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。     

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。     

基于地面站点类型代表性的积雪遥感产品精度评价

地面观测数据是进行遥感产品检验的重要数据源,依据地表类型对地面站点代表性进行了分析,把代表性较好的站点应用到AMSR-E雪深遥感产品的精度评价中。结果表明:森林地区处于明显低估状态;其他地区随着遥感产品像元内优势类型从灌木、草地到裸地的变化,高估状态呈逐渐减小趋势;森林和灌木地区遥感产品的精度比草地与裸地地区的精度要低;当森林混入裸地或灌木混入裸地、草地时,虽然遥感产品和地面观测之间的误差减小了,但是掩盖了森林地区低估的问题和灌木区高估的问题。利用地表类型一致性较好的站点对2010年1月份月平均雪深验证分析,结果表明:遥感产品在较平坦的森林、灌木、裸地以及草地地区的平均偏差分别为-5.56、4.8、1.17、1.16cm。     

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。     

天山雪深反演算法验证与分析

针对被动微波遥感雪深反演算法在特殊地形条件下精度较差的问题,分析了两种雪深反演算法在新疆天山地区山地和平地在不同雪深条件下的误差。利用2014年12月15日到24日同步获得的46个山地和52个平地雪深数据、FY3B-MWRI亮温数据以及2008年MCD12Q1地面分类数据,对FY3B-MWRI业务化算法和Chang算法在新疆天山地区进行了对比分析。采用实测的不同地形和雪深数据进行了多组雪深反演,并分析山地和平地不同雪深反演误差。结果表明:1)所有样点参与反演时,Chang算法的雪深反演均方根误差为14.18cm,FY3B-MWRI业务化算法均方根误差为8.66cm,FY3B-MWRI业务化算法雪深反演效果优于Chang算法;2)对比山地和平地雪深反演结果,Chang算法的山地雪深反演均方根误差为18.31cm,平地雪深反演均方根误差为9.3cm;对于FY3B-MWRI业务化算法,山地雪深反演均方根误差为10.73cm,平地的雪深反演均方根误差为4.36cm,Chang算法和FY3B-MWRI业务化算法山地反演均方根误差是平地均方根误差的两倍左右;3)当雪深在20~30cm和大于30cm两组时,FY3B-MWRI业务化算法和Chang算法精度普遍都不高。     

一种融合遥感和地面观测资料的雪深空间插值方法

针对积雪观测站点稀少的问题,提出一种考虑海拔影响,能够融合MODIS积雪面积产品和站点观测的雪深空间插值方法,该方法利用去云后MODIS积雪面积产品构建的无积雪“虚拟站点”弥补站点分布不均匀和稀少的不足,利用泛协克里金插值方法考虑海拔对雪深的影响。利用北疆地区50个气象站点的逐日雪深观测资料、逐日MODIS积雪面积产品和AMSR-E被动微波雪水当量和雪深产品,对普通克里金、泛克里金、普通协克里金和泛协克里金插值结果进行了比较研究。研究结果表明:积雪覆盖范围较大时,站点雪深与海拔之间相关系数较大,利用泛协克里金插值结果精度高且稳定;否则利用普通克里金插值精度较高且稳定。通过增加“虚拟站点”,能够提高雪深插值精度,并在一定程度上修正了克里金插值中存在的平滑效应。
     

基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法（SDD）。基于该算法获取了北疆地区500 m空间分辨率的雪深数据（SDDsd）,并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明：基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R²为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。     

联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题,提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型（GDM）。GDM包括时空注意力（TSA）、双向图神经长短期记忆（DG-LSTM）网络编码和边-点转换双向门控循环网络解码（EN-GRU）模块。首先使用TSA模块提取MOD11A1图像特征并形成多个虚拟气象站点的温度时间序列,缓解地面气象站点分布稀疏对站点间关系的影响;然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度;最后用ENGRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明,相较于二维卷积神经网络（2D-CNN）、长短期记忆全连接网络（LSTM-FC）、长短期记忆神经网络扩展网络（LSTME）和长短记忆与自适应提升集成网络（LSTM-AdaBoost）,GDM在10个地面气象站点24 h内温度预测的平均绝对误差（MAE）分别减小0.383℃、0.184℃、0.178℃和0.164℃,能提高未来24 h多个气象站点温度的预测精度。     

基于时间序列的时空插值算法改进研究

为了提高气象预报的精细化程度,针对空间插值算法进行了改进研究,加入了时间序列后的时空混合插值更加符合气象要素的时空特性,从源头上解决了由于各种不可抗力因素(如仪器故障、传输线路故障等)造成的气象站点实时数据缺失。利用重庆市900多个气象站近一年的观测数据进行了插值方法的对比研究,证实了该算法的可行性。     

AMSR-E积雪产品在内蒙地区的精度验证

使用地面积雪观测数据对2005年～2008年40°N～48°N、112°E～128°E区域的AMSR-E积雪产品进行了误差分析和精度验证,结果表明:2005年～2008年的AMSR-E积雪产品较好地反映了研究区域地面积雪信息的时间变化特征;AMSR-E积雪产品普遍地低估了地面积雪深度,相对而言,当地面积雪较薄时,AMSR-E可较好地反映积雪深度,当积雪较厚时,AMSR-E明显低估积雪深度;2005年～2006年、2006年～2007年以及2007年～2008年3个冬-春季时段AMSR-E和站点观测值的平均差值分别达7.38cm,6.87cm和22.07cm。     

风云三号微波成像仪积雪参数反演算法初步研究

选择新疆地区作为实验区,为风云三号(FY-3)微波成像仪(MWRI)发展中国区域的积雪参数半经验反演算法。使用2003年4个月的新疆地区的台站观测资料和AMSR-E 18.7 GHz,36.5GHz和89 GHz水平和垂直极化亮温作为FY-3 MWRI的模拟数据,在Chang建立的半经验模型的基础上,采用多元线性回归分析,建立一个新算法。用已有方法去除水体、降雨、湿雪、冻土的像元后,用新算法反演了新疆地区的2004年1月的积雪参数,并分别与AMSR-E雪水当量产品和台站观测值进行比较,结果表明新算法在新疆地区优于AMSR-E的反演算法。     

被动微波遥感在青藏高原积雪业务监测中的初步应用

积雪范围、积雪深度和雪水当量等参数的遥感监测与反演对气候模式的建立以及积雪灾害的评估具有重要意义。被动微波遥感在这些参数的反演方面具有明显优势,但目前尚未应用到青藏高原地区的积雪遥感业务监测上来。2001年10月至2002年4月,利用SSM/I数据对青藏高原地区的积雪范围和积雪深度进行了实时监测,为西藏、青海遥感应用部门提供逐日的雪深分布图。对这次监测的总效果进行了分析和评价,并对发生在青海省内一次较大的降雪过程进行了遥感分析,结果表明:SSM/I反演的积雪范围变化趋势与MODIS结果总体上较为一致;SSM/I的雪深监测结果为当地遥感部门对大于10 cm的雪深做出正确判断提供了重要信息,是对雪灾定位的重要信息源。     

基于多元线性回归的GPS-IR积雪深度反演研究

利用全球导航卫星系统反射干涉遥感技术（GPS-Interferometric Reflectometry, GPS-IR）可实现地表环境参数的监测。基于全球导航卫星系统多径反射信号与积雪深度之间的关系,针对目前已有研究较少的考虑多星融合对反演效果的影响,提出一种基于多元线性回归的多星融合积雪深度反演模型。为了验证算法的可靠性,利用美国PBO观测网络中的P101测站连续监测数据进行雪深反演研究。研究和实验表明：反演结果与积雪深度参考值具有显著相关性;多星融合能够有效综合各单颗卫星的反演性能,相关系数均大于0.940,相比单星提高了13.6%;RMSE和MAE均小于0.08和0.165。