温度植被干旱指数时空融合模型对比
发布时间：2021-02-06 18:25
为实时准确地对新疆农业干旱程度进行反演监测,以新疆焉耆盆地为例,通过运用时空自适应反射率融合模型（Spatio Temporal Adaptive Reflectivity Fusion Model,STARFM）、增强型STARFM（Enhanced STARFM,ESTARFM）模型及灵活的时空数据融合模型（Flexible Spatio Temporal Data Fusion,FSDAF）这3种常见的模型对Landsat 8和MODIS数据进行融合,构建了温度植被干旱指数（Temperature Vegetation Dryness Index,TVDI）,并采用土壤相对湿度（Relative Soil Moisture,RSM）数据对TVDI反演结果进行了验证。结果表明:①3种数据融合模型所模拟预测的干旱因子（归一化植被指数和地表温度）与真实Landsat 8数据所反演的干旱因子相比,ESTARFM模型模拟预测的干旱因子判定系数（R2）和均方根误差（RMSE）均优于其他两种模型,归一化植被指数（NDVI）的R2和RMSE分别达到了0.924和0.076,地表温度（LST）的R...
【文章来源】：遥感技术与应用. 2020,35(04)北大核心
【文章页数】：13 页
【部分图文】：
真实NDVI-LST与对应预测的NDVI-LST线性拟合
真实Landsat 8-TVDI与对应预测的Landsat 8-TVDI
本研究基于3种时空融合模型模拟预测NDVI时，采用计算得到的基准期Landsat 8-NDVI数据、MODIS-NDVI数据及预测日期MODIS-NDVI数据，结合不同空间权重直接模拟生成预测日期的Landsat 8-NDVI数据，与真实Landsat 8-NDVI之间的决定系数介于0.849～0.924之间。通过阅读文献，发现众多学者分别基于上述3种时空融合模型重构NDVI时，先运用模型模拟预测出Landsat红波段和近红外波段影像，再使用归一化植被指数公式计算得到NDVI，与真实Landsat-NDVI之间的决定系数多介于0.71～0.85之间[14,29,42]。前者所用模式在模拟预测NDVI过程中只使用了一次融合模型，而后者所用模式则使用了两次融合模型，理论上后者所造成的误差更大。通过上述对比分析，表明直接利用已有的NDVI数据进行高时空NDVI的模拟预测是可行的。后期将对两种模式进行深入定量的分析，以提高NDVI模拟预测的精度。研究区农作物类型主要以辣椒、番茄和小麦为主，会在短时间内发生变化。而基准影像与预测影像的时间跨度过大，相似季相特征不明显或者有明显差异，会增大预测结果的不确定性，从而降低了3种融合模型模拟预测的精度和质量。另外，实验仅从模拟预测的精度方面来对3种模型进行定量评价，忽略了各模型的运行时间，无法从时间尺度上对各模型进行评价。因此，后续工作中也将会考虑各模型所运行的时间，以便于更加全面、系统地对3种模型进行评价。
【参考文献】：
期刊论文
[1]基于时空数据融合的县域水稻种植面积提取[J]. 牛海鹏,王占奇,肖东洋. 农业机械学报. 2020(04)
[2]遥感数据融合研究进展与文献定量分析（1992—2018）[J]. 张立福,彭明媛,孙雪剑,岑奕,童庆禧. 遥感学报. 2019(04)
[3]MODIS数据在陕西省干旱监测中的应用[J]. 刘英,岳辉,侯恩科. 国土资源遥感. 2019(02)
[4]基于TVDI的甘肃省农业旱情特征及其影响因素[J]. 庞素菲,魏伟,郭泽呈,张静,颉斌斌. 生态学杂志. 2019(06)
[5]基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J]. 陈梦露,李存军,官云兰,周静平,王道芸,罗正乾. 作物学报. 2019(07)
[6]基于TVDI和Landsat-8的喀斯特峡谷区干旱监测[J]. 余军林,罗娅,赵志龙,杨月燕,罗旭琴. 水土保持通报. 2019(01)
[7]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[8]基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究[J]. 刘咏梅,马黎,黄昌,凯楠. 西北大学学报(自然科学版). 2019(01)
[9]基于FSDAF方法融合生成高时空分辨率地表温度[J]. 杨敏,杨贵军,陈晓宁,张勇峰,尤静妮. 国土资源遥感. 2018(01)
[10]基于时间序列遥感数据的陕西省2004—2014年干旱变化特征分析[J]. 温国涛,白建军,孙嵩松. 干旱地区农业研究. 2018(01)
硕士论文
[1]地表温度降尺度时空融合方法对比及其应用[D]. 杨敏.西安科技大学 2017
本文编号：3020892
【文章来源】：遥感技术与应用. 2020,35(04)北大核心
【文章页数】：13 页
【部分图文】：
真实NDVI-LST与对应预测的NDVI-LST线性拟合
真实Landsat 8-TVDI与对应预测的Landsat 8-TVDI
本研究基于3种时空融合模型模拟预测NDVI时，采用计算得到的基准期Landsat 8-NDVI数据、MODIS-NDVI数据及预测日期MODIS-NDVI数据，结合不同空间权重直接模拟生成预测日期的Landsat 8-NDVI数据，与真实Landsat 8-NDVI之间的决定系数介于0.849～0.924之间。通过阅读文献，发现众多学者分别基于上述3种时空融合模型重构NDVI时，先运用模型模拟预测出Landsat红波段和近红外波段影像，再使用归一化植被指数公式计算得到NDVI，与真实Landsat-NDVI之间的决定系数多介于0.71～0.85之间[14,29,42]。前者所用模式在模拟预测NDVI过程中只使用了一次融合模型，而后者所用模式则使用了两次融合模型，理论上后者所造成的误差更大。通过上述对比分析，表明直接利用已有的NDVI数据进行高时空NDVI的模拟预测是可行的。后期将对两种模式进行深入定量的分析，以提高NDVI模拟预测的精度。研究区农作物类型主要以辣椒、番茄和小麦为主，会在短时间内发生变化。而基准影像与预测影像的时间跨度过大，相似季相特征不明显或者有明显差异，会增大预测结果的不确定性，从而降低了3种融合模型模拟预测的精度和质量。另外，实验仅从模拟预测的精度方面来对3种模型进行定量评价，忽略了各模型的运行时间，无法从时间尺度上对各模型进行评价。因此，后续工作中也将会考虑各模型所运行的时间，以便于更加全面、系统地对3种模型进行评价。
【参考文献】：
期刊论文
[1]基于时空数据融合的县域水稻种植面积提取[J]. 牛海鹏,王占奇,肖东洋. 农业机械学报. 2020(04)
[2]遥感数据融合研究进展与文献定量分析（1992—2018）[J]. 张立福,彭明媛,孙雪剑,岑奕,童庆禧. 遥感学报. 2019(04)
[3]MODIS数据在陕西省干旱监测中的应用[J]. 刘英,岳辉,侯恩科. 国土资源遥感. 2019(02)
[4]基于TVDI的甘肃省农业旱情特征及其影响因素[J]. 庞素菲,魏伟,郭泽呈,张静,颉斌斌. 生态学杂志. 2019(06)
[5]基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J]. 陈梦露,李存军,官云兰,周静平,王道芸,罗正乾. 作物学报. 2019(07)
[6]基于TVDI和Landsat-8的喀斯特峡谷区干旱监测[J]. 余军林,罗娅,赵志龙,杨月燕,罗旭琴. 水土保持通报. 2019(01)
[7]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[8]基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究[J]. 刘咏梅,马黎,黄昌,凯楠. 西北大学学报(自然科学版). 2019(01)
[9]基于FSDAF方法融合生成高时空分辨率地表温度[J]. 杨敏,杨贵军,陈晓宁,张勇峰,尤静妮. 国土资源遥感. 2018(01)
[10]基于时间序列遥感数据的陕西省2004—2014年干旱变化特征分析[J]. 温国涛,白建军,孙嵩松. 干旱地区农业研究. 2018(01)
硕士论文
[1]地表温度降尺度时空融合方法对比及其应用[D]. 杨敏.西安科技大学 2017
本文编号：3020892
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3020892.html
