalized difference vegetation index

This study examined the effect of biomass-burning aerosols and clouds on the temporal dynamics of the normalized difference vegetation index (NDVI) exhibited by two widely used, time-series NDVI data products: the Pathfinder AVHRR land (PAL) dataset and the NASA Global Inventory Monitoring and Modeling Studies (GIMMS) dataset. The PAL data are 10-day maximum-value NDVI composites from 1982 to 1999 with corrections for Rayleigh scattering and ozone absorption. The GIMMS data are 15-day maximum-value NDVI composites from 1982 to 1999. In our analysis, monthly maximum-value NDVI was extracted from these datasets. The effects were quantified by comparing time-series of NDVI from PAL and GIMMS with observations from the SPOT/VEGETATION sensor and aerosol index data from the Total Ozone Mapping Spectrometer (TOMS), and results from radiative transfer simulation. Our analysis suggests that the substantial large-scale NDVI seasonality observed in the south and east Amazon forest region with PAL and GIMMS is primarily caused by variations in atmospheric conditions associated with biomass-burning aerosols and cloudiness. Reliable NDVI data can be typically acquired from April to July when such effects are relatively low, whereas there is a few effective NDVI data from September to December. In the central Amazon forest region, where aerosol loads are relatively low throughout the year, large-scale NDVI seasonality results primarily from seasonal variations in cloud cover. Careful treatment of these aerosol and cloud effects is required when using NDVI from PAL and GIMMS (or other source) to determine large-scale seasonal and interannual dynamics of vegetation greenness and ecosystem-atmosphere CO₂ exchange in the Amazon region.     

基于MODIS NDVI时间序列数据的藏北草地类型识别

选取西藏自治区申扎县北部部分区域作为藏北草原的典型代表区进行研究。对区域内2009年全年23期MODIS NDVI数据收集处理,得到23个波段的时间序列数据。通过Savitzky-Golay滤波算法优化时间序列数据并对不同类型的时间序列曲线做对比分析,提取分类的特征波段。最后采用非监督分类法把研究区分为沼泽草甸、高寒草甸、中盖度草原、低盖度草原、裸地和水体6种类型,并结合地形数据分析了其中4种草地类型的空间分布特征。一系列的处理结果及分析内容证明了MODIS NDVI时间序列数据在藏北草地类型识别方面的可行性和适用性。