基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月—2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明:SR为唯一入选逐步回归模型的变量;b1、b2、b3和b7以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R^2为0.71,RMSE为0.34,RMSEr为13.6%,其R^2比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSEr降低了12.3%,与MODIS LAI相比,其R^2提高了54.5%,RMSE降低了79.3%,RMSEr降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.

基于L1正则化的MODIS地表反射率数据时域重建方法

MODIS地表反射率数据被广泛应用于陆地表面的动态监测,但云覆盖等因素的影响使得数据中存在时空缝隙,从而影响了数据可用性。对此,提出一种基于L1正则化的时域重建方法,能有效修复MODIS地表反射率数据中的缺失,实现高精度的长时序数据重建。该方法首先识别时序数据中因自然因素及系统因素产生的噪声,然后基于噪声检测对信息缺失区域进行年际预填补,在此基础上引入对突变噪声更为稳健的L1正则化模型,并结合噪声标记构建时域重建变分模型,还原地表的时序变化趋势。实验结果表明:相比于SG滤波、HP滤波、L1滤波、谐波分析方法,在不同百分比10%、25%、50%、75%的像元缺失情况下,该方法都取得了最高的重建精度;在不同地表场景下,该方法也取得了更好的重建结果。因此,该方法在时序曲线重建和空间细节修复上都更具有优势,表现出较高的实用价值。