MODIS NDVI饱和性对高寒草甸草地生物量遥感估测的影响——以青藏高原东缘为例

自20世纪70年代开始,归一化植被指数(NDVI)在天然草地地上生物量估测研究中得到了广泛应用。然而,NDVI对高密度植被生物量遥感估测存在饱和现象,使草地生物量遥感估测有较大的不确定性。以青藏高原东缘高寒草甸为例,基于比值植被指数(RVI)探讨了NDVI的饱和性,并评估了NDVI饱和性对高寒草甸地上生物量时空动态变化分析的影响。结果表明:(1)虽然基于中分辨率成像光谱仪(MODIS)NDVI构建的草地地上生物量估测模型精度较基于RVI构建的估测模型高,但模型对高寒草地地上生物量(生物量大于2314.627 kg/hm^(2))灵敏度较RVI估测模型低,即NDVI阈值大于0.73时,估测模型呈现饱和现象(低估了草地地上生物量);(2)结合RVI和NDVI的相关关系,对饱和部分NDVI遥感植被指数进行校正,校正后最优地上生物量遥感估测模型为线性模型(y=5908.5x-2198.9,R=0.6190,RMSE=902.41 kg/hm^(2)),较调整前RMSE降低了11.72 kg/hm^(2);(3)就NDVI饱和性空间分布而言,从全年6月—9月初(全年第161—257天)饱和性呈现先自东南向西北延伸,后自西北向东南消退的变化趋势,平均低估值介于158.45—293.92 kg/hm^(2)之间,最大低估值出现在8月初(全年第225天),超过600 kg/hm^(2);(4)此外,NDVI饱和性对草地地上生物量年际动态变化趋势分析具有较大的影响,去除饱和性影响后草地地上生物量基本不变的区域减小了21.44%,而年际变化小于-10 kg/hm^(2)和大于30 kg/hm^(2)的区域分别增加了8.48%和16.19%。研究探讨了NDVI饱和性对草地地上生物量遥感估测的影响,以期为精确评估高寒草地地上生物量提供理论依据,同时也为高寒草地资源可持续发展提供科学依据。

基于MODIS-NDVI的岷江流域植被时空演变及地形分异研究

岷江是长江水系的重要分支之一,流经川西高原以及四川盆地地区。植被作为重要的生态指标之一,通过研究岷江流域的植被时空变化特征将有助于了解该流域的生态环境情况并为后续的生态治理提供参考依据。基于2003年~2021年岷江流域的MODIS-NDVI数据集以及DEM数据,借助于空间分析技术、Hurst指数、线性趋势分析、变异系数等方法多方面分析了岷江流域植被覆盖的时空演变特征以及地形因子对其变化趋势的影响性。结果表明:(1)研究时段内的NDVI均值介于0~0.9之间。其流域的NDVI值上中游偏高,下游偏低,岷江流域植被整体呈现波动上升的趋势,增长速率为2.4%/10a。(2)岷江流域植被覆盖呈增加趋势和减少趋势的面积分别占84.49%和15.51%。川西高原的河谷地区以及四川盆地的非城镇区域呈现显著增长趋势。呈减少趋势的主要分布在成都市向外扩张的新城区、眉山市和德阳市。(3)波动性较强的区域主要分布在川西高原的高海拔山地以及成都市,而低波动主要出现在川西高原的相对低海拔区域,植被较为稳定。(4)植被未来变化趋势呈现持续性减少的主要是成都市向外扩张的新城区。而呈现持续性增加的主要分布在四川盆地的非城镇地区以及川西高原的河谷地区。(5)海拔和坡度作为影响植被变化的主要因素,坡向与植被变化的相关性并未显示出明显的规律。

基于MODIS-NDVI的塔城地区植被覆盖动态变化

【目的】研究20 a塔城地区植被覆盖动态变化与土地利用之间的关系。【方法】基于塔城地区2001~2020年植被生长比较旺盛月份(6~9月)的MODIS-NDVI产品数据和2000、2010以及2020年土地利用数据,运用Google earth engine平台、Theil-Senmedin趋势分析、Mann-Kendall检验、像元二分法、变异系数等工具和方法。【结果】塔城地区多年平均植被覆盖度介于0.32~0.46之间,以低、中低植被覆盖度为主,高植被覆盖度区主要集中于西北部和中部;2001~2020年,塔城地区植被覆盖度以0.38%/a的变化率呈现波动增长趋势;植被覆盖改善区(72%)大于退化区(26%),沙湾市和乌苏市南部、塔城市以及额敏县改善较为明显;弱变异和中等变异为该区域植被覆盖度变异主要类型;塔城地区主要的土地利用变化特征是未利用地向草地的转化以及草地向耕地的转化,未利用地在草地和耕地的补充与占用中发挥了重要作用;植被覆盖度与土地利用类型存在响应联系,未利用地面积的显著减少区域与植被显著增加区域高度重合,说明未利用地对植被覆盖度的贡献最大。【结论】反映出在研究时段内塔城地区未利用地的环境得到改善,荒漠化防治等生态修复工作取得显著成效。

基于MODIS-NDVI数据的延河流域植被覆盖时空变化及其对极端降水的响应

基于2010-2020年MODIS-NDVI数据,分析延河流域归一化植被指数(normalizeddifference vegetation index,NDVI)和极端降水指数,辅以利用Sen趋势分析、M-K趋势检验法、Pearson相关分析等方法,研究植被覆盖时空变化及其对极端降水的响应。结果表明:1)2010-2020年,延河流域NDVI呈显著增加趋势,植被覆盖状况逐年改善,其增加速率为0.073/(10 a)(P<0.001);2)空间上,延河流域NDVI呈现从东南到西北减小的布局;3)趋势上,NDVI呈上升和减小趋势的面积占比分别为98.02%和1.98%,整体呈上升趋势,植被覆盖显著改善;4)近11年极端降水指数总体趋势变化平缓,R20(number of very heavy precipitation days)、RX_(5day)(max5-day precipitation amount)、CDD(consecutive dry Days)和CWD(consecutive wet days)呈上升趋势,R_(95P)(very wet day precipitation)和SDII(simple daily intensity index)呈下降趋势;5)NDVI与极端降水指数的相关性整体上偏低,除SDII外,其余指数都与NDVI正相关,且NDVI与RX_(5day)相关性最强,与R20相关性最弱。

基于GEE和MODIS NDVI时序的青藏高原农作物信息提取

实时、准确地提取作物信息对于了解区域的种植结构和农业生产变化、保障国家粮食安全具有重要作用.谷歌地球引擎(Google Earth Engine,GEE)是一个具有先进存储能力和计算能力的地理信息数据云平台,可以快速获取并处理影像数据,节约时间成本,满足大范围区域作物信息提取的需求,相较于传统的遥感分析手段有明显优势.针对青藏高原作物信息提取困难的现状,通过GEE平台,快速获取并处理了Landsat数据并与基于MODIS NDVI时间序列提取出来的物候参数进行特征构建,充分利用不同地物物候特征的差异进行分类训练,实现青海省东部主要农作物信息的提取.结果表明:①该方法提取结果精度较高,分类回归树验证的总体精度为86.23%,Kappa系数为0.82.提取结果基本符合研究区的作物种植结构,说明Landsat数据与MODIS NDVI时间序列耦合的方法能够提高作物识别的精度,对青藏高原地区主要农作物信息自动化提取具有一定的积极意义.②说明GEE平台是实现青藏高原主要农作物较高精度作物信息提取的有效工具.③主要的误差来源于零星且种植比例低的玉米地和分布范围广海拔差异大的青稞地,后续研究应着重在零星种植和生育期差异较小的农作物分类提取技术方面进行深入分析.

FY-3B/D星NDVI与MODIS NDVI对作物长势监测对比

风云三号卫星(FY-3)NDVI数据是中国对全球用户开放可进行全球尺度作物长势监测的主要卫星遥感数据源,客观评估其进行作物长势监测的真实状况和能力,对业务产品应用推广、产品算法和流程改进以及长时序标准数据生产等具有重要意义。采用国际通用的年际差值比较模型、植被状况指数模型(VCI)以及基于NDVI的作物生长过程评估了中国风云三号B星(FY-3B)和D星(FY-3D)NDVI旬、月合成业务产品与同期MODIS MOD13A1和MOD13A3 NDVI数据对作物长势的监测情况。年际比较模型结果表明,FY-3 NDVI的监测动态范围比MODIS NDVI的窄约0.1—0.15,两者差值在-0.02—0.02,均方根误差在0.08—0.09,在长势分级评估时可忽略,但动态范围偏窄提示有必要在分级评估时使用窄一些的阈值范围。植被状况指数模型结果表明,FY-3B NDVI和MODIS NDVI的监测结果高度一致,因此FY-3B NDVI和MODIS NDVI一样可准确反映作物生长的年际差异。作物生长过程动态监测结果表明,FY-3和MODIS月合成NDVI的年际比较结果总体一致,但在作物快速生长阶段,MODIS用3个16 d数据采用权重法合成月值的方法有一定偏差,导致两者出现差异;FY-3旬合成数据和MODIS 16 d合成数据的监测结果总体一致,前者在作物生长旺季的年际区分度更优,后者的监测曲线更平滑。但是,FY-3 NDVI与MODIS NDVI存在总体偏差,需进一步的数据处理、质量控制和客观标定,以生成与MODIS、AVHRR等一致且连续的长时序FY-3 NDVI标准数据集产品,方可用于作物生长参数定量评估。

基于MODIS时序数据的大兴安岭火烧迹地时空变化及其森林恢复研究

林火是对森林生态造成影响的最主要干扰因素之一,探究林火时空变化规律及森林恢复具有一定的社会学和生态学意义。大兴安岭拥有我国面积最大的原始林区,也是林火频繁发生的重点区域。本研究使用MODIS火烧迹地、土地覆盖以及总初级生产力(gross primary productivity,GPP)时间序列产品对大兴安岭2002—2021年火烧迹地分布信息进行提取,并对火后森林恢复情况进行统计。结果表明:2002—2021年间,大兴安岭森林地区火灾次数整体呈下降趋势,但火烧迹地面积呈现波动性变化,其中2003年无论是过火面积还是火灾频率都为最高,2008年次之,2019年过火面积最小;林火主要集中在春秋两季,3月过火面积和过火次数都为最高,9月的过火次数较高;同时林火在空间上由东北向西南呈不均匀分布,主要集中在黑龙江大兴安岭地区和内蒙古呼伦贝尔市,且内蒙古地区的林火面积远远大于黑龙江地区。对过火地区的林种分析可知,阔叶林的过火区域最大,其次是混交林,最后是针叶林。通过对过火区域的GPP时间序列分析得出,一般灾后第一年GPP数值恢复最快,但需要近7 a时间才能完全恢复到过火前的生长水平,且不同森林类型在灾后恢复速度存在明显差异,阔叶林地恢复速度较快,其次是针叶林,之后是混交林。了解林火的时空分布能够为布置和调整防火、灭火力量提供数据支撑,灾后森林的恢复研究可为森林重建和持续发展提供科学依据。

基于MODIS-EVI的四川省2000—2020年植被覆盖变化趋势的地形分布特征

通过Google Earth Engine获取MODIS-EVI数据,在ArcGIS中运用趋势分析和分布指数等方法定量分析四川省2000—2020年的植被覆盖度变化趋势的地形分布特征。结果表明:在植被覆盖变化中,增加类型的面积占46.35%,减少类型的面积占45.81%,不变类型的面积占7.84%;植被覆盖减少类型主要分布在高程小于500 m、3000—4500 m,坡度小于5°,平地、南坡、西南坡,平原、台地等区域,以灌丛和草地为主;植被覆盖增加类型主要分布在高程500—3000 m,坡度5—15°,东北坡、东坡、东南坡,丘陵、小起伏山地、中起伏山地等区域,以耕地和林地为主;植被覆盖不变类型主要分布在高程大于4500 m,坡度大于15°,北坡、西坡、西北坡,大起伏山地、极大起伏山地等区域,以建设用地和高山植被为主。研究结果从宏观上揭示了四川省近20年植被覆盖变化趋势的地形分布特征,可以为四川省在未来的生态植被恢复方案的制定提供一些参考。

中国区域MODIS与VIIRS气溶胶遥感产品的性能评估及其时空演变分析

基于气溶胶地基观测网络数据(AERONET),对MODIS与VIIRS的六种气溶胶光学厚度(AOD)产品在反演精度、空间覆盖范围、空间分布特征、时间反演频率以及对个例的极端天气事件的反演性能等方面进行评估,并从土地利用类型、气溶胶模态、季节变化等角度分析其误差来源.结果表明:从与AERONET地基观测对比来看,MODIS AOD产品反演精度优于VIIRS AOD反演产品,其中以MAIAC AOD产品精度最高,其相关系数R值为0.83,落入期望误差(EE)内的比例达65.03%;从空间覆盖范围以及时间反演频率来看,VIIRS AOD产品显著优于MODIS;从对个例的极端天气事件反演性能来看,MODIS AOD产品对沙尘事件的反演性能优于VIIRS,但所有产品对森林火灾的反演性能还需进一步提升;土地利用类型、气溶胶模态和季节变化对AOD产品反演精度有着显著的影响:六种AOD产品在建设用地的反演精度较高,在农用地的反演精度则较低;六种AOD产品对粗模态气溶胶以低估为主,而对细模态气溶胶则以高估为主;六种AOD产品在秋冬季节反演精度最高,夏季最低.

中国典型积雪区MODIS积雪产品精度评价及影响因素分析

MODIS V6不再提供二值积雪分布及积雪面积比例产品,而是仅仅给出像元的归一化差值积雪指数NDSI。因此,基于MODIS V6进行积雪制图时,NDSI阈值的选取及相应的积雪制图精度有待研究。本文基于2013—2021年间250个地面气象站点逐日实测积雪深度数据,对中国三大典型积雪区内1927景MOD10A1和1936景MYD10A1影像中的NDSI_Snow_Cover波段进行评价,分别计算了逐站点像元在积雪产品制图中的最优精度及对应的最优NDSI阈值,并对影响精度的因素进行了分析。基于站点雪深的评价结果表明:(1)1 cm雪深阈值下,MOD10A1和MYD10A1的最优NDSI阈值均值±标准差分别为0.16±0.09和0.17±0.10,对应的总体精度OA、FS指数和CK指数的均值±标准差分别为0.96±0.05和0.94±0.05、0.84±0.19和0.75±0.24、0.81±0.20和0.71±0.24,MOD10A1的精度要优于MYD10A1。(2)MODIS积雪产品精度具有明显的空间异质性,青藏高原地区要远小于东北-内蒙古地区和北疆地区。(3)基于站点的积雪制图精度评价中,站点雪深阈值将会影响评价结果。采用2 cm和4 cm雪深阈值评价MOD10A1和MYD10A1时对应的积雪制图精度最高。(4)积雪存在率SCO、积雪持续时间SDI与积雪产品MOD10A1和MYD10A1的精度CK存在显著的正相关关系,相关系数分别为0.72和0.77、0.67和0.71。(5)青藏高原地形复杂,积雪以浅雪为主,站点积雪信息不能很好地代表像元。因此,对青藏高原积雪产品的精度评估,最好采用同步的无人机观测或者更高分辨率的遥感影像。

基于MODIS数据的中国东部地区海陆温差时空变化特征

海陆温差是海-陆间热力对比的重要表征,对区域乃至全球气候产生重要影响。研究基于2001—2021年中分辨率成像光谱仪(MODIS)遥感数据,研究了中国东部地区地表温度、海表温度以及海陆温差的时空变化及区域差异特征。结果表明:2001—2021年中国东部地区地表温度和海表温度均呈显著上升趋势,上升幅度分别为0.34℃/10a和0.32℃/10a;夜间地表温度和海表温度的上升态势更突出;各季节中,冬季地表温度和夏季海表温度增幅最大,分别达0.45℃/10a和0.43℃/10a(P<0.05);空间上,中国东部地表温度总体呈南高北低的格局特征,海表温度则表现出从东北向西南递增、近岸低于远岸的特征。研究时段内,中国东部地区海陆温差通常为负值,海表温度总体高于地表温度,且离海岸线越近的缓冲区范围内海陆温差越小;100 km、200 km和300 km缓冲区范围内年际海陆温差总体呈减小趋势,其中100 km缓冲区范围内的降幅最大;各季节中,春季和冬季海陆温差呈减小趋势,夏季和秋季的呈增大趋势;空间上,以30°N为界,以北和以南区域的海陆温差分别呈减小和增大趋势。

基于MODIS数据的全国林灌草火点时空特征分析

【目的】为在空间、时间尺度上对我国全域林灌草火灾发生特征有清晰的认知,进而对森林草原火灾预防决策提供参考。【方法】选用2003—2022年MODIS卫星火点数据产品和土地覆盖数据产品,以全国陆地区域作为研究范围,利用优化的热点分析方法来分析林灌草火点的空间分布特征;统计分析年际、月度以及我国传统节日林灌草火点的时间分布特征,并采用Mann-Kendall趋势分析法从年际、月度分析林灌草火点的时间变化趋势。【结果】1)林灌草火点的稠密区域主要分布在我国的广东省、云南省、广西壮族自治区和黑龙江省,稀疏区域主要分布在我国的河南省、河北省和山东省。2)属于草的卫星火点数量最多,主要发生在春季和冬季;属于灌丛的火点数量最少,主要发生在夏季。3)卫星火点数量在我国七大传统节日中占比排名前三的是:春节、清明节、劳动节。4)2003—2022年的年际和月度林灌草火点数量呈现波折起伏的走势,在年际变化上,2015年为全国火点数量发生突变年;在月度上,5月是火点数量发生突变的月份。【结论】1)我国南部火点稠密,中东部火点稀疏,且2003—2022年疏密区域未发生明显迁移,因而在实施防火部署时可进行差异化管理。2)春、冬两季草地分布的区域以及阔叶林分布区域在春、夏两季需加强防火管理。

融合MODIS和Landsat数据的青海湖流域典型区NDVI重构与年内最大值变化分析

归一化植被指数(NDVI)能够较准确表达出植被覆盖和生长状况,对其进行时间序列分析已成为研究全球、国家或区域植被生长的重要方式。针对当前NDVI时序产品空间分辨率不高,难以应用于小尺度的精细研究,以及利用Landsat不同时相NDVI评估生态环境质量受植被季相和年际变化影响较大等问题,首先基于增强型时空自适应反射率融合模型(ESTARFM)融合MOD09Q1和Landsat数据,对植被年内生长季NDVI数据进行预测插补,之后利用Logistic模型重构2001-2020年植被生长季NDVI曲线,通过引入MODIS逐日NDVI数据确定NDVI年内最大值日期,逐像素求解出最优的Landsat NDVI年内最大值,并将其应用于青海湖流域布哈河附近局部典型区域植被生长状况评估。结果表明:1)融合MODIS和Landsat数据的Landsat NDVI年内最大值求解结果在3倍中误差以内的占98.5%,求解结果具有较高的精度;2)利用Landsat NDVI年内最大值进行植被生长状况评估,能弱化Landsat数据因时相差异引起的误差;3)研究区植被NDVI年内最大值呈南北高中间低的空间分布特点,年际变化整体先降低再增加,植被生长状况呈向好趋势;高寒嵩草、杂类草草甸NDVI年内最大值呈减少趋势且波动剧烈,应是青海湖流域监测的重点植被类型。

基于MODIS和CLDAS的综合干旱监测模型研究

传统的干旱监测指数主要考虑单一影响因子,往往无法全面综合反映干旱状况.基于MODIS数据和CLDAS数据,选取多个影响因子和能够直接反映干旱程度的干旱指数作为自变量,以综合气象干旱指数(CI)为因变量,通过梯度提升机(GBM)机器学习算法建立日尺度综合干旱监测模型,并以2015—2018年华北地区干旱为例进行了研究.结果表明模型监测结果与站点CI计算值具有显著的相关性,训练集和测试集决定系数分别达到0.945和0.655,均方根误差(RMSE)分别为0.033和0.082,综合干旱监测模型具有较高的精度.且模型监测与CI监测各月等级一致率均在65%以上,并与标准化降水蒸散指数(SPEI)和土壤相对湿度(RSM)相关系数分别为0.68和0.60,能较好地反映气象干旱和农业干旱状况.典型干旱情况监测表明,综合干旱监测模型综合考虑多种干旱影响因素,能较准确地识别出干旱的发生,表征综合干旱发生状况.

基于MODIS-NDVI的云南省植被时空变化及驱动因素分析

【目的】研究云南省植被时空变化及其影响因素,为区域环境保护及生态环境建设提供理论依据。【方法】基于MODIS-NDVI数据,利用趋势分析法、Hurst指数、残差分析法在不同地形地貌分区尺度上分析2001—2020年云南省植被覆盖时空演变特征,并讨论地形、气候和人类活动因素对其变化的影响。【结果】2001—2020年云南省NDVI整体呈增长趋势,且各分区NDVI变化速率差异较大。云南省平均NDVI呈西高东低、南高北低的布局,各时期NDVI改善面积均大于退化面积,且滇东北地区改善面积最高,为70.84%。未来有10.99%的面积会持续改善,且在不同分区下滇东北地区持续改善比例最高。地形因素对NDVI的影响显著,整体上云南省NDVI随海拔升高而降低,随坡度的增加先增加后减少,在坡向上NDVI呈阴坡大于阳坡的特征。2001—2020年云南省降水与NDVI的相关系数均值为0.0074,呈西负东正的格局,滇东北受降水影响最大。气温与NDVI的相关系数均值为0.0884,滇西南受气温影响最大。人类活动对NDVI的变化均以促进作用为主,土地利用的转变与NDVI的变化具有较强相关性,一系列生态保护工程改善了植被,而建设用地的扩张抑制植被的生长。【建议】因地制宜实施林地生态建设,提高植被种植存活率;完善建设用地规划与管理,防止建设用地快速无序扩张;继续推进生态工程建设,加大林地、草地保护力度。

融合反距离加权和傅里叶变换的MODIS水汽校正方法

MODIS反演的可降水量(PWV)为连续的面状数据,精度不高;而GNSS水汽探测技术精度高,但为离散的点数据。本文综合两者优势,提出一种融合反距离加权和傅里叶变换的MODIS水汽校正方法,利用GNSS PWV来校正MODIS PWV产品,并采用香港地区GNSS数据和MODIS水汽产品进行实验验证。该方法首先考虑空间插值问题,使GNSS PWV与MODIS水汽在空间点位上一致。选取不同数量的MODIS像元点,对比6种插值算法的精度,发现选取5个插值参数时插值效果最佳,选择反距离加权法得到的插值水汽产品精度最高,平均偏差为-0.99 mm。其次考虑水汽校正问题,构建3种模型对MODIS PWV进行校正,发现傅里叶变换模型的均方根误差改进率可达70%以上。新模型的MODIS水汽校正方法能够减弱局部数据的影响,更准确地反映该地区的水汽分布情况。

基于MODIS遥感影像的玛纳斯县植被覆盖度动态分析

植被覆盖度是衡量地表植被状况的重要指标。利用2013-2022年7-9月的MODIS遥感影像数据,基于归一化植被指数(NDVI)和像元二分原理,建立植被覆盖度的估算模型,对玛纳斯县近10年来植被覆盖度的变化情况进行监测,探究2013-2022年玛纳斯县植被覆盖度的空间分布特征、面积变化趋势及其影响因素。结果表明,2013-2022年,玛纳斯县植被覆盖度整体维持在36.71%~43.42%,变化幅度不大,反映出该地区植被生长状况良好,玛纳斯县植被主要分布在南部山区和中部平原区;玛纳斯县植被覆盖度在这10年间略有减少,其中,植被覆盖度减少了2.51%,植被面积减少了277.78km^(2),但在不同年份呈不同程度的波动。通过分析植被覆盖度变化因子,得出降水量对玛纳斯县植被覆盖度的变化起到正向作用,人类活动也是引起植被覆盖度变化的主要因子。

基于MODIS影像的2016—2017年东海赤潮高发期水体时空分布及其气象控制因子分析

近年来,东海区域赤潮灾害频发,对沿海地区的经济发展和海洋生态环境造成了极大的破坏。本研究基于赤潮暴发年2016—2017年夏季MODIS影像数据,采用半经验多光谱识别算法对东海夏季赤潮暴发期的水体类型分布特征进行反演。结果表明,赤潮高发期东海水体类型从近岸向开阔海域呈现浑浊水体-赤潮水体-混合水体-干净水体的时空分布特征。其中,硅藻和甲藻赤潮水体在空间分布上具有相互演替变化的特征。此外,通过对浙江省近岸的大陈站、石浦站和嵊泗站3个站点的气象因子进行主成分分析发现,气温、风速和天空云量对赤潮的生消演替起着积极的促进作用。

基于MODIS数据的洱海NDVI时空分布及其与气象要素的关系

基于MODIS/TERRA卫星数据,反演洱海2016年8月-2019年12月NDVI值,分析NDVI与气象要素的关系。结果表明,NDVI空间分布具有差异性,高值中心位于中西部边缘及南部出水口附近,低值中心主要位于北部;整体上,洱海NDVI值边缘区的大于中心区的,中部NDVI值呈西高东低分布。洱海NDVI具有明显的年变化,春夏季洱海NDVI值明显高于秋冬季的,年内呈双峰型分布,分别在4月和7月达到峰值;3月、9月洱海NDVI值的明显增加和降低与洱海水温处于增温和降温阶段有密切关系。考虑气象因子对NDVI的累积响应和滞后效应,温度、降雨量等气象因子与NDVI之间的相关性总体呈现“+-+”或“-+-”的分布类型。基于气象因子的NDVI多元线性逐步回归模型复相关系数为0.51,对NDVI值的趋势模拟效果较好,对预测洱海藻类数量趋势有参考价值。

利用MODIS数据和BP神经网络重构美国区域尺度大豆日光诱导叶绿素荧光

[目的和意义]原始星载日光诱导叶绿素荧光(Sunlight-induced Chlorophyll Fluorescence,SIF)数据存在足迹离散、时空分辨率低等缺陷,针对这些问题许多研究进行了SIF重构,但大多数重构后的新型SIF数据分辨率仍较低,难以应用到精细尺度农业领域,且部分高精度SIF重构数据并非基于原始卫星SIF数据重构。OCO-2 SIF原始数据空间分辨率高(1.29 km×2.25 km),植被异质性低,对区域尺度高分辨率作物SIF重构具备突出价值。[方法]选取美国区域尺度大豆为研究对象,利用原始OCO-2 SIF和MODIS产品进行高分辨率大豆SIF重构,通过组合多个卫星轨迹经过的大豆种植区,提高SIF样本总量,与增强植被指数(Enhanced Vegetation Index,EVI)、光合有效辐射分量(Fraction of Photosynthetically Active Radiation,FPAR)和土地表面温度(Land Surface Temperature,LST)等预测因子足迹匹配后构建多源遥感数据集,代入BP神经网络训练模型,进而生成区域尺度空间连续且具有较高时空分辨率(8 d、500 m)的重构SIF数据集(BPSIF)。[结果和讨论]加入EVI,FPAR和LST的SIF重构模型R2达0.84,利用总初级生产力(Gross Primary Productivity,GPP)数据对BPSIF进行质量评价,OCO-2 SIF与GPP的Pearson相关系数为0.53,而BPSIF与GPP相关系数提升到0.8,表明本研究生成的BPSIF数据集更加可靠。[结论]研究成果有望为区域尺度大豆作物SIF研究提供理论依据和数据支撑。