CN117571626A - Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 - Google Patents
Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 Download PDFInfo
- Publication number
- CN117571626A CN117571626A CN202311508367.XA CN202311508367A CN117571626A CN 117571626 A CN117571626 A CN 117571626A CN 202311508367 A CN202311508367 A CN 202311508367A CN 117571626 A CN117571626 A CN 117571626A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- biomass
- grassland
- remote sensing
- model
- 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.)
- Pending
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 295
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000008859 change Effects 0.000 claims abstract description 43
- 238000011160 research Methods 0.000 claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 16
- 238000013179 statistical model Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 8
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000035945 sensitivity Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000001419 dependent effect Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000011065 in-situ storage Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 6
- 244000144972 livestock Species 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 244000025254 Cannabis sativa Species 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000017020 Ipomoea batatas Species 0.000 description 1
- 235000002678 Ipomoea batatas Nutrition 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012876 topography 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
-
- 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
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明属于草地生物量估测技术领域，公开了一种MODIS NDVI对草地生物量遥感估测饱和性评估方法及系统，包括：通过野外实地观测，获取草地生物量数据；下载遥感数据，合成2000‑2016年研究区NDVI的生长季月平均值与年最大值影像；构建草地生物量经验统计模型并进行精度验证和饱和性评估；进行NDVI校正及生物量遥感反演模型重建；反演研究区2000～2016年草地生物量，并分析研究区生长季和年际草地生物量时空动态变化状况。本发明可为精确评估高寒草甸草地生物量提供理论依据，同时也为畜牧平衡管理和可持续发展提供科学依据。
Description
技术领域
本发明属于草地生物量估测技术领域，尤其涉及一种MODIS NDVI对草地生物量遥感估测饱和性评估方法及系统。
背景技术
草地在陆地生态系统中扮演着至关重要的角色，其覆盖范围极为广泛，面积大约占据全球陆地总面积的40％。不仅在气候的调节、全球碳循环上有着至关重要的作用，也是畜牧业发展、生态系统平衡维持的重要物质基础。草地生物量不仅可以反映草地初级生产能力，也是草地生态系统中最重要的度量标准之一，同时也是监测草地资源的可持续利用状况的重要指标。精准评估草地生物量及其动态变化，对草地的可持续性发展，草畜平衡管理以及草地资源可持续开发利用等方面具有重要意义。
目前，草地生物量估测方法主要有实测法、文献记录法、过程模型及遥感反演等方法。其中，地表实测法主要基于样方尺度测量来评估草地生物量；文献记录法利用样地调查或文献资料中的单位草地面积生物量数据与对应草地面积来估算草地生物量。这两种方法虽然观测精度高，但其地面采样和文献调研工作量大、耗时长，对草地有一定破坏作用，且难以在区域尺度大面积开展。过程模型法主要以气候环境因子和NDVI等遥感数据作为输入参数，通过模拟生态系统中与生物量直接相关的一系列过程，进而实现对草地生物量的模拟，虽具有普适性与可预测性，但模型复杂，涉及的参数过多，且部分参数难以在区域尺度获取。遥感反演法，基于卫星影像接收到草地植被反射的特定光谱波段(如近红外和红外波段)，通过构建遥感植被指数和地面调查数据之间的线性或非线性数学关系式，进而建立大尺度草地生物量估测模型，其具有时效性强、覆盖范围广和数据易获取等优点。
在众多遥感估测模型中，基于遥感植被指数的单因子统计模型利用明确的参数化表达式将有限数量的光谱波段和草地生物量相关联，是草地生物量统计模型中最单一、最常用的一种类型，也是目前光学遥感估测中应用年限较长、最受欢迎、应用最广泛的模型。张小琪等利用同期的卫星遥感数据和草地生物量实测数据的基础上，建立了新疆阿勒泰地区归一化植被指数(NDVI)和比值植被指数(RVI)线性与非线性草地生物量回归模型，结果表明指数模型对该地区的草地生物量估测能力最佳。胡远宁等基于玛曲县尼镇的同时段MOD09GA产品、RapidEye影像和WorldView-2影像，修正了MOD09GA NDVI的甘南草地生物量估测模型，结果表明指数模型为生物量最优估测模型，其中R2远高于线性、对数乘幂等模型，为0.571。苏玉波等以祁连山八宝河流域实地采集数据和实测的归一化植被指数(NDVIGS)和同期的多光谱遥感影像(NDVILD)，建立流域内高寒草地生物量的评估模型。结果表明基于遥感估算高寒草地地上生物量的最优模型为指数模型，R2为0.731。
由此可鉴，基于遥感植被指数的传统经验统计模型在草地生物量的遥感评估中得到了广泛应用。然而，遥感植被指数对低密度植被区域草地生物量较为敏感，随着植被密度的增加，植被指数对生物量的敏感性逐渐降低，在高植被覆盖区域敏感性最低，且对草地生物量产生低估现象，即NDVI对密集植被冠层产生饱和现象。Asrar等在叶面积指数观测的全球综合：对生态和遥感研究的影响一文中表明，NDVI饱和导致低估高密集生物量地区的生态系统生产力。新西兰研究者Taylor等通过NOAA/AVHRR数据,统计了NDVI来观测草地生长的动态变化发现NDVI和RVI与绿色植物生物量有很好的关联。在植被低密度区域，NDVI对草地生物量较为敏感，而在高密度区域，RVI比NDVI对草地生物量的敏感性更好，同时植被指数NDVI不再虽植被的生长而继续增长，易出现饱和现象。
青藏高原是气候变化和人类活动响应的敏感区，准确估算青藏高原高寒草地生物量是评估该地区草地对人类活动和全球气候变化响应的基础。长期以来，中低分辨率卫星遥感因其具有较高的时间分辨率和较大的空间覆盖范围(如MODIS植被指数，时间分辨率为1d，幅宽达2330km)，是青藏高原草地资源动态变化监测中最常用的遥感资料。相较于青藏高原西北部，青藏高原东缘草地类型多为草甸类，草地植被生长密集，平均植被盖度80％以上，然而针对高寒草地生物量饱和性问题的研究鲜有报道，MODIS NDVI对高寒草地生物量饱和性及其所造成的误差的认识还不足。
通过上述分析，现有技术存在的问题及缺陷为：
(1)遥感植被指数对低密度植被区域草地生物量较为敏感，随着植被密度的增加，植被指数对生物量的敏感性逐渐降低，在高植被覆盖区域敏感性最低，且对草地生物量产生低估现象，即NDVI对密集植被冠层产生饱和现象。
(2)针对高寒草地生物量饱和性问题的研究鲜有报道，MODIS NDVI对高寒草地生物量饱和性及其所造成的误差的认识还不足。
发明内容
针对现有技术存在的问题，本发明提供了一种MODIS NDVI对草地生物量遥感估测饱和性评估方法及系统。
本发明是这样实现的，一种MODIS NDVI对草地生物量遥感估测饱和性评估方法，所述MODIS NDVI对草地生物量遥感估测饱和性评估方法包括：
步骤一，通过野外实地观测，获取草地生物量数据；
步骤二，下载遥感数据，合成2000-2016年研究区NDVI的生长季月平均值与年最大值影像；
步骤三，构建草地生物量经验统计模型并进行精度验证和饱和性评估；
步骤四，进行NDVI校正及生物量遥感反演模型重建；
步骤五，反演研究区2000～2016年草地生物量，并分析研究区生长季和年际草地生物量时空动态变化状况。
进一步，所述步骤一，根据植被类型和地形在甘南地区范围内开展大量野外观测，在每个采样点建立一个100m×100m的地块，每个地块均采用5点法布设的5个0.5m×0.5m的样方来采集数据，采样记录的内容包括采样点的草地生物量、草地植被盖度、草层高度以及经纬度与地面高程等，同一样地内所有样方的平均值来代表样地水平草地生物量情况，在2011-2016年间，全州共开展野外采样调差6次，采样点284个，采集生物量样方数据1400余个。
进一步，所述步骤二，遥感植被指数选用美国国家宇航局MODIS植被指数产品数据集MOD13Q1，该产品为NDVI 16d最大合成数据集，空间分辨率为250m，时间跨度为2000年1月至2016年12月，轨道号为h26v05，共计下载影像391景，为了进一步研究NDVI饱和对生长季和年际草地生物量遥感反演的影像，基于GIS栅格运算工具(Cell Statistics)进一步合成了2000-2016年研究区NDVI的生长季(5～9月)月平均值与年最大值影像，MOD13Q1主要处理步骤为：
1)通过MODIS数据重投影工具(MODIS Reprojection Tool，MRT)将MODIS数据重新定义投影为WGS84以及将原有的HDF格式重新转化为TIF格式；
2)对影像进行裁剪，并使用ArcMap工具下的掩膜提取，可进行建模批量运算；
3)计算NDVI值，将每个像元值除以10000即可得到该影像真实的NDVI值，并利用GIS栅格分析工具合成2000-2016年生长季月平均值和年际平均值与最大值；
4)根据NDVI数据集计算RVI值，计算公式如下：
NDVI＝(NIR-R)/(NIR+R) (1)
RVI＝(1+NDVI)/(1-NDVI) (2)
进一步，所述步骤三，具体包括：
(1)建立模型并验证精度，以2011-2016年地面实测草地生物量为因变量，样地所对应的MODIS NDVI和RVI分别为自变量，构建基于NDVI与RVI的线性、对数、乘幂和指数四类传统草地生物量遥感估测模型，结合留一法交叉验证的方法，采用验证集和实测数据之间的相关系数和均方根误差评价，筛选高寒草地最优草地生物量估测模型，模型的预测能力由模型评估结果和观测值之间的相关系数R和RMSE来决定，其中R常被用来测量模型的准确性，RMSE常被用来量化模型精度，即R越接近于1，RMSE数值越低，模型精度越高：
R的计算公式：
RMSE的计算公式：
式中，yi为实地测量的草地生物量的值，为实测草地生物量的平均值，y'i为模型估测的草地生物量的值；
(2)模型饱和性评估，基于NDVI和RVI最优草地生物量遥感估测模型，以该模型的反函数作为NDVI和RVI对生物量的响应函数，利用灵敏度函数来评估NDVI和RVI对高寒草地生物量的饱和性和阈值，即最优生物量遥感估测模型反函数的一阶导数除以因变量预测的标准误差，该函数用于指示植被指数在生物物理参数范围内的灵敏度变化，反函数即草地生物量(biomass)作为自变量(x)，NDVI作为因变量(y)的经验统计模型。
进一步，所述步骤四，基于获取的NDVI与RVI关于草地生物量的灵敏度值，计算出NDVI关于草地生物量的饱和阈值，选取饱和阈值所在的NDVI区间，拟合NDVI并调整函数公式，利用调整的函数公式计算大于饱和阈值的NDVI值，将调整前(小于饱和阈值)的NDVI值与调整后的NDVI值构建成新的NDVIadj，将NDVIadj作为自变量，草地生物量数据作为因变量，分别构建线性、指数、对数和乘幂四种回归模型，基于留一法交叉验证的方法，相关系数R和均方根误差分析模型精度，选取最优反演模型。
进一步，所述步骤五，基于构建的最优草地生物量遥感反演模型和生长季和年际NDVI数据集，反演研究区2000～2016年草地生物量，并进一步分析研究区生长季和年际草地生物量时空动态变化状况，其中年际最大值时空动态变化采用Slop趋势分析来实现，计算公式如下所示：
式中，在这里i表示年年份，Biomassi第i年的模型估测的生物量，n在这里为17。
本发明的另一目的在于提供一种MODIS NDVI对草地生物量遥感估测饱和性评估系统，所述MODIS NDVI对草地生物量遥感估测饱和性评估系统包括：
数据预处理模块，用于获取并预处理所需数据；
模型构建模块，用于构建草地生物量经验统计模型；
分析模块，用于分析研究区生长季和年际草地生物量时空动态变化状况。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述MODIS NDVI对草地生物量遥感估测饱和性评估方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述MODIS NDVI对草地生物量遥感估测饱和性评估方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述MODIS NDVI对草地生物量遥感估测饱和性评估系统。
结合上述的技术方案和解决的技术问题，从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
(1)本发明基于甘南地区2011-2016年地面实测草地生物量与MODIS-NDVI遥感数据，分析NDVI遥感植被指数对草地生物量估测的敏感性和饱和阈值，结合灵敏度函数和RVI植被指数校正饱和NDVI，并反演了校正前后甘南地区2000-2016年草地生物量，分析饱和性对草地生物量遥感评估的影响。
(2)本发明可为精确评估高寒草甸草地生物量提供理论依据，同时也为畜牧平衡管理和可持续发展提供科学依据。
第二，本发明专利结合敏感性函数，评估并校正了NDVI对草地生物量遥感估测的饱和性，使得NDVI遥感植被指数在高植被覆盖区敏感性升高，进而提高了高寒草地高植被覆盖区域草地地上生物量的遥感估测精度。
第三，本发明的技术方案填补了国内外业内技术空白：目前针对遥感植被指数对草地地上生物量遥感估测的饱和性校正和改进的研究尚属空白，给牧区草地草产量估算和草蓄平衡管理带来了诸多不便。本发明专利从遥感植被指数对草地地上生物量敏感性角度出发，利用敏感性函数，校正了高地上生物量饱和遥感植被指数，进而减小了草地生物量遥感估测的误差和不确定性，填补了该领域的空白。
第四，在使用MODIS NDVI数据对草地生物量进行遥感估测的研究中，取得显著的技术进步通常体现在以下几个方面：
1)精度提高：通过采用精细的野外实测数据与MODIS遥感数据相结合的方法，提高了草地生物量估测的精度。这种方法能够更好地反映真实的地表植被状况，使得生物量的估算更加接近实际值。
2)时间尺度拓展：利用MODIS数据的长时间序列，可以研究草地生物量的季节性变化和年际变化。这样不仅可以了解植被的即时状态，还可以分析植被生物量随时间的动态趋势，对于理解生态系统变化和进行长期生态监测具有重要意义。
3)空间尺度扩大：MODIS数据具有较大的覆盖范围和合适的空间分辨率，使得研究者能够在区域乃至全球尺度上进行生物量估测和监测，这对于大尺度生态研究和资源管理具有极大的应用价值。
4)饱和性问题的改进：在估测方法中，对NDVI的饱和性进行了评估和校正，这有助于克服高生物量地区NDVI值饱和的限制，提高了模型的适用范围和可靠性。
5)模型的创新：构建了生物量和NDVI关系的经验统计模型，并且对模型进行了精度验证和饱和性评估。这种模型更加符合实际地区的具体条件，能够提供更加精确的生物量估算。
6)技术集成与应用：整合GIS、遥感数据处理、统计分析等多种技术，建立了一套完整的草地生物量遥感估测和监测体系。这样的技术集成为生态监测和资源管理提供了一个强有力的工具。
7)数据处理自动化：利用GIS和遥感软件进行数据处理，实现了批量处理和自动化分析，大大提高了工作效率并降低了人为错误。
本发明获得的技术进步不仅提升了遥感数据在生态研究和自然资源管理中的应用效率，还加强了遥感科学与地面实测数据结合的研究深度，有助于更全面地理解和保护我们的自然环境。
附图说明
图1是本发明实施例提供的方法流程图；
图2是本发明实施例提供的研究区位置与甘南地区的采样点分布图；
图3是本发明实施例提供的样地内样方设置示意图；
图4是本发明实施例提供的整体技术路线图；
图5是本发明实施例提供的生物量经验模型(a为NDVI关于生物量模型、b为RVI关于生物量模型)；
图6是本发明实施例提供的NDVI饱和点计算及饱和性调整((a)和(b)为草地植被指数和草地生物量的灵敏度对比(c)为RVI对NDVI调整图)；
图7是本发明实施例提供的生物量反演模型(a为调整前NDVI，b为调整后NDVIadj)；
图8是本发明实施例提供的调整前后月平均NDVI反演生物量(biomass)的差值图；
图9是本发明实施例提供的调整前后不同草地类型在生长季内每16d的生物量差值动态变化图；
图10是本发明实施例提供的2000-2016年调整前后甘南地区草地生物量Slope年变化趋势图。
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。
实施例1：草地生物量与NDVI关系的建立与评估
实现方案：
1)数据采集：
在草地区域内选定不同生物量水平的样地，保证样地覆盖植被类型和生物量梯度。
在每个样地内进行生物量的野外实地采集，并记录相应的NDVI值。
2)数据处理：
对采集的生物量数据进行预处理，包括干燥重量测定等。
使用地理信息系统(GIS)和遥感软件处理相应时期的MODIS NDVI数据，提取样地对应的NDVI值。
3)模型建立：
利用统计软件(如R或SPSS)建立生物量与NDVI的回归模型。
评估模型的拟合度和预测准确性，通过R2、均方根误差(RMSE)等指标验证模型。
4)模型应用：
使用该模型预测整个草地区域的生物量。
利用遥感影像获取整个草地区域的NDVI值，应用模型进行生物量的空间化分布预测。
实施例2：遥感技术在草地生物量长期监测中的应用
实现方案：
1)长期数据准备：
收集长时间序列的MODIS NDVI数据(如2000-2016年的数据)。
选定监测区域并获取同期的气象数据、土地利用数据等辅助信息。
2)时间序列分析：
使用时间序列分析技术处理NDVI数据，分析草地生物量的季节性和年际变化。
结合气象数据分析草地生物量变化与气候因子的关系。
3)趋势预测与模型优化：
利用时间序列分析结果，建立草地生物量变化趋势的预测模型。
对比实地采集的生物量数据，校正和优化预测模型。
4)监测系统建立：
建立一个基于GIS的草地生物量监测系统，集成遥感数据处理、模型预测、结果展示等功能。
系统可以提供实时或定期更新的草地生物量监测数据，供管理者和科研人员使用。
在实施以上两个实例时，需要注意数据的质量控制、模型的验证与优化、以及结果的解释。通过结合实地观测与遥感技术，这些方法能够有效提高草地生物量估测的精度和效率，同时也为长期生态监测提供了可行的技术路径。
如图1所示，本发明实施例提供的MODIS NDVI对草地生物量遥感估测饱和性评估方法包括以下步骤：
S101，通过野外实地观测，获取草地生物量数据；
S102，下载遥感数据，合成2000-2016年研究区NDVI的生长季月平均值与年最大值影像；
S103，构建草地生物量经验统计模型并进行精度验证和饱和性评估；
S104，进行NDVI校正及生物量遥感反演模型重建；
S105，反演研究区2000～2016年草地生物量，并分析研究区生长季和年际草地生物量时空动态变化状况。
甘南地区(北纬33°06′至35°44′N，东经100°46′至104°44′E)地处中国甘肃西南与青藏高原东部边界，东西约360km，南北约270km(图2)。该地区寒冷潮湿，隶属典型的高原大陆性气候，年平均气温1～3℃，地势东低西高，平均海拔均大于3000m，年降水量为400-800mm，且降雨分布不均，呈现为南多北少。草地面积为2.603×106ha，占该地区总面积67.64％，主要草地类型为高寒草甸、高寒灌丛草甸、沼泽、低平地草甸类、温性草甸草原、温性草原和暖性草丛7类。
草地生物量数据来自野外实地观测，本发明实施例提供的步骤一，根据植被类型和地形在甘南地区范围内开展大量野外观测，采样点的选择遵循以下几个方面的规则：1)同一样地内的草地生长状况相对均匀，且任意两个样地之间的水平距离应保持至少5km；2)样地在草地类型和土地利用情况上应具有代表性；3)采样点的面积应对应一个MODIS像素范围，即大小为250m×250m。在每个采样点建立一个100m×100m的地块，每个地块均采用5点法布设的5个0.5m×0.5m的样方来采集数据(图3)。采样记录的内容包括采样点的草地生物量、草地植被盖度、草层高度以及经纬度与地面高程等，同一样地内所有样方的平均值来代表样地水平草地生物量情况。在2011-2016年间，全州共开展野外采样调差6次，采样点284个(图2)，采集生物量样方数据1400余个。
遥感植被指数选用美国国家宇航局MODIS植被指数产品数据集MOD13Q1，该产品为NDVI 16d最大合成数据集，空间分辨率为250m，时间跨度为2000年1月至2016年12月，轨道号为h26v05，共计下载影像391景。为了进一步研究NDVI饱和对生长季和年际草地生物量遥感反演的影像，本发明实施例提供的步骤二，基于GIS栅格运算工具(Cell Statistics)进一步合成了2000-2016年研究区NDVI的生长季(5～9月)月平均值与年最大值影像。
MOD13Q1主要处理步骤为：1)通过MODIS数据重投影工具(MODIS ReprojectionTool，MRT)将MODIS数据重新定义投影为WGS84以及将原有的HDF格式重新转化为TIF格式。2)对影像进行裁剪，并使用ArcMap工具下的掩膜提取，可进行建模批量运算。3)计算NDVI值。由于MODIS影像NDVI植被指数产品为整型数据,将每个像元值除以10000即可得到该影像真实的NDVI值。并利用GIS栅格分析工具合成2000-2016年生长季月平均值和年际平均值与最大值。4)根据NDVI数据集计算RVI值。计算公式如下：
NDVI＝(NIR-R)/(NIR+R) (1)
RVI＝(1+NDVI)/(1-NDVI) (2)
基于2011-2016年地面实测草地生物量和MODIS NDVI和RVI遥感植被指数，构建草地生物量经验统计模型，结合灵敏度函数分析两类遥感植被指数对草地生物量的饱和性，对饱和部分NDVI进行校正，并重新构建草地生物量遥感估测模型，对比分析校正前后草地生物量遥感估测模型反演结果，评估NDVI饱和性对草地生物量时空动态变化的影响，其具体数据处理流程如图4所示。
本发明实施例提供的步骤三，以2011-2016年地面实测草地生物量为因变量，样地所对应的MODIS NDVI和RVI分别为自变量，构建基于NDVI与RVI的线性、对数、乘幂和指数四类传统草地生物量遥感估测模型，结合留一法交叉验证的方法，采用验证集和实测数据之间的相关系数和均方根误差评价，筛选高寒草地最优草地生物量估测模型。其中留一法交叉验证(leave-one-out cross validation,LOOCV)的方法从n组样地数据中选择一组样地数据作为验证数据，余下的n-1个组样地数据拟合成一个NDVI估测模型，并用选出的验证数据来评估估测模型的精度，如此重复n次并取n次评估指标的平均值作为最终的评估指标。模型的预测能力由模型评估结果和观测值之间的相关系数R和RMSE(root mean squareerror，RMSE)来决定，其中R常被用来测量模型的准确性，RMSE常被用来量化模型精度，即R越接近于1，RMSE数值越低，模型精度越高。
R的计算公式：
RMSE的计算公式：
式中，yi为实地测量的草地生物量的值，为实测草地生物量的平均值，y'i为模型估测的草地生物量的值。
基于NDVI和RVI最优草地生物量遥感估测模型，以该模型的反函数作为NDVI和RVI对生物量的响应函数，利用灵敏度函数来评估NDVI和RVI对高寒草地生物量的饱和性和阈值。即最优生物量遥感估测模型反函数的一阶导数除以因变量预测的标准误差，该函数用于指示植被指数在生物物理参数范围内的灵敏度变化。反函数即草地生物量(biomass)作为自变量(x)，NDVI作为因变量(y)的经验统计模型。
拟合回归函数如公式5所示：
由于回归函数存在不确定性，可以呈现为线性、非线性或者曲线，且其中值是估计的，因此它们具有与之相关的估计误差，用由/>的标准误差表示，记为/>
在线性回归和曲线模型中，公式见公式6：
其中σ2是均方误差，X是自变量矩阵，Xi是X的第i行。
在非线性回归中，的标准误差使用渐近标准误差来近似计算，见公式7：
其中F是用于近似最小二乘估计的导数矩阵，Fi表示F矩阵的第i行。尽管标准误差的计算很复杂，尤其是对于非线性模型，我们可以依靠统计分析软件包来完成计算
回归函数(公式5)的一阶导数由公式8可计算获得：
此处，反映了在给定x值时/>相对于x的变化率。也就是说，/>衡量的是x对/>的敏感性，而不是对y的敏感性。除非将/>的可变性或/>的标准误差(表示为/>)纳入计算，否则仅使用/>作为敏感性的指标是不足够的。由于在回归函数(公式5)中变量x被假定为固定的，/>的标准误差等于/>的标准误差，即/>
因此，我们可以定义敏感函数(s)为如下式9：
大的正值s值表示x对y的高敏感性，而负值s表示反向敏感性。在这个方程中，s的单位是x-1，与植被指数的大小无关，只取决于生物量的单位或大小。因此，敏感性函数适用于比较具有不同大小或动态范围的植被指数之间的敏感性。此外，如果要在生物量的整个值范围内比较植被指数(NDVI与RVI)的敏感性，则需要注意植被背景对光谱信号的影响，这会导致敏感性的变化。
因变量所预测的标准误差由公式6可得。具体计算步骤如下：1)首先计算因变量的预测值，将已有的自变量数据代入到回归函数公式中，计算得出NDVI和RVI的预测值；2)其次计算因变量的均方误差(式10)；3)将均方误差代入公式6中，通过在MatLab中计算得到标准误差。
均方误差公式10为：
其中，y表示因变量(NDVI和RVI),表示因变量的预测值，n表示所用到的284组数据，通过此公式计算得到因变量的均方误差。NDVI与RVI的回归函数的一阶导数由公式5和回归函数计算得出。
本发明实施例提供的步骤四，基于获取的NDVI与RVI关于草地生物量的灵敏度值，计算出NDVI关于草地生物量的饱和阈值。选取饱和阈值所在的NDVI区间，拟合NDVI并调整函数公式，利用调整的函数公式计算大于饱和阈值的NDVI值。将调整前(小于饱和阈值)的NDVI值与调整后的NDVI值构建成新的NDVIadj。将NDVIadj作为自变量，草地生物量数据作为因变量，分别构建线性、指数、对数和乘幂四种回归模型。基于留一法交叉验证的方法，相关系数R和均方根误差(root mean square error，RMSE)分析模型精度，选取最优反演模型。
本发明实施例提供的步骤五，基于构建的最优草地生物量遥感反演模型和生长季和年际NDVI数据集，反演研究区2000～2016年草地生物量，并进一步分析研究区生长季和年际草地生物量时空动态变化状况。其中年际最大值时空动态变化采用Slop趋势分析来实现，计算公式如下所示：
式中，在这里i表示年年份，Biomassi第i年的模型估测的生物量，n在这里为17。
本发明实施例提供的MODIS NDVI对草地生物量遥感估测饱和性评估系统包括：
数据预处理模块，用于获取并预处理所需数据；
模型构建模块，用于构建草地生物量经验统计模型；
分析模块，用于分析研究区生长季和年际草地生物量时空动态变化状况。
将本发明应用实施例提供的MODIS NDVI对草地生物量遥感估测饱和性评估方法应用于计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述MODIS NDVI对草地生物量遥感估测饱和性评估方法的步骤。
将本发明应用实施例提供的MODIS NDVI对草地生物量遥感估测饱和性评估方法应用于信息数据处理终端，所述信息数据处理终端用于实现所述MODIS NDVI对草地生物量遥感估测饱和性评估系统。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以下是本发明实施例研发过程的详细的描述。
1.1实测生物量及遥感植被指数统计性分析
甘南地区实测草地生物量与对应的MODIS-NDVI遥感数据统计结果如表1所示。284个采样地的草地生物量存在较大差异，平均草地生物量在959.18～2330.19kg/ha之间，变异系数(CV)在0.43～0.61之间，其中最大草地生物量为6395.51kg/ha，最小为424.80kg/ha。平均草地生物量最大的是玛曲，草地生物量和CV分别为2330.19kg/ha和0.61；最低为合作，分别为959.18kg/ha和0.45。其他地区平均草地生物量为1834.36～1972.95kg/ha，CV为0.43～0.60。在整个研究区内，平均草地生物量与变异系数(CV)分别为1990.99kg/ha和0.56。
MODIS-NDVI平均值在0.6676～0.7327之间，其中最大为0.8430，最小为0.4751。平均NDVI最大的是玛曲，NDVI平均值为0.7327，变异系数为0.1115；最小为合作，分别为0.6676和0.1503。其他地区平均NDVI为0.6873～0.7303，变异系数为0.0854～0.1327。在研究区内，平均NDVI为0.7080，变异系数为0.1207(表2)。
表1实测生物量统计分析
表2MODIS NDVI统计分析
1.2NDVI饱和性检测及调整
1.2.1草地生物量估算模型
将NDVI、RVI分别作为自变量，构建关于草地生物量(biomass)的四种传统回归模型，并利用相关系数R与RMSE检验其精度并选出最优模型，结果如表2.2所示。在构建的模型中，基于NDVI的草地生物量模型中最优模型为乘幂模型，相关系数R为0.5778，RMSE为914.1261kg/ha；其次为对数模型，R为0.5775，RMSE为920.3663kg/ha；然后为线性模型，R为0.5446，RMSE为901.6796kg/ha。最后为指数模型，R为0.5324，RMSE为915.0853kg/ha。而基于RVI的草地生物量模型中线性模型为最优模型，相关系数为0.5685，RMSE为901.1644kg/ha。其次依次为对数模型、乘幂模型和指数模型，R分别为0.5674、0.5450和0.5083，RMSE分别为895.9888kg/ha，920.7960kg/ha和962.7329kg/ha。
表3基于NDVI和RVI的草地地上生物量(biomass)估算模型
1.2.2植被指数对生物量的响应方程
由于RVI在高值草地生物量区较NDVI具有较高的敏感性。基于此，本研究以地面实测生物量数据为基础，分别构建NDVI与RVI植被指数的线性、对数、乘幂和指数模型。并采用留一法交叉验证的方法对模型进行精度验证选取最优模型。如图5所示，NDVI、RVI关于生物量模型中NDVI为乘幂模型均方根误差RMSE为0.0713，相关系数R为0.5778，RVI为性模型均方根误差RMSE为1.8251，相关系数R为0.5685(表2.2)。
1.2.3NDVI饱和点计算及饱和性调整
根据NDVI和RVI关于生物量的经验模型计算相对应生物量的灵敏度值，并拟合NDVI与RVI关于生物量的灵敏度曲线，如图6a、6b所示。NDVI在生物量较少(稀疏植被)的区域灵敏度远高于RVI，但随着生物量的增多，NDVI灵敏度在急剧下降，当生物量值达到2314.627kg/ha时(对应NDVI值为0.7288)，NDVI灵敏度曲线和RVI灵敏度曲线相交，灵敏度值相同。随后RVI的灵敏度值大于NDVI，对生物量遥感估测更加敏感。
由草地植被指数和草地生物量的灵敏度对比分析表明在NDVI<0.728831(生物量较低)时NDVI较RVI更敏感，相反在NDVI>0.728831(生物量较高)时RVI比NDVI更敏感。通过对比分析NDVI与RVI之间的相关关系可知，NDVI和RVI在0.65～0.75之间的NDVI范围对生物量表现出相似的敏感性，显现较好的线性关系，因此选用0.65～0.75之间NDVI值的点拟合一个一元线性模型，基于此模型将大于NDVI饱和阈值(0.728831)的NDVI进行估测，以实现对高值NDVI的校正(图6c)。
NDVI调整函数公式如下：
NDVIadj＝0.0428×RVI+0.4552 (12)
式中，NDVIadj为调整后的NDVI值，拟合函数公式的决定系数R2为0.9925。1.3草地生物量估测模型重建
基于1.2.3中的NDVI饱和阈值与NDVI调整公式，并结合地面实测草地生物量数据构建调整前NDVI和调整后NDVIadj的草地地上生物量遥感估测模型，如图7所示。其中调整后NDVIadj关于生物量构建线性、指数、乘幂和对数生物量遥感反演模型，经过留一法交叉验证的获取的最优生物量估测模型为线性模型表4，模型的R为0.5778，RMSE为902.41kg/ha。因此本研究在探讨NDVI对草地生物量遥感估测的饱和性时，对比分析未调整调整前后遥感估测模型反演差异。调整后NDVIadj取值分为两类情况，NDVI小于0.728831时使用原NDVI，NDVI大于0.728831时对NDVI进行调整(公式13)再结合表4公式进行计算。对比调整前NDVI关于生物量反演模型和调整后NDVIadj关于生物量反演模型，调整后模型精度得提高，模型决定系数增加了0.05，均方根误差RMSE整体降低了11.72kg/ha(图7，表3和表4)。
表4基于NDVIadj的草地地上生物量估算模型
注：校正后NDVIadj取值为
1.4NDVI对草地地上生物量遥感估测饱和性时空动态变化
1.4.1生长季空间动态变化
分别利用NDVI调整前后两类草地生物量遥感反演模型反演2000～2016年，并计算生长季5月份～10月份每16天多年平均值，调整前后草地平均生物量反演差值结果如图8所示。整体而言，调整后的生物量与调整前的生物量差值均为正值，说明调整前NDVI估测生物量值存在低估现象；草地生物量最大低估值为1935.19kg/ha，最小为136.23kg/ha。5月份(全年第129～145天)和9月末～10月(全年第273～305天)调整前后草地生物量低估现象变化不明显，仅有东南部分平均草地生物量有一些变化，但程度较低，不高于200kg/ha。6月～9月初(全年第161～257天)调整前后低估现象较为明显，低估程度呈现为先自东南向西北逐渐增加，随后又自西北向东南逐渐减少。平均草地生物量最大为291.92kg/ha，最小为158.45kg/ha，其中于8月初(全年第225天)甘南地区东南部出现最大低估现象，最大将超过600kg/ha。
1.4.2生长季内不同草地类型动态变化
根据甘南地区草地类型空间分布，统计不同草地类型NDVI调整前后草地生物量生长季多年平均差异，结果如图9所示。生长季内由于NDVI饱和造成的草地生物量低估现象在各草地类型中普遍存在，尤其是在6月～8月(全年第161～241天)之间更为显著，低估现象由高到低依次为暖性草原类、温性草甸草原类、温性草原类、高寒灌丛草甸类、沼泽类、高寒草甸类、低平地草甸类。整体而言，在生长季内暖性草原类平均草地生物量调整前后变化幅度最大，最大达到345.11kg/ha，低平地草甸类平均草地生物量调整前后变化幅度最小，最小为到140.10kg/ha。
1.4.32000-2016年变化趋势分析
基于NDVI调整前后最优草地生物量遥感估测模型，分别反演了2000～2016年甘南地区草地生物量，并进一步分析了甘南地区草地生物量时空动态变化趋势(图10)。由图可以看出未调整NDVI前，甘南地区大部分区域草地生物量的年变化值介于-10kg/ha～10kg/ha之间，其面积占整个研究区总面积的48.75％，年变化率大于30kg/ha的区域占总面积6.58％，主要集中在东南边缘地带；年变化率介于10kg/ha～30kg/ha的区域占总面积分别为29.69％，主要分布在年变化率大于30kg/ha区域的边缘地带；年变化率小于-10kg/ha的区域仅占总区域的14.99％。调整后的年最大生物量变化趋势分布图中可以看出年变化率小于-10kg/ha和大于30kg/ha的区域明显增加了，分别为31.18％和15.06％，相较于调整前占比分别增加了8.48％和16.19％，年变化率-10kg/ha～10kg/ha的区域占比减少了21.44％，年变化率在10kg/ha～30kg/ha的区域面积占比变化不大，占研究区总面积的26.46％。
1.5NDVI对草地生物量的饱和性
自上世纪80年代遥感技术得到广泛应用以来，基于遥感植被指数的草地生物量遥感估测技术得到了迅猛发展，国内外众多学者对青藏高原高寒草地地上生物量进行了遥感估测，其结果差异较大。就整个青藏高原区域草地生物量遥感研究而言，草地生物量估测范围介于0～2800kg/ha之间，而就青藏高原局部地区草地地上生物量遥感估测结果来看，尤其是青藏高原降雨充沛的东缘地区，局部地区生物量估测值范围介于0-6601.86kg/ha(表5)，其最大值是大范围估测结果的2.36倍。由此可见，随着研究范围的增大，无论是是构建简单的线性回归模型，还是利用随机森林、人工神经网路以及组合模型(AGB-RSM)都不能克服由于植被指数自身灵敏度造成的饱和现象，均低估了青藏高原高覆盖度的草地地上生物量。
表5青藏高原高寒草地地上生物量遥感估测案例
本研究2000～2016年草地生物量反演结果表明，在青藏高原东缘地区，由于NDVI饱和性造成的草地地上生物量低估的最大值为1935.19kg/ha，占草地生物量最大多年平均值(4817.17kg/ha)的40％。生长季多年平均反演结果表明，全年6～8月份NDVI饱和性对草地地上生物量的影响最为显著，低估的平均草地生物量介于158.45kg/ha～291.92kg/ha，中于8月初(全年第225天)甘南地区东南部出现最大低估现象，最大将超过600kg/ha。
NDVI对草地地上生物量遥感估测饱和性除了影响草地地上生物量精确遥感估测外，还影响了高寒草地地上生物量年际变化趋势分析。本研究结果表明，NDVI饱和性对高生物量和低生物量区域的草地地上生物量变化趋势分析具有较大的影响，考虑NDVI饱和性后年变化率基本不变的区域面积占比减少了21.44％，而年变化率小于-10kg/ha和大于30kg/ha的区域面积占比分别增加了31.18％和15.06％。由此可见，NDVI饱和性对青藏高原高寒草地地上生物量遥感估测具有重要的影响作用，不考虑NDVI饱和性对草地地上生物量的低估现象会对青藏高原高寒草地地上生物量时空动态变化分析带来较大的不确定性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，包括：
步骤一，通过野外实地观测，获取草地生物量数据；
步骤二，下载遥感数据，合成2000-2016年研究区NDVI的生长季月平均值与年最大值影像；
步骤三，构建草地生物量经验统计模型并进行精度验证和饱和性评估；
步骤四，进行NDVI校正及生物量遥感反演模型重建；
步骤五，反演研究区2000～2016年草地生物量，并分析研究区生长季和年际草地生物量时空动态变化状况。
2.根据权利要求1所述的MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，所述步骤一，根据植被类型和地形在甘南地区范围内开展大量野外观测，在每个采样点建立一个100m×100m的地块，每个地块均采用5点法布设的5个0.5m×0.5m的样方来采集数据，采样记录的内容包括采样点的草地生物量、草地植被盖度、草层高度以及经纬度与地面高程等，同一样地内所有样方的平均值来代表样地水平草地生物量情况，在2011-2016年间，全州共开展野外采样调差6次，采样点284个，采集生物量样方数据1400余个。
3.根据权利要求1所述的MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，所述步骤二，遥感植被指数选用美国国家宇航局MODIS植被指数产品数据集MOD13Q1，该产品为NDVI 16d最大合成数据集，空间分辨率为250m，时间跨度为2000年1月至2016年12月，轨道号为h26v05，共计下载影像391景，为了进一步研究NDVI饱和对生长季和年际草地生物量遥感反演的影像，基于GIS栅格运算工具(Cell Statistics)进一步合成了2000-2016年研究区NDVI的生长季(5～9月)月平均值与年最大值影像，MOD13Q1主要处理步骤为：
(1)通过MODIS数据重投影工具(MODIS Reprojection Tool，MRT)将MODIS数据重新定义投影为WGS84以及将原有的HDF格式重新转化为TIF格式；
(2)对影像进行裁剪，并使用ArcMap工具下的掩膜提取，可进行建模批量运算；
(3)计算NDVI值，将每个像元值除以10000即可得到该影像真实的NDVI值，并利用GIS栅格分析工具合成2000-2016年生长季月平均值和年际平均值与最大值；
(4)根据NDVI数据集计算RVI值，计算公式如下：
NDVI＝(NIR-R)/(NIR+R) (1)
RVI＝(1+NDVI)/(1-NDVI) (2)。
4.根据权利要求1所述的MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，所述步骤三，具体包括：
(1)建立模型并验证精度，以2011-2016年地面实测草地生物量为因变量，样地所对应的MODIS NDVI和RVI分别为自变量，构建基于NDVI与RVI的线性、对数、乘幂和指数四类传统草地生物量遥感估测模型，结合留一法交叉验证的方法，采用验证集和实测数据之间的相关系数和均方根误差评价，筛选高寒草地最优草地生物量估测模型，模型的预测能力由模型评估结果和观测值之间的相关系数R和RMSE来决定，其中R常被用来测量模型的准确性，RMSE常被用来量化模型精度，即R越接近于1，RMSE数值越低，模型精度越高：
R的计算公式：
RMSE的计算公式：
式中，yi为实地测量的草地生物量的值，为实测草地生物量的平均值，y'i为模型估测的草地生物量的值；
(2)模型饱和性评估，基于NDVI和RVI最优草地生物量遥感估测模型，以该模型的反函数作为NDVI和RVI对生物量的响应函数，利用灵敏度函数来评估NDVI和RVI对高寒草地生物量的饱和性和阈值，即最优生物量遥感估测模型反函数的一阶导数除以因变量预测的标准误差，该函数用于指示植被指数在生物物理参数范围内的灵敏度变化，反函数即草地生物量(biomass)作为自变量(x)，NDVI作为因变量(y)的经验统计模型。
5.根据权利要求1所述的MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，所述步骤四，基于获取的NDVI与RVI关于草地生物量的灵敏度值，计算出NDVI关于草地生物量的饱和阈值，选取饱和阈值所在的NDVI区间，拟合NDVI并调整函数公式，利用调整的函数公式计算大于饱和阈值的NDVI值，将调整前(小于饱和阈值)的NDVI值与调整后的NDVI值构建成新的NDVIadj，将NDVIadj作为自变量，草地生物量数据作为因变量，分别构建线性、指数、对数和乘幂四种回归模型，基于留一法交叉验证的方法，相关系数R和均方根误差分析模型精度，选取最优反演模型。
6.根据权利要求1所述的MODIS NDVI对草地生物量遥感估测饱和性评估方法，其特征在于，所述步骤五，基于构建的最优草地生物量遥感反演模型和生长季和年际NDVI数据集，反演研究区2000～2016年草地生物量，并进一步分析研究区生长季和年际草地生物量时空动态变化状况，其中年际最大值时空动态变化采用Slop趋势分析来实现，计算公式如下所示：
式中，在这里i表示年年份，Biomassi第i年的模型估测的生物量，n在这里为17。
7.一种实施如权利要求1-6任意一项所述MODIS NDVI对草地生物量遥感估测饱和性评估系统，其特征在于，所述MODIS NDVI对草地生物量遥感估测饱和性评估系统包括：
数据预处理模块，用于获取并预处理所需数据；
模型构建模块，用于构建草地生物量经验统计模型；
分析模块，用于分析研究区生长季和年际草地生物量时空动态变化状况。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述MODIS NDVI对草地生物量遥感估测饱和性评估方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述MODIS NDVI对草地生物量遥感估测饱和性评估方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述MODIS NDVI对草地生物量遥感估测饱和性评估系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508367.XA CN117571626A (zh) | 2023-11-14 | 2023-11-14 | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508367.XA CN117571626A (zh) | 2023-11-14 | 2023-11-14 | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117571626A true CN117571626A (zh) | 2024-02-20 |
Family
ID=89861770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311508367.XA Pending CN117571626A (zh) | 2023-11-14 | 2023-11-14 | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117571626A (zh) |
-
2023
- 2023-11-14 CN CN202311508367.XA patent/CN117571626A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11275197B2 (en) | Forecasting national crop yield during the growing season | |
| Balkovič et al. | Pan-European crop modelling with EPIC: Implementation, up-scaling and regional crop yield validation | |
| Wei et al. | Comparative evaluation of drought indices for monitoring drought based on remote sensing data | |
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| CA2981473C (en) | Forecasting national crop yield during the growing season | |
| Wang et al. | Estimating regional terrestrial carbon fluxes for the Australian continent using a multiple-constraint approach I. Using remotely sensed data and ecological observations of net primary production | |
| Dass et al. | Environmental controls on the increasing GPP of terrestrial vegetation across northern Eurasia | |
| WO2018107245A1 (en) | Detection of environmental conditions | |
| CN114120132A (zh) | 一种气象和红边波段遥感结合的农作物估产方法和装置 | |
| Chen et al. | Improving the practicability of remote sensing data-assimilation-based crop yield estimations over a large area using a spatial assimilation algorithm and ensemble assimilation strategies | |
| Wu et al. | Spatiotemporal variations of water conservation function based on EOF analysis at multi time scales under different ecosystems of Heihe River Basin | |
| Gebremedhin et al. | Deriving potential evapotranspiration from satellite-based reference evapotranspiration, Upper Tekeze Basin, Northern Ethiopia | |
| CN114511170A (zh) | 一种基于多光谱影像的土壤养分估计方法及装置 | |
| Nourani et al. | Hydrological model parameterization using NDVI values to account for the effects of land cover change on the rainfall–runoff response | |
| Ferrant et al. | Agro-hydrology and multi-temporal high-resolution remote sensing: toward an explicit spatial processes calibration | |
| Chen et al. | Spatiotemporal variation of vegetation net primary productivity and its responses to climate change in the Huainan Coal Mining Area | |
| CN110008621B (zh) | 基于双重流依赖集合平方根滤波同化算法的作物模型遥感同化估产方法 | |
| CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
| Wang et al. | The distributed CERES-Maize model with crop parameters determined through data assimilation assists in regional irrigation schedule optimization | |
| Dwivedi et al. | Assessment of rice biomass production and yield using semi-physical approach and remotely sensed data | |
| Vanino et al. | Earth observation for improving irrigation water management: A case-study from Apulia Region in Italy | |
| CN117571626A (zh) | Modis ndvi对草地生物量遥感估测饱和性评估方法及系统 | |
| CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
| CN114611699A (zh) | 土壤水分降尺度方法、装置、电子设备及存储介质 | |
| CN110750896A (zh) | 不同气候区下城市绿地降温效应定量评估方法与系统 |
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 |