1基于多时相Landsat数据融合的洞庭湖区
水稻面积提取
张猛1,2,曾永年1,2
（1.中南大学地球科学与信息物理学院，长沙410083；2.中南大学空间信息技术与可持续发展研究中心，长沙410083）
摘要：洞庭湖区作为中国重要的商品粮基地，水稻种植面积的变化对国家粮食安全有重要的影响，准确获取水稻面积及其变化显的十分重要。为解决数据缺失问题,该文利用STARFM（Spatial And Temporal Adaptive Reflectance Fusion Model）模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据。经S-G函数平滑处理，参考作物物候特征及可分离性分析（J-M距离）得到最佳时期的Landsat NDVI组合，结合Landsat8 OLI影像对水稻种植面积进行提取。结果显示，该方法能够有效的提取水稻种植面积，总体分类精度94.52%，Kappa系数为0.9128。水稻分布几乎覆盖整个研究区，水稻种植总面积达7.88×105hm2。双季稻种植面积为7.75×105hm2，主要集中于湖区北部及西北部，且分布较连续。一季稻种植面积为1.3×104hm2，分布相对零散，有小范围集中于湖区中部及西北部。
关键词：洞庭湖区；水稻；MODIS；Landsat；数据融合
中国分类号：TP79；S127；F301.24 文献标识码：A
0 引言
洞庭湖区作为中国的商品粮基地和湖南农业主产区，以种植粮食、棉花为主，分别占到全省的50.3%和89.3%[1-2]。农作物面积的变化不仅关系着国家的粮食安全，也影响区域环境和气候变化，以及社会经济发展的决策。随着洞庭湖区城市化速度的加快，耕地非农化现象突出，同时人口增长对粮食的需求量不断增大。因此，洞庭湖区农作物种植面积，尤其是水稻种植面积及其变化信息尤为重要。
卫星遥感技术已被广泛应用于农作物分析[3-6]，MODIS数据由于其较高的时间分辨率，基于时间序列的MODIS数据的作物种植面积提取已开展了较多的研究。Vintrou等利用时间序列的MODIS13Q1数据，采用景观分层的方法对非洲马里南部的农业用地进行分类，得到了与基础数据相类似的分类结果[7]。Brown 等利用时序MODIS植被指数对巴西Mato Grosso地区多年的农用地分类[8]。然而，由于受空间分辨率、混合像元的影响，MODIS数据不能满足区域农作物分类以及精细提取的要求。Landsat 数据由于其较高的空间分辨率在区域土地利用/覆盖、农作物信息提取中得到应用。Matejicek等利用Landsat数据对捷克西北部农用地的变化进行了研究[9]。Vittek等利用Landsat MSS/TM数据对非洲西部土地利用变化进行了监测[10]。但Landsat回访周期（16d）较长，加之阴雨天气的影响，难以获得时间序列的Landsat数据。因此，基于物候特征Landsat数据的大面积农作物种植区信息提取受到数据的极大限制。
遥感技术及数据时空融合技术的发展，为获得时间序列Landsat数据提供有效的技术途径。Gao等针对Landsat 与MODIS数据的时空融合问题，提出了STARFM(Spatial And Temporal Adaptive Reflectance Fusion Model)模型，试验验证了模型的有效性[11]。Zhu等针对STARFM模型的不足，改进并提出ESTARFM(Enhanced Spatial And Temporal Adaptive Reflectance Fusion Model )模型[12]。邬明权等提出了基于混合像元分解的方法STDFM(Spatial And Temporal Data Fusion Model)用来融合MODIS与TM数据[13]。Zhang等针对STDFM算法进行改进，提出了ESTDFM(Enhanced Spatial And Temporal Data Fusion Model)
收稿日期：2015-04-18 修订日期：2015-06-18
1 基金项目：国家自然科学基金项目(41171326，41201386，41201383)
作者简介：张猛，男，湖南岳阳人，博士，研究方向为遥感技术应用。长沙中南大学地球科学与信息物理学院，410083。E-mail:251zhangmeng@https://www.doczj.com/doc/061564271.html, 通讯作者：曾永年，男，青海西宁人，教授，研究方向为遥感与地理信息系统及其环境变化研究。
E-mail：ynzeng@https://www.doczj.com/doc/061564271.html,
模型[14]。对于上述几种模型在NDVI数据融合的效果方面，石月婵等以甘肃张掖市为例进行了对比分析，研究结果表明上述几种模型在NDVI数据融合效果方面基本相当[15]。在数据数量要求方面STARFM模型具有一定的优势，除STARFM模型外，其他几种算法都需要在模型中输入2期Landsat数据。STARFM模型提出后得到了较为广泛的应用，Hilker等利用STARFM模型融合得到时间序列的Landsat数据，融合Landsat数据的NDVI值也能够很好地反映研究区作物的物候特征[16]。Walker等利用STARFM模型对Landsat数据和MODIS数据进行融合，以此分析了干旱地区森林的物候特征[17]。Jia等利用STARFM模型融合的时序Landsat NDVI数据，对北京市土地覆盖进行分类制图研究[18]。
然而，基于融合MODIS与Landsat数据的水稻种植面积提取研究不多[19]，本文利用STARFM模型融合MODIS与Landsat数据对水稻种植面积进行提取具有一定意义。洞庭湖区属于亚热带季风气候，云雨天气较多，难以获取水稻生长期的时间序列Landsat数据。遥感数据时空融合技术为解决水稻生长期Landsat 数据缺失问题提供了有效的技术途径。为此，本文利用STARFM模型，融合不同类型数据，对研究区水稻种植面积进行提取。
1研究区及数据
1.1研究区概况
洞庭湖区位于长江中游荆江段南岸，跨湘、鄂两省，介于28°30′-29°31′N，111°40′-113°10′E之间。湖区大部分海拔低于50m，属亚热带季风气候，年平均气温为15.8～17.4℃，年降水量在1200～1500mm。本文选择的研究范围为环绕洞庭湖水域的丘陵和冲击平原地区，位于湖南省行政区内的洞庭湖区，地处湖南省东北部（如图1所示）。研究范围涉及岳阳、常德、益阳3个市21个县（市、区），土地面积为4.56×104平方公里，占湖南省总面积的12.2%。洞庭湖区是长江流域重要的商品粮基地，主要粮食作物为水稻（双季稻、一季稻），同期主要农作物为棉花。
图1 研究区范围
Fig.1 Study area
1.2 数据与处理
本文所需遥感影像数据Landsat8 OLI 与MODIS 13Q1均下载于USGS 。研究区横跨四幅Landsat8影
像，编号分别为123/39、123/40、124/39、124/40；所需MODIS 数据跨h27v05 、h27v06两幅影像（如表1）。
表1 遥感数据类型及获取日期
Table 1 Remote sensing data types and acquisition data
下载的Landsat8 OLI 数据分辨率为30m ，质量较好，云覆盖均小于5%。利用ENVI5.0图像处理软件的FLAASH 模块进行了辐射定标与大气校正，以1：50000的地形图为参考，采用二次多项式方法进行了图像几何校正。将123/39与123/40、124/39与124/40分别进行影像镶嵌，得到123行4期、124行2期遥感影像，之后进行NDVI 计算，并将NDVI 值的取值范围设置为0～10000。
MODIS NDVI 产品数据MOD13Q1获取时间范围为2013-1-1～2013-12-19，共23期，分辨率为250m 。首先将MOD13Q1产品数据坐标系转换为高斯克吕格投影，与进行几何校正后的Landsa8 OLI 一致，并将Landsat8 OLI 与MODIS13Q1进行配准。之后进行去无效值处理，并重采样使其空间分辨率与和Landsat8数据相一致（30m ）。以123行、124行Landsat8数据形成掩膜，分别对MODIS13Q1数据进行裁剪。 地面验证数据包括2013年研究区实地考察采样数据、2013年湖南省土地利用现状图及谷歌地球数据，验证样本像元数7597个，验证样本像元涵盖该研究所需的所有覆被类型，且较均匀分布于整个研究区。
2研究方法
2.1 Landsat 与MODIS 数据时空融合
Landsat 与MODIS 数据的融合采用时空自适应反射率融合模型（STARFM ），该模型基于t 0时刻Landsat 、MODIS 数据，t 1时刻的MODIS 数据，结合不同的空间权重融合计算出t 1时刻的Landsat 数据[11,17]，STARFM 模型的表达式如下：
/2/2110011
(,,)((,,)(,,)(,,))w
w
w w ij i j i j i j i j L x y t W M x y t L x y t M x y t ===+-∑∑ （1）
式中：L 和M 分别表示Landsat 与MODIS 像元反射率；W 权重函数，权重函数决定了滑动窗口内各像元对预测值的贡献大小，利用光谱距离、时间距离与空间距离来确定函数权重；（x i , y j , t 0）表示t 0时刻位置为（x i , y j ）处的像元；（x i , y j ,t 1）表示t 1时刻位置为（x i , y j ）处的像元；(x w/2 ,y w/2 ,t 1)表示t 1时刻移动窗口的中心像元。
本文利用时空自适应反射率融合模型（STARFM ），由t 0时刻的Landsat NDVI 、MODIS NDVI 数据，以及16d 间隔时间序列的MODIS NDVI 数据，通过式（1）融合得出16d 间隔时序的Landsat NDVI 数据。 由于受天气及卫星回访周期的影响，只能得到123行4期、124行2期Landsat8数据。利用STARFM 模型
进行影像融合时所需Landsat 影像只需一期，且进行数据融合时尽量选择与目标日期相近的Landsat NDVI 数据来预测目标日期的Landsat NDVI 数据，以此来提高融合目标日期Landsat NDVI 数据的效果。将融合预测的123行与124行的Landsat NDVI 数据进行镶嵌，并用研究区矢量范围图裁剪得到23期16d 间隔时序的研究区Landsat NDVI 影像数据。 2.2 NDVI 重构
为消除由云污染和大气变化引起的低值突变噪声对时序Landsat NDVI 数据的影响，本文采用以Savitzky-Golay 滤波法（S-G ）、非对称高斯函数拟合法(AG, Asymmetric Gaussian function fitting method)及双Logistic 曲线拟合法(D-L, Double Logistic function fitting method )为内核[17-18]的Timesat 软件包来对时间序列NDVI 数据进行重构，并对3种曲线重构方法保持原始NDVI 时间序列曲线整体特征及处理未受噪声污染点真实值的水平（保真性特征）进行比较，相关系数r 表示2个样本组数间的相关程度，可以反映拟合后的NDVI 时间序列曲线的保真性。并且利用回归估计标准差来描述重建后的NDVI 时间序列与原始值之间的平均差异程度，其值越小，拟合值的代表性越强。
Savitzky-Golay 滤波方法首先根据云状态（像元可信度）对NDVI 数列进行线性插值，然后利用S-G 滤波器得到插值后曲线的模拟长趋势线，再根据上包络线得到新的NDVI 曲线，将上述过程进行数次迭代并设置拟合影响系数作为迭代退出条件，最终得到较为平滑又能反映NDVI 数值变化趋势的时间序列曲线。其滤波过程可用公式（2）表示：
1
i m
i j i m
j C Y Y N
=+*=-=∑ （2）
式中：Y 是指NDVI 原始值；*Y 是NDVI 拟合值；j 是原始NDVI 数组的系数；i C 是第i 个NDVI 值的卷积系数；N 是滑动数组宽度（2m +1）；m 是待拟合点左右两端各需的点数[20]。
非对称高斯函数拟合法是一种从局部拟合到整体拟合的方法，使用分段高斯函数来模拟植被生长过程，最终通过平滑连接各高斯拟合曲线时间序列重构[21]。其中局部拟合公式为：
()1215121215();,,,...,.(;,,,...,)f t f t c c a a c c g t c c a a ==+（3）
其中，
31
1
25
114exp (;,,,...,)1215exp a
a t a if t a a g t c c a a a t if a t
a ???
??-?->??
????????=???
??-?->?? ?????????
（4）
式中：t 表示t 时刻的NDVI 值；1c 和2c 为控制曲线的基准和幅度；1a 决定峰值和谷值的位置；2a 、3a 、4a 、
5a 为控制曲线左、右半部分的宽度和陡峭度。
整体拟合函数为：
{
()()(1()()),()()()(1()()),L
C
L
C
C
R
C
R
t f t t f t t t t
F t t f t t f t t t t
ααββ+-<<=
+-<< （5）
式中：[],L R t t 是NDVI 的变化区间，()L f t 、()C f t 、()R f t 分别表示[],L R t t 区间内左边谷值、中间峰值
及右边谷值所对应的局部函数；()t α、()t β为位于[]
0,1之间的剪切系数。
双Logistic 曲线拟合法是一种半局部拟合方法，其局部拟合方式与非对称高斯拟合方法类似（如式（2））。采用双Logistic 函数（如式（6）），基于整体拟合函数（式（4））将各局部拟合函数的特征加以综合，重建新的NDVI 时间序列曲线[22-24]。
1512411
(;,...,)31exp 1exp g t a a a t a t a a =
-
????--++ ? ?
????
（6） 2.3 可分离性分析及最佳Landsat NDVI 组合选择
J-M 距离是基于特征计算不同类别样本间的距离，用来衡量类别间分离度的有效工具。相对于欧式
距离、巴氏距离等地表特征可分性判定方法，J-M 距离更优[25]。基于某一特征的2类样本的J-M 距离计算公式如下：
2(1)B J e -=- （7） 式中：B 表示在某一特征维上的巴氏距离。在样本对象满足正态分布的前提下，不同2类别间样本对象的巴氏距离（Bhattacharyya distance, B ）为：
()222
121222
1212121ln 822B e e δδδδδδ??+=-+??+??
（8）
式中，k e 表示某类特征的均值；2k δ表示某类特征的方差，其中（k =1，2）。
表2 选择计算J-M 距离的Landsat NDVI 数据
Table2 Landat NDVI data for J-M distance calculation
J 值在0～2之间，其大小代表样本间可分离程度。当J =2时，表明2类在所选分类特征下完全分离；当J 值较小时，表明分离性较差且会有较大数量的错分对象
[26-28]
。本文结合Google earth 、湖南省土地利用现状图及
部分实地调查数据，对林地、双季稻、一季稻、棉花等植被覆盖的J-M 距离进行计算，选择最佳的Landsat NDVI 日期组合。结合研究区水稻生长期，确定用于J-M 距离计算的Landsat NDVI 数据及日期（表2）。
2.4基于时空特征的遥感分类与精度评价
支持向量机（SVM ）可以自动寻找对分类有较大区分能力的支持向量，构造出类与类之间的间隔最大化的分类器，具有较高的分类准确率，因而在遥感分类中得到应用。本文基于融合的时间序列Landsat NDVI 影像，采用支持向量机（SVM ）遥感影像分类方法，进行水稻种植区域信息的提取。根据研究区具体情况，将研究区土地利
用/覆盖划分为水体、双季稻、一季稻、棉花、林地和其他类共6类。
NDVI 数据序号 Number of NDVI data
NDVI 数据日期 Date of NDVI data
一年中的天数 Day of year(DOY)
1 2013-04-23 113
2 2013-05-9 129
3 2013-05-25 145
4 2013-06-10 161
5 2013-06-2
6 17
7 6 2013-07-12 193 7 2013-07-2
8 20
9 8 2013-08-13 225 9 2013-08-29 241 10 2013-09-14 257 11 2013-09-30 273 12 2013-10-16 289 13
2013-11-1
305
结合Google earth、湖南省土地利用现状图及部分实地考察数据，在研究区内随机选取训练样本并利用支持向量机(SVM)进行分类（如表3）。利用上文中地面验证数据生成验证感兴趣区并结合分类后数据生成混淆矩阵，采用总体精度（overall accuracy）、生产者精度（producer accuracy）、用户精度（user accuracy）以及Kappa系数进行定量评价。
表3不同土地利用/覆盖类型训练样本和验证样本感兴趣区（ROI）及像元个数
Table3 Number of ROIs and pixels of different land use/ cover types for training and validating
ROI和像元个数Number of ROI and pixels 水体
Water
双季稻
Double cropping rice
一季稻
Single season rice
棉花
Cotton
林地
Forest
其他类
Others
训练样本Training samples
ROI个数
Number of ROIs
196 102 74 83 212 85
像元个数
Number of pixels
3256 4585 2168 3749 4053 3821
验证样本Validation samples
ROI个数
Number of ROIs
48 52 38 51 65 43
像元个数
Number of pixels
1048 1204 850 1426 1987 967
3结果与分析
3.1遥感数据时空融合结果
利用公式（1）融合预测出整个研究区23期Landsat NDVI数据，由于图像数量较多，本文只展示了研究区水稻生长关键期的融合Landsat NDVI数据，如图2，日期分别为2013-05-25（第145天）、2013-07-12（第193天）、2013-07-28（第209天）、2013-08-29（第241天）、2013-09-14（第257天）、2013-10-16（第289天）。
a．第145天，双季早稻抽穗b．第193天，双季早稻收割c．第209天，一季稻分蘖、抽穗
a．DOY145, Double cropping rice b．DOY193, Double cropping rice c．DOY209, Single season rice (early) was heading (early) was harvest was tillering and heading
d．第241天，双季晚稻抽穗e．第257天，一季稻收割f．第289天，双季晚稻收割
d．DOY241, Double cropping rice e．DOY257, Single season rice f．DOY289, Double cropping rice (late) was heading was harvest (late) was harvest
图2研究区水稻生长关键期的部分融合Landsat NDVI数据
Fig.2 Some of fusing Landsat NDVI data during critical stage of rice of study area
3.2融合时序Landsat NDVI滤波结果
通过三种NDVI时间序列曲线重构方法及其保真性特征（相关系数）比较，得出S-G滤波法的整体保真性较好。除双季稻外，其他3种植被类型时序NDVI经S-G滤波法重构后的保真性较其他两种算法要好（如图3a）。以局部拟合为主的S-G滤波有较强的细节拟合能力，而AG与D-L拟合方法以曲线上包络线吻合为主要特征，在去噪的同时也会导致重建的NDVI偏离真实值。与此同时，对各类型植被用不同方法重建的效果分析发现，除林地类型S-G滤波方法的重建前后差异程度（回归估计标准差）相对较小，即用该方法所得的拟合值整体代表性较好（3b）。因此本文将选用经过S-G滤波后的时间序列NDVI数据进行后续研究。
a．三种算法下不同覆被类型NDVI重构后原始值与拟合值的相关系数
a．Correlation coefficient between original NDVI value and fitting value reconstructed by three algorithms for different land cover
types
b．三种算法下不同覆被类型NDVI重构后原始值与拟合值的回归估计标准差
b. Root mean square error between original NDVI value and fitting value reconstructed by three algorithms for different land cover
types
图3 三种算法下不同覆被类型NDVI重构保真性比较
Fig.3 Comparison of the ability on keeping the main characters after NDVI reconstruction by three algorithms for different land
cover types
拟合后的双季稻NDVI值呈现明显的“双峰”型，如图4。在5月下旬（第145天）出现第1个峰值（0.69），此时早稻正处于抽穗阶段，故其NDVI值较高。到7月上旬（第193天）出现谷值，因此时为早稻收割期，NDVI值会有所减小。8月下旬（第241天）左右出现了第2个峰值（0.73），这段时期由于晚稻处于孕穗、抽穗状态，NDVI值相对较高。10月上旬（第289天）晚稻相继收割，故NDVI出现第2个谷值。后期NDVI值有上升趋势主要是由田间杂草或绿色肥料（满江红等），油菜的栽种等所导致的。
棉花的NDVI值呈“单峰”型。6月下旬到7月上旬（第177-193天）棉花处于蕾期，NDVI值达到最大值（0.73）。11月中旬之后，棉花相继落叶，故其NDVI值不断减小。
7月下旬至8月上旬（第193-209天）一季稻处于分蘖、孕穗期，NDVI值达到最大值0.72。到8月下旬至9月上旬（第241-257天），一季稻收获，NDVI值较低。之后杂草等会导致NDVI值小幅度升高。
由于研究区大都为常绿阔叶林，故林地的NDVI值表现最为平稳，除了2月至3月上旬由于气候影像，其NDVI值会稍有降低，林地NDVI值全年基本维持在0.8左右。
4种难以辨别覆被类型的NDVI值会随着时间发生不同的变化，这种NDVI的变化将有助于区分这四种覆被类型。例如，5月下旬、7月上旬、9月上旬可以将早稻与一季稻进行区分，11月上旬可以区分棉花和水稻、棉花等。
图4 Landsat NDVI拟合结果
Fig.4 Fitting result of Landsat NDVI data
3.3J-M距离及最佳Landsat NDVI组合
考虑到早稻移栽日期大概在四月中旬，以及晚稻收割大致在10月上旬，选择进行J-M距离计算的Landsat NDVI的日期为2013年4月23日～2013年11月1日（第113～305天），共13期。根据公式（7）和（8），并结合滤波后的Landsat NDVI，按不同组合计算J-M距离。进行J-M距离计算时，通过选取不同的地面验证数据进行对比分析，得到各植被类型间最佳的J-M距离（如表4）。
表4不同Landsat NDVI数据组合下四种覆被类型间的J-M距离
Table4 J-M distance among four different land cover types on different combination of Landsat NDVI data
Landsat NDVI数据
组合序号Scene combination number of Landsat
NDVI
J-M值
J- M distance
林地-双季稻
Forest and
Double
cropping rice
林地-一季稻
Forest and
Single season
rice
林地-棉花
Forest and
cotton
双季稻-一季稻
Double cropping
rice and Single
season rice
双季稻-棉花
Double
cropping rice
and cotton
一季稻-棉花
Single season
rice and cotton
3 6 1.982 1.979 1.956 1.843 1.878 1.821
3 6 9 1.992 1.987 1.981 1.926 1.946 1.894
3 6 9 11 2.000 2.000 1.992 1.965 1.987 1.947
3 6 9 11 13 2.000 2.000 2.000 1.985 1.992 1.988
1 3 6 9 11 13 2.000 2.000 2.000 1.986 1.983 1.988
1 3 4 6 9 11 13 2.000 2.000 2.000 1.986 1.983 1.988
1 3 4 6 7 9 11 13 2.000 2.000 2.000 1.986 1.983 1.988
1 3 4 5 6 7 9 11 13 2.000 2.000 2.000 1.986 1.983 1.988
1 3 4 5 6 7 8 9 11 13 2.000 2.000 2.000 1.986 1.983 1.988
根据J-M距离计算结果分析，不同时间序列Landsat NDVI组合的地物可分程度存在一定的差异，但3组以上的Landsat NDV时序数据组合对不同地物可分性的差异并不十分显著（增幅小于0.02），再结合不同作物的物候历分析结果，综合考虑后，选择序号为3、6、9、11、13的Landsat NDVI数据组合作为研究区遥感分类的最佳时序数据组合。
3.4遥感分类结果与精度评价
基于融合的时间序列Landsat NDVI影像，对研究区进行分类和精度评价。分类结果如图5，双季稻面积为7.75×105hm2,一季稻面积为1.3×104hm2。
据湖南省2013年统计年鉴对分类结果进行定性分析，年鉴记录研究区双季稻种植面积为8.32×105hm2，分类结果与统计年鉴的误差为6.85%。一季稻种植面积为0.15×105hm2，分类结果与统计年鉴的误差为11.84%，精度较双季稻要低，主要是因为近年来国家为增加粮食产量，扩大双季稻种植面积同时减少一季稻种植面积。因此造成一季稻面积较小且分布较为分散，容易与其他作物形成混合像元。
图5 研究区水稻面积提取结果
Fig.5 Paddy area extraction of study area
通过分类的混淆矩阵对分类结果进行定量分析（如表5），总体分类精度94.52%，Kappa系数为0.9128，分类精度较好。同时也可以看出一季稻的用户精度（UA）与制图精度（PA）较其他类型都要低。
（这个表示的是像元个数，没有单位）
表5 研究区不同土地利用/覆盖类型分类精度评价结果
Table 4 Evaluation of classification precision for different land use/cover types of study area
水体Water
双季稻
Double
cropping rice
一季稻
Single
season rice
棉花
Cotton
林地
Forest
其他类
Others
制图精度（%）
Producer accuracy (%)
水体
Water
3256 0 0 0 0 12 99.63
双季稻
Double cropping
rice
0 4585 104 124 35 13 94.32
一季稻
Single season rice
0 109 2168 57 43 9 90.86
棉花
Cotton
0 76 157 3749 102 6 91.66
林地
Forest
0 45 23 178 4053 21 93.82
其他类Others 52 0 0 0 14 3821 98.30
用户精度（%）
User accuracy（%）
98.43 95.22 88.42 91.26 95.43 98.43
总体分类精度94.52% Kappa系数0.9128
Overall accuracy Kappa coefficient
3.5洞庭湖区水稻种植分布及特征
研究区水稻分布范围较广，水稻种植总面积达7.88×105hm2，占研究区总面积的17.27%。双季稻、一季稻种植面积分别为7.75×105和1.3×104hm2，分别占研究区总面积的16.89%与0.29%，水稻种植以双季稻为主。水稻种植区主要集中分布于湖区海拔较低的平原，双季稻主要分布湖区北部的华容县、南县，及西北部的安乡县、津市市、澧县以及常德市鼎城区。一季稻有小范围面积集中分布于湖区西北部的澧县和中部的南县。双季稻斑块较大且分布相对连续，而一季稻斑块较小且分布较为零散，双季稻与一季稻交织分布（图5）。
双季稻种植面积以常德市、华容县、澧县居多，分别为79.01×103、78.39×103、87.90×103hm2，临湘市与湘阴县则相对较小，分别为29.88×103和28.79×103hm2（表6）。就占县（市）比例而言，安乡县、津市市、临澧县双季稻种植面积占各县总面积比例较大，分别占到25.71%、18.47%、19.98%，最小的为临湘市和岳阳县，不到10%（9.75%和8.77%）。一季稻种植面积较大的有华容县、澧县、南县，其中澧县一季稻种植面积最大（3.27×103hm2），南县次之（2.77×103hm2），华容县最小（1.73×103hm2）。一季稻种植面积占各县（市）总面积比例较双季稻要小，均不到1%，比例最大的为南县（0.86%），最小的为临湘市，只有0.2%。
表6研究区各县（市）水稻面积及所占比例
Table 5 Paddy area and proportion of every county of study area
双季稻（10hm）Double cropping rice 一季稻（10hm）
Single season rice
双季稻（%）
Double cropping rice
一季稻（%）
Single season rice
安乡县
An xiang County
56.31 0.81 25.71 0.33
常德市
Changde City
79.01 1.24 12.96 0.20
汉寿县
Hanshou County
55.54 0.37 16.62 0.11
华容县
Huarong County
78.39 1.73 16.66 0.35
津市市
Jinshi City
25.18 0.20 18.47 0.15
澧县
Li County
87.90 3.27 17.47 0.66
临澧县
Linli County
43.79 0.81 19.98 0.38
临湘市
Linxiang City
29.88 0.05 9.75 0.02
汨罗市
Miluo City
45.72 0.33 12.66 0.09
南县
Nan County
48.23 2.77 14.95 0.86
湘阴县
Xiangyin County
28.79 0.12 10.38 0.04
益阳市46.16 0.18 12.41 0.05
Yiyang City
沅江市
44.80 0.99 13.41 0.30
Yuanjiang City
53.33 0.19 14.33 0.05
岳阳市
Yueyang City
49.86 0.38 8.77 0.07
岳阳县
Yueyang County
4结论
不同作物的时序NDVI曲线是不一样的，尤其是在作物关键期的NDVI值。因此根据时序NDVI可以将水稻与其他作物或植被区分开来。本文利用时空融合模型STARFM，融合时序MODIS13Q1产品和Landsat8 OLI影像并得到时序Landsat NDVI数据，经S-G函数进行滤波平滑处理，参考作物物候特征及可分离性能够分析（J-M距离）得到区分水稻与其他覆被类型最佳时期的Landsat NDVI组合，并对洞庭湖区水稻面积进行提取，试验结果表明：
1）通过该方法对洞庭湖区水稻面积进行提取，得到了较高精度的水稻填图，总体分类精度94.52%，kappa系数为0.9128，其中一季稻的用户精度（UA）和制图精度（PA）较双季稻要低。
2）研究区水稻水稻种植总面积达7.88×105hm2，双季稻种植面积为7.75×105hm2，主要集中于湖区北部及西北部，且分布较连续。一季稻种植面积为0.13×105hm2，分布相对零散，有小范围集中于湖区中部及西北部。
中国南方受副热带高压控制，春夏季多云雨，将会造成Landsat数据的大量缺失。利用遥感影像对区域作物进行分类和提取势必会受到影响，因此利用STARFM模型等数据融合技术是解决数据缺失，并进行作物种植面积提取与监测的一种有效手段。但利用遥感数据时空融合方法对植被面积进行提取时不仅要考虑植被的物候变化，而且还要考虑地物类别的空间信息，尤其是空间异质性较强的区域。洞庭湖区由于其较好的水热条件，植被种类丰富多样，造成了该地区较强的空间异质性并容易形成混合像元，在很大程度上影响了农作物面积提取的精度。加之政策和地形条件的复杂使得一季稻的分布零散，且夹杂分布在各种作物之间，给水稻面积的精细提取带来一定的困难。因此，加强作物的物候特征研究，并从尺度转化角度解决空间异质性问题等是有待进一步研究的问题。
参考文献：
[1] 熊建新, 彭保发, 陈端吕, 等. 洞庭湖区生态承载力时空演化特征[J]. 地理研究, 2013, 32(11), 2030-2040.
Xiong Jianxin, Peng Baofa, Chen Duanlv, et al. Spatial-temporal evolution characteristics of ecological carrying capacity in the DongTing Lake area[J].Geographical Research, 2013, 32(11), 2030-2040. (in Chinese with English abstract)
[2] Qi Xiaoxing, Liu Liming, Liu Yanbin et al. Risk assessment for sustainable food security in China according to integrated food
security: Taking Dongting Lake area for example[J]. Environment Monitor Assess, 2013, 185(6), 4855-4867.
[3] Chang J, Hansen M C, Pittman K, et al. Corn and soybean mapping in the United States using MODIS time-series data sets[J].
Agron. J, 2007, 99(6).1654-1664.
[4] Long J A, Lawrence R L, Greenwood M C, et al. Object-oriented crop classification using multitemporal ETM+SLC-off
imagery and random forest[J]. Remote Sensing, 2013, 50(4), 418-436.
[5] Shao Y, Lunetta R S, Ediriwickrema J, et al. Mapping cropland and major crop types across the Great Lakes Basin using
MODIS-NDVI data[J]. Remote Sensing, 2010, 75(1), 73-84.
[6] Zhong L, Gong P, Biging G S, et al. Efficient corn and soybean mapping with temporal extendability: a multi-year experiment
using Landsat imagery[J]. Remote Sensing of Environment, 2014, 140(1), 1-13.
[7] Vintrou E, Desbrosse A, Begue A, et al. Crop area mapping in West Africa using landscape stratification of MODIS time series
and comparison with existing global land products[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1), 83-93.
[8] Brown J C, Kastens J H, Coutinho A C, et al. Classifying multiyear agricultural land use data from Mato Grosso using
time-series MODIS vegetation index data[J]. Remote Sensing of Environment, 2013, 130(1), 98-112.
[9] Marian V, Andreas B, Francois D et al. Land cover change monitoring using Landsat MSS/TM satellite image data over west
Africa between 1975 and 1990[J]. Remote Sensing, 2014, 6(1), 658-676.
[10] Lubos M, Veronika K. Changes in croplands as a result of large scale mining and the associated impact on food security
studied using time-series Landsat images[J]. Remote Sensing, 2010, 2(6), 1463-1480.
[11] Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat
surface reflectance [J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8), 2207-2218.
[12] Zhu Xiaolin, Chen Jin, Gao Feng, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex
heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11), 2610-2623.
[13] 邬明权，王洁，牛铮，等. 融合MODIS与Landsat数据生成高时间分辨率Landsat数据[J]. 红外与毫米波学报, 2012, 3(1):
80-84.
Wu Mingquan, Wang Jie, Niu Zheng, et al. A model for spatial and temporal data fusion[J]. J. Infrared Millim. Waves, 2012, 3(1): 80-84. (in Chinese with English abstract)
[14] Zhang Wei, Li Ailong, Jin Hua-an, et al. An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS
surface reflectance to generate high temporal Landsat-like data[J]. Remote Sensing, 2013, 5(10): 5346-5368.
[15] 石月婵, 杨贵军, 李鑫川, 等. 融合多源遥感数据生成高时空分辨率数据的方法对比[J]. 红外与毫米波学报, 2015,
34(1): 92-99.
Shi Yuechan, Yang Guijun, Li Xinchuan, et al. The comparison between the spatial and temporal data fusion models for fusing multi-source remote sensing data to generate high temporal Landsat-like data[J]. J, Infrared Millim, Waves, 2015, 34(1): 92-99.
(in Chinese with English abstract)
[16] Hiker H, Wulder M A, Coops N C, et al. Generation of dense time series synthetic Landsat data through dada blending with
MODIS using a spatial and temporal adaptive reflectance fusion model[J]. Remote sensing of Environment, 2009, 113(9), 1988-1999.
[17] Walker J J, Beurs K M, Wynne R H, et al. Evaluation of Landsat and MODIS data fusion products for analysis of dryland
forest phenology[J]. Remote Sensing of Environment, 2012, 117(1), 381-393.
[18] Jia Kun, Liang Shunlin, Zhang Ning, et al. Land cover classification of finer resolution remote sensing data integrating
temporal features from time series coarser resolution data. Journal of Photogrammetry and Remote Sensing, 2014, 93(5), 49-55.
[19] 邬明权,牛铮,王长耀.利用遥感数据时空融合技术提取水稻种植面积[J]. 农业工程学报, 2010, 26(2): 48-52.
Wu Mingquan, Niu Zheng, Wang Changyao. Mapping paddy fields by using spatial and temporal remote sensing data fusion technology[J]. Journal of Arid Land Resources and Environment, 2010, 26(2): 48-52. (in Chinese with English abstract) [20]李儒, 张霞,刘波等.遥感时间序列数据滤波重建算法发展综述[J]. 遥感学报, 2009, 13(2): 335-341.
Li Ru, Zhang Xia, Liu Bo, et al. Summary of time series data reconstruction algorithm of remote sensing [J]. Journal of remote sensing, 2009, 13(2): 335-341. (in Chinese with English abstract)
[21] 曹云锋,王正兴,邓芳萍. 3种滤波算法对NDVI高质量数据保真性研究[J]. 遥感技术与应用, 2010, 25(1): 113-125.
Cao Y unfeng, Wang Zhengxing, Deng Fangping. Fidelity performance of three filters for high quality NDVI time series analysis[J]. Remote Sensing Technology and Application, 2010, 25(1): 113-125. ( in Chinese with English abstract)
[22] 周增光,唐娉.基于质量权重的Savitzky-Golay时间序列滤波方法[J]. 遥感技术与应用, 2013, 28 (2): 232-239.
Zhou Zengguang, Tang Pin. Savitzky-Golay time series filtering algorithm based on the weight of quality [J]. Remote
Sensing Technology and Application, 2013, 28(2): 232-239.( in Chinese with English abstract)
[23] J?nsson, P, Eklundh L. Seasonality extraction and noise removal by function fitting to time-series of satellite sensor data,
IEEE Transactions of Geoscience and Remote Sensing, 2002, 40(8), 1824 – 1832.
[24] J?nsson P, Eklundh L. Timesat - a program for analyzing time-series of satellite sensor data[J]. Computers and Geosciences,
2004, 30(8), 833 – 845.
[25] Hao Pengyu, Wang Li, Niu Zheng, et al. The potential of time series merged from Landsat-5 TM and HJ-1 CCD for crop
classification: A case study for Bole and Manas counties in XinJiang, China[J]. Remote Sensing, 2014, 6(8), 7610-7631. [26] Murakami T, Ogawa S, Ishitsuka N, et al. Crop discrimination with multitemporal SPOT/HRV data in the Saga Plains,
Japan[J]. International Journal of Remote Sensing, 2001, 22(7), 1335-1348.
[27] Van Niel T.G, McVicar T.R, Datt B. On the relationship between training sample size and data dimensionality: Monte Carlo
analysis of broadband multi-temporal classification[J]. Remote Sensing of Environment, 2005, 98(4), 468-480.
[28] Adam E, Mutanga O. Spectral discrimination of papyrus vegetation in swamp wetlands using field spectrometry[J]. Journal
of Photogrammetry and Remote Sensing.2009, 64(3), 612-620.
Mapping paddy fields of the DongTing Lake area by fusing Landsat and
MODIS data
Zhang Meng1,2，Zeng Yongnian1,2
(1. School of Geosciences and Info-physics, Central South University, Changsha410083, China; 2. Center for Geomatics and
Regional Sustainable Development Research, Central South University, Changsha 410083, China)
Abstract:Dongting Lake area is one of important commodity grain base in the middle and lower reaches of Yangtze River, China, so we selected the Dongting Lake area as an example to extract the paddy area using Landsat data. But it’s hard to get the time series Landsat data of the Study area due to the rainy weather and return cycle of Satellite. In order to solve the problem of data loss in mapping paddy fields, we use STARFM algorithm to blend MODIS and Landsat data, and get the high-frequency temporal information from MODIS and high-resolution spatial information from Landsat. Then the Savitzky-Golay(S-G), Gaussians and Double logistic filter were used to smooth the time series Landsat NDVI data. Through the comparative analysis we found that the overall fidelity of Savitzky-Golay was the best. On one hand, the correlation coefficient between original NDVI value and fitting value is better than the other two methods which are used to smooth the time series Landsat NDVI data. On other hand, the root mean square error is smaller than the other two filters for land cover types except for forest. With the phonological calendar of crops and computation of Jeffries-Matsushita distance (J-M), and through selecting validation data randomly cross over the study area for many times, we get the best J-M distance and the optimal Landsat NDVI data combination, the optimal Landsat NDVI data combination was DOY145, 193, 241, 273 and 305. Support vector machine was used to map paddy area of study area next. Results
showed that this method could map paddy fields effectively, and get a high overall precision of 94.52% with Kappa coefficient of 0.9128. Producer’s accuracies (PA) for double cropping rice, single s eason rice, cotton and forest are over 90%. The user’s accuracies (UA) are over 90% except single season rice (88.42%), because 109 single season pixels were misclassified as double cropping rice, which is in compliance with the results from that single season rice and double cropping rice have the lowest separability among all pair-wise vegetation types in the optimal scene combination, and it also proves that the mix-pixels leaded by small area and dispersed distribution among double cropping rice of single season rice make it difficult to discriminate the two types of rice. Paddy rice area is 7.88×105hm2with throughout most of the study area. Double cropping rice area is about 7.75×105hm2 ,Obviously, the double cropping rice takes the main part of rice planting, and its precision is 93.15% compared with statistical yearbook of Hunan Province in 2013, and mainly concentrated in the north and northwest of the Lake area. The distribution of Double cropping rice is continuous. Distribution of Single season rice is relatively scattered, small range in central and northwest of study area, and its area and precision are nearly 1.3×104hm2 and 88.16%. The precision of Single season rice is lower than Double cropping rice also due to the mix-pixel problem caused by scattered distribution of Single season rice. Rice planting area is mainly concentrated in low altitude plain of the lake area, Double cropping rice is mainly distributed in the north of the study area, like Hurong county and Nanxian county, and Anxiang county, Jinshi city, Lixian county Dingcheng district of Changde city in the northwest of the lake area. Single season rice has a small range of area concentrated in the northwest and central of study area, like Lixian county and Nanxian county. The research can provide an important way to solve the losing data problem on monitoring crop.
Key words: Dongting Lake area; Paddy; MODIS; Landsat; Data fusion
EOS-MODIS 1B数据格式与应用 王正兴，陈文波，邓芳萍，曹云刚 中国科学院地理科学与资源研究所 全球变化信息研究中心 2004年11月2日， 中国科学院资源环境科学信息中心，兰州 报告提纲 1、什么是MODIS 1B数据，已经作了那些校正？ 2、MODIS 1B 数据结构：HDF 与HDF-EOS 简介 3、MODIS 1B 数据结构示例 4、MODIS 1B 数据内容：正常数值与异常数值。 5、MODIS 1B 数据：与时间有关的因素。
1、什么是 MODIS 1B 数据？ 是MODIS 44种系列数据产品中的一种，产品编号为 MOD02 ( Terra-MODIS)/ MYD02(Aqua-MODIS); 是经过仪器标定的数据产品，但是没有经过大气校正； 是包含有地理坐标产品的数据，但是“科学数据”和“地理数据”还没有连接，直接 显示时，边缘存在“蝴蝶结”（Bow-tie）现象； MODIS 1B 数据采用层次数据模型（HDF）或其对地观测扩展（HDF-EOS），这些模 型有不同版本，受不同软件支持。本培训使用软件为ENVI3.X软件。 具体讲，L1B 程序校正了反射波段探测器中未加工的数字信号（DN）中所有已知仪器误差，输出经过校正的（dn。）。这些校正包括： 电子偏移 在“模拟-数字”转换器里的非线性问题 扫描镜反射的角度变异 由于仪器和焦平面变异引起的增益的变化 在短波红外波段外的光谱响应，如波段5，6，7和波段26。 dn*之后，L1B根据每个波段内不同探测器之间变异参数，把dn*教正为dn**。由于dn**的数据量很大（小数，需要用浮点储存），为了节省空间,在反射太阳波段的科学数据中进行尺度转换，用 16-bit 整数表示法。实际上，16-bit中的15-bit用于储存有效数据；第16-bit 储存几类无效数据。 2、MODIS 1B 数据结构：HDF 与HDF-EOS 简介 HDF：分等级的数据格式（层次结构，树结构） HDF-EOS：是对地观测系统（EOS）对HDF的扩展。 重要性：HDF-EOS 已经被美国对地观测系统的数据与信息系统（EOSDIS）选定为 数据标准，许多由美国政府合同支持的产品和免费软件等都以此为基础。如Terra, Aqua, Landsat ETM。 开发和维护：伊利诺斯州大学的美国国家超级计算应用中心（NCSA） （https://www.doczj.com/doc/061564271.html,）。 说明：我们可能已经使用过许多数据而不一定知道该数据的结构，如GeoTiff。重要 的是，需要了解那些软件能够识别这些数据结构。具体到HDF,它的结构可能很简单，也可能很复杂。我们的目的是使用MODIS 数据，并不意味着先要了解所有的结构。
1、同时期影像拼接、重投影、转格式（MRT） 黄土高原地区 Projected coordinate system name: Beijing_1954_3_Degree_GK_CM_108E Geographic coordinate system name: GCS_Beijing_1954 Map Projection Name: Transverse Mercator Scale Factor at Central Meridian: 1.000000 Longitude of Central Meridian: 108.000000 Latitude of Projection Origin: 0.000000 False Easting: 500000.000000 False Northing: 0.000000 北京54参考的椭圆： 椭球坐标参数：长半轴a=6378245m；短半轴=6356863.0188m 2、在Erdas中裁剪，得到研究区的原值NDVI -2000~9663 方法：aoi格式文件裁剪：在ERDAS图标面板工具条中单击Data Prep图标，Subset，打开Subset对话框。在Subset对话框中需要设置下列参数： ①输入文件名（input file） ②输出文件名（output file） ③单击aoi选中裁剪文件名：在choose aoi选项中选中文件名 ④其余的我选择默认，然后ok等结果 3、得到范围在-1~1的NDVI 方法：ENVI — Basic Tools — Band Math（波段运算，把负值去掉） 在弹出的对话框Band Math中，Enter an expression： (b1 lt 0)*0+(b1 ge 0)*(b1*0.0001)。 这个公式意思就是：要是值小于0 就乘以0，使其变为0；同时，值大于等于0的话就乘以0.0001
MODIS数据的处理方法(ENVI) 美国RSI公司（Research Systems Inc.）的产品ENVI能很好地支持HDF数据格式。ENVI（The Environment for Visualizing Images）遥感影像处理软件，是分析、处理并显示多光谱数据、高光谱数据和雷达数据的高级工具。ENVI能接受大量的传感器数据，是世界目前唯一 美国RSI公司（Research Systems Inc.）的产品ENVI能很好地支持HDF 数据格式。ENVI（The Environment for Visualizing Images）遥感影像处理软件，是分析、处理并显示多光谱数据、高光谱数据和雷达数据的高级工具。ENVI 能接受大量的传感器数据，是世界目前唯一能较好全面支持HDF科学数据格式的遥感影像软件。ENVI可以直接读取HDF格式（如图2所示），并能识别HDF格式中所包含的所有文件信息（如图3所示）。ENVI 打开HDF格式文件后，会自动将该数据文件所包含的所有图像信息、属性信息、文本信息作为波段列于一个波段列表中，用户可以清晰地浏览每一波段的详细信息，包括波段名称、图像波段波长、波段大小、数据类型及文件内插方式等多种信息。方便用户显示图像，并对各种属性及文本文件作各种分析。 本文选取2001年5月20日中国北部及蒙古地区（经纬度范围：92.49°- 116.97°,33.88°- 41.23°）的一景MODIS数据进行分析，主要从读取数据、分析经纬度波段信息、第一、四、三波段融合显示、影像地理校正几方面对该景数据进行了分析，具体步骤如下： （1）数据读取：打开ENVI，在主菜单中选择File\Open External File\Generic Formats\HDF，选择文件“MODO2QKM_03.hdf”,表示是该景MODIS 数据的250米数据文件，从下图中可以看到，该文件中除两个影像波段外，还包含经度波段、纬度波段、热红外探测器的噪声信息、反射率变化参数等信息。 （2）1、4、3波段影像融合：MODIS数据的第一、四、三波段的波段宽度分别为0.62μm ~ 0.67μm 、0.545μm ~ 0.565μm、0.459μm ~ 0.479μm，近似于可见光的红、绿、蓝波段，所以第一、四、三波段组合比较接近真彩色，故常选用这三个波段来表示MODIS影像。此处用同样方式打开500米数据文件，该文件共包含五个影像波段，将影像融合所需要的第3和第4波段进行重采样，即将其空间分辨率由500米重采样为250米，并与步骤（1）中第1波段组合，进行彩色方式显示。为提高成果影像的空间分辨率，笔者又将143波段组合影像进行对比度调整输出后，与真实空间分辨率为250米的第一波段进行影像融合（用HIS融合法），得到了几何清晰度更高的143波段融合影像（如图4所示）。图4中左侧为1、4、3波段彩色组合显示及局部放大，右侧为143波段组合输出后又与1波段进行融合的结果，可以很明显地看到，右侧的影像细节非常突出。体现了具有较高分辨率的第一波段的优势。 （3）影像地理校正，由于MODIS数据本身带有详细的经纬度波段信息，这种地理信息以波段的形式存放，如图5中的灰度波段所示，该灰度影像每一象素的灰度值记录的是空间分辨率为1公里的MODIS数据中对应象素点的经纬度信息，这种详细的地理信息可以使影像不需要选择大量地面控制点就可以作精纠正，而且精度会比选控制点的方法更高。ENVI软件提供了“Georeference from Input
水体提取方法简单归纳总结 一、基于MODIS影像的几种提取方法。 最常用的水体提取方法： 波段阈值法、谱间关系法（波段组合法）和多光谱混合分析法 单波段阈值法是提取水体的最简单易行的方法。 基本原理：是利用水体在近红外波段上反射率较低,易与其它地物区分的特点,选取单一的红外波段, 通过反复试验, 确定一个灰度值,作为区分水体与其它地物的阈值即可。 缺点：是无法将水体与山区阴影区分开来,提取的水体往往比实际要多。 有些文献中叙述由于阀值随时间、地点变化的不确定性使得该方法具有局限性,但对于非山区的特定时相和区域里,尤其像MODIS 这样高光谱的遥感数据, 首先应选用阈值法进行试验,因为光谱的细分已经将上述问题大大减弱。若能获得较满意的提取效果,则很容易实现水体的自动提取。 对于用阈值法确实得不到理想效果的,则可以考虑谱间关系法和多光谱混合分析法。 利用谱间关系可建立的模型很多,如对波段进行如下组合运算CH7/CH6 ,CH7/CH5, CH6/CH5, 从而找出组合图像上水陆分界非常明显的影像。以CH7/CH6为例,可以采用如下方法剔除非水体: 在ENVI 软件下输入CH7 及CH6 波段, 运用波段计算功能,将公式CH7/CH6 输入,载入影像, 在放大窗口中,手工裁取明水水域范围, 生成多边形,对各多边形赋予一个感兴趣区( AOI) 文件, 并将其输出为EN-VI 等矢量文件即可。 对波段进行组合运算的目的,是为了增强水陆反差。MODIS 数据的波段1 是红光区( 0. 62 ～0.67um) ,水体的反射率高于植被, 波段2 是近红外区( 0. 841 ～0. 876um) ,植被
一般说来，用ENVI打开MODIS HDF数据有以下几种方式： 第一种是直接用File->Open Image File打开，主要是针对Level1B数据和Level2数据的部分波段。以MOD021KM数据为例，采用这种方式打开得到的图像是定标后的反射率、辐射亮度以及发射率数据，即图像灰度具有明确的物理含义，不需要再进行波段运算进行定标。这种方法打开数据速度快，但是适用的数据有限，打开后得到的图像波段也有限。比如MOD02数据中也有经纬度、太阳/传感器天顶角、方位角波段，用这种方式就无法打开。 第二种是是用File->Open External File->Generic Formats->HDF打开，可打开各种产品。该方法实际上是打开HDF文件，特别是像MODIS的很多陆地产品，如地表反射率、LAI、LST、BRDF/Albedo等（就是文件名中带有h??v??的），都需要用这种方式打开。打开之后用户还需要选择HDF文件中的数据集(dataset)，如果是多波段还需要指定数据格式(BSQ\BIP\BIL)。采用这种方式打开HDF文件可以获取文件中所有数据集的信息，打开得到的波段也是未做过定标的，需要从HDF文件中查找定标系数通过波段运算手工定标。查看HDF数据集属性可以通过Basic Tools->Preprocessing->Data-Specific Utilities->View HDF Dataset Attributes实现。 另外通过File->Open External File->EOS->MODIS也可以打开部分MODIS数据，它与第一种打开方式一样，这里不再重复。 关于MODIS数据的几何校正，对于Level1B和Level2级产品，由于其HDF文件中一般都含有经纬度波段，可采用GLT的方法对其进行校正。相应的菜单是Map->Georeference from Input Geometry->Build GLT和Map->Georeference from Input Geometry->Georeference from GLT。用GLT方法校正需要注意输入的经纬度图波段要与待校正的数据波段行列大小一致。 在Map菜单下还有一个Georeference MODIS功能，可以对采用Open Image File方式打开得到的MODIS数据波段进行校正。通常对Level1B数据采用这种方法进行，因为速度快，而且不需要生成GLT临时文件。但这种方法存在一个问题，就是对很多无法通过Open Image File方式打开的数据波段失效。
MODIS数据介绍 数据概况 1999年2月18日，美国成功地发射了地球观测系统（EOS）的第一颗先进的极地轨道环境遥感卫星Terra。它的主要目标是实现从单系列极轨空间平台上对太阳辐射、大气、海洋和陆地进行综合观测，获取有关海洋、陆地、冰雪圈和太阳动力系统等信息，进行土地利用和土地覆盖研究、气候季节和年际变化研究、自然灾害监测和分析研究、长期气候变率的变化以及大气臭氧变化研究等，进而实现对大气和地球环境变化的长期观测和研究的总体（战略）目标。2002年5月4日成功发射Aqua星后，每天可以接收两颗星的资料。 搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪（MODIS）是美国地球观测系统（EOS）计划中用于观测全球生物和物理过程的重要仪器。它具有36个中等分辨率水平（0.25um~1um）的光谱波段，每1-2天对地球表面观测一次。获取陆地和海洋温度、初级生产率、陆地表面覆盖、云、汽溶胶、水汽和火情等目标的图像。 本网站提供的MODIS陆地标准产品来自NASA的陆地过程分布式数据档案中心（The Land Processes Distributed Active Archive Center,LP DAAC/NASA）。包括：基于Terra星和Aqua星数据的地表反射率（250m,daily;500m,daily;250m,8days;500m,8day）、地表温度（1000m,daily;1000m,8days;5600m,daily）、地表覆盖（500m,96days;1000m,yearly）、植被指数NDVI&EVI（250m,16daily;500m,16days;1000m,16days;1000m,monthly;、温度异常/火产品（1000m,daily;1000m,8days）、叶面积指数LAI/光合有效辐射分量FPAR（1000m,8days）、总初级生产力GPP（1000m,8days）。 本网站提供的所有MODIS陆地标准产品的格式为HDF-EOS，数据组织方式为10°经度*10°纬度的分片（TILE）方式。 MODIS数据特点及技术指标 1999年2月18日，美国成功地发射了地球观测系统（EOS）的第一颗先进的极地轨道环境遥感卫星Terra。它的主要目标是实现从单系列极轨空间平台上对太阳辐射、大气、海洋和陆地进行综合观测，获取有关海洋、陆地、冰雪圈和太阳动力系统等信息，进行土地利用和土地覆盖研究、气候季节和年际变化研究、自然灾害监测和分析研究、长期气候变率的变化以及大气臭氧变化研究等，进而实现对大气和地球环境变化的长期观测和研究的总体
MODIS数据下载说明 李英杰 中国科学院遥感应用研究所远程通讯与地学处理课题组 2007年8月 第一部分提交MODIS数据订单 这里我们以订购2007年6月20日覆盖中国大陆的MODIS数据为例，说明订单提交步骤。 首先请确保您有一台能够连接到Internet的计算机并正常运行。接着请在地址栏键入：https://www.doczj.com/doc/061564271.html,/。该网站首页如图1所示。 图1 然后点击网页中的“Data”，在新出现的页面（图2）中点击“Search”。这时将出现一个名为“Search for Level 1 and Atmosphere Products”的页面，如图3，在里面可根据需要设置所需数据的类型、时间、空间范围等。
图2 图3
这里我们将Product Selection中的Satellite/Instrument设置为Terra MODIS，Group设置为Terra Level 1 Products，在Products中选择MOD021KM-Level 1B Calibrated Radiances-1km。注意：每设置一个参数，页面都会刷新一次。在Temporal Selection中，将Temporal Type设置为Individual Dates and Times，并将Dates(one per line)设置为06/20/2007，表示2007年6月20日。Collection Selection中采用默认设置。Spatial Selection中Coordinate System选择Latitude/Longitude以设置经纬度。在图4中经纬度示意图的右侧，将North、South、West、East四个方向的经纬度分别设置为：54、18、73、136，以覆盖中国大陆。其他设置均采用默认，最后点击页面左下角的Search按钮。 图4 此时将出现查询结果列表，如图5。由于文件较多，这里分为2页显示，为了查看所有文件，可点击文件列表右上方的View All。 在新弹出的页面中，请注意文件列表最左边一列的时间，这里的时间是卫星成像时的格林尼治时间，加上8小时后转换为北京时间。注意到MODIS可见光波段在夜间不能成像，所以这里要根据时间将夜间数据剔除掉（图6），最后点击页面左下角的Add Files To Shopping Cart按钮。
MODIS数据预处理 1.波段设置 Modis影像有三种打开方式,一般我们用打开外部文件的方式打开科学数据集,因为需要数
据集中的一些辅助信息(主要是太阳几何,卫星几何).但是这样打开之后显示的波段从1开始的,而数据集中对应的modis 通道并不是这个顺序.通过菜单栏中的 basic_tools->preprocessing->data_specific utilities->view HDF dataset attributes 可以打开数据集里每个要素的属性表,在里面选中需要的HDF 文件中的数据集，就会打开其属性表，波段内容如下 对应打开的HDF 文件里1KM 辐亮度文件的波段数,一共16个波段.其中13/14波段比较特殊,都有hi 和lo 两组数据,它们是传感器高敏感度和低敏感度两种状态下获取到的DN 值,分别对应于较暗地物和较亮地物,使用哪个文件根据需要而定.但是在太湖湖区,13/14波段大部分区域效果都不太好.值会很大,出现溢出.可能是由于太湖的高浑浊度. 2. 几何校正 几何校正有三种方法: 1) 用envi 自带模块进行几何校正,通过菜单栏中的 Map->Georeferences MODIS 选中envi 中已经打开的需要校正的数据集，输入研究区的地理位置，如下图左，投影用UTM ，基准面用WGS-84，区域根据经纬度确定。输入完成，envi 会自动校正，并执行去蝴蝶结效应算法，有点是能对我们需要的那些波段进行校正。缺点也很明显。如下图右，校正结束的图像会失去原始图像四个角的信息，这样就无法和GLT 校正的图像很好的匹配起来，不利于一些后续的处理。 2) 用GLT ，即是查找表法对图像进行几何校正 Map->Georeference from input Geometry->buid GLT 用来建立查找表。在弹出的对话框中选择查找表的XY 信息，其中X 对应图像经度信息，Y 对应纬度信息。然后只需要规定投影、基准面和区位信息，就可以生成一个查找表文件。这个查找表文件的实质也是两幅图像，分别在每个像元上保存着经纬度值，并且像元位置是拉伸到我们规定的输出投影上面去了，而且是逐像元的拉伸。那么剩下的矫正工作就只是把想要矫正的信息和查找表一一匹配起来，因此速度也很快。 Map->Georeference from input Geometry->Georeference from GLT Attribute 3-5: "band_names" "8,9,10,11,12,13lo,13hi,14lo,14hi,15,16,17,18,19,26"
本文档共三大部分,分别为: 一、modis数据和产品说明 二、风云卫星FY-3数据说明 三、FY-3A MERSI L1数据产品使用指南 一、modis数据和产品说明 1.MODIS数据的技术指标 2.MODIS数据的波段分布特征
3.Modis 命名规则 MODIS 文件名的命名遵循一定的规则，通过文件名，可以获得很多关于此文件的详细信息，比如：文件名MOD09A1.A2006001.h08v05.005.2006012234657.hdf
MOD09A1 –产品缩写 A2006001 –数据获得时间(A-YYYYDDD) h08v05 –分片标示( 水平XX ，垂直YY) 005 –数据集版本号 2006012234567 –产品生产时间(YYYYDDDHHMMSS) hdf –数据格式(HDF-EOS) Terra卫星数据产品
MODIS土地覆盖类型产品包括从每年Terra星数据中提取的土地覆盖特征不同分类方案的数据分类产品。基本的土地覆盖分为有IGBP（国际地圈生物圈计划）定义的17类，包括11类自然植被分类，3类土地利用和土地镶嵌，3类无植生土地分类。 Modis Terra数据lKM土地覆盖类型年合成栅格数据产品包含5中不同的土地覆盖分类体系。数据分类来自监督决策树分类方法。 第一类土地覆盖：国际地圈生物圈计划（IGBP）全球植被分类方案； 第二类土地覆盖：马里兰大学（UMD）植被分类方案； 第三类土地覆盖：MODIS提取叶面积指数/光合有效辐射分量（LAI/fPAR）方案； 第四类土地覆盖：MODIS提取净第一生产力（NPP）方案； 第五类土地覆盖：植被功能型（PFT）分类方案； 本网站提供的为MYD12Q1 V4（第四版本）的分片数据（tile），除提供五类全球土地覆盖分类体系外还提供了陆地覆盖分类评估和质量控制信息。
介绍一下利用ENVI去除MODIS数据条带的方法与步骤。 MODIS数据应用日益广泛，但是由于波谱的相互干涉作用导致MODIS的5通道和26通道的反射率中“条带”现象非常严重，这严重影响了MODIS数据的应用。5通道分辨率5OOM，对云、气溶胶特性敏感。26通道分辨率1000M在薄云、卷云识别方面具有优越特性。 本文主要利用ENVI的ReplacingBadLines功能进行条带去除说明。这主要是利用条带出现的行两边对称的临近行数值进行平均，利用这个平均值来替代条带的数值。手工输入条带的行数超级慢，可以利用条带的周期性特点通过编制一个小程序来快速确定行数，然后通过ReplacingBadLines 的Restore功能载入行数即可。 对MODIS的500M分辨率的数据中5通道进行条带去除：因为5通道的条带只有一条，去除条带后效果很明显。而26通道的条带去除较为困难，因为该通道的条带特征是以中心为主向两侧羽化扩展，而且羽化的程度不一样，所以去条带效果不好。 下面以500M分辨率的5通道为例利用ENVI的ReplacingBadLines功能进行条带的去处，其中条带的行数利用自定义的一个过程： MakeBadLineList,first,interval,lines,filename=filename，得到并生成一个BLL文件存贮条带行的信息用于ReplacingBadLines的Restore。first为出现第一个条带的行数，interval是条带的间隔，lines是数据的总行数，filename是输出文件名存贮行信息。 1、去除条带前，横向条纹十分明显 2、去除条带后，数据平滑，
收稿日期:2008206204;修订日期:2008208225 基金项目:安徽省教育厅自然科学基金资助项目(K J 2007B219);安徽省教育厅教学研究项目(2007J YXM208)。 作者简介:黄海波(1982-)男,硕士研究生,主要从事遥感图像处理、土地利用/覆盖变化研究。E 2mail :hhb1001@https://www.doczj.com/doc/061564271.html, 。 ASTER 遥感影像水体信息提取方法研究 黄海波1,2,赵 萍1,2,陈志英1,郭 伟1,2 (1.安徽师范大学国土资源与旅游学院,安徽芜湖 241000; 2.安徽师范大学GIS 重点实验室,安徽芜湖 241000) 摘要:以安徽省芜湖市为试验区,首先对试验区水体和其它各类地物的光谱特征进行分析,探讨水体在ASTER 遥感影像各个波段与其它地物之间的可分性,然后经过反复实验和分析,构建了基于波段阈值和谱间关系的水体提取模型:B2>B3,B1+B6<127,B3+B4<54和B3<24,最后将该方法提取结果与非监督分类、监督分类和植被指数法提取结果进行评价和比较。实验结果表明该方法可较好地提取研究区各类水体,分类精度明显优于传统提取方法,且简单实用,但在对光谱特征分析过程中样本点选取要求较高。 关 键 词:ASTER ;水体信息提取;谱间关系 中图分类号:TP 79 文献标志码:A 文章编号:100420323(2008)0520525204 1 引 言 水资源分布的调查与监测是控制水污染和生态 保护的前提,而卫星数据具有监测范围广、获取周期 短、地物信息丰富的特点,对调查与监测水资源分布 起着重要的作用。国内外众多学者对水体遥感专题 信息的提取进行了研究,如Bartolucci [1]等通过对 Landsat MSS 数据的研究,指出MSS 波段中近红外 波段为提取水体的最佳波段;秦其明[2]等通过像素 的重组,在区域分割和边界跟踪的基础上,对卫星图 像进行水体形状特征的抽取与描述,实现不同水体 类型的识别;陈华芳[3]等对Landsat ETM +影像,分 别采用了阈值法、差值法和阈值法的结合运用、多 波段谱间关系法和阈值法的结合这3种方法对湿 地进行识别;王志辉,易善祯[4]通过对5种不同水体提取模型(RV I ,NDV I ,NDWI ,MNDWI ,NDSI )原理分析,结合具体实例(洞庭湖水域)进行水体遥感提取来说明5种方法提取水体的差异,从而确定在不同时期和不同用途时所采用最佳的水体提取模型。本文从水体的遥感信息光谱特征入手,分析各地物类型在ASTER 数据各个波段所记录的波谱信息情况差异,探讨水体与其它地物的区分方法。ASTER 是搭载在Terra 卫星上的星载热量散发和反辐射仪,于1999年12月18日发射升空,由日本国际贸易和工业部制造。ASTER 通过从可见光到热红外14个频道获取整个地表的高分辨解析图像数据-黑白立体照片,为多个相关的地球环境资源研究领域提供科学、实用的卫星数据。其主要参数如表1[5]。 表1 ASTER 卫星主要参数表 T able 1 Main parameters table of ASTER satellite 波段 B1B2B3N B4B5B6B7B8B9B10B11B12B13B14波长(um )0.52 0.630.76 1.6 2.145 2.185 2.235 2.295 2.368.1258.4758.92510.2510.950.630.69 0.86 1.7 2.185 2.225 2.285 2.365 2.438.4758.8259.27510.9511.65分辨率(m )15 15153030303030309090909090第23卷 第5期2008年10月遥 感 技 术 与 应 用REMOTE SENSIN G TECHNOLOGY AND APPLICATION V ol.23 N o.5 Oct.2008
基于MODIS数据的水体提取研究 马丹 福建农林大学资源与环境学院，福建福州（350002） 摘要：通过分析遥感图像各类地物的光谱特征和水体在中等分辨率的EOS/MODIS上的波谱特征，确定水体最为明显的波段组合，研究如何从不同时期(枯水期、丰水期)的中等分辨率MODIS遥感影像提取水体的方法。实验表明：遥感图像经空间变换后再利用相同的方法提取的水体更容易区分水体和阴影，产生的噪声也少，提取的水体范围更准确、计算的水域面积精度更高，重点以武汉市的梁子湖为例对水体提取范围和精度进行了比较和分析。 关键词：MODIS影像；水体；阈值；色彩变换 1 引言 MODIS是被动式成像分光辐射计，是Terra和Aqua卫星上都装载有的重要的传感器，MODIS数据廉价实用，数据涉及的波段范围广，这些数据对地球科学的综合研究和对陆地、大气、海洋进行分门别类的研究有较高的使用价值[1]。MODIS数据有36个通道，覆盖了从可见光、近红外到热红外的光谱区间。利用水体在可见光波段、近红外波段的特殊光谱性可以提取有关水体信息。 水资源是一种非常重要的资源，它也是一个独立的环境因子，被人们格外的重视。水体的面积监测是调查水资源的一个重要的方面，也是洪水灾害检测的重要内容。因此利用遥感影像的波谱特征和水体在影像上的特性，研究自动化的提取水体的方法，获取它的范围甚至其它的特征，是十分有意义的工作。 2 水体的光谱特征 从宏观的角度看，陆地上水体主要表现为湖泊、河流、沟渠、水库、池塘和沼泽地等，可分为面状水体和带状、线状水体。在卫星遥感影像上，湖泊、水库、池塘大致表现为一块面状的等值区域，河流、沟渠表现为线形结构。 在MODIS图像上，对于水体来说，水体几乎全部吸收了近红外和中红外波段内的全部入射能量，所以水体在近红外和中红外波段的反射能量很少，而植物、土壤在这两个波段内的吸收能量较少，而且又较高的反射特性，这就使得水体在这两个波段上与植被、土壤有明显的区别。水体在这两个波段上呈现出暗色调，而土壤、植被则呈现出较亮的色调。在可见光绿波段内，图像上记载的反射信息主要有来自水面、水中悬浮物质和水体底部物质的反射，由于水体在绿波段的反射率较高而呈现浅灰色色调，在该波段水体与周边的植被较难区分。关于水体的吸收和辐射特性，不仅与其本身的性质有关，而且还与其所含物质的类型和大小有关。一般地，进入清澈水体的大部分阳光在水下2 米内被吸收，吸收的程度取决与波长。近红外波段在水体1/10 米深处就被吸收，使得在近红外影像上，即使是浅水也是暗的影像色调。可见光波段的吸收会因为研究水体的特征变化而变化。从透过水体拍摄水底的详细程度来看，透射力最好的是在0.48-0.60 微米之间的绿波段。 3 水体信息的提取 3.1图像预处理 原始图像为MODIS数据，存在不同程度、不同性质的几何形态畸变和辐射量的失真等
MODIS产品介绍及下载流程 1.数据获取 1）MODIS 发射背景及综述 为了加强对地球大气、海洋和陆地的综合观测研究，美国国家宇航局（NASA）于1991年发起了一个综合性项目，称为地球科学事业（ESE），其主要目的是通过卫星及其它工具对地球进行更深入的研究。ESE包括三个主要部分：一是地球观测卫星系列（EOS）；二是先进的数据系统（EOSDIS）；三是进行资料分析研究的科学队伍。重点观测研究领域包括水与能量循环、海洋、大气化学、陆地表层系统、水和生态系统过程、冰川和极地冰盖以及固体地球。EOS将在近地轨道提供至少18年系统连续的卫星观测数据用于定量研究地球系统的变化。 Terra作为EOS观测计划中的第一颗卫星，在美国（国家宇航局）、日本（国际贸易与工业厅）、加拿大（空间局、多伦多大学）的共同合作下于1999年12月18日成功发射，Terra的字源是拉丁语“地球、土地”，由于Terra卫星每天上午从北向南通过赤道，因此又被称为地球观测第一颗上午星（EOS-AM1）。NASA的EOS第二颗星命名为Aqua,是美国、巴西和日本共同合作研制的，其拉丁语意为“水”，于2002年5月4日发射成功，为了与Terra卫星在数据采集时间上相互配合，Aqua卫星每天下午从南向北通过赤道，因此被称为地球观测第一颗下午星（EOS-PM1）。 两颗星均为太阳同步极轨卫星。此外，美国对地观测系统计划还将陆续发射用于不同观测内容的卫星系列，如以观测大气化学成分为主的AULA卫星（EOS-CHEM）、以观测冰雪、云层和地面高程为主的ICESAT卫星、以观测太阳辐射及其对气候影响为主的SORCE卫星和以观测陆地为主的LANDSAT-7卫星（1999年已发射成功）等。 中分辨率成像光谱仪(MODerate-resolution Imaging Spectroradiometer) -MODIS是Terra和Aqua卫星上搭载的主要传感器之一，两颗星相互配合每1-2天可重复观测整个地球表面，得到
MODIS遥感影像在水体监测中的应用 重庆师范大学2011级地理信息系统颜萍20110514795 摘要：水体与植被、城市、土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基木原理。在水体光谱特征分析的基础上，介绍了MODIS数据特征以及各种水体信息的提取方法，比较了这些方法的优点和不足，并详细描述了各种水体指数的应用效果。水体指数法是目前最受关注的水体识别方法。综合利用各种水体指数和波段特征来提取水体信息，可有效排除其他地物的干扰，显著提高了水体监测的精度，从而为大范围的水资源与水环境动态监测迅速提供可靠的数据。 关键字：MODIS;检测方法;水体指数;光谱特征; 1 引言 随着遥感技术的不断发展，各种高精度的卫星图像数据产品近年来得到了广泛应用。利用卫星图像提取陆地表而的各种水体信息，成为开展水资源调查、洪涝灾害评估、生态环境监测等方而研究的重要依据。在国内外已经开展的研究中，肖乾广[1]、盛永伟等[2]利用美国NOAA卫星上A VHRR传感器数据的波段1(可见光波段)和波段2(近红外波段)进行差值和比值运算较好地识别了水体。Barton[3]等利用A VHRR波段4的亮度温度识别水体并对洪水进行昼夜监测。陆家驹[4]选用Landsat TM5数据作为水体提取的最佳波段。A VHRR数据时间分辨率较高，便于开展对比观测，但空间分辨率为1.1 km，影响了水体识别精度。TM数据空间分辨率30 m，识别精度较高，但价格昂贵，限制了其应用范围。 2 用遥感影像监测水体的主要方法 2.1 单波段或多波段阈值法 单波段或多波段阈值法主要是根据遥感图像中不同地物之间的灰度值的差异，选择一个或多个能够较好地反映水体和其他地物边界的波段并确定阈值，从而将水体提取出来。MODIS数据的第1波段是红光波段(0. 62～0. 67μm )，第2波段是近红外波段((0.841～0.876μm)。阈值法主要是基于水体在以上2个波段中反射特性的差异建立的。在第1波段图像上水体的灰度值与周围陆地的灰度值相近，
MODIS指数简介 1.MODIS数据介绍 1.1简介 MODIS（MODerate-resolution Imaging Spectroradiometer，中等分辨率成像光谱仪）分别搭载在TERRA和AQUA两颗卫星上，数据可分别从TERRA和AQUA两颗卫星获取。TERRA和AQUA 卫星都是太阳同步极轨卫星，TERRA在地方时上午过境，AQUA将在地方时下午过境。TERRA 与AQUA上的MODIS数据在时间更新频率上相配合，加上晚间过境数据，对于接收MODIS数据来说，可以得到每天最少2次白天和2次黑夜更新数据。这样的数据更新频率，对实时地球观测、应急处理（例如森林和草原火灾监测和救灾）和日内频率的地球系统的研究有非常重要的实用价值。关于TERRA和AQUA卫星介绍，可参看1.3 Terra卫星和Aqua卫星。 MODIS扫描周期为1.477秒，每条扫描线沿扫描方向有1354个Pixels，沿卫星轨道方向有10个1KMD的IFOV。 MODIS共36个波段，其中250m分辨率有2个波段，500m分辨率有5个波段，1000m分辨率有29个波段。36个波段中波段值分辐射值和反射值两种。MODIS各波段的信息如表1所示。 表1 MODIS波段信息
1.2MODIS结构与数据级别 MODIS数据产品分级系统：MODIS标准数据产品分级系统由5级数据构成，它们分别是：0级、1级、2级、3级和4级。 表2 MODIS数据产品分级
MODIS标准数据产品根据内容的不同分为0级、1级数据产品，在1B级数据产品之后，划分2－4级数据产品，包括：陆地标准数据产品、大气标准数据产品和海洋标准数据产品等三种主要标准数据产品类型，总计分解为44种标准数据产品类型。 MOD01：即MODIS1A数据产品。 MOD02：即MODIS1B数据产品。 MOD03：即MODIS数据地理定位文件。 其余类型产品略。 MODIS 1B采用分等级的数据格式（层次结构，树结构）HDF和HDF-EOS。其中HDF-EOS 是对地观测系统（EOS）对HDF的扩展。 MODIS 1B 产品命名如下： 表3 MODIS 1B产品概要 1.3Terra卫星与Aqua卫星 TERRA卫星每日地方时上午10：30时过境，因此也把它称作地球观测第一颗上午星（EOS-AM1）。AQUA卫星保留了TERRA卫星上已经有了的CERES和MODIS传感器，并在数据采集时间上与TERRA形成补充。它也是太阳同步极轨卫星，每日地方时下午过境，因此称作地球观测第一颗下午星（EOS-PM1）
MOＤIＳ遥感影像在水体监测中的应用 重庆师范大学２0１1级地理信息系统颜萍2011０514795 摘要:水体与植被、城市、土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基木原理。在水体光谱特征分析的基础上，介绍了MＯＤIS数据特征以及各种水体信息的提取方法,比较了这些方法的优点和不足，并详细描述了各种水体指数的应用效果。水体指数法是目前最受关注的水体识别方法。综合利用各种水体指数和波段特征来提取水体信息，可有效排除其他地物的干扰,显著提高了水体监测的精度，从而为大范围的水资源与水环境动态监测迅速提供可靠的数据。 关键字：ＭＯＤIS;检测方法；水体指数;光谱特征; 1引言 随着遥感技术的不断发展,各种高精度的卫星图像数据产品近年来得到了广泛应用。利用卫星图像提取陆地表而的各种水体信息,成为开展水资源调查、洪涝灾害评估、生态环境监测等方而研究的重要依据。在国内外已经开展的研究中,肖乾广[1]、盛永伟等[2]利用美国NOAA卫星上A VHRR传感器数据的波段1(可见光波段)和波段2(近红外波段)进行差值和比值运算较好地识别了水体。Ｂarton[3］等利用A V ＨＲR波段4的亮度温度识别水体并对洪水进行昼夜监测。陆家驹[4]选用Lａnｄｓat ＴM5数据作为水体提取的最佳波段。ＡVHRR数据时间分辨率较高,便于开展对比观测，但空间分辨率为1.１ｋm,影响了水体识别精度。TM数据空间分辨率3０m，识别精度较高，但价格昂贵，限制了其应用范围。 ２用遥感影像监测水体的主要方法 2.1 单波段或多波段阈值法 单波段或多波段阈值法主要是根据遥感图像中不同地物之间的灰度值的差异，选择一个或多个能够较好地反映水体和其他地物边界的波段并确定阈值,从而将水体提取出来。MODIS数据的第1波段是红光波段(０．６2～0. 6７μm ),第２波段是近红外波段（(0.841~0.８７6μm)。阈值法主要是基于水体在以上2个波段中反射特性的差异建立的。在第１波段图像上水体的灰度值与周围陆地的灰度
MCD45A1 Combined Tile
500m Monthly
Burned Area
MOD09GA
Terra
Tile 500/1000m
Daily
Surface Reflectance Bands 1–7
表面反射
MYD09GA MOD09GQ MYD09GQ MOD09CMG MYD09CMG MOD09A1 MYD09A1 MOD09Q1 MYD09Q1 MOD13A1
Aqua Terra Aqua Terra Aqua Terra Aqua Terra Aqua Terra
Tile 500/1000m
Daily
Surface Reflectance Bands 1–7
Surface Reflectance
Tile
250m
Daily
Bands 1–2
Surface Reflectance
Tile
250m
Daily
Bands 1–2
CMG 5600m CMG 5600m
Daily Daily
Surface Reflectance 陆地 2 级标准数据产品，内容为表面反射；空间分辨率 250m
Bands 1–7
日数据。
Surface Reflectance Bands 1–7
Surface Reflectance
Tile
500m
8 Day
Bands 1–7
Surface Reflectance
Tile
500m
8 Day
Bands 1–7
Surface Reflectance
Tile
250m
8 Day
Bands 1–2
Surface Reflectance
Tile
250m
8 Day
Bands 1–2
Vegetation Indices
Tile
500m 16 Day 植被指数
MYD13A1 MOD13A2 MYD13A2 MOD13Q1 MYD13Q1 MOD13A3 MYD13A3 MOD13C1 MYD13C1 MOD13C2 MYD13C2
MOD44W
Aqua Terra Aqua Terra Aqua Terra Aqua Terra Aqua Terra Aqua
Terra
Tile Tile Tile Tile Tile Tile Tile CMG Tile CMG CMG
Tile
500m 16 Day Vegetation Indices
1000m 16 Day Vegetation Indices
1000m 16 Day Vegetation Indices
250m 250m 1000m
16 Day 16 Day
Vegetation Indices
陆地 3 级标准数据产品，内容为栅格的归一化植被指数和增强
Vegetation Indices
数（ NDVI/EVI ），空间分辨率 250m 。
Monthly Vegetation Indices
1000m Monthly Vegetation Indices
5600m 16 Day Vegetation Indices
5600m 16 Day Vegetation Indices
5600m Monthly Vegetation Indices
5600m Monthly Vegetation Indices
250m
none
Land Water Mask Derived
第1页