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.

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-MOD09Q1数据的雅氏落叶松尺蠖灾区提取及其适生气候特征分析

通过MODIS-MOD09Q1遥感数据,使用归一化植被指数(NDVI)、比值植被指数(RVI)和近红外波段反射率(NIR)3个易获取且与虫害发生程度具有响应的指标,划分灾区受害度等级植被指数的变化,构建虫害综合指数(PCI)模型,实现雅氏落叶松尺蠖(Eeannis jacobssoni)灾区信息快速提取。在此基础上,借助气温和降水量数据,结合GIS空间叠加分析方法,揭示了害虫适生气候特征。结果表明,利用虫害综合指数能够准确提取害虫灾区严重度信息,其总体精度和Kappa系数分别为85.00%和0.81;雅氏落叶松尺蠖适宜于冬季、春季降水量较少、夏季降水量较多,气温不宜太高的气候,这与其生物学特性相吻合。该气候与大兴安岭林区相似,入侵风险较大,应引起中国林业部门的高度重视。

基于MODIS数据的2011-2020年河南省遥感干旱研究

研究基于MODIS数据,选取CWSI和VSWI模型对河南省进行干旱监测模拟,同PDSI进行皮尔逊相关性分析,筛选出最适合河南省的遥感干旱监测模型,进而探讨2011—2020年当地干旱时空变化特征。结果表明,CWSI模型更加适用于河南省干旱监测研究,总体相关性(r=0.47)拟合程度最高;2011—2020年,河南省干旱集中区为郑州市、新乡市和焦作市,无旱区为南阳市北部和信阳市南部地区。在干旱空间分布中,中度干旱面积占比最大(51.19%),大部分集中在河南省西北地区;其次是轻度干旱面积占比(42.58%),主要集中在河南省东部平原地区,然后是西部秦岭山区;重度干旱面积占比较小(4.40%),主要集中在郑州市、焦作市和新乡市;无旱地区面积占比最小(1.80%),大部分分布在南阳市、信阳市地区,少部分分布在洛阳市南部和驻马店市西部地区。在研究时段内,河南省变湿区域占比为87.0%,而变干的趋势总占比为12.6%,表明10年间该地区气候逐渐湿润,大部分地区的干旱程度得到缓解;易旱区干旱重心位于东经113.2°~113.7°、北纬34.0°~34.5°,干旱重心总体呈现东南向西北再向东南移动的趋势。

基于MODIS数据探讨汶川地震前后地表温度变化

通过对MODIS数据进行数据预处理,系统性地构建了川滇地区在不同时间尺度(月、季、年)地标温度背景场,借助目视解译技术,分析了不同时序温度变化规律。结合我国最典型的汶川地震,运用典型图像差值法揭示了地震发生前温度异常现象。此外,本研究还提出一种新的方法,即通过由震中周围区域的地表温度拟合出震中地表温度的方法,来验证其地震前后引起的温度异常,为地震监测和预警提供了新的视角和方法.

基于MODIS数据的洱海水温反演及特征分析

本文基于MODIS数据,采用分裂窗算法反演2016年10月至2019年12月洱海水温,通过改进的归一化差异水体指数提取水体,分析反演结果。TERRA卫星反演水温分布为南部低,中部次之,北部高;水温高值区位于北部边缘及中东部边缘。AQUA卫星反演水温分布为南部低,中部北部则呈现西低东高的分布特点;水温高值区位于中东部边缘。AQUA卫星较TERRA卫星反演的水温增温幅度西低东高,中部高于南部和北部,主要增温幅度0.4~0.6℃。春秋冬三季,水温低值中心位于南部靠近湖岸区域,中部北部水温西低东高特征明显,且西北部均存在一低值区,较中部和北部其他区域水温低;夏季低值中心有所北移。洱海水温最高出现在8月,年平均水温16.67℃。将反演结果与实测水温进行同时次对比,TERRA卫星反演水温平均相对误差0.06%,AQUA卫星平均相对误差-0.51%。

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SCLSTM模型的MODIS地表温度产品重建方法

MODIS(Moderate-resolution Imaging Spectroradiometer,中分辨率成像光谱仪)LST(Land Surface Temperature,地表温度)产品在大气物质和能量交换、气候变化研究及地震前兆热异常探测等方面具有重要价值。然而,由于云的遮挡导致MODIS LST数据产品中存在大量空值,限制了其广泛应用。为此,文中提出了一种基于混合模型的地表温度重建方法——SCLSTM(即SSA-CLSTM)。与传统方法相比,该方法无需建立复杂的回归关系模型。此外,由于CNN(Convolutional Neural Network,卷积神经网络)能够充分提取一维时间序列数据的局部特征,而LSTM(Long Short-Term Memory,长短期记忆)能够充分学习数据的长时间序列特征,因此将CNN和LSTM结合能够更加充分地学习数据的潜在特征。首先,使用SSA(Singular Spectrum Analysis,奇异谱分析)模型提取出地表温度时间序列中的趋势值用于填补缺值像元,实现地表温度的初步重建。然后,再利用SCLSTM(即1DCNN-3层堆叠LSTM)模型学习数据的局部时序特征和长期依赖关系,并实现对缺失像元的地表温度进行迭代预测,完成数据的精细重建。新疆和田地区和四川汶川地区的实验结果表明,文中方法与现有其他2种基于混合模型的重建方法相比,重建后的LST数据误差最小,与原始数据的一致性最高。其中,文中方法的RMSE可降至0.712K,AD为0.695K,重建后的LST数据与原始数据的相关系数可达0.95以上。此外,气象站的实测地表温度数据也进一步验证了该方法的可靠性。文中所提方法为基于深度学习的LST重建工作提供了一种新的技术手段和思路,同时也为基于LST的地表过程和地震热异常研究提供了坚实的数据基础。

基于PROSAIL混合反演模型的MODIS LAI产品改进及评估

叶面积指数(Leaf Area Index,LAI)是定量陆地生态系统中光合作用、呼吸作用、蒸腾、碳和养分循环等过程中物质与能量交换的重要结构参数。目前大、中尺度的气候和生态水文建模使用的LAI产品主要来源于中分辨率成像光谱仪(MODIS),但由于其反演过程中的不确定性因素导致MODIS LAI产品在部分地区存在质量问题。以青海省复杂植被地区为研究区域,基于实地考察与采样验证了区域内MODIS LAI所存在的质量问题分布,并揭示了不确定因素的影响。与此同时,提出了一种基于PROSAIL模型与深度神经网络(DNN)的混合建模技术,针对MODIS LAI生成机制中地表分类数据、地表反射率数据和反演算法的不确定性进行改进,并基于青海省大范围实测LAI数据评估了改进前后产品的准确度,实测数据的验证结果发现:改进模型的LAI准确度(RMSE=0.48,R^(2)=0.64)显著高于MODIS LAI(RMSE=0.71,R^(2)=0.56),预测结果与实测结果之间的偏差显著减少;区域尺度上,柴达木荒漠植被低覆盖典型区域、三江源高寒草甸中覆盖典型区域与青海湖牧场草地高覆盖典型区域的RMSE分别提高了0.19、0.10、0.54,改进方法有效解决了MODIS LAI产品中高覆盖植被饱和效应导致的高估以及低覆盖植被未检索导致低估的质量问题,改进结果分布连续,更符合真实植被状况。基于以上研究,充分证明了研究方法对MODIS LAI产品的改进具有可靠性,能够在缺少实测样本数据的情况下有效提高MODIS LAI的质量,为全球植被环境监测与生态建模提供重要的数据支持。

基于MODIS的西藏典型湖泊叶绿素a浓度反演

叶绿素a浓度是反映湖泊富营养化状态的一个重要参数。以MODIS L1B数据为基础,结合叶绿素a浓度实测数据,基于经验分析法实现了西藏典型湖泊叶绿素a浓度反演研究,并探索了西藏典型湖泊2019年春、夏、秋季叶绿素a浓度的时空变化特征。首先,利用叶绿素a浓度实测数据和MODIS L1B影像不同波段的反射率值进行组合试验,选择最佳波段组合建立模型;其次,分别选用2015年、2017年叶绿素a浓度实测值和反演值对模型进行对比验证;最后,利用叶绿素a浓度反演模型对西藏典型湖泊2019年春、夏、秋季叶绿素a浓度的时空变化特征进行分析。结果表明:在空间尺度上,西藏典型湖泊叶绿素a浓度整体上呈现出周围高、中部低的分布特征,且湖岸水体叶绿素a浓度变化较大;在季节尺度上,不同湖泊叶绿素a浓度的季节变化存在较大差异,格仁错和色林错的季节变化幅度较大,纳木错、塔若错和羊卓雍错的季节变化幅度较小。

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。

基于长时序MODIS的陕西省近20年生态质量时空变化及其驱动力研究

人口激增和随之带来的气候变化对区域生态环境产生胁迫,生态环境质量的动态定量评估可为地区生态环境保护战略部署和区域生态文明建设提供研究支撑。陕西省现有生态质量评价的研究多基于区县尺度的统计数据,但普遍存在时间跨度小且难以揭示其内在驱动力的问题。基于2001—2018年MODIS数据计算陕西省生长季遥感生态指数(RSEI),运用趋势分析法、Hurst指数法、偏相关分析法于像元尺度探究陕西省2001—2018年生态质量时空演变规律及其对气候和人类活动的响应。结果表明:(1)陕西省近20年来生态质量持续改善,RSEI值以0.34%/a的速率增长,生态质量极好的区域不断增加。(2)RSEI变化趋势较为显著且以明显改善趋势为主,总体呈“南高北低”的空间分布格局,通过M—K检验的像元占77.89%(p<0.05),明显改善的像元占66.75%,主要分布在陕北地区的延安市和榆林市,而显著退化的像元占11.08%,主要分布在关中平原和秦巴山区等地。Hurst指数表明,RSEI未来变化趋势以反持续性为主,46.04%的像元将由改善转为未来退化,29.33%的像元将持续改善。(3)RSEI与气温和降水均呈正相关关系,且降水的影响大于气温;与人类活动呈现负相关的区域集中在西安城市群及陕北中心城市区域,且显著相关(p<0.05);像元占比中,夜间灯光指数(36.83%)>降水(18.38%)>气温(7.65%)。各土地利用转化类型中退耕还林还草区RSEI增长速率最大,达到0.84%/a,耕地转建设用地区RSEI持续下降,达到0.23%/a,体现人类活动对生态环境质量影响的正负相关性。研究结果填补了陕西省长时序生态环境动态监测的空白,为黄河流域生态治理与绿色发展提供依据。

基于MODIS的松花江流域主要作物分布提取

准确地掌握并监测区域内的作物分布及时空变化信息对科学指导流域内农业生产布局具有重要指导意义。本研究选择中国的粮食主产区——松花江流域为研究区,基于MODIS数据计算的归一化植被指数(NDVI)、植被增强型指数(EVI)及地表水分指数(LSWI)指标,结合不同作物生长发育的物候期构建决策树模型,对2000年和2020年研究区内主要作物——水稻、玉米和大豆种植区进行了提取;提取结果通过实地考察、Google Earth选点和统计年鉴数据进行了验证。水稻、玉米和大豆提取精度分别为0.9090、0.9026和0.8200,Kappa系数为0.79,总体精度为0.84。松花江流域种植农作物类型以玉米为主,水稻、大豆为辅,流域内形成“北大豆,南玉米,河流附近皆水稻”的生产格局,是我国重要的玉米、水稻和大豆生产基地。2000—2020年流域种植规模处于持续扩张状态,作物种植结构显著改变,总种植面积由95556.26 km^(2)增加到173070.00 km^(2),增幅为81.12%,其中水稻、玉米和大豆种植面积分别增加24911.36 km^(2)、54432.07 km^(2)、20719.77 km^(2),水稻、玉米和大豆种植面积占总种植面积比例分别增加8.56%、16.86%和0.39%。从空间变化来看,水稻种植面积在松花江流域范围内大部分区域明显增加,尤其是在河流附近水资源丰富的区域;玉米种植面积在流域内大部分区域显著增加;大豆种植面积在流域北部偏东区域增加明显。松花江流域各市形成了具有特色的种植结构,绝大部分地区由双作物主导型转变为玉米主导型;2020年流域内新增水稻主导型市,玉米-水稻主导型市和大豆-水稻主导型市消失,玉米-水稻主导型市和玉米-大豆主导型市均转变为玉米主导型市,作物种植类型逐渐趋于集中。本文提取的作物分布结果与松花江流域内实际情况一致,可为松花江流域的种植结构调整及指导农业生产提供科学支撑。

Landsat新型热红外地表温度产品与MODIS地表温度产品的交互对比

美国地质调查局(USGS)2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature,LC2L2ST),但目前还鲜有该地表温度产品的相关研究报道。由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据,因此有必要对该产品进行适时的评估。在同类遥感卫星产品中,MODIS地表温度产品的质量最被广大用户认可,应用也最为广泛,因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比,以评估新产品与MODIS地表温度产品的一致性。分别选取了我国的不同地区(福州、太湖、银川、敦煌)作为试验区,以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。影像涵盖植被、水体、建筑、荒漠等地物以及不同的季节。在试验区影像上选取一系列均质样区(ROI),通过各样区的地表温度均值散点进行拟合回归分析,研究二者地表温度间的差异及定量关系,并提出彼此转换的模型。结果表明,Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性,4个试验区的决定系数(R^(2))皆大于0.98,集成4个试验区的总R^(2)也接近0.98;但LC2L2ST比MODIS的地表温度平均高0.90℃(RMSE=2.29℃)。分析发现,二者地表温度数据间的差异与其在空间分辨率、观测角度、地物类型和季节的不同有关。从不同地物和季节来看,LC2L2ST在晚秋和冬季略低于MODIS的地表温度,而在夏季极端高温的城镇、荒漠地区则明显高于MODIS的地表温度,且偏差可近7℃。总的看来,Landsat新型地表温度产品与MODIS同类产品的相关性显著,但在夏季的城市和沙漠地区的差异较大,因此,LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。鉴于两种地表温度数据产品仍存在着一定差距,因此二者如要协同使用,需要进行转换。本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程,并通过验证发现,经转换后的两数据差异性得到大幅缩小。因此,必要的数据转换有利于二者数据的协同使用,可为长时间序列的地表温度变化监测提供连续的遥感数据。

基于地面通量观测与MODIS数据估算玉米光能利用率

基于地面通量数据和中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer, MODIS)数据,对玉米农田生态系统光能利用率(Light Use Efficiency, LUE)进行反演和分析。通过地表碳通量资料构建了玉米农田生态系统的LUE模型,分析了LUE的变化规律;通过比较不同参照波段、不同传感器角度下计算的MOIDS光化学反射植被指数(Photochemical Reflectance Index, PRI)与LUE间的关系,构建了MOIDS PRI反演玉米LUE的模型。结果表明:(1)玉米LUE呈现出明显的季节和日尺度上的变化规律,季节变化表现为单峰形,白天的LUE呈现出“U”型变化规律;(2)相比较NDVI,PRI反演植被LUE有明显优势,利用MODIS PRIS与LUE的较好相关性,建立了PRI488、PRI551和PRI667模型进行LUE反演;(3)经比较,MODIS PRIS反演LUE时最适合的为PRI551模型,其全向散射的模型具有通用性,而如果区分出后向散射数据则采用相应的PRI551后向散射模型更好;(4)利用LUEa与全天平均LUEd拟合模型与MODIS PRI551瞬时模型联合,可实现对日尺度的光能利用率的反演,其推广应用前景值得期待。

基于格尔木沙漠场景的MODIS传感器在轨辐射定标

高精度在轨辐射定标对于卫星遥感定量化产品生产至关重要。本文基于格尔木沙漠场景,通过星地同步实验,获取场地定标所需参数,在考虑地表双向反射特性后,结合6S辐射传输方程,完成对MODIS/Terra和MODIS/Aqua传感器的在轨辐射定标。结果表明,本文获得的蓝、绿、红和近红外波段定标结果与MODIS官方公布的星上定标结果具有较高的一致性,最大相对差异优于6.68%,这将为我国新建辐射定标场地提供重要信息支持。

基于MODIS的沿黄粮食主产区耕地利用水分盈亏特征分析

明确中国核心粮食主产区耕地水分盈亏状况,有利于区域灌溉策略制定及保障国家粮食安全。为探讨沿黄粮食主产区耕地利用下水分盈亏规律,该研究基于土地利用现状数据、MODIS遥感数据和常规气象数据,在Priestley-Taylor公式、区域遥感蒸散模型支持下构建水分盈亏评价模型,揭示2000-2020年原阳县、封丘县、延津县、长垣市、滑县和濮阳县沿黄6县的气候水分平衡状况及耕地利用下水分盈亏效应。结果表明:1)2000-2020年沿黄6县耕地及其子类型面积均缓慢下降,垦殖率由2000年81.46%降至2020年的79.34%,耕地变化过程类型以稳定型、前后期萎缩型以及前期新增型为主;2)研究区常年水分盈亏指数为-0.60,整体气候水分亏缺,以原阳县西南部、滑县、濮阳等地最为突出,同时在各研究时点呈现趋势性变化规律;3)研究区耕地多处于较为严峻的气候干旱状态,缺水类型主要为中度、重度和严重干旱,无正常和轻度干旱区,且在变化状态效应上,稳定型耕地处于严重干旱状态,前期和后期萎缩型耕地重度干旱,前期新增型耕地为严重干旱。当地需通过“以水定产,量水而行”并在保障粮食安全生产前提下,积极谋划和推行面向水分平衡目标的区域耕地可持续利用战略。研究可为沿黄区耕地灌溉策略制定及保障国家粮食安全提供支持。

利用MODIS卫星数据的光伏电站生态环境效应监测与评估

本文选择我国最大的光伏产业园区——青海省共和光伏产业园为研究区,基于MODIS中分辨率卫星遥感数据,结合气象站点实测数据,通过M-K时空趋势分析、格兰杰因果分析等方法,研究2010—2020年地表植被结构参数、植被生产力、反照率、地表温度等各参数的时空变化特征及相互联系,并从时间先后、光伏区域内外的对比中,揭示光伏电站建设的生态环境效应。结果表明:研究区植被整体呈现增加趋势,地表温度与反照率呈下降趋势;光伏板下植被长势略好于光伏板外;建设面积增加是引起研究区植被增加的格兰杰原因,表明光伏的建立可以促进植被生长,降低反照率,冷却地表温度。

基于MODIS EVI的大兴安岭多年冻土区植被物候研究

植被物候是指示植被对自然环境变化响应的重要指标。大兴安岭多年冻土区是我国唯一的高纬度多年冻土区,该区植被物候的研究有助于认识寒区生态系统对全球气候变化的响应。本文首先比较了归一化植被指数(NDVI)、增强型植被指数(EVI)和日光诱导叶绿素荧光(SIF)在多年冻土区物候研究中的差异和适应性,结果表明EVI的应用效果最佳。其次,结合2000—2019年MODIS EVI时间序列数据和气象数据,采用Savitzky-Golay(S-G)滤波和动态阈值等方法提取植被生长季开始(SOS)、结束(EOS)和长度(LOS)等关键物候参数,分析大兴安岭多年冻土区植被物候的时空变化及其对气候变化的响应。结果表明:(1)NDVI、EVI和SIF的时间序列均能反映研究区植被生长的季节变化,与NDVI相比,EVI与SIF的变化曲线更加一致。(2)研究区2000—2019年SOS变化范围为年序日96~144 d,平均值为129.46 d。EOS变化范围为272~320 d,平均值为295 d。LOS集中分布在128~224 d,平均值为165.65 d。由于植被类型差异和逆温现象的存在,大片连续多年冻土区的LOS大于岛状融区多年冻土区。(3)研究区SOS和EOS变化趋势的平均值分别为-1.23 d·(20a)^(-1)和-0.46 d·(20a)^(-1),均呈提前趋势。LOS变化趋势的平均值为2.39 d·(20a)^(-1),呈延长趋势。研究区植被SOS与3—5月平均气温呈显著负相关,EOS与8—10月平均气温和降水呈显著正相关。