基于遥感时空融合算法的哈萨克斯坦春小麦旱情及产量监测研究
文献类型:学位论文
作者 | 姚远 |
答辩日期 | 2019-06-30 |
文献子类 | 博士 |
授予单位 | 中国科学院大学 |
授予地点 | 北京 |
导师 | 陈曦 |
关键词 | 农业旱情 遥感 时空融合 哈萨克斯坦 Agriculture Drought Remote Sensing Spatiotemporal Fusion Kazakhstan |
学位专业 | 理学博士 |
其他题名 | Study on Spring Wheat Drought and Yield Monitoring in Kazakhstan based on Spatial and Temporal Fusion Algorithm |
英文摘要 | 在全球气候变化的背景下, 干旱灾害已成为当前全球范围内发生频率最高、影响范围最广、持续时间最长的自然灾害类型。在不同干旱灾害类型中,农业干旱对全球生态安全和粮食安全的影响最为直接也最为明显,严重影响社会稳定和区域经济发展。 哈萨克斯坦作为我国“丝绸之路经济带”建设的核心区域, 既是世界第六大粮食出口国和全球最大的小麦出口国,也是我国在农业粮食方面最为重要的战略合作伙伴。 因而, 进一步提高我国农业旱情遥感监测技术在中亚农情、旱情等方面的监测能力和应用水平,对于促进我国的遥感监测技术走出国门,保障我国和中亚地区粮食安全有着极为重要的现实意义。本研究首先系统梳理了当前遥感数据在农业旱情监测研究中的现状,总结了当前利用遥感卫星数据开展区域农业旱情监测研究存在的问题。在此基础上, 以Landsat 8 和 MODIS 遥感影像为基础数据源, 以遥感时空融合技术为主要研究方法, 以春小麦为研究对象,以占哈萨克斯坦小麦总产量 80%以上的北部 3 州(北哈萨克斯坦州、 库斯塔奈州和阿克莫拉州)为研究区, 重点从以下几个方面开展了研究区农业旱情的监测研究工作:(1) 根据遥感反射率时空融合模型和地表温度时空融合模型对高、低空间分辨率输入影像的要求, 首先,采用卷云波段结合遥感数据的红外波段和可见光波段光谱特征的方法去除中低空其它薄云对 Landsat 8 高空间分辨率基础输入影像的影响,以受云影响的 Landsat 8 数据为示例, 从图像去云前后 1~5 波段的视觉效果以及平均值、标准差和不同剖面反射率值变化等方面进行定性和定量分析验证去云效果。 研究结果表明,该方法可以有效弱化和消除薄云对 Landsat 8 基础输入影像的影响。 其次, 在此基础上利用基于单窗算法反演的地表温度 LST(Land Surface Temperature) 与归一化植被指数 NDVI(Normalized DifferenceVegetation Index)之间的线性关系估算了薄云覆盖区域的 LST 数据,并利用同期获取的 MODIS 地表温度产品进行交叉验证分析,结果表明估算的 LST 结果精度较高且满足研究需要。 最后,对用于遥感时空融合且受云影响的低空间分辨率MODIS 输入数据采用 YCbCr 颜色空间进行云及阴影检测, 在此基础上采用像元替换补偿的方法对 MODIS 反射率数据和地表温度数据进行像素替换去云。 结果表明, 在图像进行云影处理补偿后,其像元差异较有云影时有较大幅度降低,图像的标准差变小,表明图像的原始信息得到有效保留, 可以有效实现云影区域的去除。(2) 分别从遥感反射率融合模型中选取基于时空自适应融合模型融合方法中的代表性方法 STARFM(Spatial and Temporal Adaptive Reflectance FusionModel)、 基于线性混合模型融合方法中的代表性方法 FSDAF(Enhanced FlexibleSpatiotemporal Data Fusion) 和基于学习模型融合方法中的代表性方法 SPFMOL(spatiotemporal fusion model through one image pair learning),对研究区的遥感反射率数据进行时空融合, 从中选出最佳方法用于生成哈萨克斯坦北部 3 州 2018年春小麦关键生育期(6 月上旬至 9 月上旬)旬尺度高空间分辨率反射率遥感影像。 研究结果表明, SPFMOL 模型因其充分考虑到输入影像遥感分辨率差异并采用双层融合和逐层尺度递推的方式,结合字典训练所获得的较为丰富的纹理结构特征,因而在融合效果上要优于其它两种方法,因而本研究基于 SPFMOL 模型生成研究区春小麦关键生育期旬尺度的反射率影像数据集。(3) 针对当前地表温度时空融合模型的不足,提出一种改进型灵活的时空融合算法 EFSDAF(Enhanced Flexible Spatiotemporal Data Fusion),并与已有的STITFM 模型(Spatio-temporal Integrated Temperature Fusion Model) 和 FSDAF算法的融合结果进行比对。研究结果表明, EFSDAF 算法的融合精度和处理效率最好, 为生成研究区春小麦关键生育期旬尺度地表温度影像数据集的最优方法。在此基础上, 为获取与反射率时空融合数据相对应的 30 m 空间分辨率的旬尺度LST 数据, 采用 TUS(Temperature Unmixing with Spectral)地表温度光谱分解模型进行 LST 像元分解。同时采用升降尺度的精度验证方式,将 TUS 与最邻近法以及双线性内插法的分解结果进行比较。 研究结果表明,经过 TUS 地表温度光谱分解模型降尺度后生成的地表温度数据精度较高, 空间表现效果更接近 LST真实影像。(4) 为了构建用于研究区春小麦旱情监测的旬尺度高空间分辨率植被遥感监测指数数据集,首先,基于时空融合后生成的研究区春小麦抽穗期遥感影像,利用基于知识的面向对象分类方法准确提取了 2018 年哈萨克斯坦北部 3 州及其下属各行政区的春小麦种植面积,通过与官方统计数据进行对比分析表明,分类结果能够满足实际应用需求。 其次,基于遥感反射率时空融合模型和地表温度时空融合模型构建了研究区旬尺度高空间分辨率 NDVI, EVI(Enhanced VegetationIndex), VTCI(Vegetation Temperature Condition Index), TCI(TemperatureCondition Index), VHI (Vegetation Health Index), VCI (Vegetation Condition Index)和 SAVI(Soil Adjusted Vegetation Index) 等 7 种当前常用于农业旱情监测和作物产量估测的植被遥感监测指数数据集。最后,利用 Savitzky-Golay 滤波法、非对称高斯函数 Asymmetric Gaussian 拟合法和双 Logistic 函数拟合法对本研究所提取的高时空植被遥感监测指数进行数据重构。经过比对, S-G 滤波在多种植被遥感监测指数的处理结果均要优于其它两种方法,可用于本研究所提取的高时空分辨率植被遥感监测指数的平滑去燥。(5) 旱情是哈萨克斯坦北部 3 州春小麦产量高低变化最重要的影响因素,为了在春小麦不同生育时期以及相应时间段内提前估测获取最终精确的春小麦单产变化信息, 从而为哈萨克斯坦的农业旱情监测提供有效的技术支持。 首先,基于重构后生成的旬尺度高空间分辨率多种植被遥感监测指数分别建立了研究区旬尺度和生育期尺度的单因子、 全时段和多因子春小麦单产估算模型。 结果表明, 基于拔节期和抽穗期 VCI 指数建立的生育期尺度多因子春小麦单产估算模型的估产效果最好, 为研究区最优春小麦单产估算模型, 该模型可以有效解决当前最为常用的 MODIS 数据和 MODIS 植被指数产品 16 天合成数据应用于农作物估产和旱情监测研究时存在的空间分辨率不足和时相信息不准确等问题。其次,利用全球降雨观测计划的 GPM/IMERG 终极多星融合反演降水产品(Final Run)的逐月降水资料结合干旱监测 Z 指数方法,计算了研究区春小麦生育期不同等级的干旱空间分布特征。 结果表明, 研究区最优春小麦单产估算模型的估产结果与春小麦生育期的干旱空间分布特征具有一致性,利用该模型可以准确反映研究区春小麦在不同空间区域的受旱情况。最后, 本研究将基于拔节期和抽穗期 VCI指数所构建的遥感单产修正模型与基于研究区春小麦历史单产统计数据所构建的趋势单产模型相结合建立了综合估产模型。结果表明,综合估产模型可以提高研究区整体及其州级、区级尺度的春小麦单产估算精度, 有效实现研究区春小麦单产估算从像元尺度到研究区整体尺度的扩展,从而为当地政府农业管理和决策部门有效开展春小麦旱情和产量监测提供技术保障和数据支撑。 |
学科主题 | 地图学与地理信息系统 |
语种 | 中文 |
源URL | [http://ir.xjlas.org/handle/365004/15273] |
专题 | 中国科学院新疆生态与地理研究所 新疆生态与地理研究所_研究系统 |
作者单位 | 中国科学院新疆生态与地理研究所 |
推荐引用方式 GB/T 7714 | 姚远. 基于遥感时空融合算法的哈萨克斯坦春小麦旱情及产量监测研究[D]. 北京. 中国科学院大学. 2019. |
入库方式: OAI收割
来源:新疆生态与地理研究所
浏览0
下载0
收藏0
其他版本
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。