基于ESTARFM模型的农作物类型识别方法应用

【目的】利用时空融合技术生成高时空分辨率影像,为农作物类型识别研究提供一种思路和方法。【方法】以河套灌区部分区域(40°10′N~41°25′N、106°23′E~108°47′E)为研究区,基于MODIS和Landsat融合影像,利用增强型时空自适应反射率融合模型(ESTARFM),预测Landsat影像并建立NDVI时间序列影像数据集。结合地面样方数据将真实影像与预测影像数据集导入随机森林分类器,并对比分析研究区主要农作物类型。【结果】ESTARFM模型融合影像具有较清晰的空间表达能力,预测影像与真实影像波段表现出较好的相关性,其R值均能达到0.6以上。利用NDVI时间序列预测影像数据集农作物类型识别总体精度为93.03%,比真实影像精度高12.07%,Kappa系数为0.89。【结论】ESTARFM模型能够有效地解决农作物特定窗口期影像缺失困难,并能为农作物类型识别研究提供一种较好的应用方法。

基于时空融合技术的高精度遥感蒸散计算

在利用遥感数据进行蒸散计算时,常因云雨污染和单一传感器限制,导致影像数据缺失严重,特别是在一些景观破碎化程度高的地区,较难获取高时空分辨率的蒸散序列。以黄河三角洲为研究区,基于增强型时空自适应融合模型构建高时空分辨率的遥感数据集,结合地表能量平衡系统模型采用先估算后融合和先融合后估算两种方式估算了区域2020年高时空分辨率的蒸散时间序列,探讨了融合算法和蒸散模型相结合的可行性和估算精度。结果表明:增强型时空自适应反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)算法性能较好,融合反射率与实际反射率的相关系数均在0.85以上;地表能量平衡系统(surface energy balance system, SEBS)模型估算的显热通量与通量站数据的均方根误差(root mean squared error, RMSE)仅为57.8 W/m2,融合模型估算的水面蒸发与蒸发皿折算数据的相关系数达到了0.93;黄河三角洲蒸散量随季节变化较大,其中夏季蒸散量约占全年的40%,不同地物类型的年蒸散量差异明显,为548.2~1 289.9 mm/a;蒸散的空间分布格局受海陆分布和土地利用的影响显著,沿海的滩涂和水体蒸散量最高,自然植被明显高于人工地物;ESTARFM算法与SEBS模型的耦合方式对蒸散结果,先融合后估算方案的蒸散精度更高(R=0.88;RMSE=0.36 mm/d),有效提高了蒸散的时空分辨率,更适用于黄河三角洲地区。

4种遥感数据时空融合模型生成高分辨率归一化植被指数的对比分析

【目的】针对时空融合方法在遥感植被状况调查及动态变化监测中的应用,比对时空自适应反射率融合模型(STARFM)、增强型时空自适应反射率融合模型(ESTARFM)、回归拟合空间滤波和残差补偿模型(Fit-FC)和规则集回归树融合模型(RPRTM)等4种时空融合模型对归一化植被指数(NDVI)的融合效果。【方法】以三江源地区2块具有差异性地表特征的区域为研究样地,采用上述4种时空融合方法,融合空间分辨率30 m的Landsat 8影像和250 m时间步长16 d的MODIS NDVI数据,生成步长为16 d的30 m空间分辨率的NDVI数据。基于Landsat NDVI影像通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征模拟效果,并以真实的MODIS NDVI时间动态为参考,分析了不同融合方法对地表植被动态特征的拟合效果。【结果】(1)关于空间特征的捕捉,在地表覆盖状况较复杂的区域,RPRTM融合效果最佳(R2=0.82);而对于输入影像差异较大的区域,ESTARFM融合效果最佳(R2=0.95)。(2)关于时间动态的捕捉,RPRTM针对不同的植被型均取得了最佳效果(R2为0.97~0.99)。(3)相对于模型输入数据的时空可比性,地表异质性对STARFM和ESTARFM融合效果的影响更大。【结论】4种时空融合模型能有效用于生成高时空分辨率的NDVI数据,不同模型其融合效果各有不同,RPRTM在复杂地表区域与模拟植被生长动态变化中均有较好表现。

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子(Vegetation cover and management factor,以下简称C因子)是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型(Linear Spectral Mixture Model,LSMM)、像元二分模型、增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区(海拔>3000 m)的C因子值较高,北部中低山丘陵区(2000 m<海拔<3000 m)的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。

南京地区蒸散发降尺度研究——基于增强型时空自适应反射融合模型

蒸散发是水文循环的重要组成部分,获取高时空分辨率的数据能够更加精细化蒸散发的时空变化规律,对于水资源管理、生态水文过程量化具有重要意义。由于单一传感器反演的蒸散发无法同时具有高空间和高时间分辨率,以南京地区为例,首先结合Landsat-8遥感影像数据和气象数据,采用基于能量平衡原理的SEBS模型估算日蒸散量。在此基础上,选取典型区域采用基于增强型时空自适应反射融合模型(ESTARFM)将估算的蒸散发结果与低空间分辨率的MOD16A2蒸散发产品数据进行时空融合降尺度研究,并评价模型的融合精度。结果表明:(1)SEBS模型估算的蒸散发结果与蒸发皿折算后的数据、MOD16A2产品数据的平均相对误差分别为0.14 mm/d和0.22 mm/d。(2)南京地区蒸散量季节差异明显,表现为夏季>秋季>冬季;各区在夏季的日平均蒸散量差异也较大,六合区蒸散量最大,秦淮区最小;另外,蒸散量分布受土地利用类型的影响,总体上表现为水域>林地>耕地>草地>其他,且植被覆盖度较高的区域蒸散量较大。(3)基于ESTARFM模型融合的蒸散发结果与基于Landsat-8遥感影像反演的蒸散发数据在空间分布上具有相似性,二者相关系数为0.74。在全球气候变化的背景下,本研究可为蒸散发数据集时空分辨率的提高提供参考,同时也能够为南京地区水循环过程和水资源管理研究提供数据支撑。

基于多源遥感数据和EC-LUE模型的冬小麦产量估算

【目的】及时、准确、无损地估算冬小麦产量有助于粮食生产管理和粮食安全。【方法】文章使用Sentinel-2的红光波段和短波红外数据及MOD09Q1数据,使用ESTARFM融合方法,生成冬小麦生长期(3~6月)内8 d的NDVI高空间分辨率时间序列数据。结合MERRA-2气象同化数据,使用EC-LUE模型进行农作物总初级生产力(GPP)的模拟估算,并使用收割指数方法将之转化为冬小麦产量,将估算结果与美国农业部门公布的县级产量数据进行比较验证。【结果】实验表明,Sentinel-2与MOD09Q1融合NDVI具有良好的融合精度,相关系数在0.60~0.87之间。基于融合NDVI估算的GPP相比MOD17A2H具有更好的空间细节和纹理。2017—2020年估算产量平均绝对误差MAE为8.41 bu/acre,平均相对误差为18.4%,均方根RMSE为9.7 bu/acre。【结论】基准影像数量及其与预测日期的时间差会影响融合的精度,总体上能用于后续GPP模拟;EC-LUE模型较好地模拟了农作物的GPP水平和产量,在土地覆盖类型复杂的区域,可以提供更好的GPP空间变异信息,具有可移植性;基于收割指数方法将生长期内累计的GPP能转换为产量信息,能满足在作物收割之前的产量估算需求。

基于MODIS-OLI遥感数据融合技术的农田生产力估算

大范围、高精度的农田生产力遥感监测依赖于高时空分辨率的遥感数据,单纯依靠由单一类型传感器数据获取的高时相或者高空间分辨率的遥感数据都不能满足清晰掌握田块尺度上作物生长动态的需求。全球免费提供的空间分辨率250~1 000 m的MODIS数据和空间分辨率30 m的Landsat数据是植被动态监测普遍应用的数据源,针对应用MODIS数据估算的农田生产力空间分辨率较低而Landsat卫星重访周期长的局限性,研究基于空间分辨率30 m的Landsat 8 OLI数据与空间分辨率500 m的MODIS数据,应用时空数据融合技术,融合OLI数据的高清晰空间表达能力与时间间隔8 d的MODIS数据的植被生长时间序列过程的监测能力,获得空间分辨率30 m、时间步长8 d的时间序列数据,利用VPM（Vegetation Photosynthesis Model）模型以宁夏永宁县部分地区为试验区估算该区域的NPP。研究结果表明,融合后所得30 m分辨率的NPP具有良好的空间细节信息,提高了MODIS数据中混合像元上的估算精度,并保留了MODIS数据原始的时间过程信息,以30 m的空间分辨率刻画出作物的生长动态;较单独应用MODIS数据,使用融合数据估算的NPP可更有效检测出高标准农田建设对农田生产力的提升。

巴音河流域高时空分辨率叶面积指数数据集

叶面积指数(Leaf Area Index,LAI)是表征地表特征变化的重要指标之一,也是陆表、水文等模型的重要参数。本数据集是基于增强型时空自适应反射率融合模型(ESTARFM),将全球陆地表层卫星(GLASS)LAI(8d/500m)、中分辨率成像光谱仪(MODIS)MOD13A1和MYD13A1、陆地卫星Landsat-7 ETM+和Landsat-8 OLI数据,进行融合,得到8 d/30 m分辨率的LAI,通过分段线性内插最终得到巴音河流域高时空分辨率LAI(1 d/30 m)。对比高时空分辨率LAI(1 d/30 m)与GLASS LAI产品的时空特征,验证数据集精度。结果表明:与原始GLASS LAI相比,本数据集在空间上具有与GLASS LAI一致的分布特征,且轮廓与纹理更为清晰。在时间上,二者具有相同的月际变化特征,且由1 d/30 m LAI估算的区域月平均LAI和区域8日平均LAI与原始GLASS LAI存在显著正相关性,R2分别为0.95、0.94,Pearson积矩相关系数均为0.97,P值均小于0.01。此数据集可为陆表过程、水文循环等模拟提供重要的数据支持,为监测植被-陆表-大气循环的变化提供重要依据。