MODIS陸表產(chǎn)品數(shù)據(jù)重建與時(shí)間序列分析.pdf

1、航天遙感經(jīng)過40多年的發(fā)展，累積了海量的遙感數(shù)據(jù)。云覆蓋嚴(yán)重影響了遙感對地觀測的數(shù)據(jù)質(zhì)量，使傳感器無法獲取有效的地表觀測數(shù)據(jù)，導(dǎo)致遙感觀測數(shù)據(jù)產(chǎn)生空間不連續(xù)，時(shí)間間隔不規(guī)律的現(xiàn)象，從而降低了遙感數(shù)據(jù)時(shí)序分析的應(yīng)用水平，限制了對遙感數(shù)據(jù)時(shí)間維度隱藏規(guī)律的認(rèn)知。如何對遙感缺失和低質(zhì)量數(shù)據(jù)進(jìn)行數(shù)據(jù)重建，及對重建數(shù)據(jù)進(jìn)行時(shí)序分析逐漸成為遙感應(yīng)用領(lǐng)域一個(gè)新的研究熱點(diǎn)。
　　本文選擇MODIS陸表產(chǎn)品中時(shí)序變化特征有代表性的歸一化植被指數(shù)(N

2、ormalized Difference Vegetation Index，NDVI)和地表溫度(Land Surface Temperature，LST)作為研究對象進(jìn)行數(shù)據(jù)重建及時(shí)間序列分析。根據(jù)兩類數(shù)據(jù)的時(shí)空特征分別設(shè)計(jì)了分形插值算法進(jìn)行NDVI數(shù)據(jù)重建，以及基于逐步回歸模型的LST時(shí)序重建算法，實(shí)現(xiàn)提高數(shù)據(jù)時(shí)空連續(xù)性的目的。通過對重建數(shù)據(jù)進(jìn)行時(shí)序分析探求它們時(shí)間維度包含的信息。具體研究內(nèi)容及研究成果包含以下幾方面：
　　（

3、1）對研究區(qū)的云覆蓋時(shí)空特征進(jìn)行分析，定量闡述數(shù)據(jù)重建的必要性。設(shè)計(jì)了月無云概率（Pcf），月平均無云率(Acf)，月內(nèi)>80％無云期占比，月內(nèi)連續(xù)無云期眾數(shù)四個(gè)指標(biāo)對云覆蓋時(shí)空特征進(jìn)行分析。結(jié)果表明云覆蓋對整個(gè)研究區(qū)影響較大，Pcf最大值為57.19%，最小值為18.95%，且時(shí)空分布存在差異；可以36°N為界將研究區(qū)分為南北兩部分，研究區(qū)北部較南部受云覆蓋影響更??；從時(shí)序上看3、4月份各指標(biāo)總體表現(xiàn)相對較好，該時(shí)段云對研究區(qū)影響相對

4、較小。
　　（2）對NDVI的空間平穩(wěn)性和分形特征進(jìn)行研究，確定NDVI數(shù)據(jù)重建方法。低海拔區(qū)NDVI通常具有空間平穩(wěn)性特征，但在四川西部、陜西南部和西藏東北的高海拔區(qū)非平穩(wěn)特征明顯（15%

5、。
　?。?）根據(jù)NDVI行（列）剖面線的分形特征設(shè)計(jì)了NDVI數(shù)據(jù)的分形插值重建算法。算法先以分組的方法確定初始點(diǎn)集，利用解析法確定縱向壓縮因子(di)，并設(shè)計(jì)檢核點(diǎn)集C控制迭代函數(shù)系（IFS）生成吸引子的精度；精度分析發(fā)現(xiàn)分形插值的精度對NDVI空間缺失尺度的響應(yīng)規(guī)律不明顯，缺失尺度較小時(shí)與普通克里格法(OK)的插值精度相當(dāng)，當(dāng)缺失尺度較大時(shí)分形插值的精度優(yōu)于OK和距離反比插值法（IDW）；并且分形插值較空間插值的方法能保留更

6、多的紋理細(xì)節(jié)特征。NDVI重建數(shù)據(jù)是LST數(shù)據(jù)重建的基礎(chǔ)數(shù)據(jù)。
　　（4）在LST與高程、NDVI、經(jīng)度和緯度因子相關(guān)性分析的基礎(chǔ)上，設(shè)計(jì)了LST時(shí)序重建算法。重建算法利用后向剔除法進(jìn)行自變量因子篩選，并通過赤池信息量準(zhǔn)則對全回歸模型進(jìn)行壓縮篩選，對單因子模型進(jìn)行擴(kuò)張篩選來確定最優(yōu)回歸函數(shù)。重建數(shù)據(jù)的誤差較小，白天兩個(gè)時(shí)點(diǎn)71.8%的數(shù)據(jù)，夜晚兩個(gè)時(shí)點(diǎn)78.2%的數(shù)據(jù)可控制在3℃以內(nèi)，總體上90%以上數(shù)據(jù)誤差可控制在5℃以內(nèi)。利用

7、氣象站點(diǎn)的實(shí)測數(shù)據(jù)進(jìn)行時(shí)點(diǎn)LST重建數(shù)據(jù)精度驗(yàn)證時(shí)需將站點(diǎn)實(shí)測數(shù)據(jù)進(jìn)行尺度擴(kuò)展，并提出了站點(diǎn)實(shí)測數(shù)據(jù)尺度擴(kuò)展的方法。
　?。?）設(shè)計(jì)了云覆蓋LST修正模型。該方法利用低日照時(shí)數(shù)天數(shù)對LST影響的突變特征，以期內(nèi)低日照時(shí)數(shù)天數(shù)為判別條件對LST重建地溫進(jìn)行修正，該方法可提高云覆蓋區(qū)LST的估計(jì)精度。
　?。?）設(shè)計(jì)了基于加窗DTW距離的貼近度模糊分類算法。算法首先利用樣點(diǎn)數(shù)據(jù)迭代計(jì)算得到各地類標(biāo)準(zhǔn)時(shí)間序列曲線，通過加窗處理提高

8、DTW距離的計(jì)算效率及精度，結(jié)合貼近度模糊分類的方法對NDVI重建時(shí)序數(shù)據(jù)各像元進(jìn)行分類。整體分類精度較高，總體分類精度為83.8%，Kappa系數(shù)為0.77，該方法適用于無采樣數(shù)據(jù)年度NDVI時(shí)序數(shù)據(jù)植被信息提取。
　?。?）對研究區(qū)內(nèi)不同高程和不同地類的LST重建數(shù)據(jù)進(jìn)行時(shí)序特征分析。發(fā)現(xiàn)不同高程的年平均LST呈平行分布的特點(diǎn)，高程1-2Km的區(qū)域年均LST比高程小于1Km的區(qū)域平均低2.0℃，高程大于2Km的區(qū)域年均LST比

9、高程1-2Km區(qū)域平均低2.6℃，研究時(shí)段內(nèi)不同高程區(qū)域的年均LST均呈緩慢增長趨勢；不同地類的年均地溫則呈水田>旱地>林地的特征。通過地類間地溫差異分析，認(rèn)為第7-11期和第24-26期地溫?cái)?shù)據(jù)可輔助用于水田與旱地分類。另外通過LST和NDVI的季節(jié)效應(yīng)分析，認(rèn)為季節(jié)效應(yīng)對LST的影響比NDVI的更顯著。
　　（8）構(gòu)建LST和NDVI時(shí)序數(shù)據(jù)的自向量回歸模型，分析二者之間的時(shí)滯變化規(guī)律。LST和NDVI時(shí)序數(shù)據(jù)均為1階單整時(shí)序

10、變量，對水田、旱地、林地分別構(gòu)建了VAR（7）、VAR（5）和VAR（2）模型，結(jié)合Granger因果關(guān)系分析認(rèn)為LST和NDVI的滯后變量對NDVI的解釋能力較強(qiáng)；通過脈沖分析認(rèn)為LST受外部條件的某一沖擊后，會給NDVI帶來同向的沖擊，但不同地類的沖擊持續(xù)時(shí)間及強(qiáng)度不盡相同。
　　利用本文數(shù)據(jù)重建算法實(shí)現(xiàn)了研究區(qū)2005-2014年的NDVI和LST兩種代表性數(shù)據(jù)的數(shù)據(jù)重建，實(shí)現(xiàn)了提高兩類數(shù)據(jù)時(shí)空連續(xù)性的目的。并充分利用NDV