基于FY3B-MWRI数据新疆区域积雪深度反演

积雪深度不仅用于研究地表辐射平衡,还可以研究积雪的水文效应,是天气和水文模型运行的必要参数,同时,积雪深度监测在融雪径流预报、水资源管理以及洪水控制方面都具有重要作用。我国现有积雪深度反演算法所依据的站点数据主要分布在我国中部、东部、南部,而在西北的新疆地区站点数据相对较少,因此造成了现有算法在新疆地区的雪深反演精度较差。选择新疆地区作为研究区,以FY3B-MWRI为数据源,根据该地区的地形特征和地面土地覆盖类型特征,利用回归分析方法,研究了该区域内林地、农田和草地3种土地覆盖类型的积雪深度反演算法,并结合地面实测积雪深度数据,对算法精度进行验证。结果显示,林地、农田和草地3种土地覆盖类型的雪深反演结果的R2与RMSE分别为0.758,2.58、0.729,3.21、0.854,5.70,表明该算法对新疆地区积雪深度反演得到了较高的反演精度。     

利用实测资料评估被动微波遥感雪深算法

利用SSM/I微波亮温数据,结合地面站点实测资料,比较Chang算法和Che算法在前苏联、中国及蒙古境内6种不同积雪类型的反演精度,结果表明:被广泛应用于全球雪深反演的Chang算法低估了前苏联境内雪深7.6cm,相对误差为-24.3%,而分别高估中国及蒙古境内雪深9.2cm与11.4cm,相对误差分别为108.8%和180.9%,区域反演效果很差;针对中国境内积雪的Che算法严重低估前苏联境内雪深,整体低估21.3cm,相对误差为-68.6%,RMSE为31.4cm;在中国及蒙古境内反演效果有所改善。6个积雪类型中,植被较单一,地形较平坦的苔原型积雪和草原型积雪雪深的反演效果较好。随着纬度和积雪深度的增加被动微波雪深反演有由高估变为低估的趋势。Che算法反演的雪深大体以40°N为界,以北表现为低估,以南表现为高估,另一方面,整体上该算法在雪深低于6.7cm时表现为低高估,高于6.7cm表现为低估;因此,全球算法应用到局部地区需要进行修正,不同下垫面性质以和气候条件下形成的积雪的被动微波反演应区别对待。     

基于人工神经网络和AMSR2多频微波亮温的北疆地区雪深反演

被动微波遥感数据是进行积雪深度反演的重要资料,不同频率微波信号对积雪响应不同。利用人工神经网络(Artificial Neural Network,ANN)方法结合新疆北部地区积雪观测资料建立AMSR2(Advanced Microwave Scanning Radiometer 2)微波亮温(Brightness Temperature,TB)、地理位置、地形因子与雪深的隐含关系,以实现通过亮温、地理位置、地形因子估算北疆地区积雪深度,并分析微波极化方式、位置以及地形的不同组合方式对雪深反演效果的影响。实验结果表明:水平极化对雪深反演的影响大于垂直极化,纬度对雪深的影响大于经度,地表粗糙度和坡向对雪深的影响大于高程和坡度,并且位置和地形因子对雪深影响作用相当。最终通过4种优选模型的误差空间分布对比发现,综合亮温、经纬度、坡度、坡向的ANN输入模型能够较好的反映北疆地区积雪分布状况,训练集的站点平均误差在-7~6cm之间,该组合模型作为神经网络的输入能够较为合理地获取北疆地区雪深模拟值。     

欧亚大陆中高纬度区逐日无云积雪产品研发及验证

利用多源遥感数据,结合光学遥感数据高空间分辨率及被动微波数据不受云干扰的优势,利用MODIS逐日积雪标准产品和AMSR-E雪水当量产品,生成了欧亚大陆中高纬度区500m分辨率的逐日无云积雪产品,并利用更高分辨率的Landsat-TM数据生成的积雪产品作为"真值"影像,对研发的逐日无云积雪覆盖产品的精度进行了验证。结果表明:MOD10A1和MYD10A1受云影响均较为严重,无法直接用于地表积雪面积的监测。而本研究合成的逐日无云产品具有较好的精度,与TM积雪图具有较高的一致性。但不同的土地覆盖类型对积雪分类精度有一定的影响。其中,裸地和草原覆盖区精度最好,Kappa系数分别为0.655和0.644,均为高度一致性;其次精度较好的是灌丛和耕地覆盖区,Kappa系数分别为0.584和0.572,均为中等的一致性;而森林覆盖区由于受到高大植被的影响,Kappa系数仅为0.389,合成产品相对TM积雪产品明显高估了森林区积雪面积。整体Kappa均值达到0.569,接近高度一致,研究结果对实时监测欧亚大陆积雪面积具有一定的应用价值。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法北大核心CSCD

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

机载L波段微波辐射计数据反演表层土壤水分研究

土壤水分是联系地球表层物质能量交换的重要纽带,准确监测土壤水分对区域气候、生态、水文及农业生产研究意义重大。机载L波段微波辐射计提供了获取区域土壤水分"真值"的有效手段。结合黑河中游航空试验中的多源遥感及地面观测,发展了一种基于0°入射角的L波段被动微波亮温数据的单通道土壤水分反演方法,获得了研究区3景约700m空间分辨率的土壤水分反演结果。并对其反演结果进行了点尺度、面尺度和村社尺度3种不同空间尺度上的验证,结果显示:L波段被动微波遥感反演土壤水分在点尺度上的验证精度在0.035~0.055m3/m3之间;面尺度上验证精度略高于点尺度,其验证偏差在0.02m3/m3以内;反演土壤水分与村社尺度的灌溉数据,即距前次灌溉的间隔日数,在空间上负相关关系明显,二者间相关系数约为0.3。     

1980~2019年北疆积雪时空变化与气候和植被的关系

利用1980~2019年中国长时间序列的AVHRR逐日无云积雪面积产品和气象站实测雪深资料计算积雪日数、积雪初日、积雪终日、积雪期、雪深等积雪物候参数,研究积雪物候的时空分布变化,同时结合ECMWF-ERA5再分析资料和GIMMS NDVI3g数据集分别提取气象因子（气温、降水）和植被因子（返青期、枯黄期、生长期）,探究北疆积雪物候变化对气象因子和植被因子的响应。结果表明：北疆近40 a间的平均积雪日数为81.62 d/a,73%的区域为稳定积雪区,积雪初日在11月、终日在3月,积雪期为每年11月初至次年3月底4月初;空间上呈现不均匀分布,其中阿勒泰山地区、天山地区、大部分塔城盆地和额尔齐斯谷地区为主要积雪区,1980~2019年间北疆积雪覆盖面积比例、积雪日数和积雪期逐年降低,积雪初日基本没变,但积雪终日显著提前;ECMWF-ERA5再分析资料表明1980~2019年北疆积雪期降水量无明显变化,但积雪覆盖面积比例显著降低,说明降雪区雪深可能增加,这与北疆气象站实测雪深逐渐增加结果相吻合;平均气温与积雪期积雪覆盖面积比例、积雪日数、积雪期长度相关性较大,呈现显著负相关,积雪期降水量与积雪物候参数呈现正相关;积雪物候及其气候效应引起北疆自然植被返青期显著提前,植被生长期延长的特征。     

基于多源数据的阿勒泰地区雪深反演研究

利用阿勒泰地区 2010~2012年冬季(11月~次年2月)3类积雪数据:风云三号微波成像仪(FY\|3/MWRI)反演的雪深数据、美国人机交互式多仪器冰雪制图系统(IMS)积雪面积数据、阿勒泰及周边地区实测雪深数据,进行积雪深度的反演研究。通过结合3类积雪数据的各自优势,建立修正模型,最终得到较准确的研究区雪深数据。同时通过编程实现了相应模型的操作平台,为今后研究区积雪业务化监测做好准备。结果表明:模型提高了FY\|3/MWRI数据反演阿勒泰地区积雪深度的准确性,改善了FY\|3/MWRI数据在阿勒泰地区雪深反演偏低的缺点,使微波与实测平均雪深误差由修正前的21.7~12.1 cm缩小为修正后的3.7~1.5 cm。     

NASA系列雪参数反演算法在单像元内的时间序列验证与分析

NASA系列算法(Chang,NASA96和Foster算法)是被动微波遥感反演雪深、雪水当量的简单、实用的经验算法,并经过了很多学者大范围的算法验证和改进。为了进一步评价NASA系列算法在东北地区的时空适用性,于长春净月潭区域选定了一个以农田和森林为主的10km×10km被动微波遥感混合像元,在时间上连续观测整个干雪期(2014年12月至次年2月)的积雪参数和气象数据,结合FY3B卫星搭载的微波成像仪(MWRI)亮温数据,对NASA系列算法精度进行了评价分析。结果表明:对于雪深的反演,Chang算法和NASA 96算法前期反演效果较好,后期随着时间的推进高估雪深的趋势愈加明显。由于考虑了森林覆盖率的影响,NASA 96算法的反演精度更高。两种算法最大高估值分别是24.46和14.62cm,这是因为期间雪性质不断变化,尤其是雪粒径不断增大的缘故。Foster算法也严重高估了雪水当量,可能是由于积雪类型的分类系统未必适合于东北地区的积雪特征。本文的积雪连续观测数据为认识东北地区的积雪特性奠定了基础,对算法的时间序列验证与分析为雪参数反演算法的进一步改进提供了可靠依据。     

基于积雪调查数据的东北地区被动微波积雪遥感产品精度验证与分析

积雪遥感数据产品可以提供积雪的时空分布信息,是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析,明确其适用范围,有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性,以中国积雪特性及分布调查项目为依托,精心设计野外实验,观测了东北地区25 km典型样方和积雪线路调查数据,验证了在阔叶林和农田两种下垫面下,FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明：GlobSnow雪水当量产品精度最高,不区分下垫面的情况下,最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响,GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小,偏差和均方根误差的差值小于2.11 cm和3.46 cm,AMSR-2积雪产品在两种下垫面下反演精度差别很大,两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品,下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。     

基于机器学习算法的AMSR-2地表温度降尺度研究

MODIS日尺度的地表温度受到天气影响,有效像元信息严重缺失, 这对数据稀缺区域尤为重要。以古尔班通古特沙漠为研究区,探索了采用AMSR-2 的垂直极化亮度温度与植被指数对地表温度空间降尺度的方法,并用此方法填补了2018年MODIS的缺失像元。①通过十折交叉验证,对4种机器学习算法（Cubist、DBN、SVM、RF）、10个波段组合、2个空间尺度（5 km、10 km）下的训练模型进行了分析,表明RF算法精度明显高于其他3种算法,C09波段组合的验证精度高于其他波段组合。②构建了2个鲁棒性的随机森林算法地表温度降尺度模型（5 km|RF|09、10 km|RF|09）,将AMSR-2亮度温度降尺度到１km分辨率,表明5 km|RF|09模型反演结果更为合理,MODIS与站点验证的R²分别为0.971、0.930,RMSE分别为3.38 K、4.71 K,MAE分别为2.51 K、3.84 K。③降尺度结果填补MODIS地表温度缺失像元,将其应用到古尔班通古特沙漠长时间序列的陆表温度分析,可为数据稀缺区域数据获取提供科学参考。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡,同时,积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料,但不同数据之间存在着明显差异。基于多源雪深数据的评估,特别是空间特性的评估还很缺乏。因此,本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据,以站点观测数据为参考真值,对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好,适合用于我国北方的雪深研究;②MERRA2在西北和东北积雪区也有较好的表现,但由于其分辨率较粗,缺乏细节的空间信息,因此认为比较适用于大区域的统计分析;③AMSR-E在我国中部和东南地区表现最好,因此认为适合我国中部及东南部的雪深研究。     

基于积雪调查数据的东北地区被动微波积雪遥感产品精度验证与分析

积雪遥感数据产品可以提供积雪的时空分布信息,是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析,明确其适用范围,有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性,以中国积雪特性及分布调查项目为依托,精心设计野外实验,观测了东北地区25 km典型样方和积雪线路调查数据,验证了在阔叶林和农田两种下垫面下,FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明:GlobSnow雪水当量产品精度最高,不区分下垫面的情况下,最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响,GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小,偏差和均方根误差的差值小于2.11 cm和3.46 cm,AMSR-2积雪产品在两种下垫面下反演精度差别很大,两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品,下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。     

雅砻江地区无云积雪覆盖产品的制作

MODIS积雪产品在晴空下积雪识别精度很高,但其受云污染导致数据缺失严重。IMS和SWE数据虽为无云产品,但受分辨率的限制积雪监测精度有待提高。以青藏高原东部雅砻江流域及周边地区为例,通过合成MODIS每日积雪覆盖产品、邻近日分析法以及改进的SNOWL判别法对云像素进行重分类,然后用IMS或者SWE无云积雪数据对中间生成的片雪再分类,制作了除云后的逐日无云积雪覆盖产品。再用目视解译法将从HJ-1B卫星影像中提取的积雪覆盖信息作为观测"真值",对无云积雪覆盖产品进行分类精度评估。结果表明:通过算法的改进,提高了该产品与观测数据的积雪一致率和总体分类精度,总体上解决了因云污染导致的数据缺失,IMS和SWE积雪监测精度不足的问题。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R²增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

基于FY-4A/AGRI时空特征融合的新疆地区积雪判识

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用,针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计（AGRI）数据与地理信息数据进行多特征时序融合的积雪判识方法：以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入,以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为“真值”标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,显著降低云雪误判率。     

基于积雪调查数据的东北地区被动微波积雪遥感产品精度验证与分析

积雪遥感数据产品可以提供积雪的时空分布信息，是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析，明确其适用范围，有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性，以中国积雪特性及分布调查项目为依托，精心设计野外实验，观测了东北地区25 km典型样方和积雪线路调查数据，验证了在阔叶林和农田两种下垫面下，FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明：GlobSnow雪水当量产品精度最高，不区分下垫面的情况下，最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响，GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小，偏差和均方根误差的差值小于2.11 cm和3.46 cm，AMSR-2积雪产品在两种下垫面下反演精度差别很大，两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品，下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡,同时,积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料,但不同数据之间存在着明显差异。基于多源雪深数据的评估,特别是空间特性的评估还很缺乏。因此,本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据,以站点观测数据为参考真值,对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示:①WESTDC在我国西北及东北积雪区表现较好,适合用于我国北方的雪深研究;②MERRA2在西北和东北积雪区也有较好的表现,但由于其分辨率较粗,缺乏细节的空间信息,因此认为比较适用于大区域的统计分析;③AMSR-E在我国中部和东南地区表现最好,因此认为适合我国中部及东南部的雪深研究。     

基于多频被动微波遥感的土壤水分反演—以黑河上游为例

土壤水分是陆地生态系统中最重要的组成部分,如何有效地得到高精度的土壤水分产品成为当前研究最为关注的问题。被动微波遥感具有监测面积大、重访周期短、对土壤水分敏感等优点,成为反演土壤水分最有潜力的方式。基于SMOS（Soil Moisture and Ocean Salinity）和AMSR2（The Advanced Microwave Scanning Radiometer-2）数据,通过研究L波段与C波段融合亮度温度在土壤水分反演中的潜力,发展多频率土壤水分反演算法,并对黑河上游4个像元开展土壤水分反演研究。结果表明：①利用L/C组合亮温反演结果与实测数据较为吻合,长时间内变化趋势一致,相关系数为0.841,均方根误差为0.063 m³/m³。②通过与SMOS和AMSR2官方土壤水分产品比较发现,AMSR2土壤水分产品存在明显的低估,SMOS土壤水分产品缺失值较多,无法得到较为完整的土壤水分时间序列;利用L/C多频率组合反演得到的结果明显优于官方土壤水分产品。融合L与C波段亮温数据,可有效提高反演土壤水分精度,实现高精度土壤水分的获取。