LAI inversion algorithm based on directional reflectance kernels

Leaf area index (LAI) is an important ecological and environmental parameter. A new LAI algorithm is developed using the principles of ground LAI measurements based on canopy gap fraction. First, the relationship between LAI and gap fraction at various zenith angles is derived from the definition of LAI. Then, the directional gap fraction is acquired from a remote sensing bidirectional reflectance distribution function (BRDF) product. This acquisition is obtained by using a kernel driven model and a large-scale directional gap fraction algorithm. The algorithm has been applied to estimate a LAI distribution in China in mid-July 2002. The ground data acquired from two field experiments in Changbai Mountain and Qilian Mountain were used to validate the algorithm. To resolve the scale discrepancy between high resolution ground observations and low resolution remote sensing data, two TM images with a resolution approaching the size of ground plots were used to relate the coarse resolution LAI map to ground measurements. First, an empirical relationship between the measured LAI and a vegetation index was established. Next, a high resolution LAI map was generated using the relationship. The LAI value of a low resolution pixel was calculated from the area-weighted sum of high resolution LAIs composing the low resolution pixel. The results of this comparison showed that the inversion algorithm has an accuracy of 82%. Factors that may influence the accuracy are also discussed in this paper.     

应用卫星遥感技术监测沙尘暴的研究

对国内外利用遥感技术监测沙尘暴的研究进行了概述,对沙尘暴的遥感监测方法进行了总结,并作了进一步的探讨,提出了遥感监测沙尘暴的新思路,讨论了相关问题.     

基于GEE的中国南海水质反演与富营养化评价

基于Google Earth Engine(GEE)平台,以MODIS遥感影像为数据源,通过构建多元特征建立水质反演模型,分析了2006～2018年的南海透明度(SD)、总氮(TN)、叶绿素(Chl-a)、化学需氧量(COD)的空间变化特征,并通过综合营养指数分析了南海富营养化的时空趋势.结果表明:GEE结合多元回归模...     

基于EOS/MODIS卫星遥感数据的渤海海冰变化趋势及特征应用研究

根据卫星遥感数据的分辨率、采集频次、获取方式等特点,将MODIS卫星遥感数据应用到渤海海冰遥感监测中。通过海冰在可见光和红外光波段的光谱存在特定差异的特性,对海冰发生面积进行提取。同时对渤海海冰进行了遥感监测,并完整地监测到海冰从发生到极盛再到消退的全过程。同时,在海冰发生最为严重的时段,对辽东湾海域进行了密集监测。研究结果表明,MODIS卫星遥感数据在海冰监测中有着及时、准确的优势。     

云南省气溶胶光学厚度时空变化特征的遥感研究

利用中分辨率成像光谱仪(MODIS)的气溶胶产品研究云南省气溶胶光学厚度(AOT)的时空变化特征。研究结果表明:在长时间尺度上,区域月平均AOT没有明显的增长趋势,年平均值大约为0.19,反映了人为活动排放进入大气的气溶胶没有明显的增加;月平均AOT的变化呈双峰分布特征,2个峰值分别出现在3、8月,AOT大约为0.35±0.08和0.31±0.05,5月出现明显的谷值(0.20±0.03),AOT减少的原因可能是该地区降水增多,大量的降水可以清除大气中的气溶胶粒子,最小值常出现在1月或12月,AOT大约为0.09±0.02。在空间上,云南省AOT普遍较低,年平均值的空间分布为0~0.4,低值区出现在西北部的迪庆州、怒江州和丽江市;AOT高值区分布在云南省的南部和东北部地区,3月AOT值最大可达0.80以上,南部和北部差值达到0.60以上,8月AOT的高值区主要出现在中部的玉溪市红河州北部、玉溪市和昆明市。云南省AOT北高南低分布格局的原因主要是北部地区人为气溶胶排放较少,另外,由于地形的影响,北部地区风速较大,气溶胶停留在大气中的时间较短,AOT较小。     

基于MODIS数据的洞庭湖水体面积与多站点水位相关关系研究

针对洞庭湖区,以30 m分辨率的环境减灾卫星CCD影像为参考,对比分析了归一化差异植被指数（NDVI）和比值植被指数（RVI）应用于MODIS遥感影像水体面积提取的优缺点。研究发现,选取NDVI并且赋予各月份各自适应的阈值进行水体面积提取,有效避免了采取单一阈值造成的枯水期水体误提以及丰水期水体漏提问题。将提取湖区面积与相应日期水位数据组成水位 面积组,建立湖区面积 水位相关关系。考虑到建立湖区面积与单一水文站点水位间相关关系存在一定空间不合理性,选取逐步多元回归法建立2003~2006年湖区面积与多站点水位间相关关系。结果表明：在高水位和低水位处,洞庭湖面积 水位关系年际间变化不太明显,但在中等水位处（如24~29 m）,湖区面积 水位关系有比较明显的变化,同一水位处湖区面积有逐年减小的趋势。     

基于MODIS和GIS的洪水识别及淹没区土地利用信息的提取

介绍了MODIS数据晴空和薄云下水体的有效识别算法——CH2/CH1比值方案,并应用于2007年淮河流域大洪水事件,选取泄洪前、泄洪期和退水期3时相的MODIS数据进行水体识别分析,有效确定洪水淹没区。利用GIS技术提取洪水淹没区土地利用信息,进一步统计安徽省沿淮县市淹没区土地利用各类型的面积,从而为区域洪水灾害评估提供参考依据。相关研究成果已在ArcGIS中建成模型,为洪水监测业务服务。     

中国草地生态系统服务功能价值遥感估算研究

草地生态系统是我国陆地上面积最大的生态系统,不仅生产大量的产品,而且提供巨大的生态服务功能。利用遥感技术估算草地生态系统服务价值,具有廉价、动态、快速、范围广等优点,并可解决传统方法所不能解决的空间异质性问题。论文考虑有机物质生产、维持CO₂和O₂平衡、营养物质循环、对环境污染的净化作用、土壤侵蚀控制和涵养水源等主要服务功能,提出了一个基于净初级生产力(NPP)和植被覆盖率的草地生态系统服务价值估算方法,并介绍了从MODIS数据反演NPP和植被覆盖率的方法。对2003年我国草地生态系统服务价值的估算结果表明,我国草地生态系统总服务价值达17050.25×10⁸元,平均48.44×10⁴元/km²,是草地生产收益的19倍;不同类型的草地生态系统单位面积服务价值空间差异悬殊,从5.62×10⁴元/km²变化到99.0×10⁴元/km²以上。     

基于时间序列MODIS数据的贵州省森林物候地域分异

森林物候是气候与环境变化的重要指示器,对于陆地植被生态环境监测具有重要的意义。以2011～2013年的MODIS NDVI(归一化植被指数)为时间序列数据,采用Savizky-Golay(S-G)滤波平滑和动态阀值法,提取出贵州省2012年森林物候的生长起始日期(SOS)、生长结束日期(EOS)、生长季长度(LOS)和生长季振幅(AOS)4个参数,分别将提取的森林物候参数与经度、纬度和海拔做相关性分析。研究结果显示:(1)贵州省森林物候参数与纬度相关性整体较弱,因此贵州省森林物候纬度地带性地域分异的不显著;(2)贵州省森林物候生长起始期、生长季长度与经度呈极显著相关,而森林物候生长结束期与经度呈低度相关,整体上贵州省森林物候参数海陆(经度)地带性地域分异显著;(3)贵州省森林物候生长起始期、生长结束期与海拔呈显著相关,而森林物候生长季长度与海拔呈极显著相关,因此贵州省森林物候参数垂直(海拔)地带性地域分异的十分显著。     

基于iLME+Geoi-RF模型的四川省PM2.5浓度估算

高分辨率PM2.5空间分布数据对动态监测和控制PM2.5污染具有重要意义.选取Himawari-8气溶胶光学厚度(AOD)、ERA5气象再分析资料、DEM、土地利用数据、夜光遥感数据、增强型植被指数和人口数据等作为估算变量,使用改进的重采样法进行数据匹配,并提出改进的线性混合模型(iLME)结合地理智能随机森林(Geoi-RF)构建组合模型估算PM2.5浓度.结果表明:①在选取的估算变量中,气溶胶光学厚度、气压、温度、相对湿度和边界层高度是影响2016年四川省PM2.5浓度的重要因素,其相关系数分别为0.65、0.58、0.55、0.54和0.35.②iLME+Geoi-RF模型精度相较其他模型有较大提升,模型拟合Rl2、RMSR 和 MAE 分别为0.98、3.25 μg·m-3和 1.98 μg·m-3,交叉验证 R2、RMSR 和 MAE 分别为0.89、7.95 μg·m-3和4.81μg·m-3.该模型可获取更高精度的四川省PM2.5时空分布特征,为区域空气质量评估、人体暴露风险评价和环境污染治理提供更加合理地科学参考.③2016年四川省PM2.5浓度存在显著的季节性差异,各季节PM2.5浓度大小关系为:冬季＞秋季＞春季＞夏季.2016年四川省月均PM2.5浓度总体上呈先降后升的"V"型趋势,最小值在6月,最大值在12月,8月和11月有微小起伏.在空间分布上四川省PM2.5浓度总体上呈东高西低和局部污染程度较高的特点,高值区主要分布在城市快速发展和人口密集的东部地区,低值区主要分布在经济发展落后和人口稀疏的西部地区.④虽然不同模型估算出的PM2.5浓度整体分布基本一致,但iLME+Geoi-RF模型能更准确有效地估算本研究区污染的空间分布.