基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究

运用遥感精准识别技术提取灌溉耕地可以为区域内农业耗水管理提供关键数据支持,但受限于遥感数据的时空分辨率,对于光谱特性相似容易混淆的灌溉耕地作物识别有一定难度。为此,本研究通过增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)对MODIS和Landsat数据进行融合,得到察汗淖尔流域时间分辨率为8 d、空间分辨率为30 m的NDVI数据,并与同期真实Landsat NDVI进行对比验证,相关系数为0.94。利用HANTS滤波建立ESTARFN NDVI时间序列数据,选取灌溉耕地样本通过支持向量机进行灌溉耕地空间分布的提取,以弥补数据源、特征提取等限制因素对复杂灌溉耕地提取的空缺。结果表明:流域内灌溉耕地总面积为1958.24 km^(2),商都、兴和、尚义、康保和化德5县耕地总面积占流域耕地总面积的94%,灌溉耕地分别为616.67 km^(2)、337.36 km^(2)、409.85 km^(2)、290.93 km^(2)和239.38 km^(2),主要种植葵花、甜菜、马铃薯等生长季从4月初到9月底的长生育期作物和生长季从5月初到8月初的蔬菜;张北、察哈尔右翼前旗、后旗和镶黄旗耕地占流域耕地总面积为6%,4县灌溉耕地面积共64.05 km^(2)。最后,通过真实样本进行验证,总分类精度为93.18%,Kappa系数为0.91。结果表明,用该数据融合模型获得的NDVI时间序列能反映作物真实变化情况,并且使用支持向量机提取察汗淖尔流域灌溉耕地效果较好。

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。

基于数据融合算法的灌区蒸散发空间降尺度研究

采用Landsat和MODIS数据,通过增强自适应融合算法(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)对蒸散发进行空间降尺度,构建田块尺度蒸散发数据集;利用2015年田间水量平衡方法计算的蒸散发数据对融合结果进行评价。在融合蒸散发基础上,结合解放闸灌域2000—2015年间种植结构信息,提取不同作物各自生育期和非生育期内年际蒸散发量,并分析了大型灌区节水改造以来,作物蒸散发占比的年际变化。研究结果表明:融合蒸散发与水量平衡蒸散发变化过程较吻合,小麦耗水峰值出现在6月中下旬—7月初,玉米和向日葵峰值出现在7月份。在相关性分析中,玉米、小麦和向日葵的决定系数R2分别达到了0.85、0.79和0.82;生育期内玉米(5—10月份)、小麦(4—7月份)和向日葵(6—10月份)的均方根误差均不高于0.70 mm/d;平均绝对误差均不高于0.75 mm/d;相对误差均不高于16%。在农田蒸散发总量验证中,融合蒸散发与水量平衡蒸散发相关性较好,两者决定系数达到了0.64。基于ESTARFM融合算法生成的高分辨率蒸散发(ET)结果可靠,具有较好的融合精度。融合结果与Landsat蒸散发的空间分布和差异性一致,7月23日、8月24日和9月1日相关系数分别达到0.85、0.81和0.77;差值均值分别为0.24 mm、0.19 mm和0.22 mm;标准偏差分别为0.81 mm、0.72 mm和0.61 mm。ESTARFM融合算法在农田蒸散发空间降尺度得到较好的应用,可有效区分不同作物蒸散发之间的差异。不同作物在生育期和非生育期内耗水量差别较大;生育期内套种(4—10月份)耗水量最大,达到637 mm,玉米(5—10月份)和向日葵(6—10月份)次之,分别为598 mm和502 mm,小麦(4—7月份)最低为412 mm;非生育期内,小麦(8—10月份)耗水量最大,年均达到214 mm,玉米(4月份)和向日葵(4—5月份)分别为42 mm和128 mm。不同作物多年平均耗水量(4—10月份)差异较小,其年际耗水总量主要随作物种植面积的变化而变化。

数据融合技术在提高NPP估算精度中的应用

针对现有遥感数据不能同时满足在时间和空间上精确监测植被动态变化的问题,提出利用时空适应性反射率融合模型(STARFM)的方法对MODIS-NDVI和TM-NDVI影像数据进行融合处理获得30 m较高时空分辨率的融合NDVI影像,进而将多种尺度的MODIS-NDVI和融合NDVI数据分别输入到CASA模型,对锡林浩特地区进行植被净初级生产力(NPP)的多尺度估算。将不同尺度的NPP估算结果与地上生物量地面实测值进行验证比较,结果表明:随着输入NDVI空间分辨率的提高,NPP估算值与实测地上生物量之间的相关性也逐渐增大,r最大值达到了0.915。此外以融合NDVI影像作为输入数据之一的NPP估算值与实测地上生物量的相关性均比未融合NDVI的相关性高,说明融合NDVI估算NPP的效果较未融合NDVI好,并且以融合NDVI影像作为模型输入数据可提高NPP估算精度。

基于时空数据融合的县域水稻种植面积提取

受云雨天气和卫星自身回访周期的影响,县域尺度水稻种植面积的提取往往难以获取完整时间序列的高空间分辨率影像,利用单一MODIS数据导致提取精度不高。针对上述问题以河南省优良水稻种植区原阳县为例,采用增强型自适应反射率时空融合模型(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM),融合中高分辨率的Landsat数据和高时间分辨率的MODIS数据,获取完整时间序列的归一化植被指数(Normalized difference vegetation index,NDVI)数据,经过TIMESAT滤波平滑处理后,利用研究区内水稻与其他地物的时序NDVI曲线,设置合理的NDVI阈值,采用决策树分类的方法提取水稻种植面积。结果显示,总体分类精度为92.23%,Kappa系数为0.9043。提取的水稻制图精度为96.73%,用户精度为93.51%,说明ESTARFM模型能很好地融合出高空间分辨率影像,解决数据缺失问题,可为县域尺度水稻种植面积提取提供参考。

融合HJ-1 CCD和MODIS数据生成高分辨率影像方法对比

高时空分辨率遥感影像的反演可有效解决南方云雨地区的数据缺失问题。以广西典型丘陵山地为试验区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STRAFM)和增强型时空自适应反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTRAFM)两种融合算法,选取小范围的国产环境减灾卫星(HJ-1 CCD)和中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,比较分析两种融合算法所生成的高空间分辨率影像的优劣。与真实HJ-1 CCD的红、近红外(near-infrared,NIR)波段影像相比,STRAFM和ESTRAFM预测影像在空间分布上均具有较好的一致性,R值均为极显著相关,差分图像98. 94%以上像元反射率差值小于0. 1,平均绝对差值(average absolute difference,AAD)、平均差值(average difference,AD)、标准差(standard deviation,SD)均较小,融合效果好。与STRAFM相比较,ESTRAFM对真实HJ-1 CCD影像的细节捕捉能力更强,高低反射率区域没有明显缩小或放大现象,破碎地物边界更清晰,不存在斑块。ESTRAFM预测影像与真实HJ-1 CCD红、近红外波段影像的相关性均高于STRAFM,相关系数(pearson correlation coefficient,R)分别为0. 930、0. 885。ESTRAFM预测影像与真实HJ-1 CCD影像差异小于STRAFM,其差分影像的AD、AAD、SD分别为-0. 005、0. 013、0. 017。

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。

基于时空融合技术的森林火灾遥感动态监测

针对单一时空融合方法或使用单一中等空间分辨率影像(如Landsat影像)和MODIS影像时空融合的不足,本文提出综合利用经典的STARFM算法、基于地物内组分时相变化模型的地表反射率时空融合算法,联合使用多种空间分辨率更优(≤30 m)的传感器影像,以“时间最邻近及空间分辨率优先”为原则对传统单一中等空间分辨率影像预测周期(如Landsat影像为16天)进行分段独立预测,并优化组合两种预测方法的预测结果,进而获取更为精确的逐日中等空间分辨率预测影像。基于上述方法所得结果,可应用于森林火灾监测场景中。以四川凉山木里县3·30森林大火为例,综合利用MOD09GA、Landsat8 OLI、Sentinel-2、GF-1 WFV遥感影像数据进行实验研究,基于预测所得逐日中等空间分辨率影像提取火灾指标因子(燃烧面积指数和归一化燃烧指数),分析森林火灾演化态势。结果表明:(1)多类型中高空间分辨率遥感影像的综合利用,有利于解决传统单一中等空间分辨率影像预测周期跨度过长、总体精确度低的问题,可获取更为精确的逐日中等空间分辨率预测影像;(2)两种算法在不同类型遥感数据融合应用中各有其局限性,两种方法联立使用具有理论价值与实际意义;(3)基于时空融合影像分析火灾演化态势时,归一化燃烧指数计算结果更敏感、更有效。研究认为,基于时空融合技术的森林火灾遥感动态监测具有可行性,具有进一步深入研究的价值与意义。

基于时空适应反射率融合模型的林区遥感应用研究

高空间、时间分辨率遥感数据在林业遥感变化监测方面具有重要的作用,然而,对于特定传感器获取的遥感影像在空间和时间分辨率上存在着不可调和的矛盾。本文针对神农架林区多云雾高时空分辨率数据缺乏的现状,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,利用LandSat8数据进行预处理,得到高分辨率的NDVI数据,并将MODIS NDVI数据进行重投影、重采样等预处理;其次,利用STARFM模型进行高分辨NDVI预测,利用评价因子选择最佳算法参数,并利用二分模型计算植被覆盖度;再次,以LandSat8获取的真实数据与预测数据进行精度评价;最后,选取黑龙江小兴安岭西北部林区生长季数据进行验证试验。结果表明:利用该方法可以在神农架林区获得预测日期的较好的NDVI及植被覆盖度,精度分别为90.8%、82.60%。此外,通过验证试验,可以获得同年生长季小兴安岭林场较好的NDVI以及植被覆盖度,精度分别达到92.86%、88.65%。