2003~2014年东北三省气溶胶光学厚度变化分析

利用2003~2014年MODIS-Aqua气溶胶光学厚度（AOD）产品、DMSP卫星夜间灯光时间资料和基本气象资料,分析我国东北三省（辽宁、吉林、黑龙江）大气气溶胶光学厚度年际变化及季节变化的空间分布特征.结果表明,东北三省多年平均AOD空间分布存在由大连、沈阳、长春和哈尔滨等城市构成的一个高值带,呈东北-西南走向,多年平均AOD值为0.4~0.8;东北三省植被覆盖率较高的东部和北部是AOD的低值区,多年平均AOD小于0.3;东北三省AOD季节变化为AOD春季到夏季升高,秋季下降,冬季再次升高.东北三省AOD年际变化特征为大部分低值地区呈减小趋势,但以沈阳、长春和哈尔滨为轴线的东北-西南走向的高值区域呈增大趋势,反映了近10多年出现的空气质量两极分化趋势.此外研究了东北三省年均AOD在强、弱西北太平洋夏季风年时的空间分布差异,受地面风场影响,AOD在强季风年时较弱季风年偏低.     

基于MODIS数据的太湖蓝藻水华时空分布规律研究

利用EOS/MODIS遥感影像数据,采用蓝藻水华分级评价方法和蓝藻水华发生频率分析方法,对2010年～2013年不同级别太湖蓝藻水华时空分布规律进行分析和研究,以期为太湖蓝藻水华预警、监控、治理工作提供技术支持.结果表明：（1） 2010年～2013年,全太湖共发生蓝藻水华354次,其中小型水华发生次数最多,蓝藻水华级别越高,发生次数越少.（2）年际变化上,蓝藻水华发生次数总体趋于平稳,蓝藻水华发生呈现“小型多发、中大型少发、重大型偶发”趋势,蓝藻水华发生规模呈显著缩小趋势.（3）月际变化上,蓝藻水华主要发生在8 ～10月,8月和9月尤其是太湖蓝藻水华的高发月份.发生规模上,4～6月蓝藻水华发生规模较小,7月开始规模逐步扩大,到9月达到顶峰,10月规模有所缩小.（4）空间变化上,太湖西部沿岸是太湖蓝藻水华首次爆发最频繁的水域.从空间分布频率来看,太湖西部沿岸区尤其宜兴沿岸是蓝藻水华爆发频率最高的水域.     

基于LME/BME的珠江三角洲PM2.5星地融合技术研究

收集并处理了遥感反演的气溶胶光学厚度（AOD）、归一化植被指数（NDVI）和气象数据,采用贝叶斯最大熵（BME）结合线性混合模型（LME）估算了2015年10月~2016年3月珠江三角洲地区近地表旬平均PM_2.5质量浓度.结果表明,LME+BME模型的预测精度比LME模型有较大提升,LME+BME模型的交叉验证结果R²为0.751,RMSE为6.886μg/m³,MAE为4.52μg/m³,而LME模型的交叉验证结果R²为0.703,RMSE为7.546μg/m³,MAE为4.927μg/m³.空间分布看,PM_2.5高浓度地区主要集中在广州、佛山、东莞等地区,低浓度地区主要集中在肇庆、惠州、江门的南部等地区;时间变化看,PM_2.5污染比较严重的时间为2015年10月中旬、2015年11月下旬以及2016年3月下旬,而2015年10月上旬、2015年12月上旬和2016年1月下旬污染则相对较低.     

二类水体短波红外波段大气校正方法的改进

海洋水色遥感技术在海洋生态环境研究中越来越受到重视.大气校正是海洋水色遥感中的一个关键问题,短波红外波段(SWIR)方法是目前在二类水体大气校正中应用较多的一种方法.现有的SWIR方法假设在对数坐标下,大气校正因子在外推波段与基准波段间按线性关系变化.当波段跨度不大时,这一线性近似与辐射传输模型模拟结果相符,而当波段跨度较大时,则存在一定差异.针对这一问题,本文采用分段外推的方法,修正了大气校正因子,对SWIR方法进行了改进.同时,选取2010年10月4日和2012年4月4日两景渤海海域的MODIS遥感图像,先引入浑浊度来分析渤海海域水体清洁程度,进而在区分出的二类水体区域分析改进方法的效果.结果表明,改进后方法的结果比原方法整体偏小,在渤海区域的差异在1%~15%之间.在卫星遥感数据的反演中有必要关注这一问题.     

MODIS影像监测海州湾叶绿素a浓度的研究

利用海州湾海域2004～2006年的水质监测资料,选择同期成像质量良好的MODIS Terra 1B影像,分别在单波段因子和波段组合与叶绿素a浓度之间进行相关分析,发现近红外波段和绿波段、红波段的比值因子、差值因子以及仿植被指数因子与叶绿素a浓度相关性较高.用这些因子建立叶绿素a浓度的回归模型,其中因子F7(24)的二次多项式模型的R2达到0.801,平均相对精度达到65%以上,且模型具有较高的泛化能力,不仅证明了利用MODIS 1B影像监测海面叶绿素a浓度的可行性,而且对于监测该海域赤潮和富营养化状况具有重要的现实意义.     

PM2.5 over North China based on MODIS AOD and effect of meteorological elements during 2003‒2015

• The Taihang Mountains was the boundary between high and low pollution areas. • There were one high value center for PM_2.5 pollution and two low value centers. • In 2004, 2009 and after 2013, PM_2.5 concentration was relatively low. Over the past 40 years, PM_2.5 pollution in North China has become increasingly serious and progressively exposes the densely populated areas to pollutants. However, due to limited ground data, it is challenging to estimate accurate PM_2.5 exposure levels, further making it unfavorable for the prediction and prevention of PM_2.5 pollutions. This paper therefore uses the mixed effect model to estimate daily PM_2.5 concentrations of North China between 2003 and 2015 with ground observation data and MODIS AOD satellite data. The tempo-spatial characteristics of PM_2.5 and the influence of meteorological elements on PM_2.5 is discussed with EOF and canonical correlation analysis respectively. Results show that overall R² is 0.36 and the root mean squared predicted error was 30.1 μg/m³ for the model prediction. Our time series analysis showed that, the Taihang Mountains acted as a boundary between the high and low pollution areas in North China; while the northern part of Henan Province, the southern part of Hebei Province and the western part of Shandong Province were the most polluted areas. Although, in 2004, 2009 and dates after 2013, PM_2.5 concentrations were relatively low. Meteorological/topography conditions, that include high surface humidity of area in the range of 34°‒40°N and 119°‒124°E, relatively low boundary layer heights, and southerly and easterly winds from the east and north area were common factors attributed to haze in the most polluted area. Overall, the spatial distribution of increasingly concentrated PM_2.5 pollution in North China are consistent with the local emission level, unfavorable meteorological conditions and topographic changes.     

丹江口库区陆地植被物候空间格局及其与海拔的响应关系

海拔高度变化对区域温度、降水都起着至关重要的作用,从而会对植被物候特征产生影响。以丹江口库区为研究区,分析库区植被物候随海拔变化特征,该工作的开展对进一步认识库区植物物候空间特征,进而监测库区土地覆盖变化具有重要实践意义。研究采用Savitzky-Golay滤波算法重建库区2001~2012年MODIS 16天最大合成EVI时序影像数据,对重建后的时间序列影像采用动态阈值法提取库区陆地植被关键物候特征信息,并对库区陆地植被物候特征随海拔梯度变化特征进行分析。研究结果表明,丹江口库区陆地植被生长季为4月上旬至10月上旬,南部山区林地生长季最长,而库区中部、东部耕地生长季较短。植被物候特征随海拔梯度变化呈现两个较为明显的区域,低海拔区域植被生长季开始时间(Start of Season,SOS)随海拔升高而提前,生长季结束时间(End of Season,EOS)随海拔升高而推迟,进而导致生长季长度(Length of Season,LOS)随海拔升高而延长。而在海拔较高山区,林地植被物候呈现完全相反变化趋势。受丹江口水库和人类活动的影响,丹江口库区植被分布随海拔变化呈现两个较为明显的区域。     

基于MODIS时序数据北回归线(云南段)地区植被物候时空变化及其对气候响应分析

植被物候作为自然界规律性、周期性事件,对开展全球气候变化、植被长势观测等研究具有重要价值。以北回归线(云南段)穿过的县域为研究区,基于长时间序列MODIS EVI(Enhanced Vegetation Index,EVI)、土地利用类型和气候因子数据,采用S-G滤波、动态阈值、相关分析等方法分析19 a(2001—2019年)间植被物候的时空分布特征及其对水热因子的响应。结果表明,(1)海拔和地势起伏在物候地域分异中作用显著,植被物候存在明显的垂直地带性分布特征。山地与河谷、坝子、低海拔区的物候值差异较大,山地地区的植被生长季开始期(Start of Season,SOS)在192—240 d,生长季结束期(End of Season,EOS)在次年144—192 d,生长季长度(Length of Season,LOS)为272—304 d;河谷、坝子、东部低海拔地区的植被SOS在80—112 d,EOS在337至次年17 d,LOS在224—256 d。(2)19 a间植被物候年际变化总体特征为SOS显著提前(R²=0.51,P=0.001<0.05),平均提前1.14 d·(10 a)^?1;EOS推迟(R²=0.01,P=0.756>0.05),平均推迟0.07 d·(10 a)^?1;LOS显著延长(R²=0.47,P=0.001<0.05),平均延长1.07 d·(10 a)^?1。(3)不同植被类型的物候期及其变化趋势不同,研究区森林植被生长期最长,草地次之,耕地最短;19 a间SOS、EOS、LOS变化最大的分别是常绿阔叶林(?1.68 d·(10 a)^?1)、耕地(1.25 d·(10 a)^?1)、木本热带稀树草原(1.28 d·(10 a)^?1)。(4)水热组合对植被生长影响显著,河谷、坝子、东部低海拔地区的植被SOS、EOS分别主要受2月降水(负相关)和4月气温(正相关)、9月降水和气温(正相关)影响,山地地区植被SOS、EOS分别主要受6月降水(正相关)和5月气温(正相关)、5月降水(正相关)和4月气温(正相关)影响。     

基于遥感信息和净初级生产力的天然橡胶估产模型

建立基于MODIS数据的天然橡胶净初级生产力遥感估算模型,利用2009年生长季(4—12月)250 m分辨率的MODIS数据和气象数据估算海南阳江农场天然橡胶的生长季净初级生产力, 通过天然橡胶的干物质分配率估算阳江农场天然橡胶的产胶潜力。用以树位为单元的地面实际干胶产量与已得到的天然橡胶林产胶潜力进行回归分析,建立天然橡胶干胶产量的估测模型。利用估产模型对阳江农场2010年7月的干胶产量进行模拟,用同期实际干胶产量对估产模型进行精度验证与实用性评价,结果显示7月估产模型均方根误差RMSE为1.78 g·m^-2,相对均方根误差RMSE_r为18.25%。研究表明,基于遥感信息和净初级生产力的天然橡胶估产模型具有较好的产量估测效果。     

基于RVI分区的淀山湖蓝藻暴发期叶绿素a的遥感估测

以淀山湖为研究区域,利用MODIS数据探讨蓝藻暴发期叶绿素a质量浓度〔ρ(Chla)〕的遥感估算方法.为了提高估算精度,解决蓝藻暴发期因ρ(Chla)差异较大而产生的估测模型的参数适应性问题,引入比值植被指数(Ratio Vegetation Index,RVI)分类法,将RVI＞0.95的区域界定为高蓝藻含量水体,将RVI≤0.95的区域界定为较清洁水体,并基于分区分别建立遥感估算模型.结果表明,分区后MODIS数据叶绿素a估测模型能更好地映射ρ(Chla)的变化,基于RVI的分类估算方法可以有效地提高淀山湖水体蓝藻暴发期ρ(Chla)的估算精度.