罗朝沁[1]2016年在《MODIS影像森林类型快速提取关键技术研究》文中研究说明全球气候变化、温室效应等重大问题的出现,迫切需要快速、连续地掌握森林资源现状和变化信息。我国森林资源监测体系虽已经建成,但仍存在监测周期长、精度低等问题。随着遥感和计算机网络等现代信息技术的快速发展,这些问题可以得到有效解决。论文以中国为研究区,采用2009年MODIS产品数据的NDVI、EVI、LAI、GPP,在数据预处理基础上,将森林类型分为针叶林、阔叶林、混交林、竹林、灌木林5大类,采用决策树、kNN以及混合像元分解等技术,开展森林类型信息提取研究。主要结论如下：(1)提出一套基于MODIS数据的批量预处理技术。利用ENVI/IDL程序开发语言实现全国范围内MODIS数据批量投影转换、批量数据镶嵌、批量黑带去除、批量影像裁剪等技术,数据处理效果优于传统遥感影像处理方式,大幅度提高了MODIS数据预处理的效率。(2)建立了森林类型识别的决策树模型,实现了全国森林类型信息提取。结果表明全国平均总体分类精度达到82.29%、Kappa系数为0.7623,本满足了大尺度森林信息提取的精度要求。(3)利用kNN算法进行全国各省森林类型信息提取,并比较了不同k值大小对森林类型提取精度的影响。随着k值的增加,其分类精度也逐步增加,在k=7时取得了最优森林类型信息提取精度,随后随着k值的增加其分类精度呈下降趋势。其全国平均总体精度为83.20%、Kappa系数为0.7929。比决策树分类的精度要高。(4)针对低分辨率的MODIS产品数据容易产生大量混合像元的问题,开展基于MODIS混合像元分解技术的全国森林类型识别研究。其结果表明：利用混合像元分解技术进一步提高了森林分类的精度,总体分类精度达到84.26%,Kappa系数达到0.8022。其分类精度较决策树和kNN算法好。论文针对目前林业遥感难以快速实现大范围森林资源监测的难题,提出规范的MODIS低分辨率时序数据预处理流程和可行的技术实施方案,保证了全国森林类型信息提取的精确性和可信度；同时,绘制的全国森林类型分布图能够为全国森林类型资源管理提供参考和依据。创新点主要体现在两个方面：(1)提出一套MODIS数据批量预处理技术。(2)提出一种基于MODIS影像的混合像元分解技术的区域森林类型提取方法。
陈利[2]2014年在《基于混合像元分解方法的MODIS森林类型识别研究》文中研究表明遥感图像中混合像元普遍存在,特别是空间分辨率比较低的遥感影像,尤其地面地物分布比较复杂的区域更是如此。传统分类方法对于低空间分辨率的影像进行分类比较困难,具有很大的不确定性,因此必须进行混合像元分解。目前混合像元分解比较成熟的方法是线性与非线性光谱混合模型。混合像元分解是多光谱图像处理技术的研究热点和难点之一,混合像元问题的解决有助于实现高精度分类和子像元目标探测,为更加充分地利用光谱影像提供技术支撑。MODIS遥感数据具有很高的光谱辐射精度,以及成本低、覆盖面积广、获取容易、周期短等数据特征,可以实现全覆盖大尺度区域森林类型信息快速提取,但由于其空间分辨率较低,遥感数据中存在混合像元,利用混合像元分解模型进行分解能够得到较好的分类结果。混合像元分解的端元组分直接影响分类的精度,因此本研究利用决策树分类模型改进端元提纯,分析各地物的MODIS时间序列植被指数变化规律,找出各地物的物候变化规律,利用决策树模型分类的结果进行端元组分的提纯,最后进行混合像元分解,并分别用森林资源连续清查数据、株洲的TM分类结果及森林类型的总体面积叁种方法进行精度检验。旨在寻找一种基于MODIS数据的森林类型信息快速提取的最佳方法。本研究得到了客观的实验结果,达到了预期的目标,为MODIS数据的森林类型信息快速提取提供重要的技术支持。主要的研究结论如下：(1)利用MODIS遥感数据具有很高的光谱辐射精度,可以实现全覆盖大尺度区域森林类型信息快速提取,从而为大尺度区域的森林资源监测提供了一种新的有益的尝试方法,可为林业决策部门提供重要的信息支持。(2)对MODIS时间序列的植被指数NDVI、EVI进行分析,得出了各地物的植被指数变化规律,找出了适合决策树分类的阈值,及适合各地物的决策树分类模型数据为NDVl分别为第2、8、9、15、16、18期,EVI的第9、11、16期。(3)对MODIS数据端元提纯方法进行改进,利用决策树分类模型进行一步端元提纯。决策树分类方法降低了对训练样本的依赖,避免了“同物异谱、同谱异物”现象的影响,且该方法明显高于非监督分类和监督分类的精度。本研究利用决策树分类技术对混合像元的端元进行进一步提纯,得到了比较理想的分类效果,决策树模型分类总体精度达85.1%。(4)分别用实测样地点数据、株洲的TM分类结果及森林类型的总体面积叁种方法进行精度检验,不带约束的线性分解结果总体精度分别为85.8%、85.9%、87.4%,带约束的线性分解结果总体精度分别为85.1%、84.7%、88.4%,非线性分解结果总体精度分别为64.2%、64.7%、67.5%,最大似然法分类结果总体精度分别为72.7%、73.8%、79.7%。(5)无论采用哪种方法进行精度检验,其结果表明：分类效果最好的线性混合像元分解的结果,其次是最大似然分类的结果,最差的是非线性混合像元分解的结果。不带约束的线性分解及带约束的线性分解的RMS最大值分别为0.2685、0.2637,RMS最小值分别为0、0.0038,说明线性光谱混合分解较为成功。无论哪种方法进行精度检验,且各分类方法的结果精度都十分相近,因而本研究的结果具有较高的可靠性。(6)对于MODIS影像而言,由不同地物类型组成的混合像元经过分解后,虽然单个像元的分解精度不高,但与传统的非监督及监督分类方法相比较而言,分类进入了像元内部,提高了低分辨率遥感数据的分类精度,整幅影像的分类精度要高于传统的分类方法,且在混合像元分解中,线性混合像元分解的精度明显优于非线性混合像元分解,有助于今后研究中提高MODIS遥感数据的利用率。
费文华[3]2016年在《基于地表反射率数据库支持的OLI数据同化的研究》文中认为Landsat系列卫星以空间分辨率高、信息量丰富、定位精度高而着称,在全球尺度的生态环境变化监测中发挥了无可比拟的作用。但其缺点是时间分辨率低,因为Landsat系列卫星的时间分辨率一般为16天,一年时间的影像大约为23景,但是由于影像受到不同程度云雾覆盖的影响,每年实际可用的影像更少。本文以地表反射率为结合点,针对MODIS数据产品和OLI影像数据的特性,充分利用MODIS影像时间分辨率高的特征,建立MODIS地表反射率库,将集合Kalman滤波算法运用到OLI影像与MODIS影像的数据同化中,预测出与MODIS影像对应日期的OLI影像,弥补原有数据的缺失和不足。针对OLI影像和MODIS影像数据在空间坐标投影、波段组成及波段宽度、空间分辨率和时间分辨率等诸多方面的不同,探究了数据同化之前的预处理过程,包括MODIS影像的几何校正、OLI数据辐射定标、感兴趣区域的划定、分辨率重构及反射率归一化等内容。分季度完成了单点集合Kalman滤波同化研究,结果表明预测的OLI地表反射率数据接近实际地表反射率,并通过实验证明了预测的OLI影像与统计多年的OLI影像平均地表反射率有较好的一致性。此外,集合Kalman滤波算法包括多种同化方式和多种模型,利用QG模型进行区域集合Kalman同化研究,通过不断改变模型对应参数,选择最优同化结果。完成OLI影像与MODIS影像的数据同化之后,预测的OLI影像具备较好的纹理,光谱特征接近真实影像,并且通过采样,与同期真实影像对比,对预测的OLI影像进行定量精度评价,两者具备较高的相似性,达到了预期的结果。实验结果表明利用集合Kalman滤波算法同化OLI影像与MODIS影像的反射率来进行OLI影像反射率预测具备可行性,可以提高OLI影像的时间分辨率,获取MODIS影像对应日期无云雾遮挡的清晰OLI影像将变为现实,可以有效提高OLI影像数据的有效性和可用性,具有非常重要的现实意义。
钟洪麟[4]2011年在《DVB-S MODIS遥感数据在线交互式处理系统研发》文中进行了进一步梳理随着MODIS遥感数据在各领域应用的日益广泛,为了提高MODIS数据的应用水平,国家卫星气象中心建立了DVB-S系统进行MODIS数据的准实时分发和共享。但由于DVB-S系统的接收仪器性能、信号传输干扰等原因,接收到的MODIS数据会存在异常,影响用户使用。同时,大幅宽的MODIS数据应用于区域研究时存在检索和处理复杂,非遥感专业用户难以掌握等问题,限制了其使用率。为了解决上述问题,本文研发了DVB-S MODIS数据的交互式在线处理系统,主要研究工作包括：①针对DVB-S MODIS数据中存在的各种异常提出了修正算法,并实现了MODIS数据在线交互式预处理功能；②针对用户对区域研究的需要,提出有别于传统遥感影像元数据的“局地遥感元数据”概念,并实现了局地云量的在线交互式提取；③针对云雾对光学遥感的影响,利用改进的同态滤波算法,实现了在线交互式的薄云去除功能。④最后,以IDL语言为主,综合ASP.NET和数据库技术,研发了DVB-S MODIS在线交互式处理系统原型。本论文研究工作的创新性主要体现在以下几个方面：(1)利用DVB-S MODIS系统地面站点接收范围上的重迭,提出了新的MODIS连续条带数据异常的修正算法,克服了传统空间插值算法带来的不确定性,并可对大范围连续条带数据异常进行有效修正。(2)提出了局地遥感信息元数据概念,并以DVB-S MODIS数据的局地云量元数据的提取为例,说明了其在区域应用和研究中的优势,并将其用于遥感数据的检索和查询,方便用户进行更有针对性的局地遥感数据检索和获取。(3)考虑了云雾对MODIS遥感影像数据应用的影响,研发了薄云的交互式在线去除模块,为非专业用户处理获得高质量遥感数据提供便捷的工具,提高MODIS数据的使用率。
雷刚[5]2016年在《基于MODIS影像的秦岭地区地表能量变化分析》文中进行了进一步梳理区域地表能量的变化特征反映了陆-气过程中能量和的演变趋势,同时也进一步影响区域气候的变化。随着遥感技术的发展与逐渐成熟,研究大尺度范围的地表能量变得更为便捷。对秦岭地区进行地表能量通量研究,对于秦岭周边地表覆被变化气候效应研究有着重要的保证。因此,利用遥感手段对秦岭地区的地表能量进行监测研究具有重要的意义和研究价值。本文利用MODIS、DEM和气象数据,对地表能量通量进行反演。并对反演结果进行分析和探讨,主要结论如下:(1)研究区2000.3.3、2005.3.3、2010.3.3和2015.3.3地表反照率均值分别为0.32、0.11、0.48和0.16;地表温度均值分别为266.00K、275.07K、251.97K和263.14K;地表比辐射率均值分别为0.86、0.93、0.87和0.91。(2)2000.3.3、2005.3.3、2010.3.3和2015.3.3净辐射通量均值分别为715.21 W·m-2、798.15 W·m-2、602.76 W·m-2和804.75 W·m-2;土壤热通量均值分别为-63.30 W·m-2、4.63 W·m-2、-100.06 W·m-2和-37.39 W·m-2;潜热通量均值分别为722.26 W·m-2、735.98 W·m-2、654.75 W·m-2和780.47 W·m-2。(3)2000.3.3~2015.3.3净辐射通量在坡度0~5°之间增长8.5%、5~10°之间增长8.0%、10~15°之间增长9.0%、15~20°之间增长10.1%、20~28°之间增长12%、28~85.62°之间增长14%。净辐射通量随着坡向角度的增大呈叁角函数变化趋势,在30°~60°之间净辐射通量值最大,在180°~210°之间净辐射通量值最小。2000.3.3-2015.3.3净辐射通量在地表温度255K~260K之间减小,在250K~255K之间几乎不变,在其它地表温度区间内呈现出先增大后减小的趋势,但增大幅度远大于减小幅度。(4)2000.3.3、2005.3.3和2010.3.3土壤热通量随着坡度的增大而减小,减小率分别为:13.40%、80%和18.80%;2015年土壤热通量随坡度的增大几乎没有变化。土壤热通量随着坡向的增大呈现出近似二次曲线的变化趋势,在坡向210°~240°之间土壤热通量值最大,在坡向0~30°和330°~360°之间最小。2000.3.3、2005.3.3、2010.3.3和2015.3.3的土壤热通量均随地表温度升高而增大,但在同一温度间隔内,从2000.3.3-2015.3.3土壤热通量值几乎无改变。(5)2000.3.3潜热通量随着坡度的增大而减小,减小率为3.0%;2005.3.3、2010.3.3和2015.3.3则呈现出增大趋势,增长率分别为4.4%、3.4%和1.8%。潜热通量随着坡向的增大呈现出正弦曲线的变化,在坡向30°~90°之间潜热通量值最大,在坡向180°~240°之间最小。潜热通量在2000.3.3、2005.3.3、2010.3.3和2015.3.3随着地表温度的增长呈现出减小趋势,减小率分别为0.88%、5.00%、25.36%和9.34%。(6)地表特征对净辐射通量影响程度为:地表反照率>地表温度>地表比辐射率;对土壤热通量影响程度为:地表温度>地表反照率>地表比辐射率;对潜热通量影响程度为:地表反照率>地表温度>地表比辐射率。
王丽霞[6]2017年在《基于超分辨率重建滇中地区土地覆盖遥感分类研究》文中研究表明超分辨率重建技术突破遥感硬件成像条件的限制,可获得高于已知分辨率的超分辨率遥感影像,是提高遥感影像分辨率的重要手段,也是图像处理领域的热点话题。土地覆盖分类是遥感应用领域的一项重要研究工作,特别是大尺度区域土地覆盖动态监测是全球变化与可持续发展等科学研究的基础,也是IGBP计划的重要指标成分。MODIS无疑是大区域分类首选数据源,其具有成像面积较大、波谱信息丰富、重返周期短,成本较低且易于获取等优势,但分辨率较低。因此,探究如何能够提高MODIS影像的分辨率并结合它的优点开展大区域土地覆盖遥感分类具有重要意义。以滇中地区MODIS为研究对象,利用MAP、IBP、POCS、NUI等重建方法开展超分辨率重建工作,将重建后的MODIS影像进行滇中地区土地覆盖分类。主要研究内容与结果如下:(1)遥感图像超分辨率重建算法试验研究。通过研究图像超分辨率重建的基本概念、不同分类、常用的研究方法以及国内外研究现状,对超分辨率重建技术进行初步实验研究。研究图像退化机制,对图像进行运动估计、模糊函数辨识、噪声降质模型估计后,对图像进行亚像元配准、逆滤波、卷积等处理完成图像复原,然后对初始化图像开展四种算法的图像超分辨率重构。利用MODIS 250m、OLI 30m和15m分辨率的遥感影像进行实验,对重建影像进行主客观评价,使用的指标有:标准差、平均梯度、空间频率和信息熵等。结果表明,MAP方法重建图像纹理清晰细腻,地物波谱特征较明显,客观评价指标成绩最优,其他叁种重建效果从高到低依次是IBP、NUI和POCS。(2)基于MAP方法的滇中地区遥感影像超分辨率重建。采用MAP方法,根据图像运动模糊和光学模糊和噪声情况,模拟得到图像退化模型,并制定适用于滇中地区该数据的模型参数,最终重建出一该地区超分辨率影像,结合主客观和MTF曲线显示出重建影像的优势。(3)基于超分辨率重建影像土地覆盖遥感分类。利用支持向量机分类器对重建和原始MODIS影像进行分类实验,结合野外采集的实地土地类型数据和2米分辨率的高分辨率影像,制定训练样本和检验样本用于分类和评价。重建影像的混淆矩阵的总体分类精度为74.82%,kappa系数为0.7103,原始影像的总体分类精度为70.64%,Kappa系数为0.6552。对于MODIS影像分类而言,该评价结果说明:原始和重建数据的分类质量都很好,分类器和训练样本都是过关的。重建影像在总体精度上较原始影像提高了4.18个百分点,Kappa系数提高了5.51个百分点,不仅从另一个角度证明了重建影像质量有所提高也实现了重建影像的初步应用。研究虽然实现了MODIS的超分辨率重建,并结合滇中地区实际情况实现土地覆盖分类,但在实际应用中,超分辨率重建阶段,由于遥感器运动和模糊参数的未知性与复杂性,导致运动估计和模糊函数的辨识仍不能做到精确定位,使重建影像质量并不完美,分类结果精度提高幅度不大,因此更加精准的降质估计模型是超分辨率重建重点研究工作。另外,地物变化和云干扰也是影响重建影像质量的主要因素,这方面工作也是日后研究重点。
陈东河[7]2013年在《基于MODIS与TM的遥感墒情反演研究》文中认为土壤墒情,是水文学、气象学以及农业科学研究领域中的一个重要指标参数,对气候、农业、旱情监测都具有极为重要的意义。遥感技术在土壤墒情监测中的应用,使得土壤墒情的快速、大范围获取成为了可能,克服了传统墒情监测方法的不足。本文从采用多源遥感影像数据优势互补出发,对应用较为广泛的MODIS与Landsat TM数据用于土壤墒情监测进行了研究,提出了基于MODIS与TM影像同时采用表观热惯量法和植被供水指数法对土壤墒情监测的方法,实现减少地面实测资料的依赖,增大墒情监测结果的空间尺度,提高不同植被覆盖度下地表土壤墒情监测结果的精度。主要研究内容如下：(1)在收集整理国内外主要土壤墒情遥感反演相关资料的基础上,选取具有代表性的适用于裸土/低植被覆盖区域的表观热惯量法和适用于高植被覆盖区域的植被供水指数法,研究了基于MODIS数据分别应用两种方法的土壤墒情反演、基于Landsat TM数据的植被供水指数法土壤墒情反演。(2)分析了MODIS与TM数据结合实现优势互补用于土壤墒情监测的可能性,以植被阈值作为不同植被覆盖度地表的划分依据,研究了采用两种数据同时应用表观热惯量法和植被供水指数法对土壤墒情监测的实现方法。(3)以VS2005为开发环境,采用面向对象的C#语言,在ArcGIS与ENVI/IDL二次平台的基础上,选取河南省白沙灌区为实验区域,建立了白沙灌区土壤墒情遥感监测系统,分别实现了采用MODIS数据应用表观热惯量法和植被供水指数法监测土壤墒情,采用TM数据应用植被供水指数法监测土壤墒情,采用MODIS数据结合TM数据进行墒情监测,并能输出遥感反演过程的中间参数,对墒情监测结果进行专题图输出。(4)对提出的MODIS数据结合TM数据监测墒情方法得到的墒情结果与单独采用其中一种影像数据和模型得到的结果进行了对比分析,结果表明两种数据的结合能够有效提高土壤-植被混合地表土壤墒情的监测精度。
唐菲[8]2014年在《基于多源遥感影像数据的不透水面信息提取》文中指出当前,全球范围内的快速城市化进程已使得地球表面的植被、水体等自然景观逐渐为众多高储热性的建筑物、道路、停车场等不透水面所取代,这对城市生态环境产生了严重的影响,并引起了全世界的高度关注。因此,及时地掌握不透水面分布的准确信息,对了解城市不透水面动态变化及其对城市生态环境的影响有着重要的现实意义。遥感技术的快速发展为大面积监测不透水面提供了有力的技术手段,各种先进的多光谱、高光谱、高分辨率的遥感传感器数据为多尺度、多平台自动监测不透水面变化提供了丰富的数据。但是,当前针对不透水面信息提取的研究大多是基于中低光谱分辨率的卫星影像来开展的。由于各种不透水材料的光谱具有明显的异质性,采用中低光谱分辨率影像提取的不透水面信息往往会混有很多非不透水地物,降低了不透水面信息提取的精度。为了解决这一问题,本次研究除了应用原有中低多光谱分辨率遥感影像以外,还进一步引入了遥感高光谱的EO-1 Hyperion遥感卫星数据以及地面实测的高光谱数据,并以线性光谱混合分析模型为主要反演算法,对福州、广州、杭州等多个实验区开展了基于多源、多传感器卫星遥感数据的城市不透水面信息提取技术研究。首先,在多光谱影像数据反演不透水面能力的对比方面,本次研究选择了2003年3月26日同日过空的Landsat ETM+和EO-1 ALI这两种多光谱传感器影像,并从提取精度和盖度精度两方面对比了两种传感器影像的不透水面反演能力,结果发现：ALI反演不透水面的能力优于ETM+,其提取总精度比ETM+高出了近9个百分点,Kappa系数高出了0.179；盖度精度方面,ALI的均方根误差和系统误差的绝对值分别比ETM+小0.037和0.027。分析表明,二者产生差异的原因在于ALI的光谱分辨率和辐射分辨率均高于ETM+,其光谱分辨率的提高增加了不透水地物与土壤、植被阴影等透水地物的可区分性,而辐射分辨率的提高则增加了传感器对地物信息探测的灵敏度。其次,本次研究利用地面实测光谱数据建立了主要的不透水地物和非不透水地物的实测光谱模型,通过原始光谱、一阶微分光谱和包络线去除光谱叁种数据比较了不透水与非不透水地物之间的光谱差异,并分析了实测光谱与影像光谱的相关性。结果表明：近红外和中红外波段是探测不透水地物的主要波长范围。高反照不透水地物与土壤类型的主要区分波长位置为610nm、693nm、940nm、 1350nm、1487nm、1794nm、1991nm和2215nm；以植草砖、路面砖为代表的不透水地物与植被的区分波长位置为560nm、610nm、685nm、942nm、990nm、 1124nm、1225nm、1487nm、1700nm、1960nm和2150nm。相关性分析表明,地面实测光谱与ETM+多光谱影像、Hyperion高光谱影像都具有很高的相关性,它们线性拟合方程的决定系数都在0.8以上,并且以高光谱Hyperion影像的光谱值与实测的光谱值最为接近。由于高光谱Hyperion影像具有158个有效光谱波段,因此波段之间的相关性很高,数据的冗余性很强。为此,本次研究通过对Hyperion高光谱影像的各波段进行信息量、相关性和主成分分析,利用逐步判别方法,在Hyperion的158个有效波段中发现了能够区分不透水面与非不透水面的11个特征波段,分别位于447nm、942nm、1124nm、1154nm、1245nm、1477nm、1487nm、1699nm、 1991nm、2072nm和2345nm的波长处,并将这11个波段合成为新的Hyperion’影像来提取不透水面,以验证所发现的这11个特征波段的有效性。结果表明,在线性光谱混合分析模型中,利用Hyperion'影像提取的地物端元具有较高的精度,地物端元与纯端元样本的线性拟合方程的决定系数在0.9以上,与实测端元拟合的决定系数也都在0.75以上。将这11个特征波段组合应用在MODIS影像中进行实验,结果显示所提取的不透水面的精度也可达到81.94%。最后,在福州、广州和杭州选取了3个实验区,同时以Hyperion'、Hyperion和TM/ETM+影像的进行不透水面信息反演,以便对高、多光谱传感器影像反演不透水面的能力进行综合对比,并进一步考察由11个特征波段构成的Hyperion'影像在反演不透水面方面的优势。对比的结果显示：无论是在福州、广州或是杭州实验区,高光谱分辨率的Hyperion影像提取的不透水面总精度比多光谱的TM/ETM+高4-8个百分点,这主要得益于Hyperion具有更高的光谱分辨率和辐射分辨率,尤其是近红外-中红外波长处光谱分辨率的提高很好地体现了不透水面与土壤、植被阴影等非不透水面的光谱特征差异,对解决线性光谱混合分析模型中一直存在的不透水面和土壤、植被阴影的混分问题起到了关键作用。而由11个特征波段构成的Hyperion'影像由于大幅减少了高光谱影像波段的冗余度,所以获得了更高的反演精度,其提取总精度比未做波段选择的原始Hyperion影像高出3-6个百分点,比TM/ETM+更是高出了7-14个百分点。以上不同地区、不同影像的实验证明了本次研究所选的11个特征波段组合具有较好的代表性,可以作为Hyperion影像反演不透水面的最佳波段组合。
邢文渊[9]2006年在《基于MODIS影像数据反演干旱区土壤湿度方法研究》文中指出干旱是一个世界性的问题,也是限制新疆生态环境建设和经济发展的主要因素之一,在干旱区进行土壤湿度的监测具有重要意义。利用遥感影像可迅速、动态的获取大区域尺度的各种信息,从而为土壤湿度的实时动态监测提供技术支持和精度保证。本研究主要利用MODIS影像数据,通过处理2003年至2005年连续叁年3至9月份的大量MODIS数据;结合实测数据,对比传统的热惯量法模型,建立了经过植被指数订正的热惯量法模型,进一步对模型进行了参数调整,使其达到精度要求,并用此模型计算了新疆地区2003年至2005年的土壤湿度,提取出了土壤湿度数据,并与实测数据进行了相关分析,结果也达到了显着相关。由此,找到了一种比较适合新疆地区土壤湿度的时实监测、反演方法,为今后新疆地区的土壤湿度的时实监测奠定了基础。通过本研究认为MODIS影像数据可快速、动态的获取大区域尺度的信息,从而为大尺度的土壤湿度实时监测以及农作物抗旱等一系列农业生产打下基础;本文的研究成果也已初步应用于新疆地区实际的土壤湿度遥感监测中。
孙晓[10]2018年在《黄海绿潮和叶绿素a浓度的遥感时空分异及两者响应机制》文中研究说明2007年至今,黄海海域连续11年发生绿潮灾害,绿潮的连续暴发对沿海地区造成了不同程度的经济损失和生态破坏。本文主要基于遥感手段在宏观上研究了2011-2016年绿潮暴发与浮游微藻之间的响应机制,首先采用HJ-1A/1B CCD数据和MODIS Level-1B数据,利用归一化植被指数(NDVI)及目视解译对2011-2016年南黄海海域绿潮暴发的时空分布信息进行提取;并利用高时间分辨率的GOCI Level-2A叶绿素a浓度产品作为浮游微藻的生物量指标,对2011-2016年4月至8月期间的叶绿素a浓度数据经过去除异常像元、均值融合等处理过程后,利用距平值代替绝对值分析绿潮暴发期间南黄海表层叶绿素a浓度时空分布及演变特征。研究的主要结论如下:(1)HJ-1A/1B CCD高分辨率数据可以提高绿潮的监测精度但其数据源不足,MODIS数据可以提高绿潮监测的时间密度但空间分辨率较低。本研究根据同时相的HJ-1A/1B CCD和MODIS Level-1B遥感数据,建立了两种不同分辨率影像提取绿潮面积的定量关系模型,解决了环境卫星CCD影像提取绿潮数据源的不足以及MODIS影像数据提取绿潮面积偏大的问题。(2)整体而言,2011-2016年各年的绿潮时空分布特征基本一致,从5月中旬首次被监测直到8月中旬绿潮全部消失,共持续90天左右,经历了“出现(5月上中旬)—发展(5月下旬)—爆发(6月中上旬)—衰退(7月上旬)—消亡(8月上中旬)”五个阶段的暴发周期;但从年际暴发特征来看,2011-2016年浒苔暴发面积和强度增加的同时,向北影响的范围也在逐步扩大。绿潮暴发与江苏南部浅滩竹根沙、蒋家沙和东沙的“叁沙”海域的紫菜养殖、近海海域的富营养化导致的氮和磷等营养元素的增多、5月初海水温度的升高、风场和流场等驱动机制都有较大的关系。(3)2011-2016年绿潮暴发期间各年的叶绿素a浓度时空分布特征也基本一致,空间上,苏北浅滩的叶绿素a浓度高于山东半岛南部海域的浓度,近海的浓度高于远海的浓度。这种叶绿素a浓度呈现随等深线的增加而降低的规律主要集中在A-D等级(等深线0-40 m)之间,且随着海深等级的增加叶绿素a浓度在等级间的差异越来越小。时间上,叶绿素a浓度在绿潮暴发期间呈现“总体上升(4月上旬至5月中旬)—急剧下降(5月下旬)—缓慢回升(7月上旬)—趋于平稳(8月中旬)”四个阶段。且2011-2016年南黄海绿潮暴发时期叶绿素a浓度虽上下浮动,但总体趋势是波动上升的状态。叶绿素a浓度时空分布与海水的深度、温度以及绿潮暴发的过程有较大的相关性。(4)综合分析浒苔与叶绿素a浓度时空变化,浒苔暴发对浮游微藻的影响机制主要分为四个阶段:(ⅰ):绿潮出现与发展阶段,叶绿素a浓度处于总体上升阶段;(ⅱ):绿潮暴发阶段,叶绿素a浓度处于急剧下降阶段;(ⅲ):绿潮衰退阶段,叶绿素a浓度处于缓慢回升阶段;(ⅳ):绿潮消亡阶段,叶绿素a浓度趋于平稳阶段。第一个阶段中,绿潮增长量与叶绿素a浓度同时增长,主要原因可能是绿潮暴发初期,对浮游微藻的胁迫作用较弱,且此时绿潮分布多处于江苏浅滩海域,营养物质可供应浒苔与浮游微藻二者的繁殖需要。后叁个阶段,同一海域中二者的总体变化呈现负相关关系趋势。且2011-2016年浒苔覆盖面积与叶绿素a浓度年际变化趋势中,叶绿素a浓度与绿潮面积总体呈现相反的趋势,即绿潮暴发面积的大小影响了其他微藻的繁殖生长,浒苔覆盖面积越高,叶绿素a浓度越低。
参考文献：
[1]. MODIS影像森林类型快速提取关键技术研究[D]. 罗朝沁. 中南林业科技大学. 2016
[2]. 基于混合像元分解方法的MODIS森林类型识别研究[D]. 陈利. 中南林业科技大学. 2014
[3]. 基于地表反射率数据库支持的OLI数据同化的研究[D]. 费文华. 山东理工大学. 2016
[4]. DVB-S MODIS遥感数据在线交互式处理系统研发[D]. 钟洪麟. 华东师范大学. 2011
[5]. 基于MODIS影像的秦岭地区地表能量变化分析[D]. 雷刚. 西安科技大学. 2016
[6]. 基于超分辨率重建滇中地区土地覆盖遥感分类研究[D]. 王丽霞. 云南师范大学. 2017
[7]. 基于MODIS与TM的遥感墒情反演研究[D]. 陈东河. 郑州大学. 2013
[8]. 基于多源遥感影像数据的不透水面信息提取[D]. 唐菲. 福州大学. 2014
[9]. 基于MODIS影像数据反演干旱区土壤湿度方法研究[D]. 邢文渊. 新疆大学. 2006
[10]. 黄海绿潮和叶绿素a浓度的遥感时空分异及两者响应机制[D]. 孙晓. 鲁东大学. 2018
标签：计算机软件及计算机应用论文; modis论文; 遥感论文; 大数据论文; 遥感图像处理论文; 分类数据论文; 土壤墒情论文; 分辨率论文;