光学与微波遥感的新疆积雪覆盖变化分析

利用2002-2013年冬季的MODIS光学遥感数据,以及AMSR-E、AMSR2与MWRI被动微波遥感数据,建立了新疆地区冬季每日积雪分布遥感反演模型。首先,将Terra与Aqua双星MODIS的积雪产品融合,初步去云并最大化积雪信息;然后,利用AMSR-E/AMSR2和MWRI被动微波数据进行每日雪盖提取;最后,利用被动微波遥感数据反演得到的每日雪盖结果对双星融合后依然有云的像元进行替换,得到每日积雪分布情况。据此模型提取了11年间冬季的积雪天数信息,结合气象台站观测数据,分析了新疆冬季积雪的年内和年际变化规律。结果表明,新疆地区积雪主要分布在北部新疆,积雪天数与地形关系密切,山区积雪天数较多,盆地及城市区积雪天数较少;积雪天数年内变化是从11月到次年1月随温度降低逐渐增加,从1月到3月积雪天数则逐渐减少。新疆地区积雪天数在这11年中存在一定的波动,积雪天数与该年的平均气温,以及月低于0℃的天数存在显著相关性,与降雪量关系不明显。新疆地区近年来积雪天数重心有向西向南移动的趋势,这可能与全球气候变暖导致多年积雪融化有关。     

东北典型林区雪深反演算法的验证与分析

积雪对自然环境和人类活动都有极其重要的影响。积雪参数（雪面积、雪深和雪水当量）反演对水文模型和气候变化研究有着实际的意义。然而,目前森林区的雪深遥感反演精度一直有待于进一步提高。东北地区是我国最大的天然林区和重要的季节性积雪区之一,本文利用FY3B卫星微波成像仪（MWRI）L1级亮温数据和L2级雪水当量数据,以及东北典型林区野外实测雪深数据,对Chang算法、NASA 96算法和FY3B雪深业务化反演算法进行了验证与分析。结果表明：在东北典型林区的雪深反演中,Chang算法和NASA 96算法反演的雪深波动都比较大,当森林覆盖度f≤0.6时,NASA 96算法表现比较好,均方根误差值在3种算法中较小,但当f >0.6时,NASA 96算法失真严重。当考虑纯森林像元（f=1）时,Chang算法低估了雪深47%。当f≤0.3时,FY3B业务化算法始终优于Chang算法。整体上,FY3B业务化算法相对稳定,具有较高的精度。     

1979-2010年青藏高原积雪深度时空变化遥感分析

积雪深度是表征积雪特征的重要参数,也是区域气候变化最敏感的响应因子之一。利用1979-2010年逐日中国雪深长时间序列数据集,采用GIS空间分析和地统计方法,分析了青藏高原积雪深度的时空变化规律及异常空间分布特征。结果表明：近32年来,青藏高原雪深呈显著增加趋势,增加速率为0.26 cm/10a,其中,昆仑高寒荒漠地带雪深增加最为明显,增加速率达0.73 cm/10a;20世纪80年代至90年代青藏高原雪深呈逐步增加趋势,21世纪初变化平稳;青藏高原4个季节雪深变化均呈现为上升趋势,尤以冬季增加最为明显,增加速率达0.57 cm/10a。青藏高原东南、西部和南部为雪深分布高值区;逐像元回归分析表明,高原雪深呈增加趋势的像元数占全区像元总数的67.1%,其中有91.3%为轻度和中度增加,主要分布在高原北部和西部;最大雪深变化基本维持在-0.1~0.1 cm/a（45.47%）之间,在昆仑北翼山地、柴达木山地、羌塘高寒地带南部等局部地区最大雪深有增加趋势,主要是轻度增加,面积比例为36.66%。果洛那曲高寒地带、青南高寒地带和羌塘高寒地带为青藏高原积雪深度异常变化敏感区。     

地表温度的多源遥感数据反演算法对比分析

 多源遥感数据的综合应用是提高地表温度反演精度的有效途径.MODIS数据和Landsat TM数据在我国同一地区获取的时间相差不大,可以获取近似同步的MODIS数据和TM数据.本文将基于MODIS数据反演的大气参数应用于TM影像的地表温度反演,分别对单窗口算法和普适性单通道算法进行了实验研究,应用气象站实测的地表温度数据对反演结果进行了检验,并对比分析了不同土地覆盖条件下两种算法的精度差异.结果表明:两种算法反演精度均较高,单窗口算法反演精度为0.76K,普适性单通道算法反演精度为1.23K;在不同的土地覆盖条件下,两种算法表现出明显的差异性,水体区反演结果差异最小,均值差异仅为0.02K,植被区差异最大,均值差异为0.62K.     

太湖水质参数MODIS的遥感定量提取方法

本文利用MODIS数据的可见光、近红外波段和准实时的地面采样数据,分别利用线性回归模型和神经网络模型反演了太湖的叶绿素a和悬浮物浓度.结果表明,利用MODIS数据的波段组合(M2/M8)和(M2/M9)可估算太湖的叶绿素a浓度;而MODIS数据的波段组合(M12/M17)、(M13/M17)及MODIS(M4)波段能定量估算太湖的悬浮物浓度,但估算精度仍不能满足实际需要.因此,构建了一个以MODIS可见光及近红外波段为输入,以太湖水质参数为输出的2层BP神经网络模型反演太湖的水质参数,大大提高了反演精度.     

光学信息分解被动微波土壤湿度方法

土壤水分是一个重要生态参量,以被动微波反演土壤水分,不受天气影响,且其算法成熟.但是星载被动微波数据的空间分辨率较低,可适合大区域尺度研究.本文将1km分辨率光学数据MODIS和25km分辨率被动微波数据AMSR- E2级土壤湿度产品结合,利用NDVI-Ts特征空间,去除植被影响,结合前人提出的裸土蒸散模型,将研究区被...     

同化叶面积指数和蒸散发双变量的冬小麦产量估测方法

同化遥感信息到作物生长过程模拟模型,是估测区域作物产量的重要方法之一。同化变量的选取对同化结果精度至关重要。本文在标定WOFOST作物模型参数的基础上,优化了WOFOST模型的默认灌溉参数。利用ET和LAI作为同化变量,分别构建了时间序列趋势信息的代价函数和四维变分代价函数;采用SCE-UA算法最小化代价函数, 重新初始化WOFOST模型初始参数——作物初始干物质重、作物35 ℃生命期和灌溉量。最后利用MODIS LAI产品（MCD15A3）、MODIS ET产品（MOD16A2）,同化到作物模型估测产量,并对比分析了水分胁迫模式下同化单变量（ET或LAI）和同化双变量（ET和LAI）的估产精度。结果表明：同化双变量ET和LAI的策略,优于同化单变量LAI或ET,双变量策略的冬小麦产量估测精度为R²=0.432,RMSE=721 kg/hm²;单独同化高精度LAI对提高估产精度具有重要作用,其冬小麦产量估测精度为R²=0.408,RMSE=925 kg/hm²;单独同化ET的趋势信息改善了WOFOST模型模拟水分平衡的参数,但是,产量估测精度（R²=0.013,RMSE=1134 kg/hm²）与模型模拟估测产量精度（R²=0.006,RMSE=1210 kg/hm²）相比改善效果有限。本研究为其他区域的遥感数据与作物模型的双变量数据同化的作物产量估测研究提供了参考价值。     

中国北部地区卫星积雪产品数据集检验

同其他卫星相比,NOAA卫星搭载的AVHRR积雪产品,具有长达10 a的长时间序列数据集,能够应用于长时间、较大区域范围的积雪覆盖变化分析。由于不同卫星使用的反演算法,波谱宽度和大气订正等不完全相同,故需对不同卫星积雪产品数据集进行一致性检验,将卫星积雪产品更好地应用于气候分析研究。本文采用一种新的评估方法,对空间分辨率为0.05^o×0.05^o的AVHRR积雪产品与IMS和MOD10A1积雪产品,分别在空间和时间变化上进行对比分析,对AVHRR积雪产品数据集进行检验,发现AVHRR与MODIS积雪产品具有较好的一致性。     

基于背景知识的全球长时间序列反照率反演

全球范围时空连续的长时间序列地表反照率,对气候模拟与陆面过程研究具有重要意义。针对现有地表反照率产品普遍存在大量的数据缺失、有效反演比例低和时间序列短的问题,本文以多年MODIS和AVHRR数据,通过构建背景知识库进行高时间分辨率的AVHRR和MODIS数据的BRDF参数反演,实现MODIS与AVHRR数据在像元尺度上的定量融合,生成了全球时空连续长时间序列的地表反照率产品。首先,通过假设不同年份同一时期的地表状态不变,利用多年同一时期的MODIS和AVHRR观测数据构造多角度方向反射率,基于BRDF模型反演得到窄波段反照率;然后,通过宽波-窄波转换,得到MODIS的宽波段反照率;最后,结合AVHRR长时间序列优势及MODIS数据多光谱的特点,对二者进行定量融合,生成具有高度一致性长时间序列地表反照率产品。验证结果表明,本文地表反照率产品在地表异质性较小时与SURFRAD地面实测反照率之间具有非常好的一致性,在无积雪覆盖时与MODIS反照率产品之间吻合良好。本文的地表反照率产品无时空缺失,且时间覆盖率得到了极大的提高,能支持气候模式模拟与陆面过程模型进行近30 a来的地气系统模拟研究。     

基于HJ-1B/IRS的重庆市热岛效应监测应用

本文利用MODIS数据反演大气透射率,利用HJ-1B/CCD进行分类,并反演地表比辐射率.在此基础上,借鉴单窗算法,利用HJ-1B/IRS数据反演得到地表温度,并利用MODIS温度产品对反演结果进行了初步验证.最后利用热场变异指数进一步分析重庆的热岛空间分布特征,并对NDVI与NDBI对热岛效应的影响进行了分析.其结论...     

Comparison of modelled- and remote sensing- derived daily snow line altitudes at Ulugh Muztagh,northern Tibetan Plateau

The ice cap Ulugh Muztagh in the central Kunlun Shan at the northern fringe of the Tibetan Plateau is a very isolated region with arid cold conditions. No observational, meteorological or glaciological ground truth data is available. Using the Moderate-resolution Imaging Spectroradiometer(MODIS) Level 1 radiance Swath Data(MOD02QKM) with a spatial resolution of 250 m, transient snow lines during the months of July to September in 2001 to 2014 are derived. Results are used to calibrate the physical based Coupled Snowpack and Ice surface energy and Mass balance model(COSIMA). The model runs on a representative detail region of Ulugh Muztagh(UM) on a digital elevation model with the same spatial resolution as the MODIS bands. In the absence of field observations, the model is driven solely by dynamically downscaled global analysis data from the High Asia Refined analysis(HAR). We compare remote sensing derived and modelled mean regional transient snow line altitudes in the course of consecutive summer seasons in 2008 to 2010. The resulting snow line altitude(SLA) and annual equilibrium line altitude(ELA) proxy of both methods coincide very well in their interannual variability in accordance with interannual variability of climatic conditions. Since SLAs of both methods do notconsistently agree on a daily basis a usage of remote sensing derived SLAs for model calibration in the absence of field observation data is only limitedly feasible for daily analysis. ELA approximation using the highest SLA at the end of ablation period may not be applied to UM because the negative winter mass balance(MB) is not reflected in the summer SLA. The study reveals moderate negative MB for UM throughout the modelling period. The mean regional MB of UM accounts for-523±410 mm w.e. a-1 in the modelling period. Hence UM seems not to belong to the area of the ‘Karakorum anomaly' comprising a region of positive mass balances in recent years which has its centre presumably in the Western Kunlun Shan.     

A neural network method for monitoring snowstorm: A case study in southern China

It has been observed that low temperature, rainfall, snowfall, frost have never occurred over the past 50 years in the southern China, and weather in this area is very complex, so the monitoring equipments are few. Optical and thermal infrared remote sensing is influenced much by clouds, so the passive microwave Advanced Microwave Scanning Radiometer-Earth Observing System （AMSR-E） data are the best choice to monitor and analyze the development of disaster. In order to improve estimation accuracy, the dynamic learn- ing neural network was used to retrieve snow depth. The difference of brightness temperatures of TB18.7v and TB36.sv, TBI8.7H and TB36.sH, TB23,sv and TB89v, TBz3.8H and TB89H are made as four main input nodes and the snow depth is the only one output node of neural network. The mean and the standard deviation of retrieval errors are about 4.8 cm and 6.7 cm relative to the test data of ground measurements. The application analysis indicated that the neural network can be utilized to monitor the change of snow intensity distribution through passive microwave data in the complex weather of the southern China.     

2002-2012年青藏高原积雪物候变化及其对气候的响应

积雪是地表最活跃的自然要素之一,其动态变化对气候、环境以及人类生活都产生了重要影响。本文利用MODIS积雪产品和IMS雪冰产品,首先通过Terra、Aqua双星合成和临近日合成去除MODIS积雪产品中的部分云像元,再与IMS融合,获取了青藏高原2002-2012年逐日无云积雪覆盖产品,并逐像元计算每个水文年的积雪覆盖日数（SCD）、积雪开始期（SCS）和积雪结束期（SCE）,分析了不同生态分区积雪的时空变化特征,以及积雪开始期和结束期与温度、降水的关系。结果表明：青藏高原积雪分布存在明显的空间差异,南部喜马拉雅山脉和念青唐古拉山地区以及西部帕米尔高原和喀喇昆仑山脉为SCD的2个高值区,年均积雪日数在200 d以上。18.1%的区域SCS表现出明显的提前趋势,主要集中在青藏高原中东部;羌塘高原南部、念青唐古拉山西段以及川西地区有显著推迟趋势,占高原面积的8.5%。23.2%的区域SCE显著推迟,主要集中在果洛那曲高寒区、昆仑山区和念青唐古拉山地区;而仅有6.9%的区域表现出提前趋势,主要分布在高原西南部。总体上,不同生态单元内积雪开始与结束期受温度、降水的影响差异很大,表现出不同的空间格局与演变趋势。     

基于动态NDSI阈值的每日积雪监测方法

准确掌握积雪覆盖信息对于气象、水文和全球气候变化研究都具有重要的意义。遥感技术在进行大范围、高频率的积雪覆盖监测中发挥着重要的作用。目前,SNOMAP算法是用于积雪遥感监测最普遍的技术手段,其核心是利用固定阈值的归一化差分积雪指数（Normalized Difference Snow Index,NDSI）进行积雪识别,但这种方法忽略了积雪光谱信息的时相变化,会产生积雪监测的误差。本文提出了一种动态NDSI阈值方法,以纯永久积雪像元的平均NDSI值作为参照系调整固定的NDSI阈值,从而削减影像光谱值波动对积雪识别的影响。以三江源地区作为研究区域,将基于每日MODIS数据进行积雪监测最佳的NDSI阈值与同日纯永久积雪像元的平均NDSI值作线性回归,通过每日纯永久积雪像元平均NDSI值的变化来调整用于积雪识别的NDSI阈值。结果表明：① 基于每日MODIS数据进行积雪覆盖监测最佳的NDSI阈值与同日纯永久积雪像元的平均NDSI值之间存在较好的线性关系,决定系数R ²达到0.86;② 三江源地区动态NDSI阈值的范围为0.29~0.37,其平均值在0.33左右,说明MODIS全球积雪面积产品中将NDSI阈值取为0.40会低估三江源地区的积雪面积;③ 与采用固定NDSI阈值0.33的监测方法相比,动态NDSI阈值法近似率、总体分类精度和F值的平均值分别提高了5.17%、0.70%、1.14%。     

青藏高原冰雪消融区岩漠动态变化遥感监测研究现状与展望

青藏高原作为地球第三极增温明显,相关研究多集中于青藏高原冰雪动态,很少关注冰雪消融后岩漠的变化。岩漠通过地气相互作用影响着全球气候变化的区域差异。本文通过梳理青藏高原冰雪、冰雪消融区、岩漠动态变化遥感监测方法体系,着重分析了各遥感数据来源及提取方法的优缺点和适用性,并对基于遥感技术条件下青藏高原冰雪动态监测、冰雪消融区岩漠动态变化监测的数据来源、研究方法与技术进行了总结。目前,青藏高原冰雪动态变化遥感监测数据来源多样、研究方法成熟,而冰雪消融区岩漠动态变化遥感监测尚未形成系统研究。在人为干扰不明显背景下,青藏高原冰雪消融区岩漠的动态变化,在一定程度上也可作为对冰雪变化遥感监测的补充。     

Watershed classification by remote sensing indices: A fuzzy c-means clustering approach

Determining the relatively similar hydrological properties of the watersheds is very crucial in order to readily classify them for management practices such as flood and soil erosion control. This study aimed to identify homogeneous hydrological watersheds using remote sensing data in western Iran. To achieve this goal, remote sensing indices including SAVI, LAI, NDMI, NDVI and snow cover, were extracted from MODIS data over the period 2000 to 2015. Then, a fuzzy method was used to clustering the watersheds based on the extracted indices. A fuzzy c-mean (FCM) algorithm enabled to classify 38 watersheds in three homogeneous groups. The optimal number of clusters was determined through evaluation of partition coefficient, partition entropy function and trial and error. The results indicated three homogeneous regions identified by the fuzzy c-mean clustering and remote sensing product which are consistent with the variations of topography and climate of the study area. Inherently, the grouped watersheds have similar hydrological properties and are likely to need similar management considerations and measures.     

NORMALIZED DIFFERENCE SNOW INDEX SIMULATION FOR SNOW-COVER MAPPING IN FOREST BY GEOSAIL MODEL

1INTRODUCTION Snow is an important component of the Earth's surface. Up to 50×106km2(34%) ofthe Earth's land surface is sea- sonally snow-covered (VIKHAMAR and SOLBERG, 2002).Comparedtootherlandcovers,snowcoverextent varies dramatically on very short time scales (hours- months). Its presence affects physical, chemical and bio- logical processes at many spatial scales and has impor- tant social impacts. At the global scale, its high albedo strongly influences the Earth's radiation …     

一种考虑雪粒径变化的积雪面积反演算法

光谱混合分析能够提取亚像元信息,被广泛地应用于遥感影像目标探测之中。本文针对MODIS积雪遥感影像,基于光谱混合分析框架,利用渐进辐射传输模型建立不同粒径大小的雪反射率光谱库,提出了一种考虑端元变化及二次辐射的雪盖面积反演算法。此算法首先利用渐进辐射传输模型建立不同粒径大小积雪的反射率光谱库,然后使用序贯最大角凸锥方法获取植被、土壤与岩石、阴影的光谱库。在建立各种地物反射率光谱库之后,利用均方根误差最小的方法获取最优端元组合。在此基础上,考虑端元独立辐射以及积雪与其它地物的二次辐射过程,利用稀疏光谱混合模型获取积雪面积与雪粒径大小。实验结果表明：此方法能够同时反演雪粒径与积雪面积,反演的雪粒径相比单波段的渐进辐射传输模型小,反演的积雪面积相比MOD10A1产品精度略微提高。     

Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network

It is more difficult to retrieve land surface temperature(LST) from passive microwave remote sensing data than from thermal remote sensing data, because the emissivities in the passive microwave band can change more easily than those in the thermal infrared band. Thus, it is very difficult to build a stable relationship. Passive microwave band emissivities are greatly influenced by the soil moisture, which varies with time. This makes it difficult to develop a general physical algorithm. This paper proposes a method to utilize multiple-satellite, sensors and resolution coupled with a deep dynamic learning neural network to retrieve the land surface temperature from images acquired by the Advanced Microwave Scanning Radiometer 2(AMSR2), a sensor that is similar to the Advanced Microwave Scanning Radiometer Earth Observing System(AMSR-E). The AMSR-E and MODIS sensors are located aboard the Aqua satellite. The MODIS LST product is used as the ground truth data to overcome the difficulties in obtaining large scale land surface temperature data. The mean and standard deviation of the retrieval error are approximately 1.4° and 1.9° when five frequencies(ten channels, 10.7, 18.7, 23.8, 36.5, 89 V/H GHz) are used. This method can effectively eliminate the influences of the soil moisture, roughness, atmosphere and various other factors. An analysis of the application of this method to the retrieval of land surface temperature from AMSR2 data indicates that the method is feasible. The accuracy is approximately 1.8° through a comparison between the retrieval results with ground measurement data from meteorological stations.