MODIS数据（共10篇）
MODIS数据 篇1
摘要：根据火点辐射与背景辐射的差异及MODIS数据火灾监测原理, 利用MODIS数据22通道 (火点辐射) 和31通道 (背景辐射) 亮温构建了一个火点指数FPI。根据只有当植被覆盖率达到一定程度时才会发生火灾的情况, 利用归一化植被指数 (NDVI) 对其火点提取精度进行了修正, 去除了地表不是植被、或植被稀少的不足以引起火灾的区域, 有效减少了因裸土或城市热岛引起的误判。就湖南2008年3月1日和黑龙江2004年10月15日特大森林火灾的情况, 提取了几种地物地FPI、NDVI值, 分析了FPI、NDVI值与不同地表类型的关系。其中, 云是干扰火点FPI值的最大因素, 地表植被是干扰燃烧植被的最大因素, 并确定了FPI和NDVI的阈值。经过分析, 相对于MODIS绝对火点识别算法, 其精度及提取速度上都有提高。
关键词：遥感,MODIS,FPI,亮温,NDVI
利用卫星可以及时发现火灾的范围及蔓延情况, 同时还可以准确计算火灾面积。这使得卫星遥感成为目前监测火情的惟一行之有效的手段[1]。MODIS有36个光谱通道, 分布在0.4～14μm的电磁波谱范围内, 其地面分辨率分别为250m、500m和1000m, 每日可获取4次全球观测数据。MODIS从设计上考虑了火灾监测, 在火灾应用方面较其他遥感仪器有以下优点:传感器灵敏度和量化精度高, 在发现和测定火灾方面具有优势;具有多个可用于火灾检测的通道, 不仅避免了饱和问题, 而且还可以对火灾的性质进行定性、定量分析;具备精确的定位功能。NASA还专门设计了不仅依靠卫星轨道和姿态计算, 同时还考虑地面控制点和高程点的定位方式[1]。
国内在利用MODIS数据进行火灾监测方面已经展开了研究, 如赵文化[2]利用MODIS数据分析河源山火;谭明艳等[3]识别草原火灾迹地;徐东蓓等[4]监测了甘肃迭部森林火灾。但许多都只对大致方法做笼统描述, 而很少对MODIS的火灾监测模型做详细应用与分析。国外在该方面的研究相对来说发展较快, 以美国NASA戈达德宇航中心的Kaufman博士为首的研究小组对MODIS数据的火灾监测算法进行了模拟研究[5,6], 并分别对巴西、非洲的森林火灾的监测进行了野外实验验证;Giglio等[7]在此基础上进一步深入, 并对算法进行了加强。本文在总结国内外的研究基础上, 结合MODIS影像数据的特点, 提出一种新的方法。
1 MODIS数据火灾监测原理
根据电磁波理论, 任何物体都辐射电磁波。由普朗克定律, 黑体的光谱辐射亮度 (Bλ) 为温度和波长的函数, 表示为[7]
undefined
式中:Bλ为黑体的光谱辐射亮度, W/ (m2·sr·μm) ;T为黑体的绝对温度, K;λ为波长, μm;c为光速, c=2.998×108m/s;h为普朗克常数, h=6.626×10-34J·s;k为玻耳兹曼常数, k=1.380×10-23J/K。
由式 (11) 可知黑体辐射能量随温度变化。植被在没有燃烧时, 植被及地被物发出的辐射称为背景辐射;植被燃烧时主要辐射源是火焰和具有较高温度的碳化物。利用背景辐射和植被燃烧时辐射的差异, 可以从卫星遥感信息中即时发现火情, 并监测燃烧状态和蔓延趋势[8]。
在卫星遥感中, 用可见光的近红外波段探测的各种地表地物, 是利用地物表面对太阳的反射特性, 而热红外通道则是利用物体的自身热辐射特性。根据黑体的半球辐射W与温度的四次方成正比的关系, 可以从物体的辐射反演出物体的温度T= (W/δ) -4。根据维恩位移定律——黑体温度T与其辐射能峰值处波长λmax的乘积为一常数, 即T×λmax=2897.8μm·K, 当黑体温度 (T) 升高时, 最大辐射值朝短波方向移动。草地灌木丛火温一般为300～800℃, 可见火灾的辐射能波长在2.701～5.057μm附近。MODIS的第21、22通道的波长均为3.929～3.989μm, 对火灾形成的局地地物热状态非常敏感。由于22通道具有噪声小和量化误差较小等特性, 因此, 常被用来进行火点识别。
2 MODIS数据火点信息提取方法
国内外利用MODIS数据对火灾进行识别的技术方法可概括为以下几种:图像信息增强处理方法 (空间域处理、频率域处理) 、阈值法 (单阈值法、多阈值法、可变阈值法) 、Lee和Tag技术、应用NDVI值检测火灾和MODIS火点识别算法等。本文在上述方法的基础上, 提出了一种新的火点识别方法——FPI-NDVI法。
2.1 火点指数
从火点辐射 (22通道亮温) 与背景辐射 (32通道亮温) 剖面图 (图2) 可以看出, 两者在非着火点的变化基本一致, 而在着火点, 火点辐射 (22通道亮温) 呈明显上升趋势, 因此, 选用22通道亮温作为火灾的最初判识, 31通道亮温为背景温度。由于火的辐射效应, 在火点周围也常常形成一个温度高值区, 若只用22通道亮温估算着火面积, 结果往往比实际大出许多;因此, 通过22通道和31通道的亮温差值作为火点识别。
利用31通道亮温数据可以估算明火面积, 而且当22通道的亮温上升时31通道的亮温也随之上升, 只是22通道的亮温上升要剧烈一些。据此, 构建一火点指数FPI
undefined
式中:T4-22波段亮温, T11-31波段亮温。
利用FPI值来描述火点及周边地区在22和31通道的亮温关系, 本文称为FPI法 (Fire Point Index) 。FPI值在正常环境区是一个相对固定值, 当接近火区时会发生跳跃, 而达到火区时再次发生变化 (图3) 。
FPI处理方法的优点主要体现在3个方面: (1) 有效衰减探测仪器本身的噪声成分; (2) 一定程度上抵消大气的影响; (3) 去除了探测器的扫描角度响应函数的影响。
2.2 植被指数 (NDVI) 在火点监测中的应用
地表植被覆盖区域较大时, 这些地区才可能发生火灾。地面上的一切物体只要其温度不低于绝对零度, 就能够反射、辐射和吸收电磁波。同样, 植物也具有其光谱规律, 经过大量地物光谱波段测量研究分析发现植物反射光谱有如下特点:在绿色波长处有个小峰值, 在红外波长有个大峰值。从前期的大量研究表明:将红光通道 (0.6～0.7μm) 和近红外通道 (0.7～1.1μm) 组合得到植被指数在一定程度上反映着植被的相关信息。
因此, 选取归一化植被指数NDVI作为判断地表植被的标准, 一般NDVI较大地表植被覆盖也较大。且NDVI能较好的反映不同植被的生理变化, 如绿色生物量、叶面积指数、植物光合作用的强度等。利用NDVI提取植被信息, 用以估测地面植被状况, 从野火的角度看, 也是发生必要条件之一, 再与火点指数 (FI) 结合计算, 对它进行修正。NDVI计算公式为
undefined
式中:NDVI-归一化植被指数;ρ1、ρ2-1、2波段的反射率。
2.3 火点判识流程
(1) 利用MODIS绝对火点识别算法提取火点信息, 步骤如下[9]:
①云检测。在对陆地像素提取火灾信息时, 用MODIS的云检测算法确定云, 如果厚云在0.66μm通道的反照率大于0.2, 那么就认为不会有火灾信号穿过这些云。
②背景信息。需要建立被监测点与其周围像素点温度间的关系。周围像素点用于背景温度估计 (或非火像元温度估计) 。在此方法中, 假定火点像素背景温度与周围像素温度间的相关性随像素间距离的增加而减小。确定背景温度时, 要求所有分析点中要有不低于25%的点为非火像元, 分析区域的大小可调, 直到25%的要求达到满足。提取背景信息时滤除火点的条件为:T41=T4-T11>20K (夜间为10K) ;T4>320K (315K) 。排除这些火点后。就可以得到11μm通道的背景温度 (T11b) 和它的标准偏差 (T11b) 。用同样的方式, 可以计算得到T4b和T4b。进一步, 可以计算4μm和11μm两个通道背景温度差的中值 (T41b) 和标准偏差δ (T41b) 。
③火点确认。火点排除:所有满足T4<315K (夜间305K) 或T41<5K (夜间3K) 的像素都不是火点。火点确认:如果一个像素点同时满足条件{ (A or B) and (a or b) or (X) }, 就可以将该点确认为火点 (如果标准差 (T4b和T41b) 小于2K, 那么就用2K来代替) 。
A:T4>T4b+4δT4b (4)
式中:如果T4b小于2K, 则设定T4b=2K。
a:T41>T41b+4δT41b; (5)
B:T4>320K (夜间T4>315K) ; (6)
b:T41>20K (夜间T41>10K) ; (7)
X:T4>360K (夜间T4>330K) (8)
(2) 分析地表类型火点指数FPI关系, 确定FPI值的选定
(3) 分析地表类型与植被指数NDVI关系, 确定NDVI值的选定
2.3 火点识别算法FPI-NDVI应用
2.3.1 研究区选择
由于我国幅员辽阔, 各地区情况不近相同, 因此此次选取就有南、北方火灾具有典型代表性的区域湖南、黑龙江两省, 特别是湖南省在遭遇百年不遇的冰雨灾害后, 不但没有减少火灾的发生, 相反2008年头两个月, 湖南发生森林火灾337起, 火场面积2.5万亩, 造成7人死亡2人受伤, 湖南森林防火面临严峻考验。选取数据为湖南2008年3月1日和黑龙江2004年12月15日的MODIS数据。
2.3.2 阈值确定
利用MODIS绝对火点识别算法提取火点信息后, 分析火点、海洋、内陆湖、裸土、植被、云的FPI值。从图4可以看出, 包括海洋、内陆湖在内的水体的FPI值在0附近;裸土的FPI值在0～0.05之间;植被的FPI值略高于水体;云则具有较高的FPI值, 其值与燃烧植被的FPI值有重合部分。在地表类型中, 只有云是在利用FPI判断火点的最大干扰。因此, 去云处理是利用FPI火点指数前必须要做的一项重要工作。根据以上分析FPI值黑龙江地区选择0.0425, 南方地区选择。
从MODIS数据中提取了海洋、裸土、内陆湖、浓积云、植被和燃烧植被的NDVI值, 从图5可以看出, 没燃烧地区的植被指数在0.2以上。火点识别算法提取得燃烧植被地区的植被指数在-0.112～0.4之间。据此分析, 燃烧植被地区植被指数为负值是烧过后时间不长的过火区, 正值为燃烧区。综合分析本文选取NDVI值大于0.1。
2.3.3 火点识别算法提取火点信息
从以上分析可以得出, 利用FPI-NDVI识别火点的算法包括以下几步:
(1) 云和水体掩模。与下垫面相比, 云在可见光和近红外波段的反射率较高, 在热红外波段的亮度温度一般较低;因此, 结合云在可见光近红外以及热红外波段不同的光谱特征, 可以用以下方法来检测受云影响的区域。
白天:当ρ1+ρ2>0.9, 或T12<265K, 或ρ1+ρ2>0.7且T12<285K之一成立时, 就定义为云区。
晚上:T12<265K, 定义为云区
其中, ρ1为第1波段反射率, ρ2为第2波段反射率, T32为第32波段亮温值
(2) 利用FPI提取火点信息。
(3) 利用植被指数去除地表不是植被、或植被稀少的不足以引起火灾的区域。
2.3.4 判识精度分析
对试验区的火点进行判识, 经MODIS绝对火点识别算法处理后的火灾合成图像, 经验证发现常出现错判和误判的现象, 其与FPI识别算法判识精度见表1。
通过和MODIS绝对火点识别算法对比可知, FPI-NDVI法不仅从判别精度上有很大的提高, 而且从判识效率上也有很大的提升, 为以后的推广应用打下一个很好的基础。
3 结论
火点样本表现出与其它常态探测样本完全不同的辐射特征, 利用火点选择性辐射特征可以建立基于辐射率的MODIS FPI火点指数模型, 这种双通道比值指数和NDVI一样具有衰减仪器噪声和抵消常规大气影响的优点。MWIR 4μm火点辐射通道和LWIR 11μm背景分量通道的组合突出了火点信息, 选择合适的FPI域值, FPI指数能够准确检测火点, 再利用NDVI植被指数进行修正, 减少因裸土或城市热岛引起的误判, 准确率可达到81%以上, 完全可以满足实际火情监测需要。根据对实时接收轨道的实测, 由于使用较少的波段数据进行数学运算操作, FPI-NDVI模型计算速度较MODIS推荐算法快, 特别适合海量空间观测数据实时接收处理的实时监测系统。MODIS FPI-NDVI火情指数可以推广到同类探测器的应用中。例如NOAA 2AVHRR、GOES2VA S以及即将运行的NPP2V IIRS 和中国风云3 号FY23 平台。本研究仅探讨了使用MODIS数据监测火情的情形, 如何在其它平台上选择合适的光谱波段构造FPI-NDVI需要更多的后续研究。同时, 该方法还存在不足地方, 不同区域和时间的FPI值确定还需要长时间的统计分析, 有很多工作还待于深入研究。
参考文献
[1]梁芸.甘肃省森林草原火灾定量判识方法研究[J].干旱气象, 2004, 22 (4) :60~62.
[2]赵文化, 单海滨.使用MODIS遥感资料分析河源12.16山火[J].森林防火, 2006, 2:26~27.
[3]谭明艳, 陈仲新, 曹鑫, 等.利用MODIS识别草原火灾迹地方法的研究[J].遥感学报, 2007, 11 (3) :340~350.
[4]徐东蓓, 梁芸, 蒲肃, et al.迭部4.15森林大火的气象条件及EOS遥感监测[J].气象, 2006, 32 (1) :107~112.
[5]Kaufman Y L, Justice C.MODIS Fire Products[Z].Al-gorithm Technical Background Document, 1998
[6]Kaufman1Y J, Tan red.Algorithm for Remote Sensing of Troposphere Aerosol From MODIS[Z].Algorithm Tech-nical Background Document, 1998.
[7]Dozier J.A method for satellite identification of surface temperature fields of sub-pixel resolution.Remote Sens-ing of Environment, 1981 (11) :221~229
[8]田国良, et al.热红外遥感[M].Beijing:Publishing House of Electronics Industry, 2006:373~374.
[9]张树誉, 景毅.MODIS数据在林火监测中的应用研究[J].灾害学, 2004, 19 (1) :58~61.
[10]BOLES S H, VERBYLA D L.Comparison of three AVHRR-based fire detection algorithms for interior Alas-ka[J].Remote Sensing of Environment, 2000 (72) :1~16.
MODIS数据 篇2
基于ENVI的MODIS数据预处理方法
基于ENVI遥感影像处理软件,选取湖北省MODIS数据,经预处理得到可以进一步分析的`湖北省MODIS数据,重点讲述了应用ENVI软件对MODIS数据进行遥感影像预处理的方法和流程,为区域农业遥感数据库建设提供遥感数据处理方法支撑.
作 者：杜启胜 刘志平王新生 马娜 DU Qisheng LIU Zhiping WANG Xinsheng MA Na 作者单位：湖北大学资源环境学院,湖北,武汉,430062刊 名：地理空间信息英文刊名：GEOSPATIAL INFORMATION年，卷(期)：7(4)分类号：P237关键词：ENVI MODIS 遥感影像 数据处理
MODIS数据 篇3
关键词：MODIS；比值植被指数；归一化植被指数
引言
洪水灾害是我国常见的一种自然灾害，其发生一般具有突发性的特点，洪涝灾害的预警预报、救灾减灾以及灾后重建工作都需要对洪灾时空演变过程信息进行及时反馈和精准分析[1]。遥感，作为采集地球数据及其变化信息的重要技术手段，得到了包括我国在内世界各国政府部门、科研单位和公司的广泛应用。随着航空、航天技术的飞速发展，遥感技术大面积同步观测、时效性、数据的综合性和可比性、经济性等特点日益显现，已成为研究地质灾害防治、全球环境变化重要的科学技术手段。
根据遥感数据对水体进行提取的技术如今已在水资源变化检测、洪水淹没范围判读和海岸线变化识别等领域得到了广泛的应用。国内相关研究已经展开，肖干广等[2]利用AVHRR的通道2（近红外波段）和通道1（可见光波段）的差值法，水体得到了有效的识别。盛永伟等[3]利用AVHRR的信道2和信道1的比值法，从而使薄云覆盖下的水体得到了很好的识别。都永康等[4]利用SPOT卫星信息，采用决策树分类方法，山区中的水体信息得到了有效识别。Jun Li等[5]利用MODIS信息能够有效监测清澈水体。赵书河等[6]采用迭代混合分析方法，对中巴资源一号卫星的遥感数据进行分析，把水体与山区阴影进行了有效分离。
1.水的提取原理
遥感影像记录的是地物的光谱特征，不同地物在部分波段呈现较大的反射率特征差异，通过定量化分析和比较这些差异可以达到识别地物的目的。在大部分遥感传感器的波长范围内，由于水体对入射能量具有强吸收性的特点，导致水体的反射率总体上较弱，并具跟波普长度长成反比。水体对蓝光波段（CH3），绿光波段（CH4）的反射率较强，并且水体在蓝光波段有明显的散射，与其他地物在此波段的反射率特征差异不明显；相比于红光波段（CH1），水体在近红波段（CH2）的吸收性要更强烈一些，几乎吸收了全部的入射能量，吸收率较高、反射率较低；而土壤、植被在这个波段内的反射率较高、吸收率较低。这种明显的差异使得水体在近红外波段上很容易与植被、土壤形成鲜明的对比，易于区分。在MODIS影像上，水体在近红外波段上呈现暗色调，而土壤和植被则呈现亮色调。同时，在山区由于受山体阴影的影响，使得阴坡面的地物在近红外波段反射能量降低，因此阴影中的地物在近红外波段影像上呈现为明显的暗色调；在城市建筑物密集地区，由于高层建筑物阴影的影响，也存在同样的问题，因此通过单一阈值（近红外波段）来区分水体和阴影中的地物存在一定的难度。
在一定条件下，植被指数能够定量地说明植物的生长状况，其原理是根据在可见光波段植物叶面有很强的吸收特性，在近红外波段植物叶面有很强的反射特性，通过不同波段的组合，植被指数能够将植物与其他地物有效区分开来。常用的植被指数包括比值植被指数和归一化植被指数等。
2.MODIS的光谱特点及当前主要应用范围
2.1MODIS的数据特点
与之前常用的几种遥感数据相比，美国国家航天局（NASA）最新的数据主要有三个特点：一是数据涉及波段范围比较广（36个波段，0.4-14.4um）；二是空间分辨率较之前有了更大的进展（250 m、500m、1000m）；三是数据更新频率快，对实时监测有较高的应用价值。
2.2MODIS影响上的水体表现特征
根据已有研究表明的水体波普特征和MODIS有感数据36个通道的波长分布，可以分析并确定适合于水体信息提取的波段。在MODIS遥感数据的36个通道中，1、3、4、8～15通道在可见光范围内，水体与其它地物的反射率差别不大，即从水体到陆地的过度特性不明显。2、5、6、7、16～19、26通道处于近红外波段范围，水体吸收率高、反射率低，而对土壤、植被的吸收率低、反射率高，水体在影像上表现为比其他地物都暗的色调，其边界轮廓十分清楚。故在这些通道的单波段影像上，水陆界线比通道1、3、4、8～15影像更加清晰可辨。20～25、27～36为热红外通道，主要反映地物自身的热辐射效应，应用MODIS数据进行水体提取，对于小水域范围，通道2是最佳波段，有着仅0.03m的波段宽度和250m的空间分辨率[8]。
3.MODIS影像水体提取方法及研究
3.1MODIS影像水體提取模型
单波段阈值法和多波段阈值法是目前利用遥感信息提取水体信息最常见的两种方法。
单波段阈值法主要是选取近红外波段并利用阈值来提取水体信息，它是提取水体的最简单易行的方法，基本原理是利用水体在近红外波段上吸收率高、反射率低，其他地物吸收率低、反射率高的特点，经过多次试验确定一个灰度值，作为区分水体与其它地物的阈值，其缺点是水体与山区的阴影难以区分，提取的水体往往比实际要多。部分文献叙述由于遥感影像的时空性变化较大，且时常因为时空的变化，阈值变化的不确定性使得该方法具有局限性，但在特定时相和区域里，对于非山区水体信息的提取，因为MODIS光谱的细分已经将上述问题大大减弱，首先应选取阈值法进行试验。
单纯使用单波段阈值法无法有效区分地物时，需引入多波段法，常见方法包括：谱间关系法和多光谱分析法。利用谱间关系建立的模型很多，比如对波段进行如下运算CH7/CH6、CH7/CH5，从而找出组合图像上水陆分界非常明显的影响。以CH7/CH6为例，可以采用如下方法剔出非水体：在ENVI软件下输入CH7/CH6波段，运算波段计算功能，将公式CH7/CH6输入，载入影像，在放大窗口中，手工裁取明水水域范围，生成多边形，对各种多边形赋予一个感兴趣区（AOI）文件，并将其输出为ENVI等矢量文件即可。
nlc202309012145
采用基于多波段分析原理的植被指数法，能有效增强水体与陆表的差异，从而能后有效区分和识别水体。
植被指数最早是1969年Jordan为了估计热带雨林的叶面积指数而提出来的比值植被指数（RVI）为了提高对地面植被指数检测效果，又有人提出了将比值限定在（-1，1）之间的归一化植被指数（NDVI）[9]，其原理是通过遥感光谱通道间组合运算获得的无量纲数据，是对地面植被状况的一种经验或半经验的观测。
NDVI广泛用于检测植被生长状态、植被覆盖度和消除部分辐射误差等，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大，根据此特点便可进行水体信息提取。
MODIS数据第一波段是红光区（0.62～0.67μm），水体的反射率高于植被，波段2是近红外区（0.841～0.867μm），植被的反射率明显高于水体，因此，采用归一化植被指数NDVI来进行处理可以增强水陆反差，其计算公式是
NDVI=（CH2-CH1）/（CH2+CH 1）（1）
（1）式中CH1、CH2分别是MODIS数据波段1，2的地标反射率。在NDVI图像中，水体的NDVI值很低，为负值，而植被、土壤的NDVI值较高，为正值。在此基础上，通过选一个合适的取阈值范围，即可构建区分水体和植被、土壤的模型。
比值植被指数（RVI）也能增强水陆分界差异，其计算公式为
RVI=CH2/CH1（2）
由于水体在MODIS第二通道（CH2）上的地标反射率很低，而其他地物相对较高，而在第一通道上，水体的地标反射率虽然比在第二通道上高，但土壤、植被等地物的地标反射率比水体更高，利用RVI可以增强这种差异，然后设定一个阈值，也可构建一个能够有效区分植被、土壤的模型。
多光谱混合分析法主要针对所研究区域及其周围的典型地物（如草地、林地、阴影、城镇等）进行分析，标出他们在各个波段上的光谱亮度值，查找同一波段地物的异同，必要时对个别波段进行加、减、乘、除等运算，找出唯有水体满足的关系，由此构建水体的提取模型。
4.实验结果及精度分析
为了验证NDVI和RVI进行水体提取的有效性，分别选取了河流、湖泊、海洋这三种主要水体对NDVI和RVI指数进行了水体信息提取试验。为了使试验结果具有代表性，选取的试验区的背景地物有的以植物为主，有的以建筑物为主；以保证客观的评价性。遥感影像处理采用的是ENVI软件。
试验区的水体以河流、湖泊、海洋为主，用公式（1）和公式（2）分别生成了RVI和NDVI影像。
此外NDVI和RVI指数影像更能详细的表现遥感影像的信息，反应影像上的细微差别。如河流的细小分支、植被覆盖等在原始遥感影像上表现得并不明显，而在NDVI和RVI指数影像上表现得很详细。同时NDVI和RVI影像还能达到去除云层的效果，在图四中这种效果表现的最为明显。这是由于在CH2中云层的地标反射率比在CH1中的较高，水体在CH2中的地表反射率比在CH1中的较低，在CH2上两者的地标反射率差别不大，但用比值法能使这种差别扩大，因此达到较好的去除云层的效果。
5.结论
MODIS采用一系列低轨道卫星对地球进行连续综合观测的计划，在保证大范围获取地物信息的同时大大缩短了卫星的重访周期，为突发性洪水灾害的检测和评价提供了有力支撑。利用MODIS的1，、2通道遥感数據计算归一化植被指数、比值植被指数，对影像进行水体自动提取得到以下结论：
（1）本文利用RVI和NDVI指数对MODIS影像进行水体的自动提取，并以河流、湖泊、海洋水体为试验区，结果发现NDVI和RVI指数提取的水体的轮廓很清晰，且较窄的河流也能清晰的表现出来，漏提的水体较少，且没有发现将阴影、云、居民地等误当水体提取出来。
（2）在MODIS遥感数据的36个通道中，进行水体提取的优先选取波段是2、5、6、7通道，其中最佳波段是通道2。很多复杂的地物都可以通过MODIS光谱数据细分出来，单波段阈值法从而成为首选方法。
（3）在采用单波段阈值法对水体进行提取研究时，其准确性取决于阈值的大小，如果选取的阈值大，当然可以减少云，阴影等造成的误差，但可能会造成部分水体的漏提；如果选取的阈值过小，会有可能将阴影、云、居民地等当做水体提取出来，采用单一通道法无法将水体像元有效地提取出来。
参考文献：
[1]徐冠华，田国良，王超，等.遥感信息科学的进展和展望[J].地理学报，1996，51（5）：397-406.
[2]肖乾广，陈秀英，王葳.气象卫星影像用于松花江洪水检测[J]，遥感信息，1987，（4）：26-27.
[3]盛永伟，肖乾广.应用气象卫星识别薄云覆盖下的水体[J]，环境遥感，1994，9（4）：247-255.
[4]都永康，黄永胜，冯学智.SPOT卫星影像的水体提取方法及分类研究[J].遥感学报，2001，5（3）：214-219.
[5]赵书河，冯学智，都永康，中把资源一号卫星水体信息提取方法研究[J].南京大学学报（自然科学），2003，39（1）：106-112.
[6]刘玉洁，杨忠东等编著.MODIS遥感信息处理及算法[M].北京：科学出版社，2004.1-4，185-192，233-260.
作者简介：李晓星（1990-），男，山东平度人。硕士研究生，研究方向为土地利用与遥感监测。
通讯作者：王周龙（1959-），男，陕西杨凌人人。博士，硕士生导师，2002年8月至今，在鲁东大学地理与规划学院从事遥感、地理信息系统研究与教学工作。先后承担国家科技攻关项目、973基础研究项目、国家自然科学基金项目、国际合作研究项目等。作为主要科研骨干，曾获中国科学院科学技术进步一等奖、二等奖各一项。在《科学通报》、《遥感学报》、《遥感技术与应用》、《遥感信息》、《国土资源遥感》、《计算机应用研究》等学术期刊上发表论文60余篇。
MODIS数据 篇4
1 研究区概况与数据来源
(1)研究区概况。本文以河北省沧州市为研究区域,地理坐标北纬37°29′~38°57′,东经115°42′~117°50′,总面积约为1.4万km2,全境年平均干燥度1.2~1.5。由于季风气候的影响,年降水量约为400~500 mm,年平均水面蒸发量1 500~1 800mm,主要集中在夏季(七八月份)。研究区域光热资源丰富,多年平均日照时间2 318h,太阳总辐射2 342.1kJ/cm2,年积温大于4 300 ℃。
(2)数据来源。本文所需要的MODIS数据从http:∥lad-sweb.nascom.nasa.gov/data/search.html网站下载,选用的数据为MODIS数据的2级产品:MODIS 1B数据影像产品。实测土壤含水率采集于沧县、盐山、献县、南皮、青县、河间、泊头等7个县市,土样采集时间尽量与卫星过境时间同步,每个采样点分两层取土,采样深度分别为0~20、20~40cm。
2 研究方法
2.1 植被供水指数
植被指数(Vegetation Index)是指能够反映绿色植物分布和生长状况的特征指数[12],植被供水指数与土壤水分状况存在着十分密切的关系,当植被供水正常时,植被指数在一定的生长期内保持在一定的范围;如遇干旱,植被供水不足,植被供水指数会因为植被生长受到抑制而降低。在计算植被指数时,常选用近红外波段和可见光波段,因为该波段对植被指数最为敏感。本文利用第1、2、31、32等波段值计算植被供水指数:
式中:VSWI是植被供水指数;NDVI是归一化植被指数;Ts是植被冠层温度,℃;ρ1、ρ2分别为MODIS第1、2波段反射率。
利用遥感得到的植被供水指数,可以通过统计分析软件SPSS,建立植被指数与实测土壤水分之间的关系模型,进而估算墒情。
2.2 墒情采集
在通过遥感得到沧州地区墒情的基础上,选取面积为4.5km×4.5km、18km×18km、56km×56km的区域进行墒情信息的采集。对于面积为4.5km×4.5km的区域,在该尺度区域内内嵌250m×250m的网格进行取样,取点324个。在面积为18km×18km的区域内内嵌1km×1km的网格取样,取点324个。在面积为56km×56km的区域内内嵌4km×4km的网格取样,取点196个。上述3种取样尺度分别对应小、中、大尺度。
2.3 数据处理及分析
采用ENVY软件对MODIS数据进行处理,通过SPSS 13.0软件构建植被供水指数与实测土壤含水率之间的关系模型。运用GS +7.0软件对遥感得到的研究区域内的土壤含水率进行空间变异性分析,并使用Arcgis10.0软件的地统计分析模块对研究区域内的土壤含水率进行普通克里格插值,在得到土壤含水率分布图的基础上确定研究区域内土壤水分监测点的合理取样数目,进而为确定土壤墒情监测点的合理布设提供一定的理论和基础。
3 结果分析
3.1 植被供水指数-土壤含水率模型
利用SPSS软件将地面采集到的0~20、20~40cm深度处的土壤含水率(体积)数据与遥感数据计算得到的植被供水指数进行拟合,绘制植被供水指数(VSWI)与0~20、20~40cm深度处的实测土壤含水率的关系散点图(见图1和图2),并对二者进行相关分析,构建植被供水指数- 土壤含水率模型,见表1和表2。在模型的构建过程中,为便于分析,将植被供水指数VSWI放大10 000 倍,土壤体积含水率以百分比的形式表示。
由表1、表2植被供水指数与0~20、20~40cm深度处土壤含水率所构建的模型可知,以上各模型均通过了置信度为0.001的F检验,表现出了极显著的相关性,并且均有较高的相关系数值,其中线性模型使植被供水指数与0~20cm深度处土壤含水率的拟合程度达到最好,相关系数R2为0.621。幂函数模型使植被供水指数与20~40cm深度处的土壤含水率的拟合程度达到最好,相关系数R2为0.642。本研究中植被供水指数与0~20 、20~40cm深度处的土壤含水率的相关性较为显著,与之建立的相关模型的精度较高,故可以利用植被供水指数-土壤含水率模型对0~20 、20~40cm深度处的土壤含水率进行评估并计算得到整个研究区域0~20、20~40cm深度处土壤含水率。在此基础上对土壤含水率进行基于专家知识的决策树分类,绘制出0~20、20~40cm深度处土壤水分的分布状况,分别如图3和图4所示。
3.2 土壤水分的统计分析
对不同尺度下0~20、20~40cm深度处的土壤含水率进行统计分析,其土壤含水率统计特征值见表3。
土壤含水率的变异系数反映了各个区域内土壤含水率样本的离散特征。一般将变异系数小于0.1时定义为弱变异性,将变异系数大于0.1且小于1.0时定义为中等变异性,将变异系数大于1.0时定义为强变异性[13]。由表3可知不同尺度下0~20cm深度处土壤含水率均表现为中等变异性,其中小尺度下的土壤含水率的变异系数最小,中尺度次之,大尺度变异系数最大。而对于20~40cm深度土壤含水率,小尺度下的土壤含水率表现为弱变异性,而中尺度及大尺度的土壤含水率均表现为中等变异性,其中大尺度的变异系数最大。由此可见随着研究尺度的增大,变异系数随之增大。这主要是因为在面积较小的区域内,土壤含水率之间的相关关系较强。而随着研究尺度(研究区域面积、采样间距)的增大,土壤含水率之间的相关关系逐渐减弱,变异性逐渐增强。此外,所有尺度的土壤含水率均表现弱变异性或中等变异性,可能是因为此时整个沧州地区土壤含水率处于相对较低的水平,导致其变异性减弱。
3.3 土壤水分的空间变异性分析
土壤水分的空间变异性不单服从经典统计学规律,同时也具有一定空间结构性特征,其变异函数会随着研究尺度的变化而变化。本文在通过遥感信息反演沧州地区墒情信息的基础上,研究不同尺度下土壤水分在二维平面上的空间变异结构特性。利用GS+7.0软件分别对不同尺度0~20、20~40cm的土壤含水率数据进行统计分析,计算其半方差函数值并得到半方差模型参数(见表4)。一般认为块金值(C0)表示由随机因素引发的空间变异程度,基台值(C0+C)则表示变量的最大变异程度。二者的比值[C0/(C0+C)]表示随机部分引起的空间变异占系统总变异的比值。比值越高,由随机部分引起的空间变异程度越大;比值越小,则说明由随机部分引起的空间变异程度越小。当块金基台比小于25%时,表明空间变量之间具有强烈的空间相关性;当块金基台比大于25%且小于75%时,表明变量之间具有中等程度的空间相关性;当块金基台比大于75%时,则表明变量之间的空间相关性较弱,空间变异主要由随机因素引起[14]。
由表4可知,3种不同尺度下0~20、20~40cm深度处土壤含水率的半方差函数最佳理论模型均为球形模型,其决定系数大部分接近于1,说明球状模型能够很好地反映土壤水分的空间结构特征。
3种尺度下0~20cm深度处的块金值大于20~40cm深度处的块金值,说明土壤上层水分的空间变异更容易受随机因素的影响。小尺度下0~20、20~40cm深度处的土壤含水率的块金基台比均小于0.25,表现为强烈的空间相关性,说明该尺度各层土壤水分的空间变异主要由结构因素引起。中尺度及大尺度下0~20、20~40cm深度处的土壤含水率的块金基台比介于0.25~0.75之间,表现为中等的空间相关性,表明各深度土壤水分的空间变异由随机因素和结构因素共同作用。研究尺度不同,块金基台比表现出一定的差异。随着研究尺度的增大,块金基台比逐渐增大,空间相关性逐渐减弱,由随机因素引起的空间变异逐渐增强,由结构因素引起的空间变异逐渐减弱,这可能是因为研究尺度(研究区域面积、采样间距)的增大,导致土壤水分的细小结构被掩盖,结构性变异减小,随机性变异变大。变程表示样本点之间达到最大变异程度的空间距离[15],样本之间的距离在变程范围内,则样本之间存在空间相关性,若样本之间的距离大于变程,则样本之间的空间相关性消失。从表4中可以看出,3种不同尺度下0~20cm深度处土壤含水率的变程在2 488~11 806m,20~40cm深度处土壤含水率的变程在2 233~11 296m,随着土层深度的增加,变程值减小,随着研究尺度的增大,各层土壤水分的变程值逐渐增加。
3.4 基于普通克里金插值法的土壤水分空间分布图
为更加直观的反映研究区域土壤水分的空间分布,使用ArcGIS10.0软件的地统计分析模块对各区域的土壤含水率进行普通克里格插值,绘制出各区域0~20、20~40cm深度处土壤水分的空间分布图,见图5。
以小尺度不同深度土壤含水率为例,可以看出随着土层深度的增加,土壤含水率趋于变大,各层土壤含水率分布大体一致,表现为东北高而西南低。0~20cm土壤含水率的空间变异性大于20~40cm土壤含水率的空间变异性。随着研究尺度的增大,土壤含水率的空间变异性逐渐增强,但部分区域插值后的土壤水分连续性反而增大,土壤水分分布更加均匀,这主要是因为随着采样间距的增大,插值所用的有效变程也随之增大,从而掩盖了土壤水分分布的一些细微结构,使得插值后的土壤水分连续性增大,水分分布更加均匀。
3.5 土壤水分监测点的合理布设数目
确定合理的土壤水分监测点数目,即要求工作量最小,又要满足一定的精度要求。本文依据经典统计学理论,采用如下公式确定显著性水平为α时土壤水分监测点的合理采样数目。
式中:tα,f为自由度为f时的T分布的特征值,可以从统计表中查到;S为样本的标准方差;d为采样误差即样本总量均值与测量值均值之间允许的偏离值,一般取d=kμ,其中k取5%、10%、15%、20%等。
依据上述公式,分别选取置信度α=0.10和0.05,确定每一种置信度在不同采样误差(5%,10%,15%,20%)条件下的土壤水分监测点的合理采样数目,如表5所示。
由表5可知,在相同研究区域、相同置信水平情况下的合理采样数目随着采样误差的增加而减少,而在相同研究区域、相同采样误差条件下,采样数目则随着置信水平的降低而减少。固定置信水平和采样误差,随着研究尺度的增加,0~20和20~40cm处的合理采样数目均随之增加,其中0~20cm处的合理采样数目明显多于20~40cm处的合理采样数目。在95%的置信水平,采样误差为5% 的情况下,合理采样数目为13~83个;在90%的置信水平,采样误差为5%的情况下,合理采样数目为9~58个。
4 结语
本文通过modis数据计算得到植被供水指数,结合实测含水率数据分析建立植被供水指数和实测土壤含水率之间的相关模型,通过该模型反演得到整个沧州地区的土壤墒情状况,并以此为基础,通过经典统计学理论和地统计学理论分析研究了沧州地区土壤水分的空间变异规律,得到以下结论。
(1)在面积较小的研究区域内,土壤含水率之间存在着一定的相关关系,而随着研究尺度(研究区域面积、采样间距)的增大,变异系数也随之增大,土壤含水率之间的相关关系逐渐减弱。
(2)小尺度的土壤水分表现了较强的空间相关性,而大、中尺度的土壤水分则表现了中等的空间相关性,随着研究尺度的增大,土壤水分的变程值增大,空间相关性逐渐减弱,由随机因素引起空间变异逐渐增强。
(3)随着研究尺度的增加,土壤各层水分监测点的取样数目亦随之增加。在95% 的置信水平,采样误差为5% 的情况下,合理采样数目为13~83个;在90%的置信水平,采样误差为5%的情况下,合理采样数目为9~58个。
摘要：以沧州地区为例,利用MODIS数据计算得到植被供水指数,分析构建植被供水指数与实测土壤含水率之间的相关模型,进而反演得到整个沧州地区的墒情状况,以此为基础运用经典统计学和地统计学理论,研究3种尺度下土壤含水率的空间变异性,确定各尺度下土壤水分监测点的合理采样数目。结果表明,小尺度下(采样间距250m)土壤水分具有较强的空间相关性,而大尺度(采样间距4 000m)和中尺度(采样间距1 000m)的土壤水分均呈中等的空间相关性;随着研究尺度的增大,土壤含水率的空间相关性减弱,由随机因素引起的空间变异性逐渐增强;根据空间变异规律,分别得到置信度为0.10、0.05情况下不同尺度的土壤水分监测点的合理采样数目,并发现采用数目随研究尺度的增大而增加。
MODIS数据 篇5
探讨了运用6S模式对EOS/MODIS的.可见光与近红外通道数据进行大气校正的方法和步骤,对模式中的大气模式参数和廓线的计算方法提出了改进,应用研究目标地的气象探空资料计算包括气压、温度、水汽密度和臭氧密度等大气参数和廓线,并根据海拔高度对大气廓线进行订正.实验表明:校正后的象元反射率普遍增大,反射率区间明显拉宽,表现在图像上亮度有所提高,对比度明显增加,图像层次更加丰富,图像质量得到较大改善.
作 者：徐萌 郁凡 李亚春 焦圣明 王成刚 Xu Meng Yu Fan Li Ya-Chun Jiao Sheng-Ming Wang Cheng-Gang 作者单位：徐萌,Xu Meng(南京大学大气科学系,南京,210093;江苏省气象台,南京,210008)郁凡,王成刚,Yu Fan,Wang Cheng-Gang(南京大学大气科学系,南京,210093)
MODIS数据 篇6
1 MODIS数据特点及水体表现特征
1.1 MODIS数据特点
MODIS是美国国家航空航天局(NASA)地球观测系统中极地轨道环境卫星系列中的主要探测仪器,是当前世界上新一代“图谱合一”的光学遥感仪器,具有36个光谱通道,分布在0.4～14 μm的电磁波谱范围内,其中1、2通道的空间分辨率为250 m,分别为可见光和近红外波段,3～7通道的空间分辨率为500 m(3、4为可见光波段,5、6、7为远红外波段), 其余29个通道空间分辨率为1 km;MODIS分别搭乘在 Terra卫星和Aqua卫星上,Terra在地方时上午过境,Aqua在地方时下午过境,可以得到每天最少2次白天和2次黑夜更新数据,可同时提供反映陆地表面状况、云边界和特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息,用于对陆表、生物圈、固态地球、大气和海洋进行长期全球观测;MODIS数据能够在全球得到免费接收且具有较强的数据纠错和易于处理的特征。
1.2 MODIS数据的水体表现特征
卫星遥感影像反映了地物对电磁波的反射信息和地物本身的热辐射信息。不同的地物由于其结构、组成及理化性质的差异, 导致其对电磁波的反射信息和地物本身存在的差异。天然水体在0.4～2.5 μm电磁波范围内的吸收明显高于大多数其它地物,因而其反射率在整个波段都很低,可见光范围大都在3 %左右,在彩色遥感影像上表现为暗色调。在红外波段,水体吸收的能量高于可见光波段,即使水很浅,水体也几乎全部吸收了近红外及中红外波段内的全部入射能量。所以水体在近红外及中红外波段的反射能量很少,而植被、土壤在这两个波段内的吸收能量较小,且有较高的反射特性,这使得水体在这两个波段上与植被和土壤有明显的区别,如图1所示。
根据MODIS遥感数据36个通道的波长分布,可以分析并确定适合于水体信息提取的波段。在MODIS遥感数据的36个通道中, 1、3、4 、8～15 通道在可见光范围内,水体与其它地物的反射率差别不大,即从水体到陆地的过渡特性不明显。2、5、6、7、16～19、26通道处于近红外波段范围,为水汽的强吸收带,水体的反射率很低,而对土壤、植被的反射率较高,水体表现为比其它地物都暗的色调,其边界轮廓十分清楚。故在这些通道的单波段影像上,水陆界线比通道1、3、4、8～15影像更清晰可辨。20～25、27～36为热红外通道,主要反映地物自身的热辐射特性。应用MODIS数据进行水体提取,对于小水域范围,通道2是最佳波段,有着仅0.03 μm的波段宽度和250m的空间分辨率。
2 基于MODIS遥感数据水体提取与制图方法
采用MODIS的2通道遥感数据,通过反复试验,确定一个区分水体与其它地物的阈值,即可实现对水体信息的提取,但提取时无法将水体与阴影区分开来,提取的水体往往比实际要多,且由于阀值随时间、地点变化的不确定性使得该方法具有局限性。MODIS遥感数据的通道1是红光区(0.62～0.67 μm),水体的反射率高于植被,通道2是近红外区(0.841～0.876 μm),植被的反射率明显高于水体,采用多波段法可以较好的实现水体信息提取。考虑到归一化植被指数(NDVI)长期作为土地各种植被类型特征的一个度量,并且其在遥感领域中的应用较为广泛,故本文选择它作为提取水体的一个因子。针对MODIS遥感数据的归一化植被指数的计算公式为
其中,CH1、CH2分别为MODIS遥感数据通道1、2的地表反射率。NDVI为负值时表示地面覆盖为云、水、雪等;NDVI等于0时,表示有岩石或裸土等,通道1、2的反射率近似相等;NDVI为正值时,表示有植被覆盖,且随植被覆盖度的增大而增大。在每年的4月到9月期间,我国大部分区域长有大量水生植物,在归一化植被指数图上,不能仅以为NDVI值为0判断水体与非水体的阈值。
进行MODIS遥感像制图的基本方法是:用由MODIS空间分辨率为250 m的通道1、2建立的归一化植被指数提取的水体与MODIS遥感数据通道1、2进行假彩色合成,制作水体遥感影像图。
3 应用实例
本文使用武汉大学MODIS卫星数据地面接收站提供的2005-09-08 T11∶24:Terra卫星接收的MODIS影像数据,此幅图像受云的影响较低。为提高制图效果和尽量保持MODIS的空间分辨率精度,使用MODIS的通道1、2遥感数据进行水体提取与制图。研究共选择两个区域,首先,根据式(1)利用1、2通道遥感数据计算归一化植被指数(NDVI),然后确定阈值,当得阈值小于0.05时认为是水体,从而得到水体二值图像,为突出水体,水体值为0,非水体值为1。最后再将水体二值图像和此幅MODIS的空间分辨率为250m的两个波段进行假彩色合成,制作水体遥感影像图,假彩色水体遥感影像图中陆地均为绿色,水体为蓝色,符合人们的看图习惯,且具有分辨率高、纹理清晰等优点。
第1研究区范围为东经113°～117°,北纬28°～32°,区域内有鄱阳湖、龙感湖、洞庭湖、长江等主要水系。对该区域进行水体提取和制图,生成了归一化植被指数影像图(见图2)、水体二值影像图(见图3)、通道1、2与二值图像合成图像(见图4)。
第2研究区范围为东经122°～126°,北纬44°～48°,区域内有松花江、查干湖及大面积分布的小水泡等。对该区域进行水体提取和制图,生成了归一化植被指数影像图(见图5)、水体二值影像图(见图6)、通道1、2与二值图像合成图像(见图7)。将提取的水体图与相应的1:400万水系数字图(见图8)进行比较,提取的水体效果是可信的。
4 结 论
利用MODIS的1、2通道遥感数据通过计算归一化植被指数,采用适当的阈值能够准确地进行水体提取。MODIS遥感数据优于目前水资源遥感监测中常用的NOAA /AVHRR等其他中等分辨率遥感气象数据,适合大尺度的水资源遥感监测,能为各级政府和水利部门合理利用水资源提供准确信息。本文提取水体过程中选择的是受云影响较低的MODIS遥感影像。若遥感影像受云和其他阴影的影响较大,则需要采取其他办法消除或降低云和阴影的影响后,才能正确地提取出水体与制图。利用MODIS遥感数据采用多波段法最大限度地提取水体,对于估算水资源数量、进行水资源科学管理具有重要的科学价值。
参考文献
[1]丁莉东,吴昊,王长健,等.MODIS图像湖泊水体信息的快速识别与制图[J].海洋测绘,2006,26(16):31-34.
[2]吴赛,张秋文.基于MODIS遥感数据的水体提取方法及模型研究[J].计算机与数字工程,2005,33(7):1-4.
[3]丁莉东,吴昊,王长健,等.基于谱间关系的MODIS遥感影像水体提取研究[J].测绘与空间地理信息,2006,29(6):25-27.
[4]闵文彬.长江上游MODIS影像的水体自动提取方法[J].高原气象,2004,23(S):141-145.
[5]刘玉洁,杨忠东.MODIS遥感信息处理与算法[M].北京:科学出版社,2001.
MODIS数据 篇7
地表温度是陆地生态环境中一个非常重要的指数, 在地表———大气的能量传输过程中, 地表辐射平衡一直影响地表温度, 同时又是地表能量收支模型的重要输入参数, 在植被监测、地质学、全球气候模型等方面, 地表温度数据均具有重要作用, 基于热红外遥感数据进行地表温度的反演一直是遥感领域的研究热点之一[1]。
现有的地表温度反演算法主要包括4种, 分别是劈窗算法、单通道算法、大气校正法、多波段算法。劈窗算法的应用范围是具有两个热红外波段的影像数据;单通道算法和大气校正法需要大气实时剖面数据, 与劈窗算法不同的是, 只有一个热红外波段的影像数据是单通道算法的处理对象;相对的, 多波段算法的处理对象是多个热红外波段的影像数据, 需要计算的参数相对较多, 这种方法运算庞大并且需要白天和晚上两组数据, 反演难度相对较大。到现在为止, 运用比较多的反演方法是劈窗算法。这一算法主要是通过两个彼此相邻的热红外波段遥感数据来反演地表温度。劈窗算法主要是针对NOAA-AVHRRR的热红外通道4和5的数据来推导, 在MODIS的8个热红外波段中, 最接近AVHR-RR通道4和5的波段范围的波段是第31和第32波段, 因而利用MODIS数据反演地表温度的最好的方法是劈窗算法[2]。
2 研究区概况
黄河三角洲位于渤海湾南岸和莱州湾西岸, 主要包括山东省东营市和滨州市全部, 还包括淄博市的高青县、潍坊市的寒亭区和寿光市、德州市的乐陵市和庆云县, 烟台市的莱州市, 共19个市 (县、区) 。地势西高东低, 低平缓和。
3 数据来源与数据处理
3.1 MODIS数据
MODIS数据, 使用的是MODIS 1B级产品, 包括下列4个文件, 文件名字分别为:MOD021KM的1km分辨率数据、MOD02HKM的500m分辨率数据、MOD021KM, 该文件中包含有1~7波段的重采样数据以及8~36波段的1km分辨率数据, 数据经过平移和缩放的时候, 以0~32767之间的整数存取, 超过此范围的即为标记数据, 有特殊意义[3]。本文选取的是黄河三角洲2012年4月份的一期MODIS影像。
3.2 数据处理
3.2.1 数据预处理
根据研究需要, 首先要对MODIS影像数据的进行几何校正, 几何校正它是用一种数学模型来近似描述遥感图像的几何畸变过程, 并利用畸变的遥感图像与标准地图之间的一些对应点 (即控制点) 求得这个几何畸变模型, 然后利用此模型进行几何畸变的校正, 这种校正不考虑畸变的具体原因, 而只考虑如何利用畸变模型来校正图像[4]。
3.2.2 影像裁剪
根据实际黄河三角洲地区的区域图, 将得到的MODIS影像进行裁剪, 得到所要研究的黄河三角洲研究影像 (图1) 。
3.3 地表温度反演
劈窗算法是基于在MODIS数据的数据特点, 提出的适用于MODIS数据的地表温度遥感反演算法, 其计算公式如下:
按照劈窗算法的要求, 需要分别计算出黄河三角洲地区大气透过率, 地表比辐射率, 亮度温度, 经过确认处理后, 依据公式依次算出A0, A1, A2, T31, T32这几个参数, 这样公式 (1) 的各个参数都确定下来, 最终求得地表温度, 结果如图2所示。
3.4 结果分析
从图2中可以看出, 地表温度内陆地区多集中在15~25℃, 沿海地区多在10~15℃, 滨州市邹平县, 淄博市高青县, 东营市南部地区, 潍坊寿光市、昌邑市和寒亭区南部等部分地区温度较高, 滨州市沾化县、无棣县、东营市河口区北部部分地区温度较低, 呈现一种从偏东、偏南方向的内陆地区往偏西、偏北方向的沿海地区递减的规律, 这与黄河三角洲地区温度变化时吻合的, 这种反映大区域的温度分布差异是MODIS影像的一个优势。
黄河三角洲地区反映出这样的温度变化, 主要原因是内陆地区日照时间长, 耕地面积广大, 下垫面比热大, 温度变化大。沿海地区植被覆盖率大, 下垫面比热小, 温度变化小, 又受来自海洋的海风影响, 温度较内陆地区低。
3.5 结果验证与误差分析
为了检验反演结果的精度, 找了几个气象站实际测量的数据进行检测, 实测数据一个位于惠民站, 一个位于东营站, 一个位于潍坊站 (表1) 。
从表1及影像中可以看出, 利用MODIS影像反演地表温度优势明显, 准确率高, 计算简单, 对于大面积地区的温度反演是一种比较可靠有效的方法。
4 结语
地表温度是地表能量平衡中的一个重要参数, 它在地表与大气相互作用的过程中起着重要的作用, 本文基于MODIS数据的特点, 利用劈窗算法, 反演出了黄河三角洲地区的地表温度, 并利用实际的气象数据进行检验, 得出一定的温度变化规律。依据本文的工作过程和工作结果, 可以总结出以下几方面结论: (1) 在总结国内外地表温度反演算法的基础上, 阐发了各个算法的优缺点并提出了自己的研究思绪。 (2) 利用劈窗算法进行地表温度反演, 得到的结果精度比较高, 而且简单明了, 仅仅需要大气透过率和地表比辐射率两个参数。 (3) 本文利用MODIS影像反演了黄河三角洲地区的地表温度, 得出一定的演变规律, 虽然存在一定的误差, 但反演结果较为明显, 并对结果进行了简单的分析。
摘要：指出了地表温度作为地表能量平衡中的异常重要的参数之一, 它在地表与大气相互作用过程当中发挥着非常重要的作用, 在地表能量平衡的研究也扮演着重要角色, 特别在气象、水文、地质、生态等众多领域有着非常广泛的应用需要。对现有的地表温度反演的4种算法进行比较, 最终确定选择劈窗算法。根据劈窗算法的需要, 对MODIS数据波段选取, 反演出黄河三角洲地区地表温度, 并且利用实测的地表温度进行反演结果精度分析。
关键词：地表温度,劈窗算法,黄河三角洲,MODIS
参考文献
[1]周纪, 李京, 张立新, 等.针对MODIS数据的地表温度反演算法检验——以黑河流域上游为例[J].冰川冻土, 2009, 31 (4) :239~246.
[2]于文凭, 马明国.MODIS地表温度产品的验证研究——以黑河流域为例[J].遥感技术与应用, 2012, 26 (6) :705~712.
[3]高懋芳, 覃志豪, 徐斌.用MODIS数据反演地表温度的基本参数估计方法[J].干旱区研究, 2007, 24 (1) :113~119.
[4]高彦春, 龙笛.遥感蒸散发模型研究进展[J].遥感学报, 2008 (3) :515~528.
MODIS数据 篇8
MODIS是EOS系列卫星的重要传感器,可提供36个(0.4~14.5μm)波段,星下点空间分辨率可分为250、500和1 000 m。视场宽度为2 330km[1]。MODIS每2d便可连续提供全国白天反射图像和白天/昼夜的发射图像数据,包括对地球海洋、陆地和大气观测的可见光和红外光谱数据。目前已广泛应用于全国农业多个方面的研究。
1 MODIS数据在农业中的应用
1.1 MODIS各波段
MODIS提供的0.4~14.5μm 36个波段,在农业中的应用主要涉及几个波段(见表1)[2]。
1.2 MODIS数据产品
NASA各科学研究小组利用MODIS数据研制了4类标准产品,其中主要应用到农业方面的见表2。
1.3接收站接收MODIS数据格式
接收站每日均可接收到来自北京站、广州站、 新疆站及三亚站4个站的MODIS数据,其覆盖范围为每1或2d覆盖全国,主要研究该数据在黑龙江省的应用。因此只采用北京站的数据便可。MOD02为MOD1B数据产品,MOD03为MODIS数据地理定位文件。接收到北京该数据格式及数据构成见表3。
1.4 MODIS数据的预处理
MODIS数据的预处理包括双眼皮(bow-tie) 校正,利用自带的GCP点进行几何校正,大气校正及地理定位等处理。在预处理的基础上,根据研究需要,合成所需的参数。例如,通过最大合成法计算归一化植被指数(NDVI),通过均值法获取地表温度数据(LST)等参数计算。
2 MODIS数据在黑龙江省农业上的应用
2.1农业旱情监测
美国国家航空航天局(NASA)自1991年开始实施对地观测系统(EOS)计划,其EOS/MO- DIS数据在农业旱情监测上有非常明显的优势[3],
灵敏度及量化精度高。MODIS传感器的灵敏度和量化精度要比AVHRR高,仪器的辐射分辨率达到12bit,温度分辨率可达到0.03℃,量化等级也要比其它传感器的等级高很多,因此更适合旱情监测,易于发现旱情,监测也更准确。
高时效性。MODIS传感器每天至少在全国范围内过境进行对地观测1次,一般情况为2次, 高时效性解决了对旱情进行连续观测时数据源难获得的问题。
干扰少。MODIS的可见光、近红外波段范围比AVHRR的范围窄,在描述植被信息时比AVHRR的干扰明显减少;MODIS的近红外波段的水汽吸收区被剔除,因而红波段对叶绿素吸收就更为敏感。
因此,对于MODIS传感器非常适合大范围、 长时期、动态的土壤水分和干旱监测。其监测方法大体有可见光-近红外波段反射率法、植被指数法、地表温度法、温度-植被指数法、植被供水指数法、作物水分胁迫指数、热惯量法和微波法等[4]。 黑龙江省旱情监测方法主要采用热惯量法和植被温度干旱模型法相结合。
2.1.1温度植被干旱指数(TVDI) 此方法的基本原理是:当植被供水充足时,没有干旱发生; 供水不足时,没有足够的水分供植被叶面蒸腾,这时叶表面温度将增高;另一方面干旱发生时,植被指数将会下降[5]。基于NDVI-Ts散点图,很多学者对二者的关系进行了深入的研究,发现其特征空间在不同土壤表层含水量和地表覆盖条件下, 通过NDVI和Ts的比率表现出的三角形空间(见图1)。Moran等通过建立植被覆盖度和植被指数之间的线性关系,定义了植被指数温度梯形图(见图2)。
通过卫星资料得到区域的植被指数和地表温度,建立两者的散点图,确定干边、湿边和模型各个顶点的坐标,就可以得到区域上土壤水分的空间分布。国内外学者对此进行了大量的研究和应用。Sandholt等在植被指数-地表温度特征空间时发现了很多条直线,据此提出了温度植被干旱指数TVDI监测地表湿度状况,计算公式为:
式中,Ts为地表温度;Tsmin为相同NDVI条件下的最小地表温度,对应Ts-NDVI特征空间的湿边;Tsmax为相同NDVI条件下的最大地表温度,对应Ts-NDVI特征空间的干边;a1、a2、b1、b2为回归系数。
2.1.2热惯量法热惯量是量度物质热惰性大小的物理量,是物质热特性的一种综合量度,反映了物质与周围环境能量交换的能力,即反映物质阻止热变化的能力[6-7]。由于热惯量法较适合于裸土或低覆盖区的土壤水分研究,对于植被高覆盖区需要对表观热惯量遥感信息模型进行改进和修正。该研究仅采用此方法对研究区处于裸土和低植被覆盖时期的土壤水分进行反演,因此采用简化的表观热惯量遥感信息模型:
其中P代表地物的热惯量,A代表地表反照率,ΔT代表地表昼夜温差。
(1)反照率(A)计算
地表反照率应是全波段、半球视场的反射比, 由于太阳能量主要集中在0.31~1.50μm很窄的波段。因而可以通过可见光与近红外波段的反射率来近似替代全波段反照率。两者的关系可通过野外实测数据来建立回归方程:
A=aρR+bρNIR(a,b为权重系数)
(2)地表昼夜温差计算
根据遥感数据可直接获取物体辐射温度,但显然辐射温度与实际温度是不同的。实验证明, 地物的辐射温度的昼夜温差与实际温度的昼夜温差之间的误差很小,因而可以用辐射温度的昼夜温差近似替代实际温度的昼夜温差。由于遥感数据是某个瞬间的信息,研究中可充分利用研究区各实测站点与接收的MODIS数据为同一天的地温观测值,计算出各站的温度日变化正弦曲线回归方程Y=a+bsinX中的各项回归系数,得到各站点的地温模拟方程,据此求算出其实测地温温差,与遥感数据所得结果进行比较,取各次计算的平均值,据此对相应的卫星数据进行订正,得到每日地表最高温度与最低温度的差值。
(3)热惯量法反演土壤水分
通过对地表真实热惯量计算值与地表各层次对应日期的实测土壤含水量进行一元线性回归分析,采用最小二乘法建立回归方程,估算研究区土壤水分含量,进而判断土壤干旱程度。
据研究表明,当NDVI值小于0.1时,真实热惯量与土壤水分关系近似线性相关。表观热惯量计算模型简单,所需资料可以由卫星数据提供,因此,得到了广泛的应用。热惯量遥感土壤水分的研究主要集中在热惯量计算模型和热惯量与土壤水分关系2个方面,并取得了很大进步。表观热惯量模型相对简单,需要参数较少,有的表观热惯量模型可以只用遥感手段计算得到,对表观热惯量的研究是目前热惯量模式反演土壤水分的重点。但表观热惯量是表示热惯量相对大小的一个量,只能表达理论热惯量的一部分,并且热惯量模式监测土壤水分在裸土和低植被覆盖区效果较好,不能用在浓密植被覆盖地区。
2.2农作物长势监测及产量预报
利用MODIS数据监测黑龙江省作物长势可分为实时监测和生长趋势分析两种监测方法[8]。 利用叶绿素含量资料,结合地面观测资料,分析旱田和水田作物的叶绿素变化规律、物候期的提取及长势评价指标,从而确定遥感图像上的苗情定级,再考虑生态、土壤和气候等因素,通过遥感图像分析出全省作物长势情况。
实时长势监测主要在作物生长期内采用叶绿素或叶面积指数等指标,构建不同物候期内作物长势模型方法进行监测。遥感实时监测作物长势结果充分体现了空间上和时间上的优越性,客观地反映了作物的生长情况。国家决策部门也可依照此监测及时发布作物长势信息[9]。
生长趋势分析是利用多时相遥感数据获取作物生长发育的宏观动态变化特征。在农作物生育期内,作物生长状况和生长条件的变化,都会造成叶绿素时间曲线产生相应的动态变化[10]。利用这一响应关系,根据叶绿素曲线的变化特征,推测作物的生长发育状况,监测作物长势。作物种类不同,轮作组合不同,其叶绿素曲线具有不同的特征,同类农作物生长环境和发育状况的变化也会造成叶绿素时间曲线的波动(见图3)。因此,通过对农作物叶绿素时间曲线的分析,可以了解作物的生长状况,进而为作物产量的计算提供依据[11-12]。
2.3火点与热异常监测
MODIS在3~14μm的红外区间设置了16个观测通道,其中包含火情监测的2个4μm通道,分别是低增益的3 959nm通道B21和高增益的3 959 nm通道B22。 与NOAA-AVHRR、 GOES-VAS相比,MODIS在监测火点和热异常方面有诸多优势[13]。
2.3.1光谱分辨率高B21-B25通道带宽为几十纳米的量级,3 959nm通道带宽为59nm,已经具备了高光谱遥感的能力。
2.3.2 DN数字量化精度高MODIS已具有12bit的数字化采样。
2.3.3饱和温度高对高温物体的辐射监测具有较宽的动态范围,其中B22通道饱和温度为350K,B21通道饱和温度则达到500K,用于辅助火情监测的11 030nm通道饱和温度也有400K之高,而AVHRR,VAS探测器的通道饱和温度一般只在330K左右,这一点对利用MODIS监测火情十分重要。
利用MODIS监测火情,火点及热异常现象的模型算法一般从NOAA-AVHRR及GOES- VAS算法改进而来,但改进后的MODIS火情监测算法具有更高的监测精度,可以提供更多的监测内容如火点、明火、闷烧、辐射能量和火情等级划分等。
传统火点监测方法普遍使用阈值法[14-16]。 其条件为:
其中,T4为21通道亮温值,T1为31通道亮温值,T41为21与31通道亮温差,T4b为T4的均值,ΔT4b为T4的方差,T41b为T41的均值,ΔT41b为T41的方差。
火点的判别关系为{(1)=TURE OR(2)= TRUE OR(3)=TRUE}
我国从20世纪80年代初期开始引入并积极地开展了卫星监测林火的实验研究,黑龙江省北部基本被森林覆盖,春季多干燥少雨,易发生火灾;再有存在秸秆焚烧的问题[17],该做法对生态环境、大气质量、交通安全和火灾防护都造成了极大的影响,已成为一个严重的环境和社会问题。 因此,利用MODIS数据对火情及秸秆焚烧的火点进行监测即可减少不必要的经济损失,又可以为相关部门的调查及治理提供依据[18]。
2.4积雪覆盖监测
黑龙江省位于中国东北部,是中国位置最北、 纬度最高的省份。属于中温带,寒温带大陆性季风气候,冬季漫长、多雪。农谚称“瑞雪兆丰年”是具有科学依据的,雪中含有氮素,易被农作物吸收利用;雪水温度低,能冻死地表层越冬的害虫;雪的导热性能较差,土壤表面如有雪层,可减少土壤热量的外传,因此有积雪覆盖可保护作物越冬;积雪还能为农作物储蓄水分、增强土壤肥力等。一般情况下,积雪普遍对北方植被的恢复和土壤水分的保持具有积极的意义,但如果在3、4月份的仲春季节,如因寒潮侵袭而下大雪,就会造成冻害,因此,利用遥感手段对积雪覆盖进行实时动态调查既有利于农用地的可持续发展,又可对雪灾进行监测和预警,从而减少灾区的经济损失[19-20]。
针对MODIS数据,Hall等人提出了Snow- map算法。该算法提出归一化冰雪指数(ND- SI)。
式中:b4,b6分别表示MODIS数据的第4和第6波段。在Aqua Modis数据中用第7波段代替第6波段,也有诸多的研究用NDSI>0.4来表示冰雪覆盖。
3结论与讨论
MODIS数据在我国已被广泛的应用于农业生产中,众多研究表明MODIS在农作物旱情分析、长势监测、土地利用、积雪覆盖和火点监测等方面有着极大的应用潜力[21-22]。为了充分发挥这一潜力,为黑龙江省农业生产做出更大贡献,在应用过程中需注意空间分辨率低和数据产品的算法的问题。
MODIS数据最高分辨率250m,在应用分析中存在混合像元问题,如何进行亚像元分解,提高应用的精度是研究者在具体研究中需要解决的问题;目前虽然NASA设计的MODIS数据产品的算法已处于较高水平,但仍有各种局限性。例如众多学者对陆地气溶胶反演的算法做出了改进, 提出了更合理的气溶胶模型和更好的对地表反射率进行估算的方法等。
MODIS数据 篇9
随着遥感技术的发展, 植被覆盖度测量由原来传统的地面测量发展到现在的遥感估算, 为大范围植被覆盖度监测提供可能, 目前已成为地表植被覆盖变化监测的主要技术手段[5,6,7,8,9,10,11,12,13,14]。在当前常用的遥感数据中, MODIS数据由于具有空间分辨率适中、光谱覆盖范围广、重访周期短、数据质量高、数据获取方便的特点, 而被广泛用于植被覆盖度的信息提取上。为此, 本文以MODIS数据为基础, 通过对广西区内近13年来地表植被覆盖的动态监测, 分析其植被盖度的时空变化规律, 以期为生态环境评价及管理提供科学依据。
1 研究区概况
广西区地处祖国南疆, 位于东经104°26'~112°04', 北纬20°54'~26°24'之间, 整个地势自西北向东南倾斜, 山岭连绵, 山体庞大, 岭谷相间, 四周多被山地、高原环绕, 呈盆地状, 有“广西盆地”之称。北回归线横贯全区中部, 属中亚热带季风气候区。南部地区则偏向热带季风气候, 全区各地极端最高气温为33.7~42.5℃, 极端最低气温为-8.4~2.9℃, 年平均气温在16.5~23.1℃之间。广西是全国降水量最丰富地区之一。各地年降水量均在1070毫米以上, 大部分地区为1500~2000毫米。
2 数据与方法
2.1 数据来源与预处理
本研究采用2001~2013年的MOD13Q1数据产品 (http://ladsweb.nascom.nasa.gov/data/search.html) , 时间分辨率为16d, 空间分辨率为250m, 研究区域位于h27v06及h28v06两区, 该数据已经过去云、辐射校正和大气校正等预处理。利用ENVI5.1对NDVI影像进行重投影, 将Sinusoidal投影转换为UTM-49N-WGS-84坐标, 之后将影像进行拼接、裁剪, 获取研究区的NDVI数据。通过反复比较选择每年289~321天 (9~10月) 合成的最大NDVI值, 此时植被生长比较茂盛, 可以反映一年内植被覆盖的最佳状况, 多年的均值则能反映植被生物量的平均状况。
2.2 植被覆盖度估算
归一化植被指数 (NDVI) 与植被覆盖度有显著正相关关系[15,16], 可以采用像元二分模型法将NDVI改算为植被覆盖度。它假定通过遥感传感器所观测到的信息可以表达为由绿色植被部分所贡献的信息和由无植被覆盖 (裸土) 部分所贡献的信息两部分组成。从而得到植被覆盖度估算公式为:
式中:FVC为所求的植被覆盖度, NDVI为所求像元的归一化植被指数;NDVIsoil为全裸土或无植被覆盖像元的NDVI值, NDVIveg则代表完全植被所覆盖的像元的NDVI值。也可得:
式中:NDVImax和NDVImin分别为研究区域内NDVI最小值和最大值。但NDVImax和NDVImin的取值, 不直接采用区域中NDVI的最大值与最小值, 而是MODIS图像中给定置信度区间内的最大值与最小值。本文对去了异常值的NDVI进行分析统计, 取一定的置信度获取最大和最小值, 在这里以NDVI值对应像元数量增加或减少到5位数为置信区间。
3 结果分析
3.1 广西2001~2013年植被覆盖度的总体特征
通过对广西13a生长季间月平均覆盖度的分析表明 (图1) 。研究区植被覆盖度整体较高, 中覆盖度以上面积占到总面积的78.2%。13a平均植被覆盖度为58.51%, 总体呈明显的波动起伏变化过程, 其中植被覆盖度的最高值出现在2008, 为60.74%, 最低值出现在2002年, 为56.44%, 2012年和2013年则逐渐接近平均值。
对计算得到的研究区13年9~10月的植被覆盖度均值, 参考相关文献[17,18]采用等间距重分类为5级, 即0~0.2极低覆盖度, 0.2~0.4低覆盖度, 0.4~0.6中覆盖度, 0.6~0.8中高覆盖度, 0.8~1高覆盖度, 从图2可以看出, 植被覆盖度在空间上的分布规律为东西部大于中部, 越往中部植被覆盖度越低。从行政区来看, 植被最大值出现在防城港南部, 来宾东部, 贺州西部以及梧州北部, 其次为桂林、柳州的北部和河池、百色的大部分地区。最差则出现在来宾、北海、贵港中部。其中南宁、贵港和来宾所占的面积最大。
3.2 多年植被覆盖度动态变化分析
3.2.1 植被盖度面积变化
为了分析植被覆盖度的年际变化, 每6年计算一次广西区内的植被覆盖度, 并计算了13年的平均植被盖度 (表1) 。极低植被盖度由2001年的10.22%减少到2013年的9.89%, 且都大于极低覆盖度13年的均值8.26%, 低覆盖度和中覆盖度出现先增后减的现象, 中高覆盖度和高覆盖度则先减后增。从计算的结果可看出在三个时间段内广西区内植被覆盖度主要为中、中高、和高覆盖度, 其中中高覆盖度的面积所占比例最大, 分别为31.33%、29.98%和34.92%。整体来看, 2001~2013年极低、低盖度的面积有所下降, 中、中高盖度有所上升, 高覆盖度则由25.93%减少到22.72, 中覆盖度以上在三个时间段分别为78.05%、75.24%和79.44%, 说明广西区内植被盖度总体呈上升趋势。
3.2.2 植被盖度空间变化
在2001年时, 百色、河池、崇左、来宾和贺州5市尚未成立地级市, 为了更直观的观测2001年到2013年植被盖度的变化, 在此以统一以上述5市成立地级市后的行政边界为准。
从图3可看出, 2001到2007年, 极低和低覆盖在原来的基础上不同程度的增加并向外扩散, 其中西北、东南方向出现植被退化, 河池、钦州、贵港和玉林低、中植被覆盖度的面积增加。西部的百色、崇左部分地区和南部的北海中、中高植被覆盖度的面积扩大, 植被盖度好转。
2013年较2001年和2007年, 中部极低覆被盖度明显发生好转, 大多向低、中和中高盖度转换, 全区中植被盖度增加, 特别是西、西北地区的河池、百色、崇左3市, 在原来的基础上均匀扩散开, 从三个时间段来看, 南部的钦州市13年的时间内植被盖度好转。
3.2.3 植被盖度的强度变化
为了进一步分析植被盖度的变化情况, 运用地图代数的算法, 将2007年和2001年、2013年和2007以及2013年和2001的植被覆盖度进行差值运算 (表2) , 参考相关研究[19,20]进行强度分级:<-30为剧烈减少、-30~-10为减少、-10~-5为轻微减少、-5~5为稳定、5~10为轻微增加、10~30为增加、>30为剧烈增加。结果表明三个时间段植被覆盖度变化以稳定为主, 2001年到2007年的变化以减少次之, 为23.60%, 2007年到2013年以增加次之, 为24.94%。从2001年到2013年的统计信息可看出, 各等级植被覆盖变化的程度差别不大。
3.3 不同等级植被覆盖动态分析
转移矩阵可以定量化识别出各土地利用类型在不同监测时间点间的未变化部分、转移部分及其去向、新增部分及其来源, 是一种常用的土地利用地物类型变化分析方法[21]。为了进一步研究两个时段内植被盖度的变化情况, 计算得到2001~2007、2007~2013年的植被盖度转移矩阵 (表2和表3) 。通过对表2的分析可知:在2001~2007年时间段内, 各等级植被覆盖度以较低覆盖度向高一等级覆盖度转移为主, 极低、低、中、中高分别有3524.42、86068.89、12857.89、和11618.18km2转变为低、中、中高、高植被覆盖度。低向中覆盖度转移率最大, 为36.36%。整体来看正向转移的面积为41949.13km2, 占总面积的27.48%, 负向转移的面积为29602.73km2, 占总面积的19.39%。
通过对表3的分析可知:在2007~2013年时间段内, 各等级植被覆盖度以较低覆盖度向高一等级转移的趋势并未发生太大改变, 极低、低、中、中高分别有4544.05、10001.14、14902.82、13582.32km2转变为低、中、中高、高植被覆盖度, 低向中覆盖度转移率较2001~2007上升, 为39.11%。整体来看正向转移的面积为51369.08km2, 占总面积的30.68%。负向转移的面积为34666.26km2, 占总面积的20.29%。
4 结论
本文利用2001~2013年的MODIS-NDVI数据估算了广西区内的植被覆盖度, 分析了年最大植被覆盖度的时空变化特征, 主要得出以下结论:
(1) 研究区植被覆盖度整体较高, 以中、中高、高覆盖为主, 中覆盖度以上在三个时间段分别为78.05%、75.24%和79.44%, 13a平均植被覆盖度为58.51%, 植被覆盖度在空间上的分布规律为东西部大于中部, 越往中部植被覆盖度越低。
(2) 在2001~2007和2007~2013年两个时间段内, 各等级植被覆盖度以较低覆盖度向高一等级覆盖度转移为主, 植被较多发生正向转移, 说明植被和生态环境向好的方法发展, 但局部退化的问题也不容忽视。
(3) 为了进一步分析植被盖度的变化情况, 运用地图代数的算法, 将2007年和2001年、2013年和2007以及2013年和2001的植被覆盖度进行差值运算, 得到的结果显示3个时间段的植被覆盖度变化大多处于稳定状态。
摘要：以MODIS—NDVI长时间序列数据为基础, 利用像元二分模型对广西区内2001-2013年的植被覆盖度进行了估算, 并采用转移矩阵的方法, 分析了年份间覆盖度高低变化的方向。结果表明:13年间植被覆盖度呈波动式变化, 在空间上的分布规律为东西部大于中部, 越往中部植被覆盖度越低;区内植被覆盖度处于较高覆被, 且总体呈增长趋势;13年间植被覆盖度变化大多处于稳定状态;20012007年和20072013年, 各等级植被覆盖度以较低覆盖度向高一等级覆盖度转移为主, 且正向转移大于负向转移。
MODIS数据 篇10
选取了MODIS数据中的温度产品MYD11A2数据,经过了一些处理,得出2010年、2012年、2013年的成都市冬季地表温度情况,分析其热岛强度,从而揭示一些规律。
1研究区概况
成都市位于四川省中部,四川盆地西部,介于102°54'E ~ 104°53'E和30°05' N ~ 31°26' N之间,面积12 390 km2。成都市管辖9个区,分别是武侯区、 青羊区、金牛区、锦江区、成华区、温江区、新都区、青白江区、龙泉驿区; 并包括6个县,分别是郫县、双流县、金堂县、大邑县、蒲江县、新津县。另代管4个县级市,邛崃市、彭州市、崇州市、都江堰市。成都市属于中亚热带湿润季风气候,具有冬暖、春早、无霜期长,四季分明,热量丰富的特点,年平均气温17. 5 ℃ 左右,≥10 ℃ 的年平均活动积温为4 700 ~ 5 300 ℃ ,冬春雨少,夏秋多雨,雨量充沛,年平均降水量为1 124. 6 mm,降水年际变化较小。成都市地势差异显著,西北高,东南低,西部属于四川盆地边缘地区, 以深丘和山地为主,东部属于四川盆地盆底平原,主要由平原、台地和部分低山丘陵组成。
2数据处理
2. 1数据来源
数据来源于MODIS数据温度八天合成产品MYD11A2数据,根据遥感影像质量和数据来源时段,选取了2010年12月、2011年2月,2013年1月、2月、12月,2014年2月,共6期数据,数据时段比较合理。
2. 2数据处理方法
用成都市行政区域图与MYD11A2温度产品作掩膜处理,在ARCGIS中建模,用公式0. 02value- 273. 15,算出各期数据地表温度,然后选取每年的所有数据取平均值,得出成都市冬季2010、2012、2013年的地表温度,再此基础上作等级分类,从而划分出热岛区域。
2. 3地表温度概况
通过对数据进行预处理,可以看出,2010年冬季成都市地表温度范围在8. 99 ~ 22. 40 ℃之间,2012年冬季成都市地表温度范围在10. 78 ~ 27. 48 ℃ 之间,2013年冬季成都市地表温度范围在9. 39 ~ 25. 18 ℃ 之间。
3热岛强度分析
3. 1地表温度等级分类
按等间距法对成都市地表温度进行等级分类, 共分为五类,地表温度从低到高依次为低温区、次低温区、中温区、次高温区、高温区,如图5 ~ 图7所示。
分别计算成都市2010、2012、2013冬季地表温度等级分布面积比例,如表2所示。
3. 2城市热岛强度评价
3. 2. 1热岛强度计算
( 1) 最大热岛强度。
最大热岛强度是城市区域内最高温度与郊区最
低温度之差,即:
式中,P表示城市热岛强度,Tmax表示最高温度,Tmin表示最低温度［4］。
代入公式,计算得出,成都市2010年冬季最大热岛强度为13. 41 ℃,2012年冬季成都市最大热岛强度为16. 70 ℃,2013年冬季成都市最大热岛强度为15. 79 ℃。
( 2) 加权平均热岛强度。
以郊区平均温度为基准,利用成都市地表温度等级中各等级区域平均温度及所占比例进行计算［5］,即:
式中,T1~ T5代表从低温区到高温区的成都市冬季地表温度,AVG地表平均温度,TO代表郊区地表温度,A1~ A5代表低温区到高温区所占的成都市总面积的比例。
按照经验公式,平均温度= 0. 4* 高温+ 0. 6* 低温,算出2010、2012、2013年成都市冬季低温区到高温区的平均地表温度,用每一年的最低温替代郊区地表温度,通过计算,可以得出,成都市2010、 2012、2013年冬季加权平均热岛强度分别为8. 79 ℃ ,9. 93 ℃ ,9. 79 ℃ 。
3. 2. 2热岛强度变化分析
最大热岛强度从整体上对成都市冬季热岛进行了分析,可以看出,2010 ~ 2013年,最大热岛强度先增加后降低的趋势,2010 ~ 2012年,最大热岛强度增加了3. 29 ℃,2012 ~ 2013年,最大热岛强度减少了0. 91 ℃。
加权平均热岛强度分区域进行了热岛强度分析,更全面的描述了成都市冬季热岛强度状况。可以看出,从2010 ~ 2012年,成都市冬季加权平均热岛强度呈现先增加后降低的趋势。2010 ~ 2012年, 成都市冬季加权平均热岛强度增加了1. 14 ℃,2012 ~ 2013年,成都市冬季加权平均热岛强度减少了0. 14 ℃ 。
3. 3城市热岛发育程度评级
在城市建成区内,通过赋予各等级热岛的权重值,利用各等级热岛面积与建成区面积的比例,来表征热岛的发育程度。指数越大,热岛程度就越重。 城市热岛比例指数的数学模型如下［6］:
式中,UＲI为城市热岛比例指数,m为温度等级总数,i为热岛等级序号,w为权重值,取i等级的级值, pi为第i级热岛面积百分比。
由于对成都市地表温度等级分为了五类,所以取m = 5,通常将温度等级分为五级时,认为高温区和次高温区能代表城市热岛范围［7］,所以取n = 2, 由此可知,高温区的权重值为5,次高温区的权重值为4,参照表1统计数据,可以计算出,成都市2010、 2012、2013年冬季热岛比例指数,如下式所示:
可以看出,2010 ~ 2013年,成都市冬季热岛比例指数是先下降后升高得到趋势,2010 ~ 2012年, 热岛比例指数减少了0. 22个单位,2012 ~ 2013年, 热岛比例指数增加了0. 10个单位。可以看出前面时段的比例指数下降幅度要大于后面时段的比例指数增加幅度。
4结论
通过对2010、2012、2013年成都市冬季热岛强度的分析,可以得出以下结论:
( 1) 通过对最大热岛强度和加权平均热岛强度的计算与分析,可以看出,2010 ~ 2013年,成都市冬季热岛强度呈现先增强后减弱的趋势。
( 2) 对成都市2010、2012、2013年冬季热岛比例指数的计算,可以看出城市热岛发育程度先减弱后增强的趋势。
( 3) 热岛强度与城市热岛发育程度的变化趋势呈反比,可以推知,成都市在治理城市热环境中,使得地表温度下降了,但热岛面积依旧扩大。
【MODIS数据】推荐阅读：
数据挖掘数据存储07-01
大数据推荐数据模型08-27
财务数据和业务数据09-01
大数据时代的数据观05-14
数据存储与数据管理07-05
数据安全与数据恢复09-06
大数据和数据化思考05-21
大数据时代数据库技术09-10
大数据时代的数据挖掘09-26
市利用税务数据确保经济普查数据质量06-01