排序方式： 共有4条查询结果，搜索用时 125 毫秒
1
1.
湖泊（特别是内陆湖）作为全球气候变化的敏感区域,是气候变化与环境变异的指示器,其面积变化在一定程度上可反映区域的气候变化。因此,精确监测湖泊面积的时空变化,对分析区域生态环境变化具有重要的意义。本文基于ESTARFM时空数据融合模型,利用MODIS数据模拟了2000年后无法得到的Landsat数据;利用NDWI和MNDWI 2种水体指数并辅以DEM数据分析了1976-2014年西藏色林错湖湖面面积的时空变化;综合湖区周围6个气象站点的气象数据(1970-2014年),探究了湖面面积变化的原因及其对气候变化的响应。结果表明：(1)利用ESTARFM时空融合模型得到的Landsat-Like数据与真实的Landsat数据在水体信息提取方面具有较高的相关性,R2可达0.93,时空数据融合的结果可用于湖泊水体的信息提取;(2)近40年来（1976-2014年）,色林错湖处于持续扩张状态,面积呈较显著的增长趋势,增加了近711.652 km2,增幅为42.36%,年平均增长速率约为18.728 km2a-1,增长最快时可达55.954 km2a-1;湖面面积变化先后经历了平稳变化-迅速变化-平稳变化3个阶段;北部湖区在40年间变化最为明显,向北扩展了约22.812 km;2003-2005年,南部湖区已与雅根错湖连为一体,随后二者共同扩张;(3)气温的持续升高造成的冰雪融水补给增加可能是导致湖泊面积扩张的主要因素,风速的降低为次要因素,湖面的面积变化与降水量、日照时数的变化相关性不明显。 相似文献
2.
三种 TM 与 MODIS 数据融合方法在山区的适用性研究 总被引：1，自引：0，他引：1
为解决Landsat数据云覆盖和扫描线校正仪失效的影响,弥补可能的Landsat数据的空缺,找出在山区的最佳融合方法,本文比较了山区地形起伏对3种主要的TM与MODIS融合方法的影响,为消除BRDF效应对各方法的不同影响,文中使用MODIS BRDF/Abedo产品,统一采用核驱动模型对数据进行了BRDF校正。评估结果表明：①山区地形起伏,影像细节部分较多,ESTARFM具有对这些复杂异质地区较好的处理能力,其融合结果的各波段在山区都有比半物理方法和STARFM更高的精度;②三种方法都会在地形起伏区的背阴面产生出现较大的误差,而使这些区域的融合结果变得不可靠;③目前为止,ESTARFM可能是唯一适合在山区进行植被动态监测的方法。 相似文献
3.
时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM （Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）进行参数敏感性分析,并系统地对比分析了2组融合实验RI（先融合波段反射率后计算植被指数）和IR（先计算植被指数后直接融合）的融合效果。结果表明： ① ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;② 相较于RI组,IR组模拟结果精度更高（R2RI-NDVI=0.866,R2IR-NDVI=0.953,R2RI-EVI =0.814,R2IR-EVI =0.930）,且能够较好地削弱“斑块”现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。 相似文献
4.
Many real-world applications require remotely sensed images at both high spatial and temporal resolutions. This requirement, however, is generally not met by single satellite system. A number of spatiotemporal fusion models have been developed to overcome this constraint. Landsat and Visible Infrared Imaging Radiometer Suite (VIIRS) data have been extensively used for detection and monitoring of active fires at different scales. Fusing the data obtained from these sensors will, therefore, significantly contribute to the satellite-based monitoring of fires. Among the available spatiotemporal fusion methods, the spatial and temporal adaptive reflectance fusion model (STARFM) and enhanced STARFM (ESTARFM) algorithms have been widely used for studying the land surface dynamics in the homogeneous and heterogeneous regions. The present study explores the applicability of STARFM and ESTARFM algorithms for fusing the high spatial resolution Landsat-8 OLI data with high temporal resolution VIIRS data in the context of active surface coal fire monitoring. Further, a modified version of ESTARFM algorithm, referred as modified-ESTARFM, is developed to improve the performance of the fusion model. Jharia coalfield (India), known for widespread occurrences of coal fires, is taken as the study area. The qualitative and quantitative assessments of the predicted (synthetic) Landsat-like images from different algorithms (STARFM, modified-STARFM, ESTARFM, modified-ESTARFM) indicate that the modified-ESTARFM outperforms the other fusion approaches used in this study. Considering the advantages, limitations and performance of the algorithms used, modified-ESTARFM along with STARFM can be used for surface coal fire monitoring. The study will not only contribute to remote sensing based coal fire studies but also to other applications, such as forest fires, crop residue burning, land cover and land use change, vegetation phenology, etc. 相似文献
1