CN114544515B - 一种草原物候遥感监测方法及系统 - Google Patents
一种草原物候遥感监测方法及系统 Download PDFInfo
- Publication number
- CN114544515B CN114544515B CN202210166125.6A CN202210166125A CN114544515B CN 114544515 B CN114544515 B CN 114544515B CN 202210166125 A CN202210166125 A CN 202210166125A CN 114544515 B CN114544515 B CN 114544515B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- annual
- filtered
- time
- vegetation
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001914 filtration Methods 0.000 claims description 39
- 238000002310 reflectometry Methods 0.000 claims description 25
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000001308 synthesis method Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 244000025254 Cannabis sativa Species 0.000 claims description 3
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 description 3
- 102100027246 Protein EVI2A Human genes 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010792 warming Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 206010053759 Growth retardation Diseases 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000001056 green pigment Substances 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Mathematical Analysis (AREA)
- Pathology (AREA)
- Pure & Applied Mathematics (AREA)
- Immunology (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种草原物候遥感监测方法及系统，属于植被生态遥感技术领域，草原物候遥感监测方法包括：获取观测点处时间分辨率为1天的植被指数年时间序列；根据植被指数年时间序列，确定时间分辨率为2天到32天的多个多天合成植被指数年时间序列；分别对植被指数年时间序列及各多天合成植被指数年时间序列进行拟合，得到参考年生长曲线及多个待选年生长曲线；根据参考年生长曲线确定参考物候参数；根据各待选年生长曲线确定多个待选物候参数；将多个待选物候参数中与参考物候参数差异最小的物候参数对应的时间分辨率作为最优时间分辨率；在最优时间分辨率下，对观测点处植被的物候参数进行监测，提高了草原物候参数的反演精准度。
Description
技术领域
本发明涉及植被生态遥感技术领域，特别是涉及一种草原物候遥感监测方法及系统。
背景技术
植被物候如返青期出现的时间是研究以草原为代表的陆表生态系统对全球变暖背景下气候变化的响应机制的指标性参数之一。以归一化植被指数(NormalizedDifferenceVegetation Index，NDVI)为代表的遥感植被指数是当前研究地表物候变化的主流方法，可有效弥补实地物候观测在时空覆盖上的不足，实现在从地区至全球等不同空间尺度下植被返青期，枯黄期等关键物候参数及其变化趋势的定量反演。植被指数时间序列的时间分辨率决定了其描述的植被的季节性变化的细节程度。
高时间分辨率的植被指数时间序列如1-d MODIS(MODerate-resolution ImagingSpectroradiometer，中分辨率成像光谱仪)/AVHRRNDVI包含了较为完整的细节，但是其中植被指数的数据质量往往受到观测路径中出现的云和地表的雪、冰等背景的影响，为削弱此种影响，多天合成植被指数产品(即仅包含特定时间窗口内不受云、雪、冰等影响的观测数据的产品)被大量使用。以草原物候为例，多数研究使用了8-d，16-dMODIS NDVI或15-dAVHRRNDVI进行草原物候参数的反演。然而，多天合成植被指数在顾及数据质量的同时必然导致代入计算的植被季节性变化信息的缺失，且此种缺失严重影响了草原植被的生长情况及相应的物候参数反演结果的精度。
基于上述问题，亟需一种新的草原物候遥感监测方法，以提高草原物候参数反演的精度。
发明内容
本发明的目的是提供一种草原物候遥感监测方法及系统，可提高草原物候参数的反演精确度。
为实现上述目的，本发明提供了如下方案：
一种草原物候遥感监测方法，所述草原物候遥感监测方法包括：
获取观测点处的植被指数年时间序列；所述植被指数年时间序列包括多个观测数据；所述植被指数年时间序列的时间分辨率为1天；
采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列；各多天合成植被指数年时间序列的时间分辨率为2天到32天；
对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线；
分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线；
根据所述参考年生长曲线反演草原物候参数，确定参考物候参数；
根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数；
从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率；
在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
可选地，所述获取观测点处的植被指数年时间序列，具体包括：
采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天；
根据所述地面反射率数据，确定植被指数序列；
从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。
可选地，所述对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线，具体包括：
针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列；
将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止；
根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。
可选地，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。
可选地，所述参考年生长曲线中包括多个观测数据；
根据以下公式，确定参考年生长曲线：
其中，VI(t)为最后一次迭代得到的待滤波时间序列中第t天的观测数据，VIbg为最后一次迭代得到的待滤波时间序列的背景值，VIamp为最后一次迭代得到的待滤波时间序列的振幅，a、b、c、d、f为拟合参数。
可选地，各待选年生长曲线中均包括多个观测数据；
根据以下公式，确定待选年生长曲线：
其中，VIm(t1)为多天合成植被指数年时间序列m中第t1个的观测数据，为多天合成植被指数年时间序列m的背景值，/>为多天合成植被指数年时间序列m的振幅，a、b、c、d、f为拟合参数。
为实现上述目的，本发明还提供了如下方案：
一种草原物候遥感监测系统，所述草原物候遥感监测系统包括：
采集单元，用于获取观测点处的植被指数年时间序列；所述植被指数年时间序列包括多个观测数据；所述植被指数年时间序列的时间分辨率为1天；
合成单元，与所述采集单元连接，用于采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列；各多天合成植被指数年时间序列的时间分辨率为2天到32天；
第一拟合单元，与所述采集单元连接，用于对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线；
第二拟合单元，与所述合成单元连接，用于分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线；
第一反演单元，与所述第一拟合单元连接，用于根据所述参考年生长曲线反演草原物候参数，确定参考物候参数；
第二反演单元，与所述第二拟合单元连接，用于根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数；
选取单元，分别与所述第一反演单元及所述第二反演单元连接，用于从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率；
监测单元，与所述选取单元连接，用于在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
可选地，所述采集单元包括：
反射率获取模块，用于采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天；
植被指数序列确定模块，与所述反射率获取模块连接，用于根据所述地面反射率数据，确定植被指数序列；
年时间序列确定模块，与所述植被指数序列确定模块连接，用于从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。
可选地，所述第一拟合单元包括：
滤波模块，与所述采集单元连接，用于针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列；
替换模块，与所述滤波模块连接，用于将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止；
生长曲线确定模块，与所述替换模块连接，用于根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。
可选地，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。
根据本发明提供的具体实施例，本发明公开了以下技术效果：采用时间分辨率为1天的植被指数年时间序列，分别得到时间分辨率为2天到32天的多天合成植被指数年时间序列，对植被指数年时间序列进行拟合，得到参考年生长曲线，并进行草原物候参数的反演，得到参考物候参数，对各多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线，并进行草原物候参数反演，得到多个待选物候参数，将多个待选物候参数中与参考物候参数差异最小的物候参数对应的时间分辨率作为最优时间分辨率。根据最优时间分辨率对观测点处的物候参数进行监测，提高了草原物候参数的反演精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明草原物候遥感监测方法的流程图；
图2为曲率变化率极值法提取植被物候参数示例图；
图3为本发明草原物候遥感监测系统的模块结构示意图。
符号说明：
采集单元-1，合成单元-2，第一拟合单元-3，第二拟合单元-4，第一反演单元-5，第二反演单元-6，选取单元-7，监测单元-8。
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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种草原物候遥感监测方法及系统，通过从时间分辨率为3到32天的多天合成植被指数年时间序列中选取一个与时间分辨率为1天的植被指数年时间序列最接近的序列，并将对应的时间分辨率作为最优时间分辨率进行草原物候参数的反演，提高了反演精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明草原物候遥感监测方法包括：
S1：获取观测点处的植被指数年时间序列；所述植被指数年时间序列包括多个观测数据；所述植被指数年时间序列的时间分辨率为1天。
S2：采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列；各多天合成植被指数年时间序列的时间分辨率为2天到32天。具体地，设计步长为2～32天的滑动时间窗口，使用最大值合成法(MaximumValue Compositing，MVC)提取植被指数年时间序列VInbar中每个时间窗口内的有效观测数据的最大值，得到时间分辨率为2-～32天的多天合成植被指数年时间序列VImvc。
S3：对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线。通过对植被指数年时间序列进行拟合，进一步消除观测条件和地面背景对植被指数年时间序列的影响。
S4：分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线。各待选年生长曲线中均包括多个观测数据。
S5：根据所述参考年生长曲线反演草原物候参数，确定参考物候参数。在本实施例中，采用曲率变化率极值法，根据参考年生长曲线反演草原物候参数，确定参考物候参数。
S6：根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数。在本实施例中，采用曲率变化率极值法，根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数。曲率变化率极值法为获取年生长曲线的曲率变化的极值位置，将各极值位置作为物候参数，如图2所示。
所述参考物候参数及待选物候参数均包括返青期的开始(Start OfSeedling，SOS)、返青期的中点(MidofSeedling，MOS)、返青期的结束(End ofSeedling，EOS)、枯黄期的开始(Start OfFade，SOF)、枯黄期的中点(Mid ofFade，MOF)、枯黄期的结束(EndofFade，EOF)及生长成熟期(Period OfGrowth，POG)。
S7：从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率。具体地，判断各待选物候参数与参考物候参数之间的差异，将差异最小的待选物候参数对应的时间分辨率作为最优时间分辨率。在本实施例中，最优时间分辨率为采集观测数据最优的时间间隔。
S8：在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
具体地，使用简单线性回归方法分析物候参数随植被指数时间分辨率改变的变化规律。线性回归方程的斜率表征了物候参数随多天合成植被指数年时间序列VImvc时间分辨率的变化趋势。
进一步地，步骤S1具体包括：
S11：采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天。在本实施例中，获取观测点处的分辨率为500m，1-d MODIS NBAR(NadirBidirectional-Adjusted Reflectance，星下点二向反射分布改正反射率)地面反射率数据。
S12：根据所述地面反射率数据，确定植被指数序列。所述植被指数序列为NDVI、EVI2或GCCpp。
具体地，采用以下公式计算NDVI、EVI2及GCCpp：
其中，ρnir、ρred、ρgreen、ρblue分别代表MODIS NBAR近红外、红光、绿光、蓝光波段的反射率数据。
S13：从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。在本实施例中，获取500m，1-dMODIS MOD09GA地面反射率数据。从MODIS NBAR和MOD09GA的QA(Quality Assurance，质量保证)数据中读取数据质量、观测条件(是否有云覆盖)和地面背景(是否为雪、冰、阴影)标识。筛选出植被指数序列中的不受云、雪、冰和阴影影响的有效观测数据。
本发明使用500m，1-d的MODIS NBAR数据作为元数据来构建不同时间分辨率的植被指数，相对前人研究中使用的基于1000m，16-dMODIS NBAR数据模拟出的1-d数据更为准确，同时考虑了NBAR数据质量、数据获取时的云覆盖、像元内部地表覆盖类型等因素的影响，在最大程度上保证了VInbar和VImvc的质量。此外，构建的多天合成指数的种类在包括了目前广泛使用的NDVI、EVI2之外还引入了GCCpp，以便和PhenoCam GCC进行直接对比。
更进一步地，步骤S3具体包括：
针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列。
将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止。最小值为一个预设的最低阈值。
根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。所述参考年生长曲线中包括多个观测数据。
具体地，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。具体地，滤波时间序列中观测数据的数量与带滤波时间序列中观测数据的数量相同。
根据以下公式确定第i个观测数据的权重Wi：
其中，di为首次拟合后第i个观测值与拟合值的差值的绝对值，表征每个观测值在迭代误差中所占的比重。
根据以下公式，确定参考年生长曲线：
其中，VI(t)为最后一次迭代得到的待滤波时间序列中第t天的观测数据，VIbg为最后一次迭代得到的待滤波时间序列的背景值(有效观测数据的5th百分位值)，VIamp为最后一次迭代得到的待滤波时间序列的振幅(有效观测数据最大值和背景值之差)，a、b、c、d、f为拟合参数。
各待选年生长曲线的确定方法与参考年生长曲线的确定方法类似，根据以下公式，确定待选年生长曲线：
其中，VIm(t1)为多天合成植被指数年时间序列m中第t1个的观测数据，为多天合成植被指数年时间序列m的背景值(有效观测数据的5th百分位值)，/>为多天合成植被指数年时间序列m的振幅(有效观测数据最大值和背景值之差)，a、b、c、d、f为拟合参数。
在本实施例中，a、b和c、d分别是控制植被返青生长期及枯黄衰败期曲线形态的参数，f则对应植被在夏季因为水分不足而出现的生长阻滞情况。拟合参数a、b、c、d、f的数值使用最小二乘法Levenberg–Marquardt拟合得到。
为了评估时间分辨率对多天合成植被指数年时间序列VImvc质量的影响，本发明还包括：获取多天合成植被指数年时间序列VImvc中有效数据的数量和百分率随时间分辨率改变的变化趋势。
根据变化趋势及Person相关系数确定时间分辨率对VImvc的影响。
此外，还可以根据植被指数年时间序列VInbar和多天合成植被指数年时间序列VImvc之间的Pearson相关系数，确定时间分辨率对VImvc的影响。
本发明在评价返青期的开始、返青期的结束等常规离散物候参数的精度质量受到植被指数时间分辨率影响之外，还考虑了整体生长曲线的质量和准确性受影响的情况，全面分析了当观测频率发生变化时，由卫星观测得到的植被指数时间序列对于地面植被生长真实状况描述的可信度。由于以草原为代表的的陆地生态系统可以清晰地反应全球变暖背景下气候的变化，而本发明可精准地得到草原植被的生长情况(返青期的开始、返青期的中点、返青期的结束、生长成熟期、枯黄期的开始、枯黄期的中点及枯黄期的结束)，进而可根据草原植被的生长情况，确定气候的变化，以采取相应的措施，改善全球变暖的情况。
在本实施例中，选择建有近地面物候相机(如PhenoCam)的草原站点作为观测点。PhenoCam以RBG数码照片的形式记录其视野内的目标样地的植被生长，实现植被的物候变化的近地面自动化监测。本发明使用公开下载的如PhenoCam的草原物候观测数据，作为参考数据定量评估卫星植被指数质量及遥感物候反演精度。
下载1-dPhenoCam绿度指数即GCC(Green Chromatic Coordinate，绿色色素坐标)数据，得到验证数据。
对验证数据进行拟合，得到PhenoCam草原植被光滑生长曲线。
根据PhenoCam草原植被光滑生长曲线反演草原物候参数，得到验证物候参数。
根据最优时间分辨率对应的物候参数和验证物候参数的平均误差和平均绝对误差，确定最优时间分辨率的精准度。
具体地，根据以下公式确定最优时间分辨率对应的物候参数和验证物候参数的平均误差：
根据以下公式确定最优时间分辨率对应的物候参数和验证物候参数的平均绝对误差：
其中，Mi为最优时间分辨率对应的物候参数，Pi为验证物候参数，n为物候参数数量。
本发明使用近地面PhenoCam物候观测数据作为评估卫星植被指数物候反演结果精度的参考数据。相对比传统的使用地面实测的单一的物候现象记录(如PlantWatch等地面物候物候监测网络只记录了植物返青出现的时间)作为参考数据的精度评价方法，PhenoCam GCC实现了对目标样地的植被完整生长周期内的绿度指数变化的连续记录；同时，使用PhenoCam物候观测值作为参考数据还能够有效削弱传统实地物候记录与卫星物候反演之间观测对象和观测空间范围不一致所引起的精度评价误差。
如图3所示，本发明草原物候遥感监测系统包括：采集单元1、合成单元2、第一拟合单元3、第二拟合单元4、第一反演单元5、第二反演单元6、选取单元7及监测单元8。
其中，所述采集单元1用于获取观测点处的植被指数年时间序列。所述植被指数年时间序列包括多个观测数据；相邻两个观测数据之间的时间分辨率为1天。
所述合成单元2与所述采集单元1连接，所述合成单元2用于采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列。各多天合成植被指数年时间序列的时间分辨率为2天到32天。
所述第一拟合单元3与所述采集单元1连接，所述第一拟合单元3用于对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线。
所述第二拟合单元4与所述合成单元2连接，所述第二拟合单元4用于分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线。
所述第一反演单元5与所述第一拟合单元3连接，所述第一反演单元5用于根据所述参考年生长曲线反演草原物候参数，确定参考物候参数。
所述第二反演单元6与所述第二拟合单元4连接，所述第二反演单元6用于根据各待选年生长曲线反演草原物候参数，得到对应的多个待选物候参数。
所述选取单元7分别与所述第一反演单元5及所述第二反演单元6连接，所述选取单元7用于从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率。
所述监测单元8与所述选取单元7连接，所述监测单元8用于在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
进一步地，所述采集单元1包括：反射率获取模块、植被指数序列确定模块及年时间序列确定模块。
其中，所述反射率获取模块用于采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天。
所述植被指数序列确定模块与所述反射率获取模块连接，所述植被指数序列确定模块用于根据所述地面反射率数据，确定植被指数序列。
所述年时间序列确定模块与所述植被指数序列确定模块连接，所述年时间序列确定模块用于从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。
更进一步地，所述第一拟合单元3包括：滤波模块、替换模块及生长曲线确定模块。
其中，所述滤波模块与所述采集单元1连接，所述滤波模块用于针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列。
所述替换模块与所述滤波模块连接，所述替换模块用于将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止。
具体地，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。
所述生长曲线确定模块与所述替换模块连接，所述生长曲线确定模块用于根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。
相对于现有技术，本发明草原物候遥感监测系统与上述草原物候遥感监测方法的有益效果相同，在此不再赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种草原物候遥感监测方法，其特征在于，所述草原物候遥感监测方法包括：
获取观测点处的植被指数年时间序列；所述植被指数年时间序列包括多个观测数据；所述植被指数年时间序列的时间分辨率为1天；
采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列；各多天合成植被指数年时间序列的时间分辨率为2天到32天；
对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线；
分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线；
根据所述参考年生长曲线反演草原物候参数，确定参考物候参数；
根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数；
从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率；
在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
2.根据权利要求1所述的草原物候遥感监测方法，其特征在于，所述获取观测点处的植被指数年时间序列，具体包括：
采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天；
根据所述地面反射率数据，确定植被指数序列；
从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。
3.根据权利要求1所述的草原物候遥感监测方法，其特征在于，所述对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线，具体包括：
针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列；
将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止；
根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。
4.根据权利要求3所述的草原物候遥感监测方法，其特征在于，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。
5.根据权利要求3所述的草原物候遥感监测方法，其特征在于，所述参考年生长曲线中包括多个观测数据；
根据以下公式，确定参考年生长曲线：
其中，VI(t)为最后一次迭代得到的待滤波时间序列中第t天的观测数据，VIbg为最后一次迭代得到的待滤波时间序列的背景值，VIamp为最后一次迭代得到的待滤波时间序列的振幅，a、b、c、d、f为拟合参数。
6.根据权利要求1所述的草原物候遥感监测方法，其特征在于，各待选年生长曲线中均包括多个观测数据；
根据以下公式，确定待选年生长曲线：
其中，VIm(t1)为多天合成植被指数年时间序列m中第t1个的观测数据，为多天合成植被指数年时间序列m的背景值，/>为多天合成植被指数年时间序列m的振幅，a、b、c、d、f为拟合参数。
7.一种草原物候遥感监测系统，其特征在于，所述草原物候遥感监测系统包括：
采集单元，用于获取观测点处的植被指数年时间序列；所述植被指数年时间序列包括多个观测数据；所述植被指数年时间序列的时间分辨率为1天；
合成单元，与所述采集单元连接，用于采用最大值合成法，根据所述植被指数年时间序列，确定多个多天合成植被指数年时间序列；各多天合成植被指数年时间序列的时间分辨率为2天到32天；
第一拟合单元，与所述采集单元连接，用于对所述植被指数年时间序列进行拟合，得到所述观测点处草原植被的参考年生长曲线；
第二拟合单元，与所述合成单元连接，用于分别对每个多天合成植被指数年时间序列进行拟合，得到对应的多个待选年生长曲线；
第一反演单元，与所述第一拟合单元连接，用于根据所述参考年生长曲线反演草原物候参数，确定参考物候参数；
第二反演单元，与所述第二拟合单元连接，用于根据各待选年生长曲线反演草原物候参数，确定对应的多个待选物候参数；
选取单元，分别与所述第一反演单元及所述第二反演单元连接，用于从多个待选物候参数中选取与所述参考物候参数差异最小的物候参数；所述物候参数对应的时间分辨率为最优时间分辨率；
监测单元，与所述选取单元连接，用于在所述最优时间分辨率下，对观测点处植被的物候参数进行监测。
8.根据权利要求7所述的草原物候遥感监测系统，其特征在于，所述采集单元包括：
反射率获取模块，用于采用中分辨率成像光谱仪采集观测点处的地面反射率数据；所述地面反射率数据的空间分辨率为500m，时间分辨率为1天；
植被指数序列确定模块，与所述反射率获取模块连接，用于根据所述地面反射率数据，确定植被指数序列；
年时间序列确定模块，与所述植被指数序列确定模块连接，用于从所述植被指数序列中筛选出不受云、雪、冰和阴影影响的有效观测数据，得到植被指数年时间序列。
9.根据权利要求7所述的草原物候遥感监测系统，其特征在于，所述第一拟合单元包括：
滤波模块，与所述采集单元连接，用于针对任一次迭代，采用Savitzky-Golay滤波器对待滤波时间序列进行滤波，得到滤波年时间序列；所述待滤波时间序列为上次迭代得到的待滤波时间序列，第一次迭代时的待滤波时间序列为植被指数年时间序列；
替换模块，与所述滤波模块连接，用于将所述待滤波时间序列中小于所述滤波年时间序列的观测数据替换为所述滤波年时间序列中对应的观测数据，得到新的待滤波时间序列，直至新的待滤波时间序列与所述滤波年时间序列的差值达到最小值时，迭代终止；
生长曲线确定模块，与所述替换模块连接，用于根据最后一次迭代得到的待滤波时间序列，确定参考年生长曲线。
10.根据权利要求9所述的草原物候遥感监测系统，其特征在于，采用以下公式，计算第k次迭代中，新的待滤波时间序列与滤波时间序列的差值：
其中，n为滤波时间序列中观测数据的数量，为第k次迭代中新的待滤波时间序列的第i个观测数据，VInbari为滤波时间序列中的第i个观测数据，Dk为第k次迭代中新的待滤波时间序列与滤波时间序列的差值，Wi为第i个观测数据的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166125.6A CN114544515B (zh) | 2022-02-23 | 2022-02-23 | 一种草原物候遥感监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166125.6A CN114544515B (zh) | 2022-02-23 | 2022-02-23 | 一种草原物候遥感监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114544515A CN114544515A (zh) | 2022-05-27 |
| CN114544515B true CN114544515B (zh) | 2024-05-14 |
Family
ID=81677958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210166125.6A Active CN114544515B (zh) | 2022-02-23 | 2022-02-23 | 一种草原物候遥感监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114544515B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117571658B (zh) * | 2024-01-16 | 2024-03-26 | 航天宏图信息技术股份有限公司 | 基于vbfp的高原高寒草地物候期监测方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
| AU2013101105A4 (en) * | 2013-08-20 | 2013-11-07 | Beijing Normal University | Method for detecting phenological change from time series of vegetation index |
| CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| WO2021098471A1 (zh) * | 2019-11-19 | 2021-05-27 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
-
2022
- 2022-02-23 CN CN202210166125.6A patent/CN114544515B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102184162A (zh) * | 2011-02-01 | 2011-09-14 | 环境保护部卫星环境应用中心 | 草原植被覆盖时空动态变化的遥感定量监测方法 |
| AU2013101105A4 (en) * | 2013-08-20 | 2013-11-07 | Beijing Normal University | Method for detecting phenological change from time series of vegetation index |
| CN106803059A (zh) * | 2016-12-02 | 2017-06-06 | 浙江工业大学 | 一种遥感植被指数时间序列森林监测方法 |
| CN110766299A (zh) * | 2019-10-11 | 2020-02-07 | 清华大学 | 一种基于遥感数据的流域植被变化分析方法 |
| WO2021098471A1 (zh) * | 2019-11-19 | 2021-05-27 | 浙江大学 | 一种基于形态模型法的大范围作物物候提取方法 |
| CN113469145A (zh) * | 2021-09-01 | 2021-10-01 | 中国测绘科学研究院 | 一种基于高时空分辨率遥感数据的植被物候提取方法 |
| CN113673490A (zh) * | 2021-10-21 | 2021-11-19 | 武汉大学 | 一种物候期自适应的作物生理参数遥感估测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 一种利用MODIS数据的夏玉米物候期监测方法;李颖;陈怀亮;李耀辉;王秀萍;张方敏;;应用气象学报;20180115(01);113-121 * |
| 植被物候参数遥感提取研究进展评述;项铭涛;卫炜;吴文斌;;中国农业信息;20180225(01);59-70 * |
| 锡林郭勒草原遥感植被物候的地面照相验证;杨晓芳;陈效逑;罗翔中;;草业科学;20150515(05);23-30 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114544515A (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948596B (zh) | 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 | |
| Cole et al. | Spectral monitoring of moorland plant phenology to identify a temporal window for hyperspectral remote sensing of peatland | |
| Dey et al. | An analysis of leaf chlorophyll measurement method using chlorophyll meter and image processing technique | |
| Lee et al. | Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis | |
| AU2009226465B2 (en) | Plucking propriety assessment method, plucking propriety assessment apparatus and plucking propriety assessment system for tea leaf, and computer-usable medium. | |
| Sun et al. | Crop leaf area index retrieval based on inverted difference vegetation index and NDVI | |
| CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
| CN114544515B (zh) | 一种草原物候遥感监测方法及系统 | |
| CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
| CN103278458A (zh) | 一种烤烟采收成熟度的快速无损检测方法 | |
| CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
| CN103196838A (zh) | 一种海岸河口富营养化高光谱遥感监测方法 | |
| CN115950838B (zh) | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 | |
| CN108195784A (zh) | 一种番茄叶绿素含量多光谱估测方法 | |
| CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
| CN116645603A (zh) | 一种大豆种植区识别和面积测算方法 | |
| Thimonier et al. | Ground vegetation monitoring in Swiss forests: comparison of survey methods and implications for trend assessments | |
| CN117690024B (zh) | 一种针对多种植模式水稻田的一体化遥感识别方法 | |
| Rajapakse et al. | Spectral characterization and LAI modelling for the tea (Camellia sinensis (L.) O. Kuntze) canopy | |
| CN116597157B (zh) | 基于特征光谱变化的植物物候提取方法及装置 | |
| CN117292267A (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
| Shang et al. | Estimation of crop ground cover and leaf area index (LAI) of wheat using RapidEye satellite data: Prelimary study | |
| Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
| Cunha et al. | A comparative study of satellite and ground-based vineyard phenology | |
| Song et al. | Soybean canopy nitrogen monitoring and prediction using ground based multispectral remote sensors |
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 |