CN115690596A - 一种基于modis数据的区域生态环境质量综合评价方法 - Google Patents
一种基于modis数据的区域生态环境质量综合评价方法 Download PDFInfo
- Publication number
- CN115690596A CN115690596A CN202211186723.6A CN202211186723A CN115690596A CN 115690596 A CN115690596 A CN 115690596A CN 202211186723 A CN202211186723 A CN 202211186723A CN 115690596 A CN115690596 A CN 115690596A
- Authority
- CN
- China
- Prior art keywords
- data
- time sequence
- ecological
- modis
- factor
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 45
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 32
- 230000000873 masking effect Effects 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000000513 principal component analysis Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims description 44
- 238000002310 reflectometry Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000001914 filtration Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 18
- 238000003908 quality control method Methods 0.000 claims description 18
- 238000012935 Averaging Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 10
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000002352 surface water Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006866 deterioration Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 claims 6
- 239000013589 supplement Substances 0.000 claims 2
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000009826 distribution Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000013441 quality evaluation Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Image Processing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于MODIS数据的区域生态环境质量综合评价方法，包括：获取任意年份区间的MODIS遥感影像，计算并重构高质量时序NDVI、SWCI、NDSIM、DI、LST、GPP数据集；取7‑9月份均值，水体掩膜及标准化后得到专题生态因子；基于生态因子主成分分析结果，构建基于MODIS的新型遥感生态指数RSEIM；依据不同年份的RSEIM评价区域生态环境质量及其时空变化。本发明利用时空连续的MODIS数据，构建了新型的遥感生态指数RSEIM，消除了天气、地形、时相、传感器等因素对遥感生态指数的影响，实现了大尺度、长时序的区域生态环境质量动态监测，过程清晰，流程科学，易在广域尺度中推广应用。
Description
技术领域
本发明涉及一种基于MODIS数据的区域生态环境质量综合评价方法，属于生态环境监测和遥感地学应用技术领域。
背景技术
气候变化和人类活动的双重影响加剧了对生态环境的干扰和破坏，导致全球生态环境问题日益突出。客观高效地监测评价区域生态环境质量，科学认识区域生态环境状况及变化趋势，对于促进人类社会与自然环境和谐共处，加强区域生态环境治理和国土空间开发利用规划，实现社会经济绿色高质量发展具有重要意义。
生态环境是指生物和非生物构成的环境的总称，生态环境质量评价是指按照特定评价标准，定性分析或定量评判生态环境质量的好坏优劣。当前，生态环境质量评价研究多采用指标体系法，基于压力-状态-响应(PSR)模型筛选构建指标体系，通过层次分析法、模糊数学法等确定权重从而评价生态环境质量状况，但这些方法易受人为主观因素的影响，数据多来源于社会经济统计方面，一定程度上限制了其使用。
遥感技术具有客观准确、范围广、精度高、周期性强等特点，在生态环境监测领域应用潜力巨大。目前，大多采用单一遥感监测指标对生态系统某一方面的特征进行评价，如利用不透水地表覆盖度评价城市土地利用，地表温度评测城市热环境等。《生态环境状况评价技术规范》中提出了主要基于遥感技术的生态环境状况指数EI，由植被覆盖指数、水网密度指数、生物丰度指数、土地退化指数和污染负荷指数构成，前3个指标可由遥感获取，但其他指标需结合地面观测和各地区年度统计数据，受地域、时间、尺度的限制较大，同时权重设置受人为因素影响较大，且EI指数只能笼统说明一个地区的生态状况，无法实现空间的可视化。徐涵秋基于Landsat遥感影像提取了绿度、热度、湿度、干度4个指标，采用主成分分析法构建了传统遥感生态指数RSEI，但由于Landsat数据源的限制，RSEI研究范围较小，适用性不高，多应用于市县、流域、矿区等小范围的生态环境质量评价。
Landsat数据时间分辨率较低，受天气、地形等条件的影响难以获取区域大尺度范围内同一时期的高质量影像。同时RSEI对区域生态环境质量的评价不够综合全面，人类社会活动如农业发展、城市扩张等都会对生态系统生产力和大气环境状况产生重要影响，且RSEI未能充分利用遥感影像的有用信息，使得RSEI在更广域尺度上的应用具有一定的局限性和不确定性。
发明内容
针对现有技术存在的不足，本发明提出了一种基于MODIS数据的区域生态环境质量综合评价方法，构建了基于MODIS的新型遥感生态指数RSEIM，考虑了表征生产系统生产力和空气污染状况的指标并将其添加到新型遥感生态指数RSEIM中，进而克服了现有生态环境评价方法在区域大尺度范围时空不连续、综合表达不全面以及影像信息利用不足的问题。该方法利用时间序列完整且空间跨度大的MODIS数据，有效集成表征生态系统重要组分和功能的不同生态因子，为大尺度、长时序、定量化监测区域生态环境质量提供技术支撑和数据依据。
为解决上述问题，本发明所采取的技术方案是：
一种基于MODIS数据的区域生态环境质量综合评价方法，包括以下步骤：
S1，基于获取的待研究区任意年份区间的MODIS数据进行预处理并根据IGBP分类体系提取水体得到水体信息二值图；
S2，基于预处理后的MODIS数据提取生态因子，然后将生态因子进行标准化处理，使值域范围统一在0～1内，其中生态因子包括绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子；
S3，基于标准化处理后的生态因子进行主成分分析，以累计方差贡献率大于90％为阈值选取主成分波段，依照所选各波段的方差贡献率对相应主成分进行加权求和，归一化后得到基于MODIS的遥感生态指数RSEIM；
S4，基于遥感生态指数RSEIM数据，按照分级赋值方法对研究区的生态环境质量做出综合评价，并利用差值法得出年份区间的生态环境质量变化。
进一步地，所述步骤S1中的MODIS数据包括时间序列的地表反射率数据、地表温度数据、总初级生产力数据和年度土地覆被数据；
其中，地表反射率数据、地表温度数据和总初级生产力数据用于计算生态因子，年度土地覆被数据用于水体信息掩膜。
进一步地，所述步骤S2中提取绿度因子包括以下步骤：
S2-11，根据步骤S1中所得的地表反射率数据计算时间序列的植被指数NDVI，得到原始时序NDVI数据；
S2-12针对步骤S2-11所得的原始时序NDVI数据，根据数据质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序NDVI数据；
S2-13，针对步骤S2-12所得的插值时序NDVI数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDVI数据，对每年7-9月的重构时序NDVI数据取平均值，得到NDVI均值影像；
S2-14，针对步骤S2-13所得的NDVI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区绿度因子专题图。
进一步地，所述步骤S2中提取湿度因子包括以下步骤：
S2-21，根据步骤S1所得的地表反射率数据计算时间序列的地表含水量指数SWCI，得到原始时序SWCI数据；
S2-22，针对步骤S2-21所得的原始时序SWCI数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序SWCI数据；
S2-23，针对步骤S2-22所得的插值时序SWCI数据，采用S-G滤波进行重构处理，得到高质量的重构时序SWCI数据，对每年7-9月的重构时序SWCI数据取平均值，得到SWCI均值影像；
S2-24，针对步骤S2-23所得的SWCI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区湿度因子专题图。
进一步地，所述步骤S2中提取热度因子包括以下步骤：
S2-31，根据步骤S1所得的地表温度数据计算时间序列的地表温度LST，得到原始时序LST数据；
S2-32，针对步骤S2-31所得的原始时序LST数据，根据产品质量控制波段剔除低质量无效观测及异常值，得到高质量时序LST数据，对每年7-9月的高质量时序LST数据取平均值，并得出LST均值影像；
S2-33，针对步骤S2-32所得的LST均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影以及重采样，再利用研究区矢量文件对影像进行裁剪，得到研究区热度因子专题图。
进一步地，所述步骤S2中提取干度因子包括以下步骤：
S2-41，根据步骤S1所得的地表反射率数据计算时间序列的建筑-裸土指数NDSIM，得到原始时序NDSIM数据；
S2-42，针对步骤S2-41所得的原始时序NDSIM数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序NDSIM数据；
S2-43，针对步骤S2-42所得的插值时序NDSIM数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDSIM数据，对每年7-9月的重构时序NDSIM数据取平均值，并得出NDSIM均值影像；
S2-44，针对步骤S2-43所得的NDSIM均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区干度因子专题图。
进一步地，所述步骤S2中提取灰度因子包括以下步骤：
S2-51，根据步骤S1所得的地表反射率数据计算时间序列的差值指数DI，得到原始时序DI数据；
S2-52，针对步骤S2-51所得的原始时序DI数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序DI数据；
S2-53，针对步骤S2-52所得的插值时序DI数据，采用S-G滤波进行重构处理，得到高质量的重构时序DI数据，对每年7-9月的重构时序DI数据取平均值，并得出DI均值影像；
S2-54，针对步骤S2-53所得的DI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区灰度因子专题图。
进一步地，所述步骤S2中提取生产力因子包括以下步骤：
S2-61，根据步骤S1所得的总初级生产力数据计算时间序列的GPP，得到原始时序GPP数据；
S2-62，针对步骤S2-61所得的原始时序GPP数据，根据产品质量控制波段剔除低质量无效观测及异常值，利用线性插值对缺失值进行补齐，得到插值时序GPP数据；
S2-63，针对步骤S2-62所得的插值时序GPP数据，采用S-G滤波进行重构处理，得到高质量的重构时序GPP数据，对每年7-9月的重构时序GPP数据取平均值；
S2-64，针对步骤S2-63所得的GPP均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区生产力因子专题图。
进一步地，所述步骤S2-11中绿度因子为归一化差值植被指数NDVI，其计算公式为：
其中，ρnir为MODIS数据近红外波段反射率值，ρred为红波段反射率值，分别对应地表反射率数据的第2波段和第1波段。
进一步地，所述步骤S2-21中湿度因子为地表含水量指数SWCI的计算公式为：
其中，ρswir1和ρswir2表示MODIS数据短波红外的反射率，分别对应地表反射率数据的第6波段和第7波段。
进一步地，所述步骤S2-31中热度因子为地表温度LST的计算公式为：
LST＝0.02*DN-273.15；
其中，DN表示地表温度数据影像的灰度值。
进一步地，所述步骤S2-41中干度因子为建筑-裸土指数NDSIM的计算公式为：
其中，NDBIM和BSIM分别为基于MODIS数据的建筑指数和裸土指数，ρred、ρnir、ρblue、ρgreen和ρswir1分别为MODIS数据的红、近红外、蓝、绿波段和短波红外的反射率，对应地表反射率数据的第1波段、第2波段、第3波段、第4波段和第6波段。
进一步地，所述步骤S2-51中灰度因子为差值指数DI的计算公式为：
DI＝ρred-ρnir；
其中，ρred、ρnir为MODIS数据红波段及近红外波段的反射率值，分别对应地表反射率数据的第1波段和第2波段。
进一步地，所述步骤S2-61中生产力因子为地表总初级生产力GPP的计算公式为：
GPP＝0.1*DN；
其中，DN表示总初级生产力数据影像的灰度值。
进一步地，所述线性插值是指对云或阴影覆盖区域的植被指数，利用前后晴空时相的植被指数值进行替补，线性插值为运用一次多项式插值方式补齐时序数据的缺失，公式如下：
其中，
表示时间t处插值后的植被指数值，Δt1、Δt2表示像素点上后一时相和前一时相中第一个晴空日期相隔天数。
进一步地，所述S-G滤波是一种重建时间序列植被指数的迭代平滑方法，S-G滤波实质上是一种移动窗口的加权平均算法，加权系数通过在滑动窗口内对于给定高阶多项式的最小二乘拟合得出，其过程可用下式表示：
其中，VI是原始植被指数，VI*是重建的植被指数，Ci是滤波系数，N为滑动窗口所包含的数据点(2m+1)，重建过程中需要确定S-G滤波活动窗口的大小(N＝2m+1)和高阶多项式的阶数(d)，m值越大，结果越平滑，被平滑的峰谷值也就越多；m设置偏小则平滑效果差，容易产生大量冗余数据，不易获取数据集的长期趋势，这里取m＝5，d＝2。
进一步地，所述步骤S2中生态因子标准化计算公式为：
其中，Yi表示标准化后的生态因子值，Xi为生态因子的原始像元值，Xmax为生态因子的空间最大像元值，Xmin为生态因子的空间最小像元值。
进一步地，所述步骤S3中RSEIM为基于MODIS的新型遥感生态指数，通过集成表征生态系统绿度、湿度、热度、干度、灰度、生产力的NDVI数据、SWCI数据、LST数据、NDSIM数据、DI数据和GPP数据六个指标，基于主成分分析结果，以累计方差贡献率超过一定阈值选取主成分，加权计算得到。
进一步地，所述步骤S3中基于MODIS的遥感生态指数RSEIM的计算过程为：
PCi＝f(NDVI,SWCI,LST,NDSIM,DI,GPP)，
其中，f(·)表示主成分运算，PCi表示获取的主成分分量，i表示第i个主成分波段，ei为第i个主成分波段的方差贡献率，k为选取的主成分波段个数,RSEI0为初始的遥感生态指数值，RSEI0min为初始遥感生态指数RSEI0的最小值，RSEI0max为初始遥感生态指数RSEI0的最大值，RSEIM为基于MODIS的遥感生态指数，RSEIM值越接近1，表示生态环境质量越好，越接近0，表示生态环境质量越差。
进一步地，所述步骤S4中的分级赋值是指将特定年份的RSEIM以0.2为间距划分为差、较差、中等、良、优五种级别，并重新分等级赋值为1～5；
所述差值法是指将最近年份和起始年份的RSEIM等级值相减，按照等级差值将生态质量变化分为明显变差、变差、不变、变好、明显变好五种级别。
本发明的有益效果在于：
1)本发明所提出的区域生态环境质量综合评价方法，构建了一种基于MODIS的新型遥感生态指数RSEIM，该指数综合了NDVI、SWCI、LST、NDSIM、DI、GPP六个指标，各指标完全基于遥感影像获取，并通过时序数据重构有效降低噪声干扰，相比传统RSEI，补充了表征生态系统生产力和大气环境状况的指标，提高了遥感生态指数的综合性和代表性。
2)本发明所提出的方法构建了一种基于MODIS的新型遥感生态指数RSEIM，从数据上来说，相比传统RSEI，MODIS数据时空连续性好，可获取性高，能对广域尺度生态环境质量实现大尺度、长时序的动态监测，增强了遥感生态指数对区域生态环境质量评价的适用性。
3)本发明所提出的方法确定指标权重时，相比传统RSEI，不仅仅利用第一主成分，而是考虑主成分累计方差贡献率，以累计方差贡献率达到合理阈值选取主成分，充分利用了遥感影像的有用信息，避免了人为主观因素的影响。评价指标计算过程清晰，赋权科学合理，评价流程科学，提高了区域生态质量评价的准确性和客观性。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明的流程示意图；
图2为时序NDVI重构前后的对比图；
图3是太行山-燕山东南部平原及沿海地带的区域2001年的生态环境质量等级空间分布图；
图4是太行山-燕山东南部平原及沿海地带的区域2010年的生态环境质量等级空间分布图；
图5是太行山-燕山东南部平原及沿海地带的区域2019年的生态环境质量等级空间分布图；
图6是太行山-燕山东南部平原及沿海地带的区域2001-2010年的生态环境质量变化空间分布图；
图7是太行山-燕山东南部平原及沿海地带的区域2010-2019年的生态环境质量变化空间分布图；
图8是太行山-燕山东南部平原及沿海地带的区域2001-2019年的生态环境质量变化空间分布图；
图9为实例局部结果与Landsat高精度影像的对比结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本实施例以太行山-燕山东南部平原及沿海地带为研究区域，监测时段为2001-2019年进行说明。
参照图1，图1为本发明一种基于MODIS数据的区域生态环境质量综合评价方法的流程示意图，包括以下步骤：
S1，基于获取的待研究区任意年份区间的MODIS数据进行预处理并根据IGBP分类体系提取水体得到水体信息二值图；
具体的，下载研究区范围2001年、2010年、2019年的MODIS数据，MODIS数据包括时间序列的地表反射率数据MOD09A1、地表温度数据MOD11A2、总初级生产力数据MOD17A2H和年度土地覆被数据MCD12Q1，地表反射率数据MOD09A1、地表温度数据MOD11A2、总初级生产力数据MOD17A2H用于计算生态指标因子，时间分辨率均为8天，空间分辨率MOD11A2为1000米，其余均为500米；年度土地覆被数据MCD12Q1用于水体信息掩膜，根据IGBP分类体系提取水体，将水体像元赋值为0，其他像元赋值为1，得到水体信息二值图。
S2，基于预处理后的MODIS数据提取生态因子，然后将生态因子进行标准化处理，使值域范围统一在0～1内，其中生态因子包括绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子；
具体的，提取绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子的步骤如下：
提取绿度因子包括以下步骤：
S2-11，根据步骤S1中所得的地表反射率数据计算时间序列的植被指数NDVI，得到原始时序NDVI数据；
NDVI与植被生物量、叶面积指数、植被覆盖度等密切相关，是表征地表植被覆盖与生长状况的有效指标，计算公式为：
其中，ρnir为MODIS数据近红外波段反射率值，ρred为红波段反射率值，分别对应MOD09A1数据的第2波段和第1波段。
植被指数基于遥感光谱信息计算得到，但遥感光学数据获取过程中，受云层、天气、传感器等因素影响，得到的时序植被指数存在大量噪声，因此需要对时序数据去除噪声，重构后得到高质量的时序数据集。NDVI、SWCI、NDSIM、DI、GPP均经过重构处理，下面以NDVI为例，说明植被指数时序数据集的重构过程。
S2-12，针对步骤S2-11所得的原始时序NDVI数据，根据产品质量控制波段检测云和阴影等噪声，剔除超过NDVI取值范围(-1,1)的异常值，利用线性插值对缺失值进行补齐；基于MOD09A1地表反射率计算得到的原始时序NDVI，根据产品自带的质量标识识别云和阴影等噪声，先采用线性插值方式，利用前后晴空时相的植被指数值对噪声和缺失进行替补，得到插值时序NDVI数据；
S2-13，针对步骤S2-12所得的插值时序NDVI数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDVI数据，对每年7-9月的重构时序NDVI数据取平均值，并得到NDVI均值影像；
S2-14，针对步骤S2-13所得的NDVI均值影像，根据步骤S1中的水体信息二值图进行掩膜，拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区绿度因子专题图；
提取湿度因子包括以下步骤：
S2-21，根据步骤S1所得的地表反射率数据计算时间序列的地表含水量指数SWCI，得到原始时序SWCI数据；
SWCI能有效提取植被冠层及地表的水分含量，计算公式为：
其中，ρswir1和ρswir2表示MODIS数据短波红外的反射率，分别对应MOD09A1数据的第6波段和第7波段。
S2-22，针对步骤S2-21所得的原始时序SWCI数据，根据产品质量控制波段检测云和阴影等噪声，剔除超过SWCI取值范围(-1,1)的异常值，利用线性插值对缺失值进行补齐，得到插值时序SWCI数据；
S2-23，针对步骤S2-22所得的插值时序SWCI数据，采用S-G滤波进行重构处理，得到高质量的重构时序SWCI数据，对每年7-9月的重构时序SWCI数据取平均值，得到SWCI均值影像；
S2-24，针对步骤S2-23所得的SWCI均值影像，根据步骤S1中的水体信息二值图进行掩膜，拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区湿度因子专题图。
提取热度因子包括以下步骤：
S2-31，根据步骤S1所得的地表温度数据计算时间序列的地表温度LST，得到原始时序LST数据；
LST由MOD11A2地表温度数据直接计算得到，单位为℃，计算公式为：
LST＝0.02*DN-273.15；
其中，DN表示地表温度数据MOD11A2影像的灰度值。MOD11A2地表温度数据自带质量标识波段，用质量标识去除低质量无效观测，能有效降低噪声影响，得到高质量时序LST数据。
S2-32，针对步骤S2-31所得的原始时序LST数据，根据产品质量控制波段剔除低质量无效观测及异常值，得到高质量时序LST数据，对每年7-9月的高质量时序LST数据取平均值，并得出LST均值影像；
S2-33，针对步骤S2-32所得的LST均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影以及重采样，再利用研究区矢量文件对影像进行裁剪，得到研究区热度因子专题图。
提取干度因子包括以下步骤：
S2-41，根据步骤S1所得的地表反射率数据计算时间序列的建筑-裸土指数NDSIM，得到原始时序NDSIM数据；
NDSIM表征地表的“干硬化”程度，由建筑指数NDBIM和裸土指数BSIM计算得来，计算公式：
其中，NDBIM和BSIM分别为基于MODIS数据的建筑指数和裸土指数，ρred、ρnir、ρblue、ρgreen和ρswir1分别为MODIS数据的红、近红外、蓝、绿波段和短波红外的反射率，对应MOD09A1数据的第1波段、第2波段、第3波段、第4波段和第6波段。
S2-42，针对步骤S2-41所得的原始时序NDSIM数据，根据产品质量控制波段检测云噪声和阴影噪声，剔除超过NDSIM取值范围(-1,1)内的异常值，利用线性插值对缺失值进行补齐，得到插值时序NDSIM数据；
S2-43，针对步骤S2-42所得的插值时序NDSIM数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDSIM数据，对每年7-9月的高质量时序NDSIM数据取平均值，并得出NDSIM均值影像；
S2-44，针对步骤S2-43所得的NDSIM均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区干度因子专题图。
提取灰度因子包括以下步骤：
S2-51，根据步骤S1所得的地表反射率数据计算时间序列的差值指数DI，得到原始时序DI数据；
DI能反映大气中颗粒物PM2.5浓度，表征大气环境质量状况，计算公式为：
DI＝ρred-ρnir；
其中，ρred、ρnir为MODIS数据红波段及近红外波段的反射率值，分别对应MOD09A1数据的第1波段和第2波段。
S2-52，针对步骤S2-51所得的原始时序DI数据，根据产品质量控制波段检测云和阴影噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序DI数据；
S2-53，针对步骤S2-52所得的插值时序DI数据，采用S-G滤波进行重构处理，得到高质量的重构时序DI数据，对每年7-9月的高质量时序DI数据取平均值，并得出DI均值影像；
S2-54，针对步骤S2-53所得的DI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区灰度因子专题图。
提取生产力因子包括以下步骤：
S2-61，根据步骤S1所得的总初级生产力数据计算时间序列的GPP，并得出原始时序GPP数据；
GPP表征生态系统总初级生产力，单位为gC/m2，其计算公式为：
GPP＝0.1*DN；
其中，DN表示总初级生产力数据MOD17A2H影像的灰度值。
S2-62，针对步骤S2-61所得的原始时序GPP数据，根据产品质量控制波段剔除低质量无效观测及异常值，利用线性插值对缺失值进行补齐，得到插值时序GPP数据；
S2-63，针对步骤S2-62所得的插值时序GPP数据，采用S-G滤波进行重构处理，得到高质量的重构时序GPP数据，对每年7-9月的重构时序GPP数据取平均值；
S2-64，针对步骤S2-63所得的GPP均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区生产力因子专题图。
上述提取绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子中，线性插值是指对云或阴影覆盖区域的植被指数，利用前后晴空时相的植被指数值进行替补，线性插值为运用一次多项式插值方式补齐时序数据的缺失，线性插值的计算公式为：
其中，
表示时间t处插值后的植被指数值，Δt1、Δt2表示该像素点上后一时相和前一时相中第一个晴空日期相隔天数。
上述提取绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子中，其中，S-G滤波是一种常用的重建时间序列植被指数的迭代平滑方法，能够清晰地描述时间序列的季节性变化，不受数据时间空间尺度和传感器的限制，S-G滤波计算过程可用下式表示：
其中，VI是原始植被指数，VI*是重建的植被指数，Ci是滤波系数，N为滑动窗口所包含的数据点(2m+1)，重建过程中需要确定S-G滤波活动窗口的大小(N＝2m+1)和高阶多项式的阶数(d)，m值越大，结果越平滑，被平滑的峰谷值也就越多；m设置偏小则平滑效果差，容易产生大量冗余数据，不易获取数据集的长期趋势，这里取m＝5，d＝2。图2为时序NDVI重构前后的对比图。
S2-7，基于上述所得的各项生态因子进行标准化处理，消除量纲，使值域范围统一在(0,1)内，标准化计算公式为：
其中，Yi表示标准化后的生态因子值，Xi为生态因子的原始像元值，Xmax为生态因子的空间最大像元值，Xmin为生态因子的空间最小像元值。生态因子包括绿度NDVI、湿度SWCI、热度LST、干度NDSIM、灰度DI和生产力GPP；
S3，基于标准化处理后的生态因子进行主成分分析，以累计方差贡献率大于90％为阈值选取主成分波段，依照所选各波段的方差贡献率对相应主成分进行加权求，归一化后得到基于MODIS的遥感生态指数RSEIM；
具体的，RSEIM为基于MODIS的新型遥感生态指数，通过集成表征生态系统绿度、湿度、热度、干度、灰度、生产力的NDVI数据、SWCI数据、LST数据、NDSIM数据、DI数据和GPP数据六个指标，基于主成分分析结果，以累计方差贡献率超过一定阈值选取主成分，加权计算得到。
针对步骤S2所得的各生态因子标准化数据，利用ENVI软件进行主成分分析(PCA)，以主成分累计方差贡献率大于90％选取主成分波段，依照方差贡献率对相应主成分进行加权求和，归一化后得到基于MODIS的遥感生态指数RSEIM，具体计算过程为：
PCi＝f(NDVI,SWCI,LST,NDSIM,DI,GPP) (1)
式中，f(·)表示主成分运算，PCi表示获取的主成分分量，i表示第i个主成分波段，ei为第i个主成分波段的方差贡献率，k为选取的主成分波段个数,RSEI0为初始的遥感生态指数值，RSEI0min为初始遥感生态指数RSEI0的最小值，RSEI0max为初始遥感生态指数RSEI0的最大值，RSEIM为基于MODIS的遥感生态指数，取值范围为(0,1)，RSEIM值越接近1，表示生态环境质量越好，越接近0，表示生态环境质量越差。
S4，基于遥感生态指数RSEIM数据，按照分级赋值方法对研究区的生态环境质量做出综合评价，并利用差值法得出年份区间的生态环境质量变化。
具体的，对研究区2001年、2010年、2019年的的遥感生态指数RSEIM以0.2为间距划分为5个等级，分别表示生态质量状况差0～0.2、较差0.2～0.4、中等0.4～0.6、良0.6～0.8、优0.8～1.0，并重新分等级赋值为1～5。对2001-2010年，2010-2019年，2001-2019年三个年份区间的生态环境质量变化，将最近年份和起始年份的RSEIM等级值相减，按照等级差值将生态质量变化分为明显变差(-4，-3)、变差(-2，-1)、不变(0)、变好(1，2)、明显变好(3，4)5种情况。图3、图4和图5分别为实施例区域2001年、2010年、2019年的生态环境质量等级空间分布图，图6、图7和图8分别是实施例区域2001-2010年，2010-2019年，2001-2019年的生态环境质量变化空间分布图，图9是实施例局部生态质量改善区监测结果与Landsat高精度影像的对比。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开、附图和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。
Claims (20)
1.一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，包括以下步骤：
S1，基于获取的待研究区任意年份区间的MODIS数据进行预处理并根据IGBP分类体系提取水体得到水体信息二值图；
S2，基于预处理后的MODIS数据提取生态因子，然后将生态因子进行标准化处理，使值域范围统一在0～1内，其中生态因子包括绿度因子、湿度因子、热度因子、干度因子、灰度因子和生产力因子；
S3，基于标准化处理后的生态因子进行主成分分析，以累计方差贡献率大于90％为阈值选取主成分波段，依照所选各波段的方差贡献率对相应主成分进行加权求和，归一化后得到基于MODIS的遥感生态指数RSEIM；
S4，基于遥感生态指数RSEIM数据，按照分级赋值方法对研究区的生态环境质量做出综合评价，并利用差值法得出年份区间的生态环境质量变化。
2.如权利要求1所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S1中的MODIS数据包括时间序列的地表反射率数据、地表温度数据、总初级生产力数据和年度土地覆被数据；
其中，地表反射率数据、地表温度数据和总初级生产力数据用于计算生态因子，年度土地覆被数据用于水体信息掩膜。
3.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取绿度因子包括以下步骤：
S2-11，根据步骤S1中所得的地表反射率数据计算时间序列的植被指数NDVI，得到原始时序NDVI数据；
S2-12，针对步骤S2-11所得的原始时序NDVI数据，根据数据质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序NDVI数据；
S2-13，针对步骤S2-12所得的插值时序NDVI数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDVI数据，对每年7-9月的重构时序NDVI数据取平均值，得到NDVI均值影像；
S2-14，针对步骤S2-13所得的NDVI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区绿度因子专题图。
4.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取湿度因子包括以下步骤：
S2-21，根据步骤S1所得的地表反射率数据计算时间序列的地表含水量指数SWCI，得到原始时序SWCI数据；
S2-22，针对步骤S2-21所得的原始时序SWCI数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序SWCI数据；
S2-23，针对步骤S2-22所得的插值时序SWCI数据，采用S-G滤波进行重构处理，得到高质量的重构时序SWCI数据，对每年7-9月的重构时序SWCI数据取平均值，得到SWCI均值影像；
S2-24，针对步骤S2-23所得的SWCI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区湿度因子专题图。
5.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取热度因子包括以下步骤：
S2-31，根据步骤S1所得的地表温度数据计算时间序列的地表温度LST，得到原始时序LST数据；
S2-32，针对步骤S2-31所得的原始时序LST数据，根据产品质量控制波段剔除低质量无效观测及异常值，得到高质量时序LST数据，对每年7-9月的高质量时序LST数据取平均值，并得出LST均值影像；
S2-33，针对步骤S2-32所得的LST均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影以及重采样，再利用研究区矢量文件对影像进行裁剪，得到研究区热度因子专题图。
6.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取干度因子包括以下步骤：
S2-41，根据步骤S1所得的地表反射率数据计算时间序列的建筑-裸土指数NDSIM，得到原始时序NDSIM数据；
S2-42，针对步骤S2-41所得的原始时序NDSIM数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序NDSIM数据；
S2-43，针对步骤S2-42所得的插值时序NDSIM数据，采用S-G滤波进行重构处理，得到高质量的重构时序NDSIM数据，对每年7-9月的重构时序NDSIM数据取平均值，并得出NDSIM均值影像；
S2-44，针对步骤S2-43所得的NDSIM均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区干度因子专题图。
7.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取灰度因子包括以下步骤：
S2-51，根据步骤S1所得的地表反射率数据计算时间序列的差值指数DI，得到原始时序DI数据；
S2-52，针对步骤S2-51所得的原始时序DI数据，根据产品质量控制波段检测云和阴影等噪声，剔除异常值，利用线性插值对缺失值进行补齐，得到插值时序DI数据；
S2-53，针对步骤S2-52所得的插值时序DI数据，采用S-G滤波进行重构处理，得到高质量的重构时序DI数据，对每年7-9月的重构时序DI数据取平均值，并得出DI均值影像；
S2-54，针对步骤S2-53，所得的DI均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区灰度因子专题图。
8.如权利要求2所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中提取生产力因子包括以下步骤：
S2-61，根据步骤S1所得的总初级生产力数据计算时间序列的GPP，得到原始时序GPP数据；
S2-62，针对步骤S2-61所得的原始时序GPP数据，根据产品质量控制波段剔除低质量无效观测及异常值，利用线性插值对缺失值进行补齐，得到插值时序GPP数据；
S2-63，针对步骤S2-62所得的插值时序GPP数据，采用S-G滤波进行重构处理，得到高质量的重构时序GPP数据，对每年7-9月的重构时序GPP数据取平均值；
S2-64，针对步骤S2-63所得的GPP均值影像，根据步骤S1中的水体信息二值图进行掩膜，并拼接转投影，再利用研究区矢量文件对影像进行裁剪，得到研究区生产力因子专题图。
9.如权利要求3所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-11中绿度因子为归一化差值植被指数NDVI，其计算公式为：
其中，ρnir为MODIS数据近红外波段反射率值，ρred为红波段反射率值，分别对应地表反射率数据的第2波段和第1波段。
10.如权利要求4所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-21中湿度因子为地表含水量指数SWCI的计算公式为：
其中，ρswir1和ρswir2表示MODIS数据短波红外的反射率，分别对应地表反射率数据的第6波段和第7波段。
11.如权利要求5所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-31中热度因子为地表温度LST的计算公式为：
LST＝0.02*DN-273.15；
其中，DN表示地表温度数据影像的灰度值。
12.如权利要求6所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-41中干度因子为建筑-裸土指数NDSIM的计算公式为：
其中，NDBIM和BSIM分别为基于MODIS数据的建筑指数和裸土指数，ρred、ρnir、ρblue、ρgreen和ρswir1分别为MODIS数据的红、近红外、蓝、绿波段和短波红外的反射率，对应地表反射率数据的第1波段、第2波段、第3波段、第4波段和第6波段。
13.如权利要求7所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-51中灰度因子为差值指数DI的计算公式为：
DI＝ρred-ρnir；
其中，ρred、ρnir为MODIS数据红波段及近红外波段的反射率值，分别对应地表反射率数据的第1波段和第2波段。
14.如权利要求8所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2-61中生产力因子为地表总初级生产力GPP的计算公式为：
GPP＝0.1*DN；
其中，DN表示总初级生产力数据影像的灰度值。
15.如权利要求3、4、6、7和8中任一项所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述线性插值是指对云或阴影覆盖区域的植被指数，利用前后晴空时相的植被指数值进行替补，线性插值为运用一次多项式插值方式补齐时序数据的缺失，公式如下：
其中，
表示时间t处插值后的植被指数值，Δt1、Δt2表示像素点上后一时相和前一时相中第一个晴空日期相隔天数。
16.如权利要求3、4、6、7和8中任一项所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述S-G滤波是一种重建时间序列植被指数的迭代平滑方法，S-G滤波实质上是一种移动窗口的加权平均算法，加权系数通过在滑动窗口内对于给定高阶多项式的最小二乘拟合得出，其过程可用下式表示：
其中，VI是原始植被指数，VI*是重建的植被指数，Ci是滤波系数，N为滑动窗口所包含的数据点(2m+1)，重建过程中需要确定S-G滤波活动窗口的大小(N＝2m+1)和高阶多项式的阶数(d)，m值越大，结果越平滑，被平滑的峰谷值也就越多；m设置偏小则平滑效果差，容易产生大量冗余数据，不易获取数据集的长期趋势，这里取m＝5，d＝2。
17.如权利要求1所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S2中生态因子标准化计算公式为：
其中，Yi表示标准化后的生态因子值，Xi为生态因子的原始像元值，Xmax为生态因子的空间最大像元值，Xmin为生态因子的空间最小像元值。
18.如权利要求1所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S3中RSEIM为基于MODIS的新型遥感生态指数，通过集成表征生态系统绿度、湿度、热度、干度、灰度、生产力的NDVI数据、SWCI数据、LST数据、NDSIM数据、DI数据和GPP数据六个指标，基于主成分分析结果，以累计方差贡献率超过一定阈值选取主成分，加权计算得到。
19.如权利要求1所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S3中基于MODIS的遥感生态指数RSEIM的计算过程为：
PCi＝f(NDVI,SWCI,LST,NDSIM,DI,GPP)，
其中，f(·)表示主成分运算，PCi表示获取的主成分分量，i表示第i个主成分波段，ei为第i个主成分波段的方差贡献率，k为选取的主成分波段个数,RSEI0为初始的遥感生态指数值，RSEI0min为初始遥感生态指数RSEI0的最小值，RSEI0max为初始遥感生态指数RSEI0的最大值，RSEIM为基于MODIS的遥感生态指数，RSEIM值越接近1，表示生态环境质量越好，越接近0，表示生态环境质量越差。
20.如权利要求1所述的一种基于MODIS数据的区域生态环境质量综合评价方法，其特征在于，所述步骤S4中的分级赋值是指将特定年份的RSEIM以0.2为间距划分为差、较差、中等、良、优五种级别，并重新分等级赋值为1至5；
所述差值法是指将最近年份和起始年份的RSEIM等级值相减，按照等级差值将生态质量变化分为明显变差、变差、不变、变好、明显变好五种级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211186723.6A CN115690596B (zh) | 2022-09-27 | 2022-09-27 | 一种基于modis数据的区域生态环境质量综合评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211186723.6A CN115690596B (zh) | 2022-09-27 | 2022-09-27 | 一种基于modis数据的区域生态环境质量综合评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115690596A true CN115690596A (zh) | 2023-02-03 |
| CN115690596B CN115690596B (zh) | 2023-08-29 |
Family
ID=85064467
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211186723.6A Active CN115690596B (zh) | 2022-09-27 | 2022-09-27 | 一种基于modis数据的区域生态环境质量综合评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690596B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757357A (zh) * | 2023-05-29 | 2023-09-15 | 河北省科学院地理科学研究所 | 一种耦合多源遥感信息的土地生态状况评估方法 |
| CN117314248A (zh) * | 2023-10-08 | 2023-12-29 | 中国矿业大学 | 基于改进遥感生态指数的矿区生态环境评价方法及系统 |
| CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
| CN118072178A (zh) * | 2024-04-17 | 2024-05-24 | 山东大学 | 基于分类后百分比数据同化的玉米产量估算方法及系统 |
| CN118172665A (zh) * | 2024-03-11 | 2024-06-11 | 中国矿业大学 | 一种违规建筑违建时间识别方法、装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN110659838A (zh) * | 2019-09-27 | 2020-01-07 | 佛山科学技术学院 | 基于遥感和gis生态环境质量评估方法 |
| CN113988626A (zh) * | 2021-10-28 | 2022-01-28 | 中国矿业大学(北京) | 一种矿区生态环境遥感综合评价指数实现方法 |
| CN114241334A (zh) * | 2021-12-20 | 2022-03-25 | 南京大学 | 一种多因子集成的干旱区生态环境遥感监测方法 |
| CN114626685A (zh) * | 2022-02-21 | 2022-06-14 | 武汉理工大学 | 一种基于遥感的生态环境质量评价方法 |
-
2022
- 2022-09-27 CN CN202211186723.6A patent/CN115690596B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN110659838A (zh) * | 2019-09-27 | 2020-01-07 | 佛山科学技术学院 | 基于遥感和gis生态环境质量评估方法 |
| CN113988626A (zh) * | 2021-10-28 | 2022-01-28 | 中国矿业大学(北京) | 一种矿区生态环境遥感综合评价指数实现方法 |
| CN114241334A (zh) * | 2021-12-20 | 2022-03-25 | 南京大学 | 一种多因子集成的干旱区生态环境遥感监测方法 |
| CN114626685A (zh) * | 2022-02-21 | 2022-06-14 | 武汉理工大学 | 一种基于遥感的生态环境质量评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| 吴宜进 等: "基于MODIS的2006-2016年西藏生态质量综合评价及其时空变化", vol. 74, no. 7, pages 1438 - 1449 * |
| 岳辉 等: "基于遥感生态指数的神东矿区生态环境变化监测", 水土保持通报, vol. 39, no. 2, pages 101 - 107 * |
| 左璐 等: "基于MODIS的京津冀地区生态质量综合评价及其时空变化监测", vol. 34, no. 2, pages 203 - 214 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116757357A (zh) * | 2023-05-29 | 2023-09-15 | 河北省科学院地理科学研究所 | 一种耦合多源遥感信息的土地生态状况评估方法 |
| CN116757357B (zh) * | 2023-05-29 | 2024-05-31 | 河北省科学院地理科学研究所 | 一种耦合多源遥感信息的土地生态状况评估方法 |
| CN117314248A (zh) * | 2023-10-08 | 2023-12-29 | 中国矿业大学 | 基于改进遥感生态指数的矿区生态环境评价方法及系统 |
| CN117649612A (zh) * | 2023-10-19 | 2024-03-05 | 成都大学 | 基于混合算法的卫星高光谱遥感数据地表水体提取方法 |
| CN118172665A (zh) * | 2024-03-11 | 2024-06-11 | 中国矿业大学 | 一种违规建筑违建时间识别方法、装置 |
| CN118072178A (zh) * | 2024-04-17 | 2024-05-24 | 山东大学 | 基于分类后百分比数据同化的玉米产量估算方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115690596B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115690596A (zh) | 一种基于modis数据的区域生态环境质量综合评价方法 | |
| Ma et al. | Development of the GLASS 250-m leaf area index product (version 6) from MODIS data using the bidirectional LSTM deep learning model | |
| CN113988626B (zh) | 一种矿区生态环境遥感综合评价指数实现方法 | |
| Ashok et al. | Monitoring of dynamic wetland changes using NDVI and NDWI based landsat imagery | |
| Li et al. | A 30-year (1984–2013) record of annual urban dynamics of Beijing City derived from Landsat data | |
| Bennett et al. | Advances in using multitemporal night-time lights satellite imagery to detect, estimate, and monitor socioeconomic dynamics | |
| Zhu et al. | Including land cover change in analysis of greenness trends using all available Landsat 5, 7, and 8 images: A case study from Guangzhou, China (2000–2014) | |
| Knox et al. | Using digital camera and Landsat imagery with eddy covariance data to model gross primary production in restored wetlands | |
| Philippon et al. | Characterization of the interannual and intraseasonal variability of West African vegetation between 1982 and 2002 by means of NOAA AVHRR NDVI data | |
| Pan | Area delineation and spatial-temporal dynamics of urban heat island in Lanzhou City, China using remote sensing imagery | |
| CN109856056B (zh) | 一种沙化土地遥感快速识别方法 | |
| Jeswani et al. | Evaluation of the consistency of DMSP-OLS and SNPP-VIIRS Night-time Light Datasets | |
| Maynard et al. | Effect of spatial image support in detecting long-term vegetation change from satellite time-series | |
| Cao et al. | A new 2010 permafrost distribution map over the Qinghai-Tibet Plateau based on subregion survey maps: a benchmark for regional permafrost modeling | |
| Ma et al. | Dynamic changes of wetland resources based on MODIS and Landsat image data fusion | |
| Islam et al. | Land-Cover Classification and its Impact on Peshawar's Land Surface Temperature Using Remote Sensing. | |
| Shi et al. | An improved framework for assessing the impact of different urban development strategies on land cover and ecological quality changes-A case study from Nanjing Jiangbei New Area, China | |
| Liang et al. | Global 500 m seamless dataset (2000–2022) of land surface reflectance generated from MODIS products | |
| Moses et al. | Extreme rainfall events over the Okavango river basin, southern Africa | |
| Anand et al. | Dynamic change analysis of water spread region and its impact assessment using spectral indices of remotely sensed data | |
| Chen et al. | Correction of illumination effects on seasonal divergent NIRv photosynthetic phenology | |
| Liou et al. | Spatio-temporal patterns and driving forces of surface urban heat island in Taiwan | |
| CN117496369A (zh) | 一种矿区碳汇数据集构建方法 | |
| 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 | |
| CN115293974A (zh) | 一种基于大数据结合夜间灯光遥感影像的gdp估算方法 |
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 |