CN111982822A - 一种长时间序列高精度植被指数改进算法 - Google Patents

一种长时间序列高精度植被指数改进算法 Download PDF

Info

Publication number
CN111982822A
CN111982822A CN202011039297.4A CN202011039297A CN111982822A CN 111982822 A CN111982822 A CN 111982822A CN 202011039297 A CN202011039297 A CN 202011039297A CN 111982822 A CN111982822 A CN 111982822A
Authority
CN
China
Prior art keywords
pixels
remote sensing
pixel
time
sensing image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011039297.4A
Other languages
English (en)
Other versions
CN111982822B (zh
Inventor
滕洪芬
陈颂超
王汉林
史舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Technology
Original Assignee
Wuhan Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Technology filed Critical Wuhan Institute of Technology
Priority to CN202011039297.4A priority Critical patent/CN111982822B/zh
Publication of CN111982822A publication Critical patent/CN111982822A/zh
Application granted granted Critical
Publication of CN111982822B publication Critical patent/CN111982822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种长时间序列高精度植被指数改进算法，包括S1～S7七个步骤。本发明的一种长时间序列高精度植被指数改进算法，通过综合利用多源遥感及时空数据重构建模，对大区域范围内长时间序列的植被指数进行了高精度的模拟和趋势分析。这种分析方法综合了不同卫星传感器的优势，克服了单一卫星遥感影像存在的像元污染、时间覆盖范围短、空间分辨率低等弊端，为大区域尺度植被指数的长期变化监测提供了新数据，对于大区域尺度生态保护政策的制定提供参考。

Description

一种长时间序列高精度植被指数改进算法
技术领域
本发明涉及植被遥感技术领域，具体为一种长时间序列高精度植被指数改进算法。
背景技术
植被通过影响地表和大气之间的能量交换，在全球生态系统中发挥着重要的调节作用。了解大尺度区域长时间序列的植被动态过程及变化趋势，对于研究全球生态系统过程和服务中的碳循环及水循环有着重要的意义。利用卫星遥感监测归一化植被指数(Normalized Difference Vegetation Index，NDVI)的方法目前广泛应用的植被动态监测手段。
在卫星遥感提供的众多NDVI产品中，MODIS NDVI产品及全球清单建模和制图研究(GIMMS)NDVI产品是目前被使用的最广泛的两种数据集。然而，通过卫星遥感收集到的植被信息的连续性通常会收到时空覆盖和分辨率的干扰。例如，MODIS卫星传感器能免费提供大范围区域内1公里空间分辨率的地表植被信息。但是MODIS传感器在监测高寒山区地表植被信息时，受云、雪、山体阴影等影响，普遍存在着像元污染大、数据可靠性差的问题。GIMMSNDVI数据的时间覆盖度为1982-2015年，能提供全球范围内最长时间序列的植被变化信息。但是，由于GIMMS NDVI的空间分辨率只有8公里，在进行区域尺度，尤其是在高寒山区这种地表时空异质性强的地区的植被变化研究时，往往导致局部NDVI信号的稀释，难以准确反映地表植被的真正变化过程。
发明内容
本发明的目的在于提供一种长时间序列高精度植被指数改进算法，至少可以解决现有技术中的部分缺陷。
为实现上述目的，本发明实施例提供如下技术方案：一种长时间序列高精度植被指数改进算法，包括如下步骤：
S1，收集目标区域MODIS遥感影像及GIMMS遥感影像，并对收集的遥感影像进行预处理；
S2，利用所述S1步骤中MODIS遥感影像包含的遥感影像质量评价层，将MODIS遥感影像的像元筛选为可用像元和缺失像元两种；
S3，将所述S2步骤中的MODIS遥感影像的可用像元和缺失像元细分为有效像元和异常像元；
S4，对所述S3步骤中的MODIS遥感影像的异常像元进行四维时空插补，并将插补后的像元和所述S3步骤中所述的有效像元进行合并；
S5，根据所述S1步骤中预处理得到的GIMMS遥感影像以及所述S4步骤中合并后的MODIS遥感影像进行遥感影像的时间维度分类，分为重叠期和预测期；
S6，对S5步骤中时间维度分类后的预测期遥感影像进行多源数据重构建模及检验；
S7，根据所述S6步骤中重构建模后的遥感影像以及所述S5步骤处理中重叠期的遥感影像数据合并，并建立影像数据的回归关系，得到长时间序列高精度的植被绿度变化趋势及变化指数。
进一步，在所述S1步骤中，所述MODIS遥感影像为空间分辨率为1公里的MOD13A2产品数据，时间分辨率为16天，时间覆盖范围是2002-2015年；所述的GIMMS遥感影像为空间分辨率8公里的GIMMS NDVI3g产品数据，时间分辨率为15天，时间覆盖范围是1982-2015年；所述的预处理包括遥感影像数据拼接、投影转换、最大值合成法等，处理预处理后的MODIS遥感影像及GIMMS遥感影像的时间分辨率均为月，空间分辨率和时间覆盖范围不变。
进一步，在所述S2步骤中，所述的遥感影像质量评价层为MOD13A2产品数据自带的QA(QualityAssessment)层，该层根据MODIS遥感影像可靠指数(良好、混合、云雪像元)，将MOD13A2产品数据的像元分为空值像元、良好像元、混合像元、冰雪像元，以及云像元这五类；所述的像元筛选将QA层中的良好像元及混合像元归并为可用像元，将空值像元、冰雪像元以及云像元归并为缺失像元；
进一步，在所述S3步骤中，所述的异常像元主要由两部分组成，一部分来自可用像元中的混合像元，另一部分来自缺失像元；可用像元中的混合像元通过傅里叶时间序列分析法得到，该方法将各像元位置的时域信号转换到频率域，并从频率域中挖掘出各像元位置信号频谱的变化规律和周期，发现信号频谱中突变点对应的时间点与像元值，从而实现混合像元的提取。
进一步，在所述S4步骤中，四维时空插补及合并的具体过程为：首先，用λ1、λ2、λ3和λ4定义经度、纬度、日和年四个维度，从而划分四维动态窗口；其次，利用划分好的四维动态窗口，结合所述S3步骤中有效像元的个数，将异常像元进行时空子数据集划分；再次，利用线性分位数回归的方法，结合所述S3步骤中有效像元，对所述S3步骤中的异常像元进行预测，得到异常像元对应栅格上的预测像元；最后，将预测像元和所述S3步骤中有效像元合并，从而得到目标区域完整有效的MODIS遥感影像。在四维时空插补及合并的具体过程中，四维动态窗口的大小主要由以下标准进行评估：时空子数据集中，每景影像中的有效像元不得少于4个，并且每个像元时间序列上的有效值不得少于5个；满足了以上标准后，进行下一步，否则将通过扩大λ1和λ3的值，将时空子数据集的空间逐步增大，直到满足以上标准。在四维时空插补及合并的具体过程中，线性分位数回归的方法是将所述S3步骤中有效像元对应的像元值作因变量，将子数据集中像元的截距和秩作为因变量，对异常像元进行预测。
进一步，在所述S5步骤中，重叠期指2002-2015年，预测期指1982-2001年；为了方便后续建模及验证，将重叠期中最靠近预测期的年份2002年划入预测期进行预测，即实际采用的预测期为1982-2002年，实际采用的重叠期为2003-2015，并将2002年选定为验证年份。
进一步，在所述S6步骤中，所述的多源数据重构建模过程为：首先，在重叠期的遥感影像中，将2003-2015年1公里空间分辨率的MODIS NDVI影像的像元值作为预测域，将2003-2015年8公里空间分辨率的GIMMS NDVI影像的像元值位于响应域；然后，利用预测域像元值与响应域像元值的空间分布特征，建立预测域与响应域像元值之间的经验正交遥相关模型；最后，对1982-2002年8公里空间分辨率的GIMMS NDVI影像的像元值进行空间样条插值，得到1982-2002年1公里空间分辨率的NDVI像元值；所述的检验是通过对比验证年分2002年对应的MODIS遥感影像的像元值与多源数据重构建模后的像元值，依靠决定系数(R2)和均方根误差(RMSE)这两个指标决定多源数据重构建模精度。
进一步，在所述S7步骤中，所述的数据合并是指将预测期1982-2002年重构的1公里空间分辨率的NDVI影像以及S5步骤中所述的重叠期2003-2015年的1公里空间分辨率的MODIS NDVI进行合并，从而得到1982-2015年1公里空间分辨率的NDVI影像数据；所述的回归关系是通过最小二乘回归分析，以时间序列上各像元点对应像元值为回归方程的因变量，以像元时间为回归方程的自变量，以回归方程的回归系数为绿度变化指数。
与现有技术相比，本发明的有益效果是：一种长时间序列高精度植被指数改进算法，对大区域范围内长时间序列的植被指数进行了高精度的模拟和趋势分析。这种分析方法综合了不同卫星传感器的优势，克服了单一卫星遥感影像存在的像元污染、时间覆盖范围短、空间分辨率低等弊端，为大区域尺度植被指数的长期变化监测提供了新数据，对于大区域尺度生态保护政策的制定提供参考。
附图说明
图1为本发明实施例提供的一种长时间序列高精度植被指数改进算法的青藏高原MODIS遥感影像缺失像元比例分布图；
图2为本发明实施例提供的一种长时间序列高精度植被指数改进算法的改进前MOD13A2元数据及改进后数据空间对比图；
图3为本发明实施例提供的一种长时间序列高精度植被指数改进算法的重构NDVI值与MODIS NDVI值对比关系图；
图4为本发明实施例提供的一种长时间序列高精度植被指数改进算法的青藏高原植被指数均值及绿度变化指数空间分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1至图4，选取青藏高原为研究区域，对青藏高原地区1公里空间分辨率的NDVI植被指数进行算法改进及重构，并分析该地区植被指数空间分布特征及绿度变化趋势。其中，图2中，a图为四维时空插补前MODIS遥感影像元数据；b图为四维时空插补前MODIS遥感影像改进数据，图中白色区域代表MODIS遥感影像缺失像元；图3中，a图为MODIS NDVI空间分布图，b图为重构NDVI空间分布图，c图为随机生成1000个点位上MODIS NDVI与重构NDVI的散点图；图4中，a图为青藏高原年均植被指数空间分布图，b图为青藏高原植被绿度指数空间分布图。
本发明实施例提供一种长时间序列高精度植被指数改进算法，包括如下步骤：S1，收集目标区域MODIS遥感影像及GIMMS遥感影像，并对收集的遥感影像进行预处理；S2，利用所述S1步骤中MODIS遥感影像包含的遥感影像质量评价层，将MODIS遥感影像的像元筛选为可用像元和缺失像元两种；S3，将所述S2步骤中的MODIS遥感影像的可用像元和缺失像元细分为有效像元和异常像元；S4，对所述S3步骤中的MODIS遥感影像的异常像元进行四维时空插补，并将插补后的像元和所述S3步骤中所述的有效像元进行合并；S5，根据所述S1步骤中预处理得到的GIMMS遥感影像以及所述S4步骤中合并后的MODIS遥感影像进行遥感影像的时间维度分类，分为重叠期和预测期；S6，对S5步骤中时间维度分类后的预测期遥感影像进行多源数据重构建模及检验；S7，根据所述S6步骤中重构建模后的遥感影像以及所述S5步骤处理中重叠期的遥感影像数据合并，并建立影像数据的回归关系，得到长时间序列高精度的植被绿度变化趋势及变化指数。
以下为具体实施例：
作为本发明实施例的优化方案，在所述S1步骤中，所述MODIS遥感影像为空间分辨率为1公里的MOD13A2产品数据，时间分辨率为16天，时间覆盖范围是2002-2015年；所述的GIMMS遥感影像为空间分辨率8公里的GIMMS NDVI3g产品数据，时间分辨率为15天，时间覆盖范围是1982-2015年；所述的预处理包括遥感影像数据拼接、投影转换、最大值合成法等，处理预处理后的MODIS遥感影像及GIMMS遥感影像的时间分辨率均为月，空间分辨率和时间覆盖范围不变。
作为本发明实施例的优化方案，在所述S2步骤中，所述的遥感影像质量评价层为MOD13A2产品数据自带的QA(QualityAssessment)层，该层根据MODIS遥感影像可靠指数(良好、混合、云雪像元)，将MOD13A2产品数据的像元分为空值像元、良好像元、混合像元、冰雪像元，以及云像元这五类；所述的像元筛选将QA层中的良好像元及混合像元归并为可用像元，将空值像元、冰雪像元以及云像元归并为缺失像元；
作为本发明实施例的优化方案，在所述S3步骤中，所述的异常像元主要由两部分组成，一部分来自可用像元中的混合像元，另一部分来自缺失像元；可用像元中的混合像元通过傅里叶时间序列分析法得到，该方法将各像元位置的时域信号转换到频率域，并从频率域中挖掘出各像元位置信号频谱的变化规律和周期，发现信号频谱中突变点对应的时间点与像元值，从而实现混合像元的提取。
作为本发明实施例的优化方案，在所述S4步骤中，四维时空插补及合并的具体过程为：首先，用λ1、λ2、λ3和λ4定义经度、纬度、日和年四个维度，从而划分四维动态窗口；其次，利用划分好的四维动态窗口，结合所述S3步骤中有效像元的个数，将异常像元进行时空子数据集划分；再次，利用线性分位数回归的方法，结合所述S3步骤中有效像元，对所述S3步骤中的异常像元进行预测，得到异常像元对应栅格上的预测像元；最后，将预测像元和所述S3步骤中有效像元合并，从而得到目标区域完整有效的MODIS遥感影像。在四维时空插补及合并的具体过程中，四维动态窗口的大小主要由以下标准进行评估：时空子数据集中，每景影像中的有效像元不得少于4个，并且每个像元时间序列上的有效值不得少于5个；满足了以上标准后，进行下一步，否则将通过扩大λ1和λ3的值，将时空子数据集的空间逐步增大，直到满足以上标准。在四维时空插补及合并的具体过程中，线性分位数回归的方法是将所述S3步骤中有效像元对应的像元值作因变量，将子数据集中像元的截距和秩作为因变量，对异常像元进行预测。
作为本发明实施例的优化方案，在所述S5步骤中，重叠期指2002-2015年，预测期指1982-2001年；为了方便后续建模及验证，将重叠期中最靠近预测期的年份2002年划入预测期进行预测，即实际采用的预测期为1982-2002年，实际采用的重叠期为2003-2015，并将2002年选定为验证年份。
作为本发明实施例的优化方案，在所述S6步骤中，所述的多源数据重构建模过程为：首先，在重叠期的遥感影像中，将2003-2015年1公里空间分辨率的MODIS NDVI影像的像元值作为预测域，将2003-2015年8公里空间分辨率的GIMMS NDVI影像的像元值位于响应域；然后，利用预测域像元值与响应域像元值的空间分布特征，建立预测域与响应域像元值之间的经验正交遥相关模型(Empirical Orthogonal Teleconnections)；最后，对1982-2002年8公里空间分辨率的GIMMS NDVI影像的像元值进行空间样条插值，得到1982-2002年1公里空间分辨率的NDVI像元值；所述的检验是通过对比验证年分2002年对应的MODIS遥感影像的像元值与多源数据重构建模后的像元值，依靠决定系数(R2)和均方根误差(RMSE)这两个指标决定多源数据重构建模精度。
作为本发明实施例的优化方案，在所述S7步骤中，所述的数据合并是指将预测期1982-2002年重构的1公里空间分辨率的NDVI影像以及S5步骤中所述的重叠期2003-2015年的1公里空间分辨率的MODIS NDVI进行合并，从而得到1982-2015年1公里空间分辨率的NDVI影像数据；所述的回归关系是通过最小二乘回归分析，以时间序列上各像元点对应像元值为回归方程的因变量，以像元时间为回归方程的自变量，以回归方程的回归系数为绿度变化指数。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种长时间序列高精度植被指数改进算法，其特征在于，包括如下步骤：
S1，收集目标区域MODIS遥感影像及GIMMS遥感影像，并对收集的遥感影像进行预处理；
S2，利用所述S1步骤中MODIS遥感影像包含的遥感影像质量评价层，将MODIS遥感影像的像元筛选为可用像元和缺失像元两种；
S3，将所述S2步骤中的MODIS遥感影像的可用像元和缺失像元细分为有效像元和异常像元；
S4，对所述S3步骤中的MODIS遥感影像的异常像元进行四维时空插补，并将插补后的像元和所述S3步骤中所述的有效像元进行合并；
S5，根据所述S1步骤中预处理得到的GIMMS遥感影像以及所述S4步骤中合并后的MODIS遥感影像进行遥感影像的时间维度分类，分为重叠期和预测期；
S6，对S5步骤中时间维度分类后的预测期遥感影像进行多源数据重构建模及检验；
S7，根据所述S6步骤中重构建模后的遥感影像以及所述S5步骤处理中重叠期的遥感影像数据合并，并建立影像数据的回归关系，得到长时间序列高精度的植被绿度变化趋势及变化指数。
2.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S1步骤中，所述MODIS遥感影像为空间分辨率为1公里的MOD13A2产品数据，时间分辨率为16天，时间覆盖范围是2002-2015年；所述的GIMMS遥感影像为空间分辨率8公里的GIMMSNDVI3g产品数据，时间分辨率为15天，时间覆盖范围是1982-2015年；所述的预处理包括遥感影像数据拼接、投影转换、最大值合成法等，处理预处理后的MODIS遥感影像及GIMMS遥感影像的时间分辨率均为月，空间分辨率和时间覆盖范围不变。
3.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S2步骤中，所述的遥感影像质量评价层为MOD13A2产品数据自带的QA(QualityAssessment)层，该层根据MODIS遥感影像可靠指数(良好、混合、云雪像元)，将MOD13A2产品数据的像元分为空值像元、良好像元、混合像元、冰雪像元，以及云像元这五类；所述的像元筛选将QA层中的良好像元及混合像元归并为可用像元，将空值像元、冰雪像元以及云像元归并为缺失像元。
4.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S3步骤中，所述的异常像元主要由两部分组成，一部分来自可用像元中的混合像元，另一部分来自缺失像元；可用像元中的混合像元通过傅里叶时间序列分析法得到，该方法将各像元位置的时域信号转换到频率域，并从频率域中挖掘出各像元位置信号频谱的变化规律和周期，发现信号频谱中突变点对应的时间点与像元值，从而实现混合像元的提取。
5.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于，在所述S4步骤中，四维时空插补及合并的具体过程为：首先，用λ1、λ2、λ3和λ4定义经度、纬度、日和年四个维度，从而划分四维动态窗口；其次，利用划分好的四维动态窗口，结合所述S3步骤中有效像元的个数，将异常像元进行时空子数据集划分；再次，利用线性分位数回归的方法，结合所述S3步骤中有效像元，对所述S3步骤中的异常像元进行预测，得到异常像元对应栅格上的预测像元；最后，将预测像元和所述S3步骤中有效像元合并，从而得到目标区域完整有效的MODIS遥感影像。在四维时空插补及合并的具体过程中，四维动态窗口的大小主要由以下标准进行评估：时空子数据集中，每景影像中的有效像元不得少于4个，并且每个像元时间序列上的有效值不得少于5个；满足了以上标准后，进行下一步，否则将通过扩大λ1和λ3的值，将时空子数据集的空间逐步增大，直到满足以上标准。在四维时空插补及合并的具体过程中，线性分位数回归的方法是将所述S3步骤中有效像元对应的像元值作因变量，将子数据集中像元的截距和秩作为因变量，对异常像元进行预测。
6.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S5步骤中，重叠期指2002-2015年，预测期指1982-2001年；为了方便后续建模及验证，将重叠期中最靠近预测期的年份2002年划入预测期进行预测，即实际采用的预测期为1982-2002年，实际采用的重叠期为2003-2015，并将2002年选定为验证年份。
7.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S6步骤中，所述的多源数据重构建模过程为：首先，在重叠期的遥感影像中，将2003-2015年1公里空间分辨率的MODIS NDVI影像的像元值作为预测域，将2003-2015年8公里空间分辨率的GIMMS NDVI影像的像元值位于响应域；然后，利用预测域像元值与响应域像元值的空间分布特征，建立预测域与响应域像元值之间的经验正交遥相关模型；最后，对1982-2002年8公里空间分辨率的GIMMS NDVI影像的像元值进行空间样条插值，得到1982-2002年1公里空间分辨率的NDVI像元值；所述的检验是通过对比验证年分2002年对应的MODIS遥感影像的像元值与多源数据重构建模后的像元值，依靠决定系数(R2)和均方根误差(RMSE)这两个指标决定多源数据重构建模精度。
8.如权利要求1所述的一种长时间序列高精度植被指数改进算法，其特征在于：在所述S7步骤中，所述的数据合并是指将预测期1982-2002年重构的1公里空间分辨率的NDVI影像以及S5步骤中所述的重叠期2003-2015年的1公里空间分辨率的MODIS NDVI进行合并，从而得到1982-2015年1公里空间分辨率的NDVI影像数据；所述的回归关系是通过最小二乘回归分析，以时间序列上各像元点对应像元值为回归方程的因变量，以像元时间为回归方程的自变量，以回归方程的回归系数为绿度变化指数。
CN202011039297.4A 2020-09-28 2020-09-28 一种长时间序列高精度植被指数改进算法 Active CN111982822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011039297.4A CN111982822B (zh) 2020-09-28 2020-09-28 一种长时间序列高精度植被指数改进算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011039297.4A CN111982822B (zh) 2020-09-28 2020-09-28 一种长时间序列高精度植被指数改进算法

Publications (2)

Publication Number Publication Date
CN111982822A true CN111982822A (zh) 2020-11-24
CN111982822B CN111982822B (zh) 2022-10-18

Family

ID=73450295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011039297.4A Active CN111982822B (zh) 2020-09-28 2020-09-28 一种长时间序列高精度植被指数改进算法

Country Status (1)

Country Link
CN (1) CN111982822B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508266A (zh) * 2020-12-02 2021-03-16 中国科学院东北地理与农业生态研究所 生态系统属性组分空间结构演化趋势预测方法
CN112508395A (zh) * 2020-12-03 2021-03-16 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法
CN112685468A (zh) * 2020-12-24 2021-04-20 吉林大学 生态系统属性组分组成结构长期演变图形表达方法
CN114529835A (zh) * 2022-02-22 2022-05-24 衡阳师范学院 基于长时序多源卫星遥感评价大尺度植被健康动态的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617629A (zh) * 2013-12-13 2014-03-05 南京大学 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN110147617A (zh) * 2019-05-22 2019-08-20 西南大学 一种基于modis数据对gimms数据进行延长的方法
CN110263111A (zh) * 2019-05-31 2019-09-20 南京林业大学 基于先验知识的土地利用/覆被信息时空监测方法
CN110378576A (zh) * 2019-07-01 2019-10-25 中国环境科学研究院 城市化植被效应有效距离的定量化检测方法
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统
US20200141877A1 (en) * 2018-11-06 2020-05-07 Nanjing Agricultural University Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103617629A (zh) * 2013-12-13 2014-03-05 南京大学 基于modis遥感影像的高分辨率遥感影像植被指数时间序列校正方法
US20200141877A1 (en) * 2018-11-06 2020-05-07 Nanjing Agricultural University Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle
CN109948596A (zh) * 2019-04-26 2019-06-28 电子科技大学 一种基于植被指数模型进行水稻识别和种植面积提取的方法
CN110147617A (zh) * 2019-05-22 2019-08-20 西南大学 一种基于modis数据对gimms数据进行延长的方法
CN110263111A (zh) * 2019-05-31 2019-09-20 南京林业大学 基于先验知识的土地利用/覆被信息时空监测方法
CN110378576A (zh) * 2019-07-01 2019-10-25 中国环境科学研究院 城市化植被效应有效距离的定量化检测方法
CN110428107A (zh) * 2019-08-06 2019-11-08 吉林大学 一种玉米产量遥感预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
TENG HONGFEN 等: ""Climate change-induced greening on the Tibetan Plateau modulated by mountainous characteristics"", 《ENVIRONMENTAL RESEARCH LETTERS》 *
田延峰 等: ""基于MODIS温度植被干旱指数（TVDI）的表层土壤含水量反演与验证"", 《中国土壤学会第十二次全国会员代表大会暨第九届海峡两岸土壤肥料学术交流研讨会论文集》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508266A (zh) * 2020-12-02 2021-03-16 中国科学院东北地理与农业生态研究所 生态系统属性组分空间结构演化趋势预测方法
CN112508266B (zh) * 2020-12-02 2022-03-11 中国科学院东北地理与农业生态研究所 生态系统属性组分空间结构演化趋势预测方法
CN112508395A (zh) * 2020-12-03 2021-03-16 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法
CN112508395B (zh) * 2020-12-03 2022-04-19 中国科学院东北地理与农业生态研究所 面向频数分布对称性的生态系统属性组分组成结构量化法
CN112685468A (zh) * 2020-12-24 2021-04-20 吉林大学 生态系统属性组分组成结构长期演变图形表达方法
CN112685468B (zh) * 2020-12-24 2023-03-24 吉林大学 生态系统属性组分组成结构长期演变图形表达方法
CN114529835A (zh) * 2022-02-22 2022-05-24 衡阳师范学院 基于长时序多源卫星遥感评价大尺度植被健康动态的方法

Also Published As

Publication number Publication date
CN111982822B (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN111982822B (zh) 一种长时间序列高精度植被指数改进算法
Zhao et al. A combined Terra and Aqua MODIS land surface temperature and meteorological station data product for China from 2003 to 2017
CN111033318A (zh) 当地气象预测
CN109946235B (zh) 风云4a气象卫星多通道扫描成像辐射计的多层云反演方法
CN111191673B (zh) 一种地表温度降尺度方法及系统
Sun et al. Ecological quality assessment and monitoring using a time-series remote sensing-based ecological index (ts-RSEI)
CN111401602A (zh) 基于神经网络的卫星以及地面降水测量值同化方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN114048944A (zh) 一种暴雨诱发地质灾害下应撤离人口及损毁房屋的预估方法
Deng et al. Development and Evaluation of a Cloud-Gap-Filled MODIS Normalized Difference Snow Index Product over High Mountain Asia
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
Colaninno et al. Towards an operational model for estimating day and night instantaneous near-surface air temperature for urban heat island studies: outline and assessment
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
Lupu et al. Assimilation of cloud-affected radiances from Meteosat-9 at ECMWF
CN112598590A (zh) 基于深度学习的光学遥感时间序列影像重建方法及系统
Chen et al. Urban land surface temperature retrieval from high spatial resolution thermal infrared image using a modified split-window algorithm
CN115203624B (zh) 一种基于时序遥感的任意时刻地表环境综合评估方法
Pappa et al. Analysis of the ZR relationship using X-Band weather radar measurements in the area of Athens
CN113779863B (zh) 一种基于数据挖掘的地表温度降尺度方法
CN114169215B (zh) 一种耦合遥感与区域气象模式的地表温度反演方法
Chen et al. Topographic correction of optical remote sensing images in mountainous areas: A systematic review
CN112052720B (zh) 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型
Yang et al. Sub-Annual Scale LandTrendr: Sub-Annual Scale Deforestation Detection Algorithm Using Multi-Source Time Series Data
He et al. Spatial and temporal characteristics of surface albedo in Badain Jaran Desert, China
Li et al. Monitoring tropical forest change using tree canopy cover time series obtained from Sentinel-1 and Sentinel-2 data

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant