基于MODIS数据的农业干旱监测方法对比分析

利用2004年4月～6月上旬的MODIS影像数据,结合实测的土壤墒情数据,对比不同深度及不同拟合方式下土壤湿度的估算精度。另外,分别选用植被供水指数(VSWI)、基于EVI的植被供水指数(E-VSWI)、归一化多波段干旱指数(NMDI)与对应的土壤湿度数据进行回归分析,并在此基础上利用最优指数实现研究区土壤湿度的估算及旱情监测。结果表明:在华北平原中部地区冬小麦生长季节,利用MODIS数据进行土壤湿度估算的最佳深度是10cm;最佳拟合方式是线性拟合方式;植被供水指数(VSWI)在研究区整个时间序列具有最好的稳定性,可为今后大区域作物生长期的干旱监测提供一个简单方法。     

苏丹遥感干旱指数及其适用性

针对苏丹地区利用遥感手段进行旱情监测的研究相对缺乏这一问题,该文利用MODIS归一化植被指数和地表温度计算植被条件指数、温度植被干旱指数和归一化植被供水指数,利用AMSR-E土壤湿度数据与3种干旱指数进行相关性分析,选取与土壤湿度相关性最好的干旱指数作为干旱监测的指标,对苏丹典型干湿年份的干旱进行监测。定量分析与实验结果表明:归一化植被供水指数与土壤湿度相关性最高,且与降水量存在滞后关系,3种典型植被覆盖类型下归一化植被供水指数的滞后期均为1个月;苏丹干旱主要发生在北部的撒哈拉沙漠及其边缘地区,且干旱分布受季节变化影响显著,其中春季和冬季是干旱发生的高峰期。     

旱灾灾情监测中的遥感应用综述

旱灾是我国影响范围最广的农业自然灾害。遥感是对干旱进行大面积、实时动态监测的有效技术手段。对遥感技术在干旱旱情监测中的传统方法进行了概括和汇总,应用较多的干旱旱情遥感监测方法主要有热惯量法、蒸散法、植被指数法,其中植被指数法又分为距平植被指数、条件植被指数、植被指数差异、植被供水指数、温度植被干旱指数等方法。分析了不同方法的优缺点以及它们各自的适用范围,结合当前研究的热点问题,指出随着干旱机理和MODIS数据的应用,干旱旱情的遥感监测将得到更广泛、更深入的应用。     

农业干旱遥感监测业务化运行方法研究

研究一种基于MODIS遥感数据的快速且易于实际应用的农业旱情监测方法及其系统实现。监测方法基于植被供水指数的思想,利用NDVI进行植被盖度分级来计算,标准化作物供水指数,再耦合近8旬的综合降水距平指数,由此实现对旱情的监测。在介绍监测方法的同时,又针对应用数据的特点,设计了有效的数据管理系统,为高效管理各种数据而服务。     

多云雾地区高时空分辨率植被覆盖度构建方法研究

针对多云雾地区高时空分辨率数据缺乏现状,提出了一套区域尺度高时空分辨率植被覆盖度数据构建方法.首先,通过时空适应反射率融合模型(STARFM)有效地将TM 的较高空间分辨率与MODIS的高时间分辨率融合在一起,构建了研究区植被生长峰值阶段的NDVI数据;然后,以植被生长峰值阶段的NDVI为输入,基于地表覆被类型,综合应用等密度和非密度亚像元模型对研究区的植被覆盖度进行估算.结果表明:①即使数据源存在大量的云雾,且存在一定的时相差异,研究区植被覆盖度的估算结果过渡自然,不存在明显的不接边效应;②以植被生长峰值阶段的NDVI数据为输入进行植被覆盖度估算,有效拉开了同一地表覆被类型不同覆盖度像元的NDVI梯度,提高了亚像元估算模型对输入数据的抗扰动性;③基于地表覆被类型,应用亚像元混合模型,能够提高植被覆盖度的估算精度.经野外实测数据验证,总体约８５％的估算精度表明,针对高时空分辨率遥感数据缺乏的多云雾区域,本研究提出的方法能够实现区域尺度植被覆盖度数据的构建.     

遥感干旱指数在洛川苹果干旱监测中的适用性分析

目前对苹果干旱研究较少且主要运用站点数据,对空间信息表征有限,遥感干旱指数可用于大范围干旱时空动态监测,但在苹果干旱监测中的适用性还有待研究.基于2014～2018年MODIS反射率、地表温度以及地表覆被数据,结合土壤湿度数据和野外调查资料,分析洛川苹果区温度植被干旱指数(TVDI)、归一化植被水分指数(NDWI)、植...     

基于MODIS植被指数估算青海湖流域植被覆盖度研究

将MODIS数据合成的4种植被指数作为输入参数,采用像元二分模型对研究区的植被覆盖度进行估算,利用2006年的TM数据解译结果和2011年8月的野外实测数据对反演结果进行验证。结果显示:采用ND-VI估算的植被覆盖度比较符合研究区实地状况,样点估算精度达到87.13%;其他3种植被指数估算的植被覆盖度值比实际值低,尤其是对该区域典型植被草原草甸的覆盖度估算结果明显偏低。研究表明:2011年8月青海湖流域植被覆盖度以中高覆盖度为主,占整个流域面积的57%以上;植被覆盖度在空间上呈中部高、西北低的分布特点。     

利用 MODIS 数据进行植被水监测的应用研究

植被水的监测始于对森林、草原火险评估的需要,另一方面,植被水的丰富程度也间接反映了当地土壤含水量状况,是当地干旱状况的一个重要指示。水是生命之源,对作物生长的影响巨大。因而对于农业区作植被水的监测,可以了解到区域植被供水状况信息。本研究正是基于上述的想法,以黄淮海农业区作为试验样区,对新型MODIS传感器的数据,应用GVMI指数模型,反演出植被水含量信息。比较植被水含量与当地降水量之间的关系,初步分析了植被水含量与区域旱情状况之间的关联性。     

基于多源干旱指数的黄淮海平原干旱监测

黄淮海平原是我国重要的粮食基地,由于季风、气候等的影响,干旱频发,严重影响了粮食生产,实时监测黄淮海平原的干旱情况,对于合理制定农业政策、指导农业生产具有重要意义。基于MODIS反射率产品、温度产品和气象站点降雨数据等,采用改进归一化水指数(MNDWI)、植被健康指数(VHI)和标准化降水指数(SPI),对黄淮海平原2001~2012年干旱情况进行监测,分析其空间、季节、年际变化规律及其潜在原因,并根据结果确定3个指数的使用条件。结果发现:黄淮海平原燕山山麓和太行山山麓受西伯利亚冬季风的影响,同时由于春天植被覆盖少,水份蒸发较快,易发生春旱;农作物区在海拔25~100m之间比其他地区要干旱;12年间2003年干旱最弱。所采用遥感指数由于对水分温度敏感适用于实时监测,而气象指数SPI适用于长时间序列的干旱变化监测,亦可用于干旱预测。     

基于温度植被干旱指数的印度和巴基斯坦干旱监测

针对印度和巴基斯坦近年干旱频发的问题,该文使用温度植被干旱指数对印巴地区2009~2014年干季(3~5月)实现遥感干旱监测,利用多年同期MODIS卫星数据构建印巴地区归一化植被指数-陆地表面温度的特征空间,拟合特征空间中的干、湿边方程,进一步反演温度植被干旱指数,对该区土地利用和地形作了统计与分析,对温度植被干旱指数划分等级,并利用印巴气象站点的实测降水量以及标准降水指数进行验证。结果表明:1)从干旱等级面积统计来看,印巴地区干季主要以中旱为主,其他等级面积所占比例较小;2)从土地利用类型来看,全区土地覆盖良好,温度植被干旱指数作为印巴地区旱情评价指标具有一定的合理性;3)从气象站点数据来看,归一化植被指数-陆地表面温度特征空间反演的温度植被干旱指数与降水具有密切相关性。     

Radarsat-2/SAR和MODIS数据联合反演黄土高原地区植被覆盖下土壤水分研究

以黄土高原半干旱区定西为试验区,利用Radarsat-2/SAR和MODIS数据,将由MODIS NDVI估算的植被含水量(VWC)应用到微波散射Water-Cloud模型中校正植被的影响。采用交叉极化(VV/VH)组合方案对植被覆盖下土壤水分的反演进行初步探讨,结果表明:在植被影响校正前,模型反演土壤水分值出现明显低估现象;校正植被影响后,相关系数R由0.13提高到0.44,且通过α=0.01的显著性检验,标准差SD由5.02降低到4.30,有效提高了模型反演土壤水分的准确度。卫星反演的研究区土壤含水量大部分介于10%~30%之间,与实地考察情况一致,较好地反映出区域土壤湿度分布信息。表明,光学和微波协同遥感反演对于提高农田土壤水分遥感反演精度具有较大的应用潜力。     

在GIS支持下利用MODIS数据监测多种作物和果树种植面积

MODIS数据以其时间分辨率高、监测范围大、可免费接收、获取方便及时等优势,已经成为土地利用研究的重要信息源。以河北省38°N带为研究区,选取不同时相的MODIS数据,分别计算出NDVI,根据植被的生长过程中叶面积的变化规律,观察其NDVI的变化,建立分类规则,确定出主要植被的种植区域。在GIS软件的支持下,利用分类精度为91%的TM数据分类结果从提取区域的面积和形状两个方面对MODIS数据的分类结果进行像元尺度上的精度分析。     

基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究

地表温度是土壤水分和植被水分状态的指示计,在干旱遥感监测中有重要作用。应用Landsat-5 TM遥感数据和气象资料,利用归一化植被指数(NDVI)区分地表覆盖类型,采用Van de Griend的经验公式法结合典型地表赋值法计算出地表比辐射率。用单窗算法和单通道算法分别对河南省白沙灌区地表温度进行反演,结果表明:两种方法均能较好地将白沙灌区地表温度分布趋势反映出来,单窗算法的反演精度较高,绝对误差为1.1 ℃,更适宜白沙灌区的地表温度反演,进而可以提高灌区旱情遥感监测精度。     

HJ-1A/B CCD与Landsat TM/ETM+植被指数的交互比较

利用5对同日过境的HJ-1A/B CCD和Landsat TM/ETM+影像对,研究了二者植被指数(NDVI,SAVI,EVI)之间的定量关系。选用其中的3对影像对作为实验影像,通过对均匀同质实验区对应的植被指数进行回归分析求出二者之间的转换方程,用未参与实验的2对影像对来验证所求转换方程的有效性,并对二者植被指数之间的差异进行了分析。结果表明：两种传感器对应的植被指数之间存在极显著的线性正相关关系,所求的转换方程具有较高的精度,可以利用转换方程将两种传感器的植被指数进行互为转换,有利于二者植被监测结果的互为补充,而两种传感器在光谱响应函数上的不同造成了二者植被指数间存在差异。     

Comparison of multiple models for estimating gross primary production using MODIS and eddy covariance data in Harvard Forest

Gross primary production (GPP) defined as the overall rate of fixation of carbon through the process of vegetation photosynthesis is important for carbon cycle and climate change research. Three models, the Vegetation Photosynthesis Model (VPM), the Temperature and Greenness (TG) model and the Vegetation Index (VI) model have been compared for the estimation of GPP in Harvard Forest from 2003 to 2006 using climate variables acquired by eddy covariance (EC) measurements and Moderate Resolution Imaging Spectroradiometer (MODIS) satellite images. All these models provide more reliable estimates of GPP than that of MODIS GPP product. High Pearsons correlation coefficients r equal to 0.94, 0.92 and 0.90 are observed for the VPM, the TG and the VI model, respectively. Relationships between GPP and land surface temperature (LST, R² = 0.72), and vapor pressure deficit (VPD, R² = 0.45) indicate that climate variables are important for GPP estimation. Due to proper characterization of temperature, water stress and leaf age by three scalars, VPM best follows the seasonal variations of GPP. By incorporation of the MODIS surface reflectance and LST product, the TG model is the most suitable choice for areas without prior knowledge as it is based entirely on remote sensing observations. Results from the VI model demonstrate the possibility of using a single vegetation index for light use efficiency (LUE) estimation in deciduous forest that is of high spatial heterogeneity. The validation and comparison of models will be helpful in development of future GPP models using combinations of climate variables and/or remote sensing observations.     

Neural networks as a tool for constructing continuous NDVI time series from AVHRR and MODIS

The long term Advanced Very High Resolution Radiometer (AVHRR)‐Normalized Difference Vegetation Index (NDVI) record provides a critical historical perspective on vegetation dynamics necessary for global change research. Despite the proliferation of new sources of global, moderate resolution vegetation datasets, the remote sensing community is still struggling to create datasets derived from multiple sensors that allow the simultaneous use of spectral vegetation for time series analysis. To overcome the non‐stationary aspect of NDVI, we use an artificial neural network (ANN) to map the NDVI indices from AVHRR to those from MODIS using atmospheric, surface type and sensor‐specific inputs to account for the differences between the sensors. The NDVI dynamics and range of MODIS NDVI data at 1° is matched and extended through the AVHRR record. Four years of overlap between the two sensors is used to train a neural network to remove atmospheric and sensor specific effects on the AVHRR NDVI. In this paper, we present the resulting continuous dataset, its relationship to MODIS data, and a validation of the product.     

A VARI-based relative greenness from MODIS data for computing the Fire Potential Index

The Fire Potential Index (FPI) relies on relative greenness (RG) estimates from remote sensing data. The Normalized Difference Vegetation Index (NDVI), derived from NOAA Advanced Very High Resolution Radiometer (AVHRR) imagery is currently used to calculate RG operationally. Here we evaluated an alternate measure of RG using the Visible Atmospheric Resistant Index (VARI) derived from Moderate Resolution Imaging Spectrometer (MODIS) data. VARI was chosen because it has previously been shown to have the strongest relationship with Live Fuel Moisture (LFM) out of a wide selection of MODIS-derived indices in southern California shrublands. To compare MODIS-based NDVI-FPI and VARI-FPI, RG was calculated from a 6-year time series of MODIS composites and validated against in-situ observations of LFM as a surrogate for vegetation greenness. RG from both indices was then compared in terms of its performance for computing the FPI using historical wildfire data. Computed RG values were regressed against ground-sampled LFM at 14 sites within Los Angeles County. The results indicate that VARI-based RG consistently shows a stronger relationship with observed LFM than NDVI-based RG. With an average R² of 0.727 compared to a value of only 0.622 for NDVI-RG, VARI-RG showed stronger relationships at 13 out of 14 sites. Based on these results, daily FPI maps were computed for the years 2001 through 2005 using both NDVI-RG and VARI-RG. These were then validated against 12,490 fire detections from the MODIS active fire product using logistic regression. Deviance of the logistic regression model was 408.8 for NDVI-FPI and 176.2 for VARI-FPI. The c-index was found to be 0.69 and 0.78, respectively. The results show that VARI-FPI outperforms NDVI-FPI in distinguishing between fire and no-fire events for historical wildfire data in southern California for the given time period.     

基于热红外遥感的城市热场形成机制及特征分析--以成都市为例

利用LANDSAT5的TM6热红外数据和实时的地表温度，优选了一种方法进行成都市地面温度场反演，根据反演结果对成都市地表温度场分布特征进行了分析，同时定量分析了植被覆盖和水域廊道对地表温度场分布的影响，定量分析的结果对城市区域布局和规划有积极意义。     

基于MODIS NDVI的LandsatTM影像地形阴影区光谱信息恢复方法研究

遥感为获取山区生态环境与资源信息提供了重要的观测手段。然而受地形遮蔽影响,山区光学影像大量的地形阴影给山区土地覆被解译以及生态参量的遥感反演带来了巨大困难。针对地形阴影光谱信息的恢复,提出了一种基于MODIS NDVI的Landsat TM影像地形阴影区光谱信息恢复方法。该方法首先利用MODIS上午、下午星(Terra和Aqua)不同时间过境能够对地形阴影区信息实现互补的特点,采用最大值合成法合成MODIS上、下午星16dNDVI产品(MOD13Q1和MYD13Q1),获得低空间分辨率影像上的阴影区光谱信息;在此基础上,考虑MODIS与Landsat的观测角度、光谱差异,设置滑动窗口及筛选规则提取MODIS与TM影像相匹配的同质纯像元;基于中、低空间分辨率影像中均匀同质像元存在一定统计关系的假设,进一步建立同质区域中TM影像光照区域与对应MODIS NDVI的回归树模型,利用该统计关系和阴影区MODIS的NDVI信息推导得出地形阴影区的光谱信息。将阴影光谱信息恢复后的影像与SCS+C校正后的影像进行比较和分析,结果表明该方法恢复得到的地形阴影的光谱信息能够更好地反映阴影区信息,同时光谱保真程度较好。随着越来越多的中高空间分辨率卫星影像的发展,采用多源卫星数据进行山地地形阴影区信息恢复将成为一个新的发展趋势,该方法以期为同类影像处理提供参考。