MODIS 影像条带噪声去除的自相关插值法

条带噪声是影响MODIS 影像质量和反演精度的一个重要因子。针对MODIS 第五波段影像条带特征, 系统地分析了其形成的原因, 比较了几种常用条带噪声去除方法并讨论了其具体应用的局限性。应用常用的傅立叶变换法进行了MODIS 条带去除试验, 并根据MODIS 影像数据的自相关性提出了自相关插值法去除MOD IS 影像条带噪声的方法。两种方法在MODIS 条带噪声去除实验结果的均值和标准偏差的比较表明自相关插值法在去除MODIS 影像条带噪声方面要明显优于傅立叶变换法。     

土壤属性数据pH缺失的插补方法

土壤分析研究中属性数据缺失的现象时常发生,为了提高研究结果的可靠性,有必要对土壤属性数据的缺失值插补方法进行研究.从数据挖掘的角度利用多种缺失值处理方法来对缺失值进行插补,以中国主要农田生态系统土壤养分数据库的pH属性为研究对象,并且从真实值和插补值的拟合优度和插补误差两个方面评估各个方法在不同缺失率的数据集上的表现.结果表明,对比其他方法,如多元回归、SVM、神经网络,采用最优参数的KNN和随机森林插补方法对土壤属性数据pH进行插补是有效可行的.KNN和随机森林在不同缺失率的数据集上插补缺失数据pH的MAE、RMSE和R2的均值分别为0.132和0.131,0.174和0.178,0.775和0.765.     

基于MODIS和AMSR-E遥感数据的土壤水分降尺度研究

微波传感器获得的土壤水分产品空间分辨率一般都很粗,而流域尺度上的研究需要中高分辨率的土壤水分数据。用MODIS逐日地表温度产品MOD11A1和逐日地表反射率产品MOD09GA构建温度-植被指数特征空间,并计算得到TVDI(Temperature Vegetation Dryness Index)指数,它与土壤水分呈负相关关系,能够反映土壤水分的空间分布模式,但并不是真实的土壤水分值。在AMSR-E像元尺度上求得TVDI与土壤水分的负相关系数,进而对VUA AMSR-E土壤水分产品进行降尺度计算得到0.01°分辨率的真实土壤水分值。经NAFE06(The National Airborne Field Experiment 2006)试验地面采样数据验证,降尺度后的土壤水分均方根误差平均值为6.1%。     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法。在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法。利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性。文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果,但多元迭代回归迭代次数难以确定,插补代价较大,多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法。     

基于Sas的时间序列缺失值处理方法比较

对于时间序列挖掘过程中的缺失值处理,目前有许多方法.在处理数据变量成一定的相关的数据集时,回归模型不失为较好的插补方法.利用均值插补、一元线性回归、多元线性回归、迭代回归方法对水文时间序列数据集的缺失数据进行处理,比较不同的皮氏相关系数下各方法的优劣及适用性.文中研究表明当数据集中存在与缺值变量相关度较大的变量时,一元线性回归的插补简单直观,且有较高的精度,结果接近真实;当数据集中不存在与缺值变量显著相关的自变量时,一元线性回归的结果变差,多元线性回归与多元迭代回归具有较好的结果.但多元迭代回归迭代次数难以确定,插补代价较大.多元线性回归为最佳选择;当缺值变量与其他自变量相关系数均较小时,回归插补的结果不理想,此时可考虑其他插补方法.     

基于机器学习算法的AMSR-2地表温度降尺度研究

MODIS日尺度的地表温度受到天气影响,有效像元信息严重缺失,这对数据稀缺区域尤为重要。以古尔班通古特沙漠为研究区,探索了采用AMSR-2的垂直极化亮度温度与植被指数对地表温度空间降尺度的方法,并用此方法填补了2018年MODIS的缺失像元。(1)通过十折交叉验证,对4种机器学习算法（Cubist、DBN、SVM、RF）、10个波段组合、2个空间尺度（5 km、10 km）下的训练模型进行了分析,表明RF算法精度明显高于其他3种算法,C09波段组合的验证精度高于其他波段组合。(2)构建了2个鲁棒性的随机森林算法地表温度降尺度模型（5 km|RF|09、10 km|RF|09）,将AMSR-2亮度温度降尺度到1km分辨率,表明5 km|RF|09模型反演结果更为合理,MODIS与站点验证的R2分别为0.971、0.930,RMSE分别为3.38 K、4.71 K,MAE分别为2.51 K、3.84 K。(3)降尺度结果填补MODIS地表温度缺失像元,将其应用到古尔班通古特沙漠长时间序列的陆表温度分析,可为数据稀缺区域数据获取提供科学参考。     

MODIS影像条带噪声去除方法研究

条带噪声是影响MODIS影像质量的一个重要因子。分析了MODIS条带噪声形成的主要原因和特点,比较了几种常用条带噪声去除方法及其局限性,着重提出和改进了利用傅立叶变换法、小波变换法和插值法去除MODIS影像条带噪声。上述3种方法都能在一定程度上去除MODIS影像条带噪声。对实验结果的均值、标准偏差以及边缘保留的比较结果表明,在去除MODIS影像条带噪声方面,插值法优于小波变换,而小波变换优于傅立叶变换。     

基于Google Earth Engine评估新疆西南部MODIS积雪产品

Google Earth Engine(GEE)是一种基于云建立的地理空间处理平台,可以针对地理空间数据进行分析,实现全球范围内海量遥感数据的并行处理,为遥感大数据、大区域研究提供支持。MODIS积雪覆盖制图是利用MODIS资料建立的全球积雪覆盖产品,已广泛应用于区域乃至全球的气候与环境监测中。GEE云平台存储着百万景遥感影像,其中包括覆盖全球的MODIS逐日积雪产品MOD10A1V5数据和Landsat数据。以新疆西南部3个研究区为例,选取GEE云计算平台存储的Landsat数据,应用NDSI提取积雪范围作为地表覆盖真值,对MOD10A1展开精度评估。结果表明:2000~2016年新疆西南部积雪季MOD10A1的平均总体准确率达82%,平均误判率为2.9%,平均漏判率为58.8%。在晴空条件下,MOD10A1总体准确率可达98%,不同区域的地形及云量是影响MOD10A1精度评估的主要因素。GEE云计算平台可以快速有效地筛选高质量无云的Landsat数据,对全球范围内积雪区的MOD10A1进行精度评估,以在线地图的形式直观显示误判和漏判区域,并利用GEE提供的简单云分函数计算区域云量,使云量对MOD10A1积雪分类精度的影响更具区域代表性。     

SAR插补CCD缺失数据算法及其应用检验

提出了一种利用SAR插补因云遮挡导致CCD数据缺失的算法。通过分析云及其阴影的光谱特征,设计出云及其阴影的提取模型,并运用CCD和SAR之间匹配转化算法和有云影响像元的替换运算,得到插补后的新CCD数据。利用高光谱数据反演海面盐度算法所得海面盐度与实测海面盐度做相关性比较分析对本缺失数据插补算法进行检验。结果表明:研究海域中缺失数据区域的海盐反演精度为R²=0.8441,RMSE=0.7031,即SAR插补CCD缺失数据算法具有较强的可靠性和多源遥感数据兼容性,一定程度上恢复了噪声下垫面的实际情况,可以用于融合多传感器生成时空完整、高精度的数据产品。     

矿山经济数据缺失处理问题及研究

矿山数据挖掘需要完整的数据,因此必须处理矿山数据中的缺失值.为了解决在矿山经济数据的分析预测时出现的缺失问题,提出用SPSS软件的数据缺失值处理模块对数据缺失机制进行分析,采用平均值法、加权均值法、线性回归法、最大期望法、多重填补法等确定性和随机性方法插补缺失数据,分析了这些方法的优缺点,并对插补结果进行比较,以达到客...     

基于被动微波与时空联合算法的云下像元LST重建

地表温度作为衡量地球表面水热平衡的关键参数,具有两大时空分布特征:第一,空间分布一致性,即属性相近的像元地表温度与其地表亮温间的相关关系相对稳定;第二,时间序列周期性,且同一地区时间越接近地表温度值越相似。基于这两大特征将空间统计模型与时间序列滤波相结合,提出了用于云下像元地表温度重建的时空联合算法。以2008年MODIS地表温度产品为研究对象,采用Landsat TM数据和AMSR_E地表亮温数据重建中国9个省份的地表温度值,并与基于MODIS地表分类产品的多通道统计模型重建结果进行对比。实验结果表明,所提算法实用性强,能有效实现大面积复杂下垫面区域的地表温度重建;平均重建误差约为1.2 K,相较于基于下垫面分类的多通道统计模型下降了76%,算法精度明显提高。
     

A simple correction method for the MODIS surface reflectance product over typical inland waters in China

The Moderate Resolution Imaging Spectroradiometer (MODIS) has the advantage of providing continuous, global, near-daily spatial measurements, and has greatly aided in understanding physical, optical, and biological processes in the global ocean biosphere. However, little research has been implemented for the remote-sensing monitoring of global inland waters. One important factor is that there is no operational atmospheric correction method designed for global inland waters. The MODIS surface reflectance product (MOD09) provides surface reflectance data for land at the global scale, but it does not offer accurate atmospheric correction over inland waters because of the constraints of its primary correction algorithm. The purpose of this article is to provide a simple and operational correction method for the MOD09 product to retrieve the water-leaving reflectance for large inland waters larger than 25 km². The correction method is based on an analysis of additive noises in MOD09 data over inland waters and on the adoption of two assumptions. Field-measured data collected in three typical inland waters in China were used to assess the performance of the correction method to ensure its applicability for waters in different conditions. The results show acceptable agreement with field data over the three inland waterbodies, with a mean relative error of 17.1% in visible bands. Our study demonstrates that the MOD09 correction method is moderately accurate when compared with the optimal method for specific waterbodies, but it has the potential for use in operational data-processing systems to derive water-leaving reflectance data from MOD09 data over inland waters in a variety of conditions and large regions.     

东北地区MODIS亚像元积雪覆盖率反演及验证

以中巴资源卫星数据作为地面“真值”影像,根据东北地区地理环境与气候特点对Salomoson亚像元积雪覆盖率模型参数进行修正,反演东北地区MODIS像元积雪覆盖率,并用不同方案对模型的稳定性和精度进行分析。研究结果表明,经修正后的Salomoson亚像元积雪覆盖率反演模型对不同地貌--景观单元具有稳定性,其中较小的波动源于积雪物理性质差异、大气效应、积雪影像分类误差及影像配准误差。在东北平原区,NDSI值在0.52~0.65时,模型反演精度高,但反演雪盖率总体偏低,主要是由NDSI基于对波段反射率的非线性转换引起的;雪盖率高估的像元主要分布在城区外围以及农村居民点,而覆盖城区、乡、镇以及居民点之间道路的像元雪盖率误差小,其原因是人类活动频率影响像元内积雪组分与非积雪组分的光谱特性的差异程度。与MODIS雪产品进行对比分析,积雪覆盖率提供较传统雪盖制图更加丰富的信息,然而对林区冠层下积雪覆盖二者均未给出准确估计。     

基于数据机理的植被叶面积指数遥感反演研究

定量获取地表植被高精度时序及空间覆盖的叶面积指数（Leaf Area Index, LAI）是生态监测及农业生产应用的重要研究内容。通过使用Moderate Resolution Imaging Spectroradiometer（MODIS）植被冠层多角度观测MOD09GA数据及叶面积指数MOD15A2数据,发展了一种参数化的叶面积指数遥感反演方法并完成了必要的检验分析。研究使用基于辐射传输理论的RossThick LiSparse Reciprocal（RTLSR）核驱动模型及Scattering by Arbitrarily Inclined Leaves with Hotspot（SAILH）模型进行植被冠层辐射特征的提取,使用Anisotropic Index （ANIX）异质性指数作为指示植被冠层二向反射分布Bidirectional Reflectance Distribution Function（BRDF）的辅助特征信息,发展了基于数据机理（Data-Based Mechanistic, DBM）的植被叶面积指数建模和估算方法。通过必要的林地、农作物、草地植被实验区反演及数值分析可得知：①时间序列多角度遥感观测数据结合数据机理的叶面积指数估算方法,可实现模型参数的时序动态更新,改进叶面积指数估算结果的时序完整性及精度。②异质性指数可以用做指示植被冠层二向反射分布特征信息,可降低因观测数据几何条件差异所导致的反演结果不确定情况,同时能够补充植被时序生长过程表现的植被结构变化等动态特征。经研究实践,可将算法应用于时空尺度的叶面积指数估算,并能够为生态、农业应用提供植被的高精度遥感监测指标。     

低空间分辨率多源遥感数据的空间一致性分析和相对几何校正

多源低空间分辨率遥感数据在空间上的一致性对于其在全球变化研究中的集成使用有非常重要的意义。对此,以公认几何精度较高的MODIS数据为基准,对NOAA/AVHRR、FY-3/VIRR、FY-3/MERSI、FY-2/VISSR这4类国内外常用的低空间分辨率传感器的L1B数据进行了一系列相对几何精度评价和多项式相对几何校正的实验。相对几何精度评价的结果表明:MODIS数据与这4类L1B数据在几何精度上的偏差都比较大。在此基础上,选取少量均匀分布的控制点并采用不同阶数的多项式几何校正模型对多源数据进行空间一致性校正。校正结果表明:低阶的多项式几何校正模型就能对各种待校正数据的几何精度有显著的提升,使其与基准数据在空间上达到一致,满足全球变化研究对低分辨率多源遥感数据在空间一致性上的需求。     

基于BP神经网络的云相态检测方法研究

利用MODIS中5个光谱波段上不同云相态的特性,提出了一种基于BP神经网络的云相态检测方法。首先,分析了所选波段上不同云相态的特性,利用5个波段上光谱图像的反射率、亮温值和亮温差值构成4组特征数据作为输入层,隐层和输出层分别采用优化的传输函数。然后,利用3层前馈型BP神经网络对所选波段MODIS数据进行了云相态检测。最后,将两组测试数据用该BP神经网络算法进行云相态检测的结果与相应MOD06云相态数据进行了对比分析,结果表明该方法能很好地识别云相态,检测平均准确率达到86.11%,计算结果与标准结果平均相关性达到0.874的高度相关,且无需在计算前进行复杂的云和晴空分离处理。     

基于ART模型的MODIS积雪反照率反演研究

积雪反照率是研究局地或全球的能量收支平衡和气候变化中的重要参数,遥感反演为积雪反照率的获取提供了便利的手段。积雪反照率大小主要取决于积雪的自身物理属性(雪粒径、形状和污染物等因子)以及天气状况,遥感反演反照率大多基于双向反射模型(BRDF),积雪BRDF模型常使用积雪辐射传输模型获得。采用考虑了雪粒径、粒子形状以及污染物影响的渐进辐射传输理论(ART)模型,建立了MODIS积雪反照率反演算法,得到了MODIS 8d合成积雪反照率产品。将此算法应用于具有均一积雪地表的格陵兰岛地区,并使用GC-Net实测数据进行了验证,反演的总均方根误差(RMSE)为0.018,相关系数(r)为0.83,结果表明考虑了积雪特性的ART模型能够较好地反演积雪反照率,而且反演需要的参数较少。     

Evaluation of MODIS Snow Products in Southwestern Xinjiang Using the Google Earth Engine

Google Earth Engine(GEE) is a cloud\|based geospatial processing platform that can analyze geospatial data to achieve parallel processing of massive remote sensing data on a global scale,providing support for remote sensing big data and large\|area research.MODIS snow cover mapping is a global snow cover product established using MODIS data and has been widely used in regional and global climate and environmental monitoring.In the GEE,millions of remote sensing images are stored,including MODIS daily snow products MOD10A1 V5 data and Landsat data.Taking the three research areas in southwestern Xinjiang as examples,the Landsat stored by the GEE were selected,and the NDSI was used to extract the snow cover as the true value of the land cover to evaluate the MOD10A1 accuracy.The results show that the average overall accuracy of MOD10A1 in the snow cover season in southwestern Xinjiang during the period from 2000 to 2016 is 82%,the average misjudgment rate is 2.9%,and the average missed rate is 58.8%.The overall accuracy of MOD10A1 can reach 98% under the clear sky conditions.The accuracy of MOD10A1 is effected by the terrain conditions and cloud cover in different regions.Therefore,the GEE can quickly and effectively filter high quality cloudless Landsat images,and evaluate the accuracy of the MOD10A1 in the snow area around the global regions,displaying intuitively the misjudgment and missed areas in the form of online maps.Meanwhile,GEE provides the Landsat simple cloud score function to calculate the regional cloud cover,which makes the influence of cloud cover on the MOD10A1 accuracy assessment more regionally representative.     

Temporally smoothed and gap‐filled MODIS land products for carbon modelling: application of the fPAR product

TIMESAT software is used to produce a temporally and spatially Gap‐Filled and Smoothed (GFS) version of the MODIS (Moderate Resolution Imaging Spectro‐radiometer) fPAR (fraction of absorbed photosynthetically active radiation) product (MOD15). We apply this new ?PAR product within two commonly used carbon and vegetation productivity models, CASA (Carnegie‐Ames‐Stanford Approach) and the MODIS GPP (Gross Primary Production) algorithm (MOD17). The GFS product removes noise present within the original MOD15 fPAR dataset, yet is comparable to the linearly interpolated UMT (University of Montana) fPAR used in the MOD17 algorithm. However, the GSF data provides a realistic fPAR time‐series in relation to magnitude and seasonality associated with radiation in regions where persistent cloud cover is an issue. It is available for North America and the northern part of South America covering the Amazon basin for the MODIS acquisition period (2000–2005).     

MODIS影像条带噪声行的判断及去除研究

为了提高MODIS_L1B含有条带噪声的波段5和波段27的影像质量,基于MODIS的扫描特性提出了一种通过扫描带行均最大值判断条带噪声行的方法。去除影像的噪声行时,在波段5的单行邻域插值法基础上,针对波段27提出了一种相邻多行插值方法。最后,通过对比原始数据和去条带噪声后数据的差值图、行均值图和数值分析来证实条带噪声处理效果。结果表明:该方法可以精确判断这两个波段影像的所有条带噪声行,且对条带噪声去除效果较好,去除条带过程简单且适用于复杂场景的光谱图像。