排序方式： 共有5条查询结果，搜索用时 0 毫秒
1
1.
利用青南牧区2007－2010年的AMSR E亮温数据计算了相应的微波植被指数（Microwave Vegetation Index,MVI）,对MVI的月季动态变化特征进行了分析,同时结合相同时间序列的MODIS NDVI和EVI数据,对比分析了MVI和MODIS植被指数之间的相关关系,筛选出NDVI反演模型,并对模型的精度进行了评价。结果表明,MVI值随着植被的生长而降低;MVI与NDVI、EVI均有显著的线性负相关。其中,升轨低频MVI与NDVI的相关性最好,相关系数为0.58（P＜0.001）;MVI与MODIS植被指数之间的最优模型为NDVI=-0.85×MVI+0.84;利用最优模型将反演的NDVI与MODIS NDVI进行比较,两者差异较小,说明这一模型能较好地反映2种植被指数的关系。 相似文献
2.
摘要：利用2002年10月1日-2008年3月31日青海省Terra/MOD10A1和Aqua/MYD10A1每日雪被产品,合成了MODIS五日积雪分类图像（MOYD_5D）,结合AMSR E五日雪水当量产品（AE_5D）,利用用户自定义合成算法合成五日积雪分类图像AEMD_5D。根据气象台站的雪情数据,对比分析MOYD_5D、AE_5D和AEMD_5D这3种积雪产品的积雪分类精度（Sa）。结果表明,1）当积雪深度为1~3 cm时, MOYD_5D、AE_5D和AEMD_5D的积雪分类精度分别为17.5%、49.8%和23.2%;2）积雪深度为4~6 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为46.2%、55.1%和56.9%;3）雪深为7~9 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为58.6%、78.5%和78.6%;4）当雪深≥10 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为66.7%、82.2%和84.1%。合成产品AEMD_5D对积雪分类精度有所提高,对于牧区雪灾监测及评价具有重要的应用价值。 相似文献
3.
利用环境减灾卫星HJ 1A高光谱图像数据,分析了研究区不同土地覆盖类型的波谱曲线特征,比较了监督分类和光谱角分类方法对高光谱影像的分类精度,研究了高寒牧区草地生物量超光谱遥感监测模型。结果表明,1）不同地物波谱曲线的吸收位置和吸收深度等波谱特征在可见光波段具有较大差异,在近红外波段吸收特征相似。在可见光波段,云和植被的吸收位置最少,都只有1处,但云的吸收深度小于植被;裸地吸收位置有5处;水域吸收位置最多,有6处。2）光谱角与监督分类均适于高光谱影像分类,但光谱角分类方法的总精度可达85.9%,远高于监督分类法。3）依据草地生物量与9种植被指数间的回归分析结果,选出了适合研究区草地植被生物量动态监测的两种植被指数,即归一化植被指数和比值植被指数。 相似文献
4.
以青海省作为研究区,利用ＭＯＤＩＳ每日地表反射率产品ＭＯＤ０９ＧＡ 和逐日雪被合成产品ＭＯＤ１０Ａ１,通过调整ＮＤＳＩ阈值,合成积雪分类图像,根据气象台站实测雪深数据,评价积雪分类精度,探索研究了适合该地区的ＮＤＳＩ阈值。研究结果表明,１）ＮＳＩＤＣ 发布的全球ＭＯＤＩＳ积雪产品ＭＯＤ１０Ａ１在青海高原的积雪分类精度较低,在晴空下雪深大于３ｃｍ 的积雪分类精度为８６．０１％。２）研究区适合的ＮＤＳＩ阈值为０．３７。在晴空下雪深大于３ｃｍ 时,合成雪被图像的积雪分类精度可达９０．３７％,总精度９９．５１％,多测误差０．２２％,漏测误差９．６３％。３）同ＭＯＤＩＳ逐日雪被产品ＭＯＤ１０Ａ１进行雪深分段精度比较,发现整体上自定义雪被图像的积雪分类精度较高,合成图像更符合青海高原积雪空间分布的真实情况。 相似文献
5.
本研究利用青藏高原地区2002-2008年MODIS/Terra-Aqua逐日雪被产品(MOD10A1及MYD10A1)和AMSR-E/Aqua每日雪水当量产品AE_DySno,研究了MODIS和AMSR-E逐日数据的融合算法,合成出逐日无云积雪分类图像MATS10A1,并利用气象台站提供的雪情数据验证了合成图像的积雪分类精度。研究结果表明:1)在青藏高原地区,虽然在晴空时MODIS积雪分类精度较高(当雪深>3 cm时达到80.82%),但MOD10A1和MYD10A1图像中的平均云量比分别达到39.74%和48.74%,无法对牧区雪情进行实时监测。2)MOD10A1和MYD10A1的合成图像(MOYDTS10A1)云量比为24.13%,不但消除了大部分云的影响,而且提高了积雪分类精度(积雪分类精度为81.67%)。3)合成图像MATS10A1结合了AMSR-E资料不受天气影响和MODIS雪被产品较高空间分辨率的优点,不仅完全消除了云的干扰,同时具有较高的积雪分类精度(79.36%)。因此,这种改进型算法生成的逐日无云图像,在青藏高原牧区雪灾监测与预警研究中将具有重要的应用前景。 相似文献
1