论文部分内容阅读
在绿潮遥感业务化监测中,250m分辨率MODIS数据是主要数据源,归一化差值植被指数(NDVI)是用来进行绿潮信息提取的主要方法。然而研究发现,由于空间分辨率较低,MODIS影像中存在大量的混合像元,导致提取的绿潮覆盖面积明显偏大,影响绿潮遥感业务化监测精度。针对这个问题,本文的主要工作是：1)利用30m分辨率的HJ-1 CCD的4个波段,基于波段差和比方法分别构造了5个新的算法,并进行了信息提取实验。结果发现绿光和红光波段构造的算法无法提取绿潮,其他5个波段组合算法提取的结果差异不大。而后,又进一步对5个算法的绿潮信息提取能力做了比较,结果表明：传统的NDVI算法优于其他算法,而红光与蓝光波段构建的算法最差。2)基于混合像元分解法,利用250m分辨率的MODIS影像中含绿潮像元线性分解后的绿潮覆盖面积与准同步的30m分辨率HJ-1 CCD影像的绿潮覆盖面积构建了绿潮覆盖面积提取精细化模型。与传统NDVI阈值法和混合像元分解法相比,该方法提取的独立检验区绿潮覆盖面积更接近于准真值,面积约为准真值的96%,对应的NDVI阈值法和混合像元分解法提取的面积分别为准真值的2.96倍和45%。另外,和NDVI阈值法相比,该方法对NDVI阈值变化不敏感,所提取的绿潮覆盖面积取值相对稳定。在本文检验对NDVI敏感性所选的样区中,以业务化监测经验,NDVI阈值选值[-0.20,-0.15]之间,结果发现,NDVI阈值法提取的绿潮覆盖面积增长了1.41倍：混合像元分解法提取的绿潮覆盖面积增长了1.11倍；精细化模型提取的绿潮覆盖面积增长了1.11倍。本文的创新点主要体现在：1)将混合像元分解方法应用于绿潮信息提取中,并且效果良好；2)构建了MODIS绿潮覆盖面积精细化提取模型,在一定程度上改善了利用传统方法提取MODIS数据绿潮覆盖面积偏大的问题,而且降低了对NDVI阈值的敏感性,且简单易行,能够用于绿潮的业务化监测。