一种利用MODIS数据的夏玉米物候期监测方法

引言

作物物候期是重要的农业生态系统特征，准确获取作物的物候信息是农业生产、田间精细管理、计划决策等的重要依据，对于监测作物长势、进行作物种植管理、预测作物产量等具有重要意义。遥感技术可用于监测植被对气候的响应和作物物候期，利用遥感时间序列数据集提取物候信息在监测植被物候动态变化趋势、评估季节条件和季节变化下的植被覆盖和植被响应 、预测作物产量阳 、优化作物和生态等动力模型的状态变量［町等诸多方面有广泛应用。 尽管以高空间分辨率、 高光谱分辨率遥感数据为主要信息源的农情精准监测研究已有大量文献报道，但对大尺度区域监测而言，无论是从数据获取难易程度，还是从数据戚本、时间效率等方面看，低空间分辨率的多光谱卫星遥感数据仍然具有应用优势，其中以 AVHRR 和MODIS 等数据应用最为广泛［10-11 ］，生成以归 一化植被指数和增强型植被指数为代表的植被指数数据［12-13］，因其具有良好的时间序列特性，可以较好地描述不同类型植被的生长过程，是物候期遥感监测中使用最多的数据类型。 虽然该类数据的空间分辨率就中国中东部地区的农田规模化程度和农田破碎度而言相对较粗，但在相似的生态区内作物物候期进程相对－致，低空间分辨率影像可反映区域作物物候信息。 由于植被指数时间序列受大气污染等的影响在时间上和空间上不连续，在物候研究前需对表征植被生长过程的遥感时间序列数据进行平滑，再根据去除噪声后的遥感植被生长曲线的特征提取物候信息。 早期研究中， Gallo 等［14］利用 AVHRR 归 一化植被指数时序数据监测玉米吐丝期等。 近年来，该领域受到持续关注，相关研究不断发展， Hmimina 等山利用地面测量归一化植被指数数据评价了MODIS 归 一化植被指数用于预测不同生态系统物候期时的潜力，Kandasamy等［ 16］对SG ( Savitzky-Golay）滤波、不对称高斯拟合、Logistic 拟合等 3 种去噪平滑算法的性能进行比较，评估了地表物候产品的不确定性，Verger 等［17］使用遥感估算的叶面积指数时序数据对大尺度物候信息进行了提取。

目前，物候遥感监测研究尚存在两方面问题： 一方面可用于平滑植被生长曲线的方法包括 SG 滤波、 Logistic 拟合、三次样条拟合、小波去噪、高斯函数拟合、傅里叶分解等在内的多种噪声去除算法和模型［16，时，已有学者在不同方法间进行比较并加以选择［19-21J ,SG 滤波是最受推荐的方法之一［16,22］，为了提高滤波平滑质量，在 SG 滤波前通常需要进行时序数据的等时间间距合成，而捷、波后数据的时间分辨率不发生改变，多日合成降低的时间分辨率影响物候期遥感监测精度；另 一方面，针对不同类型的植被，其生长曲线特征点位需根据植被生长规律加以定义，确定其与具体物候期的对应关系，自然植被生长曲线的特征点位与其季节变化的对应关系可以较好地直观定义［叫，但作物的不同物候期往往彼此临近且不同物候阶段的差异不如自然植被明显，现有研究中作物生长曲线特征点位与其物候期的匹配关系尚需进一步明确［24-25］。 针对上述问题，本研究利用 MODIS 归一化植被指数时间序列开展作物物候期遥感监测研究，以期进一步提高作物物候期遥感监测的准确率：采用最大值合成、改进的 SG 迭代滤波方法和 Logistic 拟合提高对作物归一化植被指数生长曲线重构的质量和重构后数据的时间分辨率，提取作物生长曲线的多个特征点位，通过比较分析不同特征点位对应日期与作物进入不同物候期的实际日期之间的匹配情况，建立作物生长曲线特征点位与作物物候期之间的最佳匹配关系。

更多内容请点击下方的pdf文档查看