基于NDVI与丰度关系的MODIS影像浒苔混合像元分解方法
基于MODIS数据黄海绿潮覆盖面积精细化提取
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７ ７１４６．２０１７．０１．００６基于ＭＯＤＩＳ数据黄海绿潮覆盖面积精细化提取盛 辉，王法景 ，郭结琼（中国石油大学地球科学与技术学院，山东青岛２６６５８０）摘 要：针对ＭＯＤＩＳ数据绿潮提取存在大量混合像元导致绿潮覆盖面积偏大这一问题，基于３ｍ分辨率的机载ＳＡＲ高分影像，结合归一化植被指数（ＮＤＶＩ），对ＭＯＤＩＳ研究区中大于ＮＤＶＩ阈值的像元进行混合像元分解得到绿潮的“覆盖面积”；获取的准同步３ｍ机载ＳＡＲ提取的绿潮面积为“真实值”，然后建立二者之间的关系模型，并选取不同的样本区域对该模型进行了验证。
实验结果表明：ＮＤＶＩ等传统算法所提取的绿潮覆盖面积约为“真实值”的２．６８倍；基于混合像元分解的方法所提取的绿潮面积较“真实值”偏小，约为“真值”的０．５６倍；与传统的ＮＤＶＩ等多波段比值法相比，该精细化模型方法提取的绿潮覆盖面积更接近于“真实值”，与“真实值”误差仅为６．７％。
关键词：黄海；绿潮；混合像元分解；ＭＯＤＩＳ；ＮＤＶＩ；机载ＳＡＲ中图分类号：Ｐ２３７文献标志码：Ａ文章编号：１００７ ７１４６（２０１７）０１ ００３７ ０７ＡｎＩｍｐｒｏｖｅｄＭｏｄｅｌｆｏｒＭＯＤＩＳＧｒｅｅｎＴｉｄｅＣｏｖｅｒｅｄＡｒｅａＥｘｔｒａｃｔｉｏｎＢａｓｅｄｏｎＡｉｒｂｏｒｎｅＳＡＲＳＨＥＮＧＨｕｉ，ＷＡＮＧＦａｊｉｎｇ，ＧＵＯＪｉｅｑｉｏｎｇ（ＳｃｈｏｏｌｏｆＧｅｏｓｃｉｅｎｃｅｓｉｎＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＰｅｔｒｏｌｅｕｍ，Ｑｉｎｇｄａｏ２６６５８０，Ｓｈａｎｇｄｏｎｇ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＭＯＤＩＳ’ｓｅｘｉｓｔｅｎｃｅｏｆａｌａｒｇｅｎｕｍｂｅｒｏｆｍｉｘｅｄｐｉｘｅｌｓｃａｕｓｅｄｔｈｅｌａｒｇｅｒｃｏｖｅｒａｇｅａｒｅａｏｆｇｒｅｅｎｔｉｄｅ．Ｆｏｒｔｈｉｓｐｒｏｂｌｅｍ，ｂａｓｅｄｏｎＮＤＶＩａｌｇｏｒｉｔｈｍ，ｗｅａｃｑｕｉｒｅｄｇｒｅｅｎｔｉｄｅ’ｓｃｏｖｅｒｉｎｇａｒｅａｂｙｍｉｘｉｎｇｐｉｘｅｌｓ’ｄｅｃｏｍｐｏｓｉｔｉｏｎｗｈｉｃｈｔｈｒｅｓｈｏｌｄｖａｌｕｅｉｓｌａｒｇｅｒｔｈａｎＮＤＶＩ．Ｓｅｔｔｉｎｇｔｈｅｑｕａｓｉ ｓｙｎｃｈｒｏｎｏｕｓｇｒｅｅｎｔｉｄｅ’ｓｃｏｖｅｒｉｎｇａｒｅａｅｘｔｒａｃｔｅｄｂｙ３ｍａｉｒｂｏｒｎｅＳＡＲｄａｔａａｓ“ｔｒｕｅｖａｌｕｅ”，ｗｅｅｓｔａｂｌｉｓｈｅｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｍｏｄｅｌｂｅｔｗｅｅｎｔｈｅｔｗｏｔｏｒｅａｌｉｚｅｔｈｅｒｅｆｉｎｅｄｅｘｔｒａｃｔｉｏｎ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｕｇｇｅｓｔｅｄｔｈａｔ：ｔｈｅｃｏｖｅｒｉｎｇａｒｅａｅｘｔｒａｃｔｅｄｂｙＮＤＶＩａｌｇｏｒｉｔｈｍｉｓａｂｏｕｔ２．６８ｔｉｍｅｓｔｈａｎ“ｔｒｕｅｖａｌ ｕｅ”；ｔｈｅｃｏｖｅｒｉｎｇａｒｅａｅｘｔｒａｃｔｅｄｂｙｍｉｘｉｎｇｐｉｘｅｌｓ’ｄｅｃｏｍｐｏｓｉｔｉｏｎｉｓｌｅｓｓｅｒｔｈａｎ“ｔｒｕｅｖａｌｕｅ”，ａｂｏｕｔ０．５６ｔｉｍｅｓｃｏｍ ｐａｒｅｄｗｉｔｈ“ｔｒｕｅｖａｌｕｅ”；ｔｈｅｃｏｖｅｒｉｎｇａｒｅａｅｘｔｒａｃｔｅｄｂｙｔｈｅｒｅｆｉｎｅｄｍｅｔｈｏｄ，ｃｏｍｐａｒｅｄｗｉｔｈｔｒａｄｉｔｉｏｎａｌｍｕｌｔｉｂａｎｄｒａｔｉｏａｌｇｏｒｉｔｈｍｓｕｃｈａｓＮＤＶＩ，ｗａｓｃｌｏｓｅｒｔｏｔｈｅ“ｔｒｕｅｖａｌｕｅ”ｗｉｔｈａｎｅｒｒｏｒｏｆ６．７％．Ｋｅｙｗｏｒｄｓ：ＹｅｌｌｏｗＳｅａ；ｇｒｅｅｎｔｉｄｅ；ｍｉｘｅｄｐｉｘｅｌｄｅｃｏｍｐｏｓｉｔｉｏｎ；ＭＯＤＩＳ；ＮＤＶＩ；ａｉｒｂｏｒｎｅＳＡＲ第２６卷第１期２０１７年２月 激 光 生 物 学 报ＡＣＴＡ ＬＡＳＥＲ ＢＩＯＬＯＧＹ ＳＩＮＩＣＡＶｏｌ．２６Ｎｏ．１Ｆｅｂ．２０１７收稿日期：２０１６ １２ ０２；修回日期：２０１６ １２ ２２基金项目：国家自然科学基金“主被动光学遥感探测水下悬浮绿潮”（４１４７６１５９）；国家自然科学基金“海洋灾害大数据分析的系统模型研究及应用”（４１４７６１０１）作者简介：盛辉（１９７２－），男，汉族，山东定陶人，副教授，硕士生导师，主要从事摄影测量与遥感研究。
混合像元分解法操作步骤[整理版]
![混合像元分解法操作步骤[整理版]](https://img.taocdn.com/s3/m/ff294137bdd126fff705cc1755270722192e59ea.png)
一、农田作物的光谱特征与天然植被有所不同（后者的叶片含水量及绿度均不及农田作物），故在选择纯净端元时会出现混淆，故希望先将农田掩去。
首先要先将农田的界限提取出来。
提取农田边界的方法：
1、对两期影像均提取NDVI图，再将两张NDVI图进行最大化合成。
再将合成后的NDVI
图与任一原图进行链接，调出CUSORLOCA TION 对话框，移动鼠标，观察对话框中NDVI图的数值变化，确定农田区的边界，注意图中某些高植被覆盖区的NDVI值也和农田区的数值一样高，这样做会把高值区也确定为农田区。
但没有关系，这些高值的天然植被区应为水库附近，其含水量等表象与农田作物相似，而与一般旱生植被有异。
正好一并掩去。
做NDVI图：
做最大化合成：
观察两幅图，确定阈值：
量图，此时即可得到农田的范围，然后可用该农田范围做掩膜。
在决策树上输入表达式：注意，阈值不一定是0.3，要自己确定。
给B1赋予NDVI波段
执行分类：
输出为矢量图：
二、应用掩膜，对某一期原始图像做MNF变换和主成分变换，选择前两个波段信息量最大的一种变换，选择其前两个波段，在ENVI5.1中做二维散点图，用最小法提取出纯净端元的光谱曲线。
三、对主成分图进行混合像元分解、分类。
，得到植被分量、分类图。
基于图像阈值分割的浒苔图像提取
Enteromorpha Image Extraction Based on Image Threshold Segmentation
Key words: enteromorpha monitoring; image segmentation; fixed threshold algorithm; adaptive threshold algorithm; OTSU; iterative method
1 引言
浒苔属于石莼科绿藻，是广泛分布于海洋中的大型 野生藻类。浒苔的大量聚集会遮挡阳光，消耗水中的氧 气，影响其他海洋生物的生长，导致一系列的生态和环境 问题，大规模暴发还会阻塞航道，造成区域景观、经济和 生态的巨大损失[1]。浒苔灾害监测已逐渐成为我国政府 和学者关注的焦点问题之一，研究者尝试利用不同遥感
收稿日期:2019-04-09
手段监测浒苔，但由于研究中使用的遥感卫星类型多样， 识别浒苔信息所使用的方法也根据不同的研究者而异。 蒋兴伟等专家运用了图像尺度分割法，并表明在 COSMO-SkyMed 卫星分辨率数据中灰度值介于 75 至 175 之 间时浒苔图像最清晰，便于快速的对浒苔信息进行提取[2]。 SHEN[3]等利用后向散射系数法，以黄海为研究区域，建立 有效的阈值自动识别绿藻信息系统。ZHANG[4]等利用 FAI 浮游藻类指数法，并于海面风向数据相结合，监测黄 海浒苔的位置和扩展状况。本文主要以如何提取浒苔信
ZHANG Ri-sheng1, YUAN Ming-ting1, DING Jun-hang1, 2, GUAN Sheng3, MENG Xian-fa1
利用MODIS和RADARSAT数据对浒苔的监测研究
利用MODIS和RADARSAT数据对浒苔的监测研究王国伟;李继龙;杨文波;李小恕;李慧琴;王继隆【期刊名称】《海洋湖沼通报》【年(卷),期】2010()4【摘要】浒苔是一种大型的浮游性海藻,它的爆发给环境造成了很大的影响。
本文介绍了利用EOS/MODIS和RADARSAT遥感数据探测2008-2009年发生在黄海及邻近海域(119°E^122°E,34°N^36°30′N之间)的浒苔灾害的研究。
本研究首先利用MODIS传感器的1、2波段计算了相应海域的NDVI。
在云层较厚的情况下结合RADARSAT图像来辅助判定大型浮游藻类的信息。
并计算了长时间序列NDVI,利用阀值分割法计算了浒苔爆发的面积信息,利用ARCVIEW工具对长时间序列的浒苔分布的矢量信息进行处理,得到了浒苔的漂浮路线,起源。
初步研究了MODIS监测浒苔的可行性,讨论了浒苔的爆发可能对渔业资源造成的潜在影响。
【总页数】8页(P1-8)【关键词】MODIS;RADARSAT;浒苔;NDVI【作者】王国伟;李继龙;杨文波;李小恕;李慧琴;王继隆【作者单位】中国水产科学研究院资源与环境研究中心遥感与地理信息系统重点实验室;海海洋大学海洋科学学院【正文语种】中文【中图分类】X87【相关文献】1.基于Suomi NPP VIIRS数据的黄海浒苔遥感监测研究 [J], 郭继强;潘洁;刘文雅;高晓倩;吴辰辰2.基于环境卫星CCD数据的黄海浒苔遥感监测 [J], 吴传庆;马万栋;王雪蕾;姚延娟;吴迪3.基于MODIS数据的日照市近海浒苔监测及影响因子分析 [J], 孙慧;谢小平4.MODIS数据在浒苔遥感监测中的应用能力评价 [J], 史正;苏庆华;高涛;张荣刚;孙林5.MODIS浒苔遥感监测误差分析研究 [J], 钟山;丁一;李振;刘爱超;仝兆远;王强因版权原因，仅展示原文概要，查看原文内容请购买。
Himawari-8气象卫星黄海浒苔动态监测
Himawari-8气象卫星黄海浒苔动态监测王萌;郑伟;李峰【摘要】As a new generation geostationary meteorologicalsatellite,Himawari-8 can provide measurements dynamically monitoring of Enteromorpha prolifera,with its high temporal-spatial resolution.According to the normalized differential vegetation index NDVI,by studying reflection characteristics of enteromorpha,a method using Himawari-8 data is proposed for enteromorpha information detection,drift speed and intensity ing the above methods,the outbreak processes of enteromorpha prolifera in the Yellow Sea from May to July in 2016 are monitored including the appearing time,location,areas,intensity,range of influence,drift path and drift speed.Results show that the enteromorpha are detected firstly on 19 May 2016 in the Yellow Sea and areas are relatively small.It outbreaks in mid and late June with its continuous growth,and areas,range of influence and intensity all reach the maximum in this period.The enteromorpha enters recession period in early July near the coast of Shandong Province,the Yellow Sea,such asQingdao,Yantai,Weihai and so on.The calculation shows that enteromorpha intensity changes with time,and multi-temporal enteromorpha intensity are accumulated into enteromorpha intensity synthetic product.The multi-temporal enteromorpha intensity synthetic product shows that enteromorpha intensity covers more in the central Yellow Sea and the east of Yantai waters,and less in initial position.Themoving path of enteromorpha from appearance to disappearance shows that the drift path of enteromorpha is from the southeast open sea to the northwest offshore,and the average daily drift speed changes constantly.Dynamic changes of enteromorpha are closely related to the environmental hydro meteorological conditions,such as temperature,wind speed and direction.The suitable temperature is the basis for enteromorpha's growth and development.In late May,enteromorpha growth are detected near the northern coast of Jiangsu Provincefirstly,where the temperature is stably 20℃.And then in earlyJune,enteromorpha area increases rapidly with the increasing temperature,and then outbreaks in mid-June when the temperature reaches 20℃ in east of Shandong Peninsula sea.In early July,the average temperature of the Yellow Sea is above 25℃,m aking the enteromorpha decay and disappear gradually.It shows that dominant wind direction is the main driving force of enteromorpha drift,the calculation shows that enteromorpha drifts northward with large and steady south wind from May to July in 2016,and finally arrive in Weihai coast,and the moving direction is in line with the wind.%基于Himawari-8气象卫星数据,研究了利用归一化植被指数提取浒苔信息方法,并提出了浒苔强度和移动速度估算方法.对2016年5-7月黄海海域浒苔信息进行监测,获得了浒苔暴发的时间、地点、面积、强度、影响范围、漂移路径及移动速度.结果表明:2016年5月19日Himawari-8气象卫星首次监测到黄海海域出现浒苔信息;6月中下旬进入暴发期,浒苔面积、影响范围及强度达到最大值;7月上旬,伴随着浒苔大面积登陆青岛、烟台、威海等地,浒苔进入缓慢消亡阶段.多时次浒苔强度合成产品显示:2016年浒苔在黄海中部海域、烟台以东海域覆盖强度较大,在初始位置一带覆盖强度较小.浒苔漂移路径整体为从东南外海逐渐开始向西北近海海域靠近,日移动速度不断变化.浒苔的动态变化与水文气象环境密切相关,适宜的温度是浒苔生长和发展的基础,浒苔出现后,盛行风向是浒苔漂移方向的主要驱动力,2016年5 7月强劲的南风使浒苔一直向北漂移,并最终抵达威海,浒苔的移动与风向大致相同.【期刊名称】《应用气象学报》【年(卷),期】2017(028)006【总页数】10页(P714-723)【关键词】Himawari-8;黄海;浒苔【作者】王萌;郑伟;李峰【作者单位】国家卫星气象中心,北京100081;国家卫星气象中心,北京100081;山东省气候中心,济南250031【正文语种】中文基于Himawari-8气象卫星数据，研究了利用归一化植被指数提取浒苔信息方法，并提出了浒苔强度和移动速度估算方法。
MODIS数据在浒苔遥感监测中的应用能力评价
MODIS数据在浒苔遥感监测中的应用能力评价史正;苏庆华;高涛;张荣刚;孙林【摘要】鉴于MODIS数据空间分辨率较低,混合像元效应影响显著导致的浒苔面积提取具有较大不确定性的问题,在对浒苔以及海水光谱信息分析的基础上,提出了基于归一化植被指数的浒苔面积提取方法,然后选取山东半岛周边海域作为研究区域,以空间分辨率较高的Landsat-8OLI卫星影像提取的浒苔信息为基准,与准同步MODIS卫星影像提取的结果进行比较,来评价MODIS数据在浒苔遥感检测中的应用能力.结果表明:1)MODIS影像容易漏提面积小、分布离散的浒苔,而对面积大、分布集中的浒苔存在面积夸大的问题;2)MODIS数据识别出浒苔的概率随着MODIS像元内浒苔所占面积比的增加而快速增加,当单个MODIS像元内的浒苔面积比为75％时,有50％的浒苔像元被识别出来.%MODIS data makes great contributions to coastal enteromorpha remote sensingdetection.According to enteromorpha and seawater spectral analysis,an enteromorpha area extraction method based on NDVI (normalized difference vegetation index) is proposed in this paper,and the extraction results are validated by Landsat-8 OLI data.In view of MODIS low-spatial resolution and great enteromorpha area extraction uncertainty caused by mixed pixels,this study evaluates the enteromorpha extraction accuracy of synchronous MODIS data taking high-resolution Landsat 8 OLI enteromorpha extraction information as a parison between MODIS images and Landsat-8 extraction over surrounding seas of Shandong peninsula indicates that:1) enteromorpha with small size and scattered distribution in MODIS imagery is easily neglected,while thosewith large size and centralized distribution is overestimated;2) the MODIS enteromorpha identification probability grows rapidly with the increase of area it occupies,where 50％ enteromorpha pixels can be identified when enteromorpha occupies 75％ area in one MODIS pixel.【期刊名称】《遥感信息》【年(卷),期】2017(032)004【总页数】6页(P132-137)【关键词】浒苔;Landsat-8 OLI;MODIS;信息提取;统计分析【作者】史正;苏庆华;高涛;张荣刚;孙林【作者单位】山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;曲阜师范大学地理与旅游学院,山东日照276826;航天五院503所,北京100086;水利部黄河水利委员会,郑州450003;山东科技大学测绘科学与工程学院,山东青岛266590【正文语种】中文【中图分类】TP79浒苔(enteromorpha)是重要的经济海藻，属于绿藻门，绿藻纲，石莼目，浒苔属[1]。
MODIS水稻面积提取中独立成分端元丰度校正方法
MODIS水稻面积提取中独立成分端元丰度校正方法第 28 卷第 9 期农业工程学报 Vol28 No92012 年 5 月 Transactions of the Chinese Society of Agricultural Engineering May 2012 103MODIS 水稻面积提取中独立成分端元丰度校正方法刘建红朱文泉※孙冠楠张浚哲姜楠北京师范大学资源学院地表过程与资源生态国家重点实验室北京 100875 摘要为了解决独立成分分析中端元丰度校正结果同实际丰度相差较大的问题该文提出了一种基于回归分析的独立成分端元丰度校正方法具体是首先应用 ICA 对遥感时序数据进行分解获取目标地物的 ICA 分解结果再抽选一定量的样本将样本目标地物的真实丰度与 ICA 分解结果进行回归最后根据回归关系推算每个像元的目标地物丰度基于 MODIS 时序数据将该文方法和线性拉伸方法应用于江苏兴化地区的水稻面积提取并将 2 种方法的提取结果同水稻准真值图像进行对比分析结果表明该文方法得到的水稻丰度图像的均方根误差偏差在不同的空间尺度下均小于线性拉伸方法而不同空间尺度下的决定系数R2均高于线性拉伸方法与线性拉伸方法相比该文方法能获得更接近实际情况的端元丰度校正结果增强了 ICA 在农作物面积提取中的应用能力为大尺度农作物识别和面积提取提供了依据关键词遥感时间序列分析独立成分分析生长曲线回归水稻doi103969jissn1002-6819208>1209017中图分类号TP722 文献标志码A 文章编号1002-68192012-09-0103-06刘建红朱文泉孙冠楠等 MODIS 水稻面积提取中独立成分端元丰度校正方法[J] 农业工程学报2012289103－108Liu Jianhong Zhu Wenquan Sun Guannan et al Endmember abundance calibration method for paddy rice area extraction fromMODIS data based on independent component analysis[J] Transactions of the Chinese Society of Agricultural EngineeringTransactions of the CSAE 2012 289 103－108 in Chinese with English abstract0 引言水稻是中国最重要的粮食作物之一中国水稻产量居世界之首2010 年为 193 亿 t约占世界水稻产量的30[1]除青海外全国各省都有水稻分布根据 2006年统计数据中国水稻种植面积占世界水稻种植总面积的 185[2]水稻生产不仅关系到中国和世界的粮食安全还对环境和气候变化经济和政治决策水资源管理等产生重要影响[2-3]低分辨率遥感时间序列数据 time-series coarseresolution data TCRD计算的植被指数vegetation indexVI可以构成反映农作物动态变化的生长曲线从而为农作物识别及其面积提取提供了有利条件国内外学者发展了许多大尺度农作物提取模型这些模型基本上都是根据农作物生长曲线的不同特征来设定阈值进行识别[4-7]这些模型依赖于多步骤的阈值判断阈值的高低和 VI 曲线上的噪声对农作物识别结果影响大由于农作物受各地区的播种时间物候差异等影响阈值具有明显的区域收稿日期2011-07-07 修订日期2011-10-31基金项目国家高技术研究与发展计划项目2006AA120101国家自然科学基金资助项目40871194作者简介刘建红1985－女江西玉山人博士生研究方向为资源与环境遥感北京北京师范大学资源学院地表过程与资源生态国家重点实验室100875Emailjhliu_85163com※通信作者朱文泉1975－男湖南永兴人北京师范大学资源学院副教授博士主要从事植被生态参数遥感反演遥感数据处理等方面的研究北京北京师范大学资源学院地表过程与资源生态国家重点实验室100875Emailzhuwq75httpcom性特点从而降低了这类模型的通用性受空间分辨率限制一个 TCRD 像元可能包含多种地物类型尤其是在土地覆盖类型分布结构和农作物种植结构复杂的地区农作物分类存在较大误差有学者认为基于像元的分类适合研究大尺度作物分布趋势而区域内不同农作物识别则依赖于混合像元分解[8]Lobell 等[9]应用扩展的线性分解模型进行与农作物相关的耕地分类研究结果表明模型精度取决于农作物类型和研究的尺度刘姣娣等[10]应用线性光谱混合模型提高了棉花识别的精度Rembold 等[11]采用光谱角制图进行混合像元分解获取了研究区的冬小麦面积结果表明冬小麦识别精度受数据源和检验数据质量的影响Verbeiren 等[12]通过对区域尺度的农作物面积提取试验发现神经网络分解方法优于线性分解方法以上都是监督式的混合像元分解方法这种方法面临的最主要问题是端元数量和端元光谱本文是生长曲线需要预先确定为了有效提取一种农作物有时需要确定研究区所有主要的农作物类型及其生长曲线由于现有农作物标准生长曲线数据库不够健全农作物生长曲线的时空差异较大等因素的影响[13]以农作物生长曲线为先验知识的监督式混合像元分解方法难以被有效应用独立成分分析independent component analysis ICA能够在很少先验知识的情况下实现端元光谱和丰度的同时提取因此近年来成为高光谱遥感领域研究的热点[314]然而 ICA 要求各成分之间相互统计独立且为非高斯分布导致其结果是非约束的不能直接作为端元的丰度[3]Wang 等[15]提出了一种基于最大值-最小值标准化的线性农业工程学报 2012 年104拉伸方法以下称为线性拉伸方法拉伸结果可以直接作为端元的丰度这种方法得到的结果只能近似反映目标地物的丰度但与真实丰度还有较大差异为提高地物丰度的提取精度本文提出了一种独立成分端元丰度校正的新方法通过加入先验知识改进端元丰度校正过程具体是1进行 ICA 分解获取目标地物的 ICA 分解结果2将样本目标地物的真实丰度与ICA 分解结果回归获取 ICA 分解结果与目标地物真实丰度之间的关系3将这个回归关系应用到整个研究区从而得到整个研究区目标地物的丰度以期为大尺度农作物识别和面积提取提供参考1 研究方法本文的技术路线如图 1 所示首先应用 ICA 对低分辨率遥感时间序列数据进行分解以获取目标地物独立成分再将目标地物的中分辨率遥感识别结果作为准真值然后抽选一定量的样本将样本目标地物的实际丰度与 ICA 分解结果进行回归进而推算每个像元的目标地物丰度为了进一步阐明本文方法的应用效果及优势本文还应用线性拉伸方法提取水稻面积最后对 2 种方法的提取结果进行对比分析图 1 研究技术路线图Fig1 Flowchart of research method11 ICA 模型ICA 是近几年才发展起来的一种基于信号高阶统计特性的分析方法其目的是将观测数据进行某种线性分解得到统计独立的成分[16-18]ICA 已经成功地应用于盲信号分离设观测数据 Xx1x2 xn 是源信号Ss1s2sm的观测值假设第 i 个观测信号是由 n 个独立分量线性混合而成[19]1 12 2 1 2 i i i im mx a s a s a s i n 1用矢量表示式1则有XAS 2也可以写成1mj jjX a s3式1～3中 ix 表示第 i 个观测信号 ms 表示第 m 个源信号 ima 表示第第 i 个观测信号中包含第m 个源信号的比例Aa1a2am为混合矩阵ai 为混合矩阵基向量ICA 就是仅通过观测数据 X 估计出未知独立源 sj或估计混合矩阵AICA在解决信号源分解问题时一般假设源信号之间统计独立至多只有一个源信号服从高斯分布及各源信号具有零均值这样的 ICA 模型存在 2 个不确定性一是不能确定独立成分的顺序二是不能确定独立成分的方差[19]ICA 实现算法包括最大似然估计法最大熵方法最小互信息最大负熵法等这些算法都是利用分离后的各成分之间的最大独立性来建立对照函数通过寻找一种迭代算法来进行信号的分离快速 ICA 算法FastICA是一种基于负熵最大化的定点算法每次从混合信号中分离出一个独立成分具有计算简单收敛快等特点被广泛用于遥感图像分析[20]FastICA 采用峭度Kurtosis对负熵做近似计算[2122]以此作为随机变量的非高斯性度量4 2 2 3 kurt y E y E y 4式中 kurty表示随机变量 y 的峭度Eyn表示 n 阶中心矩对于一个高斯分布的随机变量它的峭度等于 0 而大多数非高斯随机变量的峭度不等于 0由于峭度有正有负一般利用峭度的绝对值或平方作为非高斯性度量值为 0 的是高斯变量大于 0 的是非高斯变量12 端元确定及丰度校正由于独立成分必须满足统计独立性因此 ICA 得到的结果是非约束的不能直接作为端元丰度Wang 等[15] 提出了一种端元提取及丰度校正方法使 ICA 能够获得相对确定的结果具体是用 ICir表示第 i 个独立成份IC波段上像元 r 的值那么第 i 个 IC 波段的端元 ei 定义为第 i 个 IC 波段的绝对值最大的像元其光谱作为端元光谱ii re IC r 5然后根据 ie 采用最小值-最大值标准化准则对 ICA分解结果进行线性拉伸ii iiminminrIC ri rIC r IC re IC r6式中iIC r表示第 i 个 IC 波段上像元 r 的丰度ICir 表示第 i 个 IC 波段上像元 r 的绝对值拉伸后的数值作为目标地物的丰度13 样本支持下的端元丰度校正尽管线性拉伸方法得到的丰度可以近似表示目标地物的分布但还不能直接作为每个像元内目标地物的真实比例本文方法的思路是采用一定量的样本将样本目标地物的真实丰度与 ICA 分解结果进行回归获取与像元内目标地物真实比例更接近的结果14 精度评价为对本文方法和线性拉伸方法的提取结果进行评价本文采用了以下 3 个统计指标均方根误差RMSE偏差Bias和决定系数R2偏差是指误差的平均值第 9 期刘建红等MODIS 水稻面积提取中独立成分端元丰度校正方法 105 用于指示过高或过低估计RMSE 是估计偏差与方差相结合的表达形式用于衡量方法估算的精度21NT i iiRMSE y y N 71NT i iiBias y y N 8式中T 表示窗口大小N 表示窗口T 下的子区个数 iy和 iy 分别表示第 i个子区水稻实际丰度和由2种方法计算得到的水稻丰度决定系数用公式9计算22 covvar vary yRy y9式中2cov y y 表示水稻丰度准真值图像与估算图像之间的协方差var y 和 var y 分别表示水稻丰度准真值图像的方差和水稻丰度估算图像的方差准真值图像与估算图像之间的 R2 反映了 2 种方法能够获取水稻丰度空间分布的一致程度通过改变不同的空间尺度窗口大小可以推测出水稻提取精度与评价单元大小之间的关系本文在对 2种提取水稻面积的方法进行评估时窗口大小从 1 像元×1像元尺度一直到 10 像元×10 像元尺度2 研究区概况与数据获取本文研究区位于江苏省中部覆盖兴化市及周边地区119°3029〃～120°2116〃E32°3545〃～33°158〃N 面积为 4 442 km2区域内以冬小麦-水稻的种植模式为主主要夏粮作物为水稻同期作物有夏玉米棉花大豆甘薯及花生等本文用于提取水稻面积的TCRD数据是8天合成的陆地表面反射率数据集 MODIS09A1httphttpcom空间分辨率为 500 m该数据集已经过大气校正并根据观测覆盖视角云及阴影等条件选择 8d 之中的最佳观测值进行合成MODIS09A1 包含了可见光近红外和短波红外等 7 个波段用于本文分析的增强型植被指数enhanced vegetation indexEVI数据是根据 2010 年 5月 1 日到 2010 年 11 月 1 日反射率数据计算得到的共23 个时相在这个时段内水稻经历 3 个不同阶段一是灌水移栽期二是水稻生长期三是水稻成熟及收割期水田的植被覆盖和含水率也会随之变化[4]为了检验基于 MODIS 数据的水稻面积提取精度试验还用到了该研究区 2010 年 7 月 31 日的 SPOT4 多光谱影像该影像的空间分辨率为 20 m对 SPOT 影像进行几何校正投影转换等预处理后对其进行水稻面积提取水稻面积提取流程包括结合 2010 年 9 月野外调查拍摄的 GPS 点的照片进行目视判断建立居民地荷塘水稻旱地作物水体共 5 种土地覆盖类型的解译标志在 ENVI 软件中提取训练样本并采用自动阈值的分类回归树classification and regression tree CART算法分类获取水稻面积将水稻面积提取结果重采样到 500 m作为水稻丰度的准真值国外已有研究将未经验证的LANDSAT分类结果作为真值来检验MODIS分类结果[911]由于本文在对 SPOT 图像分类时已经参考了野外调查记录且相对于 MODIS 数据SPOT 图像分辨率足够高因此本文并未对 SPOT 分类结果进行野外验证在对 ICA 提取结果进行回归分析之前需要选择样本为了得到对全局的无偏估计每个丰度区间都应该有样本分布因此在水稻丰度准真值图像上按照水稻丰度把所有像元划为 10 个区间分别是≤1010～2020～3030～4040～5050～6060～7070～8080～9090～100然后在每个区间分别随机抽取 10 个样本像元总共得到 100 个样本用于后续分析样本的真值即样本对应的水稻丰度准真值3 结果与分析31 端元提取结果在 ENVI 47 下对 MODIS EVI 进行 ICA 分析选择了特征向量占 95的前 8 个独立成分对每一独立成分的时间曲线与水稻的 EVI 曲线进行对比由此确定第一独立成分IC1反映的是水稻丰度信息图 2图 2 ICA提取的水稻端元曲线与真实的水稻端元曲线Fig2 Observed and modeled EVI time series for paddy rice endmember从图 2 中可以看出4 月下旬随冬小麦油菜收割以及水田灌水EVI 迅速降低6 月上中旬秧苗移栽后开始生长EVI 又逐渐升高8 月上旬到 9 月中旬是水稻生长期由于研究区地处北亚热带湿润气候区夏季降水多造成水稻生长曲线的波动9 月中旬后水稻成熟收割EVI 逐渐降低32 水稻面积提取结果确定水稻独立成分图像后将选中的 100 个样本的水稻丰度准真值与其对应的 IC1 绝对值进行回归图 3然后再根据回归公式对 IC1 的绝对值进行计算得到结果如图 4b 所示对 IC1 采用线性拉伸方法处理得到水稻丰度分布初步结果见图 4c相对于水稻丰度准真值图像图 4a线性拉伸的结果总体上高估了研究区的水稻丰度而本文方法的估算结果在水稻低覆盖区和无覆盖区与实际情况极为接近并且在水稻高覆盖区的分布趋势也与水稻的真实分布相符3 种丰度图像的直方图也与这一结论吻合图 5农业工程学报 2012 年106图 3 样本 IC1绝对值与水稻实际丰度之间的散点图Fig3 Scatter plot between absolute value of IC1and actual rice abundance for 100 samples图 4 3种水稻丰度图像的比较Fig4 Comparison among three rice abundance maps图 5 3种水稻丰度图像的直方图对比Fig5 Histogram of three rice abundance maps线性拉伸方法得到的水稻丰度图像的直方图接近高斯分布绝大部分像元丰度在 04～08 之间丰度低于01 的像元很少而水稻丰度准真值图像和本文方法得到的水稻丰度图像都是非高斯分布后两者的直方图非常接近水稻丰度在接近 0 处有高峰这主要是研究区中如城区水域荷塘等没有水稻分布的像元除此之外在丰度 002～08 之间大致呈均匀分布丰度大于 08 的像元逐渐减少33 精度分析图 6 显示了本文方法与线性拉伸方法在不同窗口下的均方根误差 RMSE偏差 Bias决定系数 R2由图 6可以看出2 种方法的 RMSE 都随窗口增大而减小但本文方法的 RMSE 在各种窗口下都比线性拉伸方法小当窗口增大到 10 像元×10 像元时本文方法的 RMSE 下降到 010比窗口为 1 像元×1 像元时降低了 01线性拉伸方法的 RMSE 下降到 025比窗口为 1 像元×1 像元时降低了 0052 种方法的偏差都比较稳定在不同窗口下几乎不变本文方法的 Bias 在 0053～0055 之间而线性拉伸方法的 Bias 在 025～029 之间2 种方法的 R2都呈现随窗口变大而增大的趋势本文方法的 R2 在各窗口下都比线性拉伸方法的高但两者的变化趋势较为一致在窗口为 1 像元×1 像元时本文方法的 R2 为 054而线性拉伸方法为 048在窗口为 10 像元×10 像元时本文方法的 R2 为 074而线性拉伸方法为 067第 9 期刘建红等MODIS 水稻面积提取中独立成分端元丰度校正方法 107 图 6 本文方法与线性拉伸方法在不同窗口下的均方根误差RMSE偏差 Bias决定系数 R2Fig6 Root mean square error top Bias middle and R2bottom for rice abundance derived from proposed method andlinear scaling method at different window size4 讨论与线性拉伸方法相比本文方法仅需少量先验知识水稻的生长曲线及样本的水稻面积比例就可以提高水稻面积的提取精度由于农作物生长曲线可以通过先验知识建立如已有的光谱库纯净像元生长曲线而样本农作物实际比例可以从野外调查数据中高分辨率遥感影像识别结果土地利用调查数据航拍图像等数据中得到因此本文方法可以很方便地应用于农作物面积提取然而中国农作物种植结构复杂以水稻为例不仅有早稻中稻和晚稻之分有的水稻田还与其他作物和果蔬相间这给农作物面积提取带来了很大的困难本文提出的方法是否在各种条件下都能得到稳健的结果还有待进一步的试验佐证5 结论该文提出了一种新的独立成分端元丰度校正方法通过加入先验知识结合回归分析改进了端元丰度校正过程将本文方法应用于江苏省兴化市的水稻面积提取并同线性拉伸方法的提取结果进行比较结果分析与精度评价表明本文方法提取结果的均方根误差 RMSE 和偏差 Bias 在各种空间尺度下均小于线性拉伸方法而决定系数 R2 在各种空间尺度下均高于线性拉伸方法在 10 像元×10 像元尺度下该文提取结果的均方根误差 RMSE为 010偏差 Bias 为 0053决定系数 R2 为 074由此说明本文提出的基于回归分析的独立成分端元丰度校正方法在农作物面积提取中具有更好的应用能力[参考文献][1] Faostat FAO Statistical databases[Z] Rome 2011[2] Zou Jianwen Huang Yao Zheng Xuhua et al Quantifyingdirect N2O emissions in paddy fields during rice growing season in mainland China Dependence on water regime[J] Atmospheric Environment 2007 4137 8030－8042[3] Ozdogan M The spatial distribution of crop types from MODIS data Temporal unmixing using IndependentComponent Analysis[J] Remote Sensing of Environment2010 1146 1190－1204[4] Xiao Xiangming Boles Stephen Liu Jiyuan et al Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J] Remote Sensing of Environment 2005954 480－492[5] 黄青唐华俊周清波等东北地区主要作物种植结构遥感提取及长势监测[J] 农业工程学报2010269218－223Huang Qing Tang Huajun Zhou Qingbo et al Remote-sensing based monitoring of planting structure and growthcondition of major crops in Northeast China[J] Transactionsof the Chinese Society of Agricultural Engineering Transactions of the CSAE 2010 269 218－223 in Chinese withEnglish abstract[6] 林文鹏王长耀储德平等基于光谱特征分析的主要秋季作物类型提取研究[J] 农业工程学报2006229128－132Lin Wenpeng Wang Changyao Chu deping et al Extractionof fall crop types based on spectral analysis[J] Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2006 229 128－132 in Chinese withEnglish abstract[7] 彭代亮基于统计与 MODIS 数据的水稻遥感估产方法研究[D] 杭州浙江大学2009Peng Dailiang The Study on the Method of Rice YieldEstimation Using Statistical and MODIS data[D] Hangzhou Zhejiang University 2009 in Chinese with English abstract[8] Galford G L Mustard J F Melillo J et al Wavelet analysisof MODIS time series to detect expansion and intensificationof row-crop agriculture in Brazil[J] Remote Sensing of Environment 2008 1122 576－587[9] Lobell D B Asner G P Cropland distributions from temporalunmixing of MODIS data[J] Remote Sensing of Environment2004 933 412－422 in Chinese with English abstract[10] 刘姣娣曹卫彬刘学等棉花遥感识别的混合像元分解[J] 农业工程学报2011276182－186Liu Jiaodi Cao Weibin Liu Xue et al Decomposition ofmixed pixel for cotton identification using remote sensingdata[J] Transactions of the Chinese Society of Agricultural Engineering Transactions of the CSAE 2011 276 182－186 in Chinese with English abstract农业工程学报 2012 年108[11] Rembold F Maselli F Estimating inter-annual crop area variation using multi-resolution satellite sensor images[J] Photogrammetric Engineering and Remote Sensing 2006 721 55－62[12] Verbeiren S Eerens H Piccard I et al Sub-pixel classification of SPOT-VEGETATION time series for the assessment ofregional crop areas in Belgium[J] International Journal of Applied Earth Observation and Geoinformation 2008 104486－497[13] 赵慧洁李娜贾国瑞等改进独立成分分析在高光谱图像分类中的应用[J] 北京航空航天大学学报200632111333－1336Zhao Huijie Li Na Jia Guorui et al Improved independentcomponent analysis applied to classification hyperspectral imagery[J] Journal of Beijing University of Aeronautics and Astronautic 2006 3211 1333－1336 in Chinese withEnglish abstract[14] 罗文斐钟亮张兵等高光谱遥感图像光谱解混的独立成分分析技术[J] 光谱学与光谱分析20103061628－1633Luo Wenfei Zhong Liang Zhang Bing et al Independent component analysis for spectral unmixing in hyperspectral remote sensing image[J] Spectroscopy and Spectral Analysis 2010 306 1628－1633 in Chinese with English abstract[15] Wang Jing Chang Chein-I Applications of independent component analysis in endmember extraction and abundance quantification for hyperspectral imagery[J] IEEE Transactions on Geoscience and Remote Sensing 2006 449 2601－2616[16] 杨竹青李勇胡德文独立成分分析方法综述[J] 自动化学报2002285762－772Yang Zhuqing Li Yong Hu Dewen Independent componentanalysis A survey[J] Acta Automatica Sinica 2002 285762－772 in Chinese with English abstract[17] 钟家强王润生基于独立成分分析的多时相遥感图像变化检测[J] 电子与信息学报2006286994－998Zhong Jiaqiang Wang Runsheng Multitemporal remotesensing images change detection based on ICA[J] Journal of Electtronics and Information Technology 2006 286 994－998 in Chinese with English abstract[18] De Lathauwer L De Moor B Vandewalle J An introduction to independent component analysis[J] Journal of Chemometrics 2000 143 123－149[19] Hyvrinen A Oja E Independent component analysis algorithms and applications[J] Neural Networks 20001345 411－430[20] 王小敏独立分量分析及其在遥感动态监测中的应用研究[D] 南京南京理工大学2008Wang Xiaomin Independent Component Analysis and its Application in Remote Sensing Dynamic Monitoring[D]Nanjing Nangjing University of Science and Technology2008 in Chinese with English abstract[21] Hyvrinen A Fast and robust fixed-point algorithms for independent component analysis[J] IEEE Transactions on Neural Networks 1999 103 1045－9227[22] 郭武张鹏王润生独立分量分析及其在图像处理中的应用现状[J] 计算机工程与应用20084423172－177Guo Wu Zhang Peng Wang Runsheng Independent componentanalysis and its applications in image processing[J] ComputerEngineering and Applications 2008 4423 172－177 inChinese with English abstractEndmember abundance calibration method for paddy rice area extraction from MODIS data based on independent component analysisLiu Jianhong Zhu Wenquan※ Sun Guannan Zhang Junzhe Jiang NanState Key Laboratory of Earth Surface Processes and Resource Ecology College of Resources Science and Technology Beijing Normal University Beijing 100875 ChinaAbstract There is a large discrepancy between the actual abundance of land cover and the result derived from theendmember abundance calibration of Independent Component Analysis ICA In order to solve this problem this paperproposed a new method for the endmember abundance calibration of ICA by combining regression analysis The newmethod includes 3 steps Firstly decomposing the remote sensing time-series data to obtain the independent componentof the object feature Secondly selecting a certain amount of samples with actual object feature abundance and thenbuilding the relationship between the actual abundance and derived independent component using regression analysisFinally using regression relationship to derive the abundance of object feature for each pixel Based on the MODIStime-series data the new method and the linear scaling method were applied in Xinghua county Jiangsu province ofChina for the mapping of rice abundance The results derived from these two methods were then compared with theactual rice abundance map of the study area Results showed that the Root Mean Square Error RMSE and Bias of therice map derived from the new method was all smaller than that by linear scaling method where the determinationcoefficient R2 was all higher than that by linear scaling method at different spatial scales The new method can enhancethe application of ICA model in crop acreage mapping and provide a basis for large-scale crop identification and areaextractionKey words remote sensing time series analysis independent component analysis ICA growth cycle regressionpaddy rice。
MODIS浒苔遥感监测误差分析研究
MODIS浒苔遥感监测误差分析研究钟山;丁一;李振;刘爱超;仝兆远;王强【期刊名称】《遥感信息》【年(卷),期】2013(028)001【摘要】In recent years, enteromorpha prolifera disaster breaks out in Chinese coastal waters, and the impact is becoming more and more serious. Medium and low resolution remote sensing images,especially MODIS-TERRA/AQUA data, are commonly used for dynamic monitoring of entermorpha prolifera. However,the images may contain lots of mixed pixels because of the coarse resolution,which will induce the enteromorpha prolifera extraction error. In this paper,we analysis the bias caused by the nonlinearity of the vegetation index algorithm theoretically,and find that when the coverage ratio of entermorpha prolifera is 0. 2~0. 4,the maximum NDVI error will be 0. 8. It has positive correlation with the thickness of entermorpha prolifera. Then quantify errors of the monitoring results from MODIS data based on the assumption that pixels of the HJ-1A/B image are pure. It is very hard for MODIS sensor to detect both the fragmented and clumped enteromorpha prolifera on the ocean surface. The results may be magnified by 21. 88%. Even though the area value is correct,21. 67% of enteromorpha prolifera gets the wrong location. At last, we suggest to select two threshold values for dynamic monitoring of entermorpha prolifera.%近年来,我国沿海浒苔灾害频发,影响日趋严重,MODIS-TERRA/AQUA等中低分辨率卫星遥感影像成为浒苔遥感监测最主要的数据源之一.但低分辨率影像存在大量混合像元,导致浒苔提取误差.本文先从理论上分析了植被指数算法的非线性对浒苔信息提取的影响,发现像元中浒苔覆盖比例为0.2～0.4时,NDVI最大,会有0.8的偏差,且浒苔越厚误差越大.然后以环境减灾卫星(HJ-1A/B)作为真实值,对MODIS浒苔监测误差进行定量分析.结果表明:MODIS影像难以兼顾大块聚集和零散分布的浒苔,业务化监测中提取面积可能会被夸大21.88％,在面积准确的情况下,也会有21.67％的浒苔信息被错误提取.本文最后提出通过选择两个阈值来解决此问题.【总页数】5页(P38-42)【作者】钟山;丁一;李振;刘爱超;仝兆远;王强【作者单位】国家海洋局北海预报中心,青岛266033;山东省海洋生态环境与防灾减灾重点实验室,青岛266033;国家海洋局北海预报中心,青岛266033;山东省海洋生态环境与防灾减灾重点实验室,青岛266033;国家海洋局南海海洋工程勘察与环境研究院,广州510300;国家海洋局北海预报中心,青岛266033;山东省海洋生态环境与防灾减灾重点实验室,青岛266033;深圳市坪山新区规划国土事务中心,深圳518122;国家海洋局北海预报中心,青岛266033;山东省海洋生态环境与防灾减灾重点实验室,青岛266033【正文语种】中文【中图分类】TP79【相关文献】1.基于MODIS的2013年黄海海域浒苔灾害的时空分布 [J], 贾丽莉;张安定;吴孟泉2.基于MODIS数据的日照市近海浒苔监测及影响因子分析 [J], 孙慧;谢小平3.基于NDVI与丰度关系的MODIS影像浒苔混合像元分解方法 [J], 丁一;黄娟;崔廷伟;万振文;张怡;曹丛华;陈超;肖艳芳4.MODIS数据在浒苔遥感监测中的应用能力评价 [J], 史正;苏庆华;高涛;张荣刚;孙林5.基于GAN的大幅面MODIS浒苔检测实验方案设计 [J], 任鹏;李云;吕新荣因版权原因，仅展示原文概要，查看原文内容请购买。
基于MODIS数据的海洋叶绿素反演算法研究
基于MODIS数据的海洋叶绿素反演算法研究范宪创;陈圣波;周超;陆天启【摘要】Inversion of ocean chlorophyll has important significance in the aspects of the carbon cycle of ocean-atmosphere system and the monitoring of the red tide.The Ledong County in the South China Sea as the study area, based on MODIS 250 m resolution data, two-band ratio, vegetation index (NDVI) and stepwise regression model were set up respectively based on MODIS aqua products data set and the South China Sea measured value data set, inverse chlorophyll concentration in the study area.The results show that the inversion models which established based on the measured value data set of the South China Sea are generally have high precision, and R2 values have reached more than 0.7, among them, the stepwise regression model accuracy is the highest, R2 value reaches 0.778 3.Inversion results show that the MODIS high resolution data under the auspices of the measured values can achieve better retrieval result, while enhancing the spatial inversion accuracy on the use of MODIS data, proven high resolution data of MODIS in the field of marine chlorophyll retrieval can get better application.%海洋叶绿素的反演在海洋-大气系统的碳循环、赤潮灾害监测等方面具有重要意义.选择南海乐东县作为研究区,基于MODIS 250 m分辨率数据,将MODIS水色产品数据集和南海实测数据集作为实测值数据集分别建立二波段比值、植被指数NDVI以及逐步回归模型,反演研究区的叶绿素浓度.结果显示,基于南海实测数据集建立的反演模型精度普遍较高,R2值都达到0.7以上,其中逐步回归模型精度最高,R2值达到0.778 3.反演结果表明,在实测值支持下,MODIS高分辨率数据在叶绿素反演方面能够达到较好的反演效果,同时也提高了在MODIS数据使用方面的空间反演精度,证明MODIS高分辨率数据在海洋叶绿素反演方面能得到较好的应用.【期刊名称】《科学技术与工程》【年(卷),期】2017(017)010【总页数】7页(P74-80)【关键词】定量反演;MODIS数据;叶绿素;250m分辨率【作者】范宪创;陈圣波;周超;陆天启【作者单位】吉林大学地球探测科学与技术学院,长春 130026;吉林大学地球探测科学与技术学院,长春 130026;吉林大学地球探测科学与技术学院,长春 130026;吉林大学地球探测科学与技术学院,长春 130026【正文语种】中文【中图分类】X55海洋叶绿素的浓度反演不仅有助于海洋生态系统初级生产力的研究，而且对海洋-大气系统的碳循环、赤潮灾害监测等具有重要意义[1]。
MODIS数据在浒苔遥感监测中的应用能力评价
中图分类号 ： ＴＰ ７ ９
文 献 标 志码 ： Ａ
文章 编 号 ： １ ０ ０ ０ — ３ ｌ ７ ７ （ ２ Ｏ １ ７ ） １ ５ ２ — ０ １ ３ ２ 一 Ｏ ６
ＳＨＩ Ｚ ｈｅ ｎ ｇ ， Ｓ Ｕ Ｑｉ ｎ ｇ ｈ ｕ ａ ～， ＧＡＯ Ｔａ ｏ 。 ， Ｚ Ｈ ＡＮＧ Ｒｏ ｎ ｇ ｇ ａ ｎ ｇ ． Ｓ ＵＮ Ｌｉ ｎ
（ １ ． Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｇｅ ｏ ｍａ ｔ ｉ ｃ ｓ ｉ ｎ Ｓ ｈ ａ ｎ ｄｏ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ， Ｑｉ ｎ ｇｄ ａ ｏ ， Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ ２ ６ ６ ５ ９ ０ ， Ｃ ｈ ｉ ｎ ａ； ２ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｇｅ ｏ ｇｒ ａ ｐ ｈ ｙ ａ ｎ ｄ Ｔｏ ｕ ｒ ｉ ｓ ｍ， Ｑｕ ｆｕ Ｎｏ ｒ ｍａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ， Ｒｉ ｚ ｈ ａ ｏ， Ｓ ｈ ａ ｎ ｄ ｏ ｎ ｇ ２ ７ ６ ８ ２ ６ ， Ｃ ｈ ｉ ｎ ａ； ３ ． Ｔｈ ｅ ５ ０ ３ Ｒｅ ｓ ｅ ａ ｒ ｃ ｈ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ ｆ Ｃｈ ｉ ｎ ｅ ｓ ｅ Ｆ ｆｔ ｈ Ａｅ ｒ ｏ ｓ ｐ ａ ｃ ｅ Ａｃ ａ ｄ ｅ ｍｙ， Ｂｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ ０ ８ ６， Ｃｈ ｉ ｎ ａ；
第 ３ ２卷 第 ４期
２ ０ １ ７年 ８月
遥 感 信 息
Ｒｅ ｍｏｔ ｅ Ｓｅ ｎｓ ｉ ｎ ｇ Ｉ ｎｆ ｏｏ ． ４
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
３ ． 国家 海 洋 局 第 一海 洋 研 究 所 ， 山东 青 岛 ２ ６ ６ ０ ６ １ ； ４ ． 丹 麦 气 象 研究 所 ， 丹麦 ； ５ ． 浙江海洋大学 海洋科学与技术学 院，
浙江 舟山， ３ １ ６ ０ ０ ４ ）
摘要 ： ＭＯ Ｄ Ｉ Ｓ影像是 浒苔 业务化卫 星遥 感监测 的重要 数据源 ， 但其 空 间分 辨 率（ ２ ５ ０ ｍ） 较低 ， 混合 像 元 效应导 致传 统 的 Ｎ Ｄ ＶＩ （ Ｎｏ ｒ ｍａ ｌ ｉ ｚ ｅ ｄ Ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅ Ｖｅ ｇ ｅ ｔ ａ ｔ ｉ ｏ ｎ Ｉ ｎ ｄ ｅ ｘ ） 阈值 法浒苔提取 误差较 大。为解 决 此 问题 ， 本 文 以准 同步 的较高分 辨率 的 ＨＪ 一 １ Ｃ Ｃ Ｄ影像 浒苔提 取结果 为基 准 ， 建 立基于 ＭＯ Ｄ Ｉ Ｓ ＮＤ Ｖ Ｉ 与浒苔像 元丰度 （ 浒苔覆盖 面积 占像 元面积 百分 比） 关 系的浒 苔信 息提 取模 型 ， 利 用该模 型 可提取 每
ｔ ｉ ｏ ｎ ｏ ｆ Ｎ Ｄ Ｖ Ｉ ｔ Ｏ ａ ｂ ｕ ｎ ｄ ａ ｎ ｃ ｅ ［ Ｊ ］ ．Ｈ ａ ｉ ｙ ａ ｎ ｇ Ｘ ｕ ｅ ｂ ａ ｏ ， ２ ０ １ ５ ， ３ ７ （ ７ ） ：１ ２ ３ —１ ３ １ ， ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ０ ２ ５ ３ — ４ １ ９ ３ ． ２ ０ １ ５ ． ０ ７ ． ０ １ ２
个 像元 的丰度（ 即浒苔覆盖 率） ， 从 而提 高整 景 影像 浒苔覆 盖 面积 提取 精度 。该模 型可 为浒 苔 灾害等 级 的确定 以及 防灾减灾应 急决策提供 支持 。
关 键词 ： 浒苔 ； ＭＯＤＩ Ｓ； ＨＪ 一 １ ＣＣ Ｄ； ＮＤＶＩ ； 丰 度
中 图分 类 号 ： Ｘ５ ５ ： Ｘ８ ７ 文献标志码 ： Ａ 文章 编号 ： ０ ２ ５ ３ — ４ １ ９ ３ （ ２ ０ １ ５ ） ０ ７ — ０ １ ２ ３ — ０ ９
ｄ ｏ ｉ ： １ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． ０ ２ ５ ３ — ４ １ ９ ３ ． ２ ０ １ ５ ． ０ ７ ． ０ １ ２
Ｄｉ ｎ ｇ Ｙｉ ， Ｈｕ ａ ｎ ｇ Ｊ ｕ ａ ｎ， Ｃ ｕ ｉ Ｔｉ ｎ ｇ ｗｅ ｉ ， ｅ ｔ ａ １ ．Ｔｈ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ ｏ ｆ Ｍ ＯＤＩ Ｓ ｉ ｍａ ｇ ｅ ｓ Ｅ ｎ ｔ ｅ ｒ ｏ ｍｏ ｒ ｐ ｈ ａ ｍｉ ｘ ｅ ｄ ｐ ｉ ｘ ｅ ｌ ｓ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｔ ｈ ｅ ｒ ｅ ｌ ａ —
第３ ７ 卷 第７ 期
２ ０ １ ５年 ７月
海 பைடு நூலகம்
洋
学
报
Ｖ Ｏ １ ． ３ ７ ， Ｎ ｏ ． ７
Ｊ ｕ ｌ ｙ ２ ０ １ ５
Ｈａ ｉ ｙ ａ ｎ ｇ Ｘｕ ｅ ｂａ ｏ
丁一 ， 黄娟 ， 崔廷伟 ， 等 ．基 于 ＮＤ Ｖ Ｉ 与 丰 度 关 系 的 ＭＯ Ｄ Ｉ Ｓ影 像 浒 苔 混 合 像 元 分 解 方 法 ［ Ｊ ］ ．海 洋 学 报 ， ２ ０ １ ５ ， ３ ７ （ ７ ） ：１ ２ ３ —１ ３ １ ，
收 稿 日期 ： ２ ０ １ ４ — ０ ９ — ０ ４ ； 修 订 日期 ： ２ ０ １ ４ — １ ２ — ０ ８ 。
学影像 主要 包 括 ＭＯ Ｄ Ｉ Ｓ和 ＨＪ 一 １ Ｃ Ｃ Ｄ影 像 ， ＭＯ Ｄ Ｉ Ｓ
重访周期 短 ， 可 免费 获取 ， 在业 务 化 监测 中应 用 最 广 泛 。Ｓ Ａ Ｒ影像 主要 包 括 Ｒ ａ ｄ ａ ｒ ｓ ａ ｔ 、 Ｃ ｏ ｓ ｍｏ － Ｓ ｋ ｙ ｍｅ ｄ和 Ｔ ｅ ｒ ｒ ａ — Ｓ ＡＲ， Ｓ ＡＲ影 像 具 有 全 天 时全 天 候 监 测 能 力 ， 但 因其 价 格 较 高 ， 业 务 化 监 测 中作 为 光 学影 像 的补
科 浒苔属 的藻类植 物＿ １ ］ ， 草绿 色 ， 既 可分 布在海 水 中 ，
也可 以在 淡水 中生长 。２ ０ ０ ８年 中 国黄海 浒苔 是 迄今
急监测 的问题 ， 为浒苔业 务化卫星遥 感监 测 以及 防灾
减灾决策 提供 了技术支 持 。 ２ ０ ０ ８ 年后 国家海洋 局针 对黄 海浒 苔开始 业 务化 卫星遥 感监 测 ， 所 用 卫 星影 像 包 括 光 学 和 Ｓ ＡＲ。光
基于 Ｎ Ｄ Ｖ Ｉ 与 丰度关 系的 ＭＯ Ｄ Ｉ Ｓ影像 浒 苔 混 合 像 元 分 解 方 法
丁一 ， 黄娟 ， 崔廷 伟。 ， 万振 文 ， 张怡 ， 曹丛华 ， 陈超 ， 肖艳 芳。
（ １ ． 山东 省 海 洋 生 态 环 境 与 防灾 减 灾 重 点 实验 室 ， 山东 青 岛 ２ ６ ６ ０ ６ １ ； ２ ． 国 家海 洋 局 北 海预 报 中心 ， 山东 青 岛 ２ ６ ６ ０ ６ １ ；
１ 引 言
浒苔是一 种繁殖能 力和生命 力强 的大型绿 藻 ， 俗 称 苔条 、 青 海苔等 ， 呈 棉花絮状 ， 为绿 藻 门石莼 目石莼
起 源的浒苔信 息提取方 法 ］ ， 应 用多 源遥感 手段 建
立 浒苔多源立 体监测 系统［ ｇ 。 ＿ ， 以及 应用卫星遥 感监 测 结果结合海 洋 动力 环境 信 息开 展浒 苔 源头 和漂 移 分 析［ １ 卜 － ” ］ 的研究 。研 究成果初 步解决 了浒 苔灾 害应
为 止世 界 范 围 内最 大规 模 的绿 潮 ， 持续 时 间 ３个 多
月， 对沿 岸水上运 动 、 旅游 、 养 殖和港 口航 运造成 不 同
程度影 响 ， 直接 经济损失超 １ ３亿元ｌ ２ ］ 。
掌握浒 苔覆盖 、 分 布状况是 浒苔 防灾 减灾 决策 的 先决条 件 。卫 星遥 感 具有 大 范 围 、 同步 监测 的优 势 ， 在浒苔 监测 中具有 重要 作用 。２ ０ ０ ８年后 相 关学 者 针 对浒苔 卫星遥感 监测开 展 了大量 研究 ， 主要进 行不 同