基于SPOT-VGT NDVI时间序列的农牧交错带植被物候监测

为了分析中国农牧交错带植被典型物候期(生长开始日期,生长结束日期和生长季长度)的变化趋势,利用2001-2010年SPOT-VGT NDVI(SPOT-VEGETATION normalized differential vegetation index)数据,基于Savitzky—Golay滤波和动态阈值法,提取了中国北方农牧交错带植被物候期,探讨研究区植被物候期的空间差异和时间变化。研究表明,农牧交错带植被的生长季一般从4月中旬到5月下旬开始,9月下旬至10月下旬结束;从西南部到东北部,植被物候表现出明显的空间差异;农田植被物候期与自然植被略有不同;对研究区10a物候期线性拟合,得出研究区大部分植被覆盖区域生长季开始日期呈现提前趋势,提前日期大约为1～10d左右;除部分地区外,2001-2010年农牧交错带植被生长季结束日期没有明显变化趋势;10a间研究区大部分草地生长季延长,也有一部分地区的生长季出现缩短趋势。研究提取结果与已有的相关研究结果较为一致,可为农牧交错带生态环境评价和保护提供一定的参考。

基于NDVI时间序列数据的土地覆盖变化检测指标设计

大中尺度土地覆盖格局及其变化检测是研究全球变化和能量平衡的重要内容.NDVI时间序列数据在土地覆盖变化动态遥感监测中占据着重要地位.针对NDVI时间序列数据,现有的土地覆盖变化检测方法和指标存在许多不足之处.本文在分析现有土地覆盖变化检测指标的基础上,设计了一个新的基于交叉相关光谱匹配(CCSM)和兰氏距离的变化检测指标.该指标充分考虑了NDVI时间序列曲线形状和数值两个变化特征.理论与实例检验结果表明本文设计的指标能够较好的抑制各种干扰噪音的影响,正确检测真实的土地覆盖变化,是一种较为理想的检测指标.

基于LSWI和NDVI时间序列的水田信息提取研究

利用多时相的Landsat TM/ETM+和DEM数据,分别采用直方图匹配(HM)和准不变特征点(PIFs)方法对影像序列进行相对辐射校正,减少了影像的光照和大气条件在时间上的不确定性,提高了归一化植被指数(NDVI)和地表水分指数(LSWI)的计算精度。根据水稻在不同生育期表现出的生理特征,基于LSWI和NDVI时间序列及高程特征,采用二叉树方法提取了浙江省金华市水田信息。经过验证,在空间上水田信息的提取精度达到92.3%,在县域尺度上提取面积与统计年鉴具有0.97的相关度。

NDVI时间序列在全球耕地提取中的应用

针对全球范围内只能依据单季相Landsat影像数据提取耕地的现状,在现有基于影像光谱与纹理特征的监督分类方法基础上,引入NDVI时间序列数据,解决部分单季相影像造成的耕地与其他类型的混分问题。实验表明,利用NDVI时间序列数据能有效地反映耕地的物候特征,弥补使用单季相Landsat影像提取耕地的缺陷,较好地完善全球耕地的提取方案,提高了耕地提取精度。

安徽省典型地物NDVI时间序列分析

选取安徽省几种典型地物进行傅立叶分析,结果表明,不同地表类型经过傅立叶变换后,其虚部谱、实部谱以及振幅谱出现极值的位置各不相同。

重庆地区MODIS/NDVI时间序列数据重建研究

基于时间分辨率为逐月、空间分辨率为1 km的MODIS/NDVI数据,利用WS、S-G、A-G和D-L这4种重建方法对重庆市2010~2014年间历年逐月的NDVI时间序列数据进行重建,并采用视觉对比、分地类像元对比、相关系数(R)、均方根误差(RMSE)、赤池信息准则(AIC)和贝叶斯信息准则(BIC)对4种重建结果进行了评价。结果表明:S-G和WS重建后噪声少,S-G的曲线最为平滑,A-G与WS保真性较好。其中,A-G的R>0.8和RMSE<0.05的分布面积最大,分别占总面积的89.41%和66.40%;WS次之,占72.76%和59.37%。此外,在模型效果分析中A-G的AIC和BIC评价结果最佳,WS在其他3种方法BIC评价结果较差的渝西地区也有较好的评价结果。

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。

基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取

为自动获取大面积冬小麦种植区域,通常利用中等空间分辨率遥感影像中的物候信息,基于时间序列曲线进行识别与提取。但在实际工程项目中,只使用物候信息提取精度偏低。因此提出了一种基于时间序列曲线数据分类模型与图像分割相结合的冬小麦识别方法。首先,构建多源数据的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,采用时间序列谐波分析方法(harmonic analysis of time series,HANTS)对NDVI时间序列数据进行平滑和去噪;然后,对NDVI时间序列进行坐标转换,获取波段均值、标准差和均方根3个参数,构建新的分类模型,提升冬小麦与其他作物的差异值;最后,通过与高空间分辨率数据的分割结果相结合,利用图像的空间结构信息,提高地物边界的准确性。以南京市江宁区为例,利用2017年12月—2018年6月间高分一号、Landsat8和Sentinel-2A 3种类型的共21景多源数据进行实验,最终提取精度达到98.74%,比其他方法有所提高,为农业管理部门提供了准确的冬小麦种植区域和分布的地理信息数据。

基于决策树与NDVI时序变化检测的撂荒耕地的地形特征研究——以重庆市巫山县为例

[目的]揭示山区撂荒耕地的地形特征,为区域土地资源管理和农业可持续发展提供科学参考,[方法]以重庆市巫山县为研究区域,利用谷歌地球引擎(Google Earth Engine,GEE)云平台上的Landsat TM/ETM+/OLI和Sentinel-2数据,采用决策树与时间序列NDVI变化检测法,对2017—2021年研究区的撂荒地信息进行提取和分析。[结果](1)从时间序列特征上看,研究区内撂荒地面积整体呈上升趋势,2017—2021年的增加量为2123.50 hm^(2),增长率为19.61%,区间内曲线形态上表现为“W”字形特征。空间上撂荒地呈全局分散,局部集中特征,主要沿着水系走向分布,显著集中于河流两侧,周边被坡耕地围绕。(2)研究区内撂荒地在不同的高程带和坡度带分布不同。撂荒地主要集中于高程1000 m以下和坡度5°~20°范围内。高程1500 m以下的区域,撂荒地面积和撂荒率表现“先增后减”的规律,2019年达到最高点;高程1500 m以上的区域,撂荒地面积和撂荒率随着时间的变化呈现“先减后增”的规律,在2020年达到了最低值。(3)撂荒地在不同地形位等级下的分布指数表现为持续减少型,地形梯度1级、2级的分布指数大于1,为撂荒地的优势区。[结论]决策树与NDVI时序变化检测法结合能够精准识别撂荒地,识别精度为83.59%。

基于QA权重NDVI时间序列重建效果评价研究——以长江流域为例

通过计算质量频率和噪声比分析了长江流域MODIS NDVI质量情况,然后基于常用的S-G、A-G、D-L这3种重建方法设计了3种质量权重方案,对长江流域2001—2020年的时间序列MODIS NDVI数据进行重建,最后采用视觉对比、优质区域保真性和模拟加噪的方法对重建效果进行分析评价。结果表明:长江流域全年噪声比主要集中于75%~125%,其中冬季噪声对NDVI有较大的抑制效果,春秋季其次,而夏季噪声对NDVI有增强效果;基于质量权重方案三的S-G法对原始数据连续缺失的重建效果最好;在高质区域A-G法重建保真性较高,高质像元的R~2和RMSE均值为0.9489和0.0245;在模拟加噪实验中,S-G法重建后数据丢失像元最少,与原始数据的R~2平均值和标准差分别为0.8616和0.1848,RMSE为0.0035~0.4411,标准差为0.0383,表明在低质区域S-G法重建保真性较高。

基于高分一号时间序列数据的沙化土地分类

以高分一号(GF-1)16 m空间分辨率多光谱影像为数据源,对沙化土地类型的光谱特征以及其全年的NDVI变化特征进行了分析,发现时间序列数据变化信息可提高沙化土地类别之间的可分离度。对单一时相影像的分类结果和加入时间序列NDVI之后的分类结果进行了对比分析,结果表明,基于生长季单一时相原始影像的分类结果精度为73.34%,Kappa系数为0.7;非生长季单一影像与NDVI时间序列数据的分类结果总体精度为81.44%,Kappa系数为0.77;生长季单一时相影像并加入NDVI时间序列数据之后精度提高到了92.04%,Kappa系数达0.87,明显改善了对沙化土地类型的识别精度。表明单时相影像结合时间序列NDVI数据在沙化土地分类识别中有巨大的应用潜力。

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。

基于时间序列遥感的长三角地区植被时空格局演变

以快速城市化地区——长三角为例,使用时间序列归一化植被指数(NDVI)数据检测1998—2005年间植被覆盖和生长活动的时空格局演变。数据平滑后合成年最大化NDVI,通过总体趋势、重心演变、Mann-Kendall法、回归斜率分析发现:1)总体上植被面积在减少,植被活动在增强,各省差异较大,上海市平均的植被活动下降十分明显;2)70.36%的地区植被活动有增加趋势,主要分布在长江以北地区,而在浙江和淮南亚热带阔叶林集中分布地区,植被活动普遍减弱;3)8年来植被重心向西北方向移动,主要源于淮北和苏北地区农业和人工造林面积的增加;4)淮河流域较大的植被活动年际变化主要源于植被的增加,长江沿岸及上海—苏州—常州地区较大的植被活动年际变化主要由植被减少引起。

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.

基于Sentinel-2时间序列数据及物候特征的棉花种植区提取

棉花是中国重要的经济作物,在新疆大面积种植。及时、准确获取棉花种植面积,对农业政策制定与农业经济发展有重要意义。以渭干河—库车河三角洲绿洲棉花为主要研究对象,利用2018—2020年(1景/1月)36景哨兵2号(Sentinel-2)数据,构建归一化植被指数(Normalize difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalize difference vegetation index,RENDVI_(783))时序数据;采用Savitzky-Golay(S-G)滤波法对时序数据进行平滑、重构并提取11个物候特征;利用袋外误差法对11个物候特征进行特征优选;在此基础上利用重构后的时序数据(NDVI Fit)、(RENDVI_(783)Fit)、物候特征(RENDVI_(783)Ph)、物候特征优选组合构建6种不同的特征数据集,利用随机森林分类(RFC)方法分别进行分类和提取,并采用最大似然分类方法和支持向量机分类方法对分类效果进行验证。结果表明:(1)NDVI和RENDVI_(783)时序数据变化趋势较为一致,棉花在5月(苗期)到8月初(开花盛期)有明显的上升趋势,在8月末至9月(花铃期)达到峰值。相比NDVI,红边波段构成的RENDVI_(783)时序曲线峰值从0.7提高到0.9,棉花区分效果更佳。(2)11个物候特征中拟合函数最大值、生长季长度、生长季振幅、生长季结束、生长季大积分和生长季小积分对分类的贡献性最大,重要性得分分别为1.43、1.40、1.23、1.16、1.02和1.01。(3)RFC方法对特征数据集(RENDVI_(783)Fit+物候特征优选组合)分类精度最佳。总体精度和Kappa系数分别为92.20%和0.92。(4)研究区内棉花分类精度达到了91.02%,种植面积约为3424 km^(2),占研究区总面积的24.67%。

基于决策树与时序NDVI变化检测的耕地撂荒遥感监测——以四川省凉山州普格县为例

耕地撂荒遥感监测是推进撂荒地整治、保障粮食安全的常用手段。遥感影像解译易受到不同地物光谱信息的干扰而影响提取精度,并且难以区分轮休与撂荒。以四川省凉山彝族自治州普格县为研究区域,在分析该地区撂荒地光谱特征及农作物物候特征的基础上,采用基于决策树与时序NDVI变化检测耦合的方法,以Landsat系列数据作为数据源,对区域内2000—2019年的撂荒地进行提取和分析。结果表明:(1)从时间序列特征上看,研究区内撂荒地面积呈现“先增大后减小”的趋势,在2015年撂荒率达到最大值27.94%;空间上主要分布在河流两侧的耕地边缘,呈零散分布状态。(2)撂荒地的分布随高程和坡度的变化呈现一定的规律。在高程方面,撂荒地主要集中在1500~3000 m范围内,其面积占撂荒地总面积的85%左右;在坡度方面,10°~20°范围内撂荒地分布占比60%以上;另外,高程1000~3000 m范围及坡度0°~15°范围的撂荒面积、撂荒率均表现出“先增大后减小”的趋势,在2015年达到最大值,而到2019年则呈小幅下降,与研究区撂荒地总体变化趋势一致。经实地调查和无人机影像验证,本研究方法对撂荒地的提取精度分别达87.14%和90.00%,可靠性较高,可为我国西南山区撂荒地监测及乡村振兴战略实施等提供科技支撑。

2001-2010年东洞庭湖湿地NDVI指数的水位响应

利用TIMESAT拟合2001年至2010年东洞庭湖的 MODIS-NDVI 数据,获得整个东洞庭湖湿地A及湿地西侧B和南侧C三个区域的NDVI时间序列.通过分析ND-VI时间序列与水位变化关系、绘制样本自相关曲线及计算Spearman秩相关系数（ρs ）,研究了东洞庭湖湿地植被覆盖和水位变化两方面功能状态,并探讨东洞庭湖湿地植被覆盖对水位变化的响应.研究表明：1）东洞庭的植被覆盖状况受水位作用是以年为周期,每周期内的4月及10月底出现一个峰值,丰水期7月份出现一个降低过程；二次多项式拟合显示植被覆盖峰值的水位临界点在24~25m 左右.2）三个研究区植被受湖泊水位作用大小关系是：A区＆lt;B区＆lt;C区,其主要影响因素是植被类型与区域高程的差异.3）在2003,2006及2009年这三个三峡的重要蓄水年,位于水陆交错带的 NDVI 值与水位的秩相关系数变化较大；三峡蓄水水位从135 m上升至175 m的这三年,三区域全年的ρs分别增长至0.641,0.687,0.518,相关性增强.三峡蓄水对东洞庭湖植被覆盖与湖泊水位关系产生一定影响.

洞庭湖湿地植被时空动态及其驱动力分析

【目的】探究洞庭湖湿地植被覆盖变化的长期时空格局及其对气候变化和人类活动的响应机制,为湿地生态系统保护提供决策依据。【方法】利用FSDAF(时空融合数据分析框架)算法融合Landsat和MODIS影像,获取洞庭湖湿地2000—2019年月尺度归一化差异植被指数(NDVI)时间序列,采用改进的STL时序分解方法分离洞庭湖湿地植被NDVI季节和趋势分量,在不同时间尺度下量化湿地植被覆盖对环境变化和人为干扰的响应。基于线性回归方法与高时空分辨率的NDVI季节和趋势分量数据对洞庭湖湿地植被进行时空动态分析,识别湿地植被在不同尺度的时空动态格局。应用基于偏相关的分析方法定量评估2000—2019年3个主要气候因子(温度、降水量和太阳辐射)和人为因素对趋势和季节性植被变化的贡献。【结果】1)2000—2019年,洞庭湖湿地植被NDVI季节和趋势分量变化呈现出空间分异格局,但总体呈“绿化”趋势,变化率分别为4.8×10^(−3)a^(−1)和0.4×10^(−3)a^(−1)。2)温度和太阳辐射与植被变化存在显著正相关关系,与植被变化的季节相关性大于趋势相关性。降水量与植被变化的相关性相对较低,且与水稻的NDVI变化呈负相关关系(趋势分量偏相关系数R=-0.27;季节分量偏相关系数R=−0.42)。3)2000—2019年,人为因素和气候变化对洞庭湖湿地植被变化的平均相对贡献率分别为58%和42%,其中人为因素对长期和季节性湿地植被生长与恢复的相对贡献率分别为55%和62%,气候变化对长期和季节性湿地植被退化的相对贡献率分别为53%和56%。【结论】人为因素促进植被生长是洞庭湖湿地植被增绿的主要动因;气候变化对湿地生态系统构成威胁,采取合适的生态保护与修复方案仍是未来实现洞庭湖湿地生态系统可持续发展的重要手段。

基于MODIS/NDVI时序数据的土地覆盖分类

以250m分辨率的MODIS/NDVI时间序列数据为主要数据源,通过Sacizkky-Golay滤波重建高质量NDVI时间序列数据;同时融合500m分辨率的MODIS多光谱反射率数据和90m分辨率的DEM数据.将非监督分类法和决策树法相结合,进行黑龙江流域土地覆盖分类研究.对分类结果采用已有的土地覆盖数据和高分辨率遥感影像进行精度评价,评价结果表明,利用MODIS/NDVI时间序列数据获得较高精度的土地覆盖分类结果是可行的.

中国北方草地覆被的HJ星NDVI校正研究

NDVI时间序列数据已经得到了广泛应用。中国的环境与灾害监测预报小卫星(HJ星)装载的4部CCD传感器能够满足在中国及其周边地区植被动态监测时间与空间分辨率两方面的需求,基于其建立的NDVI时间序列产品对于研究该区域的植被变化状况具有重要意义。然而波段的差异对不同传感器获取的NDVI具有非常显著的影响。本研究立足于对HJ星4部CCD传感器以及LandSat卫星TM、ETM+传感器的波段分析,利用同时相遥感影像对获取并推算6部传感器NDVI在中国北方中温带干旱半干旱草地的NDVI交叉校正系数,并通过野外实测光谱数据计算等效NDVI对研究结果进行验证。结果表明,HJ星4部CCD传感器间获取的NDVI差异能够达到5%,本研究中得到的传感器间NDVI交叉校正系数能够将该差异有效减小到2%以内。同时证明了传感器中心波长对NDVI的影响大于波段宽度对NDVI的影响。