融合FY-3C号和FY-4A号卫星数据的积雪面积变化研究—以祁连山区为例

祁连山区积雪类型丰富、判识复杂,是中国积雪研究的典型区域。因此,精确地监测祁连山区积雪面积变化及其时空演变,对祁连山区生态环境和社会经济发展等具有重要意义。FY-3C MULSS利用多阈值积雪指数模型提供全球日积雪覆盖产品,FY-4A AGRI传感器每15~60 min提供一景覆盖全球的多光谱影像。基于FY-4A AGRI高时间分辨率的特征,构建适合于FY-4A号数据的动态多阈值多时相云隙间积雪识别方法,很大程度上减小了云对光学数据识别积雪造成的影响,并结合FY-3C MULSS积雪覆盖日产品较高空间分辨率的优势,融合得到去除云后的FY3C4积雪覆盖数据。利用Landsat 8 OLI卫星数据对融合后的积雪数据进行对比验证,结果表明融合FY-3C和FY-4A后的数据能更好地判识祁连山区的积雪覆盖情况。以MODIS MOD10A2积雪产品为真实值,随机检验了2018年3月~2019年3月融合后数据的积雪判识精度,发现无云情况下方法的总体精度可达到85.25%。进一步研究发现祁连山区积雪面积在海拔、气候和坡向等因素的影响下时空分布极不均匀,总体呈现出冬春季节大于夏秋季节,以及东部积雪面积大于西部积雪面积的特征。     

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。     

青藏高原MODIS积雪面积比例产品的精度验证与去云研究

MODIS积雪产品的精度验证和去云处理是积雪监测研究的基础。首先利用青藏高原典型地区的ETM+数据作为“真值”影像,对MODIS积雪面积比例(FSC)产品在无云条件下的精度进行验证,发展了一个基于三次样条函数插值的去云算法,并采用基于“云假设”的检验和地面站积雪覆盖日数(SCD)检验两种方法对去云算法的精度进行了分析评价。结果表明:MODIS FSC产品在青藏高原地区具有较高的精度,与FSC“真值”相比,其平均绝对误差、均方根误差以及相关系数分别为0.098、0.156和0.916;去云算法能够有效地获取云遮蔽像元的FSC信息,平均绝对误差为0.092,用新生成的无云MODIS FSC产品计算得到的SCD与地面观测值具有较高的一致性(87.03%),平均绝对误差为3.82 d。     

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。     

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。     

提高森林覆盖区积雪提取精度的方法研究——以玛纳斯河流域为例

森林覆盖区积雪的提取精度很低,由于植被冠层的遮挡,冠层下的积雪很难被提取出来。基于Landsat 8OLI数据,针对玛纳斯河流域下游有大面积森林覆盖的特点,通过传统的积雪指数法,结合NDVI数据的积雪指数法和面向对象图像特征法分别提取积雪面积。结果表明:1传统的NDSI和S3积雪指数法无法较好地提取出森林覆盖下的积雪,提取精度分别为85.23%和87.54%。这两种方法适用于空间尺度较大、植被覆盖面积较大的区域,并不适合所选研究区;2结合NDVI数据后的NDSI、S3积雪指数模型能大大提高森林覆盖下的积雪面积,提取精度分别达到91.47%和90.60%。在影像空间分辨率较高,流域尺度较小,林区覆盖较多的情况下可采用此方法提取积雪;3随着海拔的升高,地形阴影影响逐渐增大,NDVI辅助积雪指数方法提取林区覆盖下积雪面积逐渐减小。因此采用光谱、纹理和空间信息结合的面向对象图像特征方法提取积雪,能够较好地识别出受地形影响下的雪像元,精度达到89.75%,可以满足实际应用的需求。     

高亚洲地区无云积雪遥感二值产品对比和精度验证分析

以青藏高原为核心的高亚洲地区是我国重要的积雪分布区域,也是气候变化的敏感区域。高精度的积雪遥感监测产品可更好地理解区域水和能量循环过程,提升气候、环境分析和水资源应用潜力,然而由于高亚洲地区地形复杂,高原局部气候变化快,当前所发布的积雪产品的算法各有所长,不同产品的精度评价所采用的评估方法、参考数据和精度指标不统一,这为积雪数据产品应用及评价带来挑战。选择目前国内外已经发布的较为典型的IMS、MODIS无云积雪产品等3种数据,开展基于流域的时空交叉对比分析,并采用同一套地面参考数据集及综合性指标,进行了精度验证和比对研究。结果表明:利用不同数量的地面观测数据进行验证时,3种积雪产品表现都较为稳定,总精度都能达到85%以上,IMS和与微波观测相结合的无云(A-MODIS)产品召回率较高,而MODIS积雪产品的准确度较高,权衡参数F值较高;在积雪季初期3种产品积雪覆盖面积和趋势吻合,后期融雪期出现较大差异,IMS与A-MODIS产品相较于MODIS产品有高估现象,认为与云覆盖及微波数据的质量有很大关系,总体来看IMS产品与MODIS积雪产品精度相接近,但MODIS积雪产品数据质量较高。该项研究可为积雪遥感产品在高亚洲地区应用提供客观的分析和评价。     

基于局部区域动态覆盖的3D点云分类方法

局部几何形状的描述能力, 对不规则的点云形状表示是十分重要的. 然而, 现有的网络仍然很难有效地捕捉准确的局部形状信息. 在点云中模拟深度可分离卷积计算方式, 提出一种新型的动态覆盖卷积(dynamic cover convolution, DC-Conv), 以聚合局部特征. DC-Conv的核心是空间覆盖算子(space cover operator, SCOP), 该算子通过在局部区域中构建各向异性的空间几何体覆盖局部特征空间, 以加强局部特征的紧凑性. DC-Conv通过在局部邻域中动态组合多个SCOP, 实现局部形状的捕捉. 其中, SCOP的注意力系数通过数据驱动的方式由点位置自适应地学习得到. 在3D点云形状识别基准数据集ModelNet40, ModelNet10和ScanObjectNN上的实验结果表明, 该方法能有效提高3D点云形状识别的性能和对稀疏点云的鲁棒性. 最后, 也提供了充分的消融实验验证该方法的有效性. 开源代码发布在https://github.com/changshuowang/DC-CNN.     

散乱点云分割技术研究与实现

点云分割是根据空间、几何和纹理等特征对点云进行划分,使得同一划分内的点云具有相似的特征。首先对获取的散乱点云数据进行去噪、填补空洞和畸变等预处理,然后计算最小包围立方体分割点云空间并构建八叉树加速邻域点的搜索,为每个点构造最小二乘邻域,分析散乱点云数据的高斯曲率和平均曲率,再通过区域生长法得到低噪声的精确分块,自适应、智能化地对点云进行分块。经实验验证,该方法可以获得较好的分割效果。     

基于Landsat-8 OLI的青藏高原IMS 4 km雪冰产品精度评价

IMS雪冰产品是多源数据的融合产品,提供北半球逐日无云的雪冰覆盖范围,在青藏高原积雪遥感监测和研究中具有广阔的应用前景.利用Landsat-8OLI积雪覆盖数据对IMS4km分辨率雪冰产品在青藏高原积雪监测中的精度进行了评估验证.研究结果表明:①IMS 4 km雪冰产品的平均总精度为76.0％,平均制图和无雪分类精度分...     

一种面向可靠云计算的自适应故障检测方法

提出了一种保障云系统可靠性的自适应故障检测方法。首先基于步进指标搜索算法和指标空间分离技术进行云指标提取, 得到最能刻画云行为和健康状况的最大关联性标准和最小冗余度标准, 然后使用最小封闭球体将云指标数据点从数据空间映射到内核空间进行降维, 最后将低维数据输入故障检测器。故障检测器在内核空间产生一个能够容纳数据的最小封闭球面, 确定潜在故障, 如果以前故障历史无法获得, 则故障检测器通过寻找与其他状态存在明显不同的云健康状态来确定故障。当检测结果被云运营商验证后, 要么被判定为真实故障, 要么被判定为正常状态（虚警）。实现了一种故障检测原型系统, 并在校园云计算环境下展开实验。实验结果表明, 与其他现有故障检测技术相比, 该方法的检测更高效、更准确。     

基于Google Earth Engine评估新疆西南部MODIS积雪产品

Google Earth Engine(GEE)是一种基于云建立的地理空间处理平台,可以针对地理空间数据进行分析,实现全球范围内海量遥感数据的并行处理,为遥感大数据、大区域研究提供支持。MODIS积雪覆盖制图是利用MODIS资料建立的全球积雪覆盖产品,已广泛应用于区域乃至全球的气候与环境监测中。GEE云平台存储着百万景遥感影像,其中包括覆盖全球的MODIS逐日积雪产品MOD10A1V5数据和Landsat数据。以新疆西南部3个研究区为例,选取GEE云计算平台存储的Landsat数据,应用NDSI提取积雪范围作为地表覆盖真值,对MOD10A1展开精度评估。结果表明:2000~2016年新疆西南部积雪季MOD10A1的平均总体准确率达82%,平均误判率为2.9%,平均漏判率为58.8%。在晴空条件下,MOD10A1总体准确率可达98%,不同区域的地形及云量是影响MOD10A1精度评估的主要因素。GEE云计算平台可以快速有效地筛选高质量无云的Landsat数据,对全球范围内积雪区的MOD10A1进行精度评估,以在线地图的形式直观显示误判和漏判区域,并利用GEE提供的简单云分函数计算区域云量,使云量对MOD10A1积雪分类精度的影响更具区域代表性。     

青藏高原积雪对气候反馈的初步研究

积雪具有很高的反照率,能反射回绝大部分的太阳短波辐射;同时,积雪是热的不良导体,其热阻隔性会抑制地表的长波辐射。因此,积雪的积累和消融会强烈地改变大气层顶的辐射平衡,进而对气候产生反馈。采用ERA-Interim再分析资料和MODIS去云积雪产品,通过改进的偏辐射扰动思想,对青藏高原地区2001~2010年积雪影响下大气层顶的辐射能量收支状况进行模拟,计算对应的积雪辐射强迫,并在此基础上估算积雪反馈。结果表明:研究区99.5%以上地区的大气层顶辐射平衡为负,即积雪对气候存在正的辐射强迫,年平均辐射强迫为3.97 W·m-2。时空分布特征表明,积雪辐射强迫的年际差异不大,但空间差异很大,其空间分布与积雪覆盖率有很强的正相关关系,在绝大多数情况下,短波反照率辐射强迫对积雪辐射强迫起着决定性作用,且青藏高原的积雪反馈强度约为9.35 W·m-2·℃-1。     

基于克里金空间插值的MODIS积雪覆盖率产品去云方法

由于云与积雪在可见光和远红外波段都具有相似的光谱特征,使得光学遥感监测积雪受到天气的严重干扰,如何消除亚像元尺度上MODIS积雪覆盖率(Snow Cover Fraction,SCF)产品中云的干扰成为了一个亟待解决的难题。通过分析亚像元尺度上SCF分布的空间变异性,提出了一种基于克里金空间插值的MODIS SCF产品去云方法,分别利用普通克里金(Ordinary Kriging,OK)和以海拔为协变量的普通协克里金(Ordinary Co\|Kriging,OCK)进行去云实验。11个不同日期的实验结果表明:OK和OCK方法在MODIS SCF产品去云中均能达到较高的精度,特别是在云覆盖率低于20%的情况下,此时OCK的精度要好于OK;而当云覆盖率大于20%时,OK的精度略高于OCK,但两者的精度都明显低于云覆盖率低于20%的情况,而且平滑效应都比较明显。     

激光雷达数据辅助的FY-3D影像阈值自适应云检测方法

国产风云系列卫星可为全球范围内大气、陆地和海洋的遥感监测提供重要数据支撑,由于光学卫星影像不可避免受到云覆盖的影响,通过云检测获取准确的云掩膜是风云系列卫星影像精细处理与应用的关键。现有的云检测方法大多采用简单高效的阈值法,然而由于传感器光谱响应以及不同场景云覆盖下垫面的辐射差异,在缺少大量真实云覆盖标记情况下,现有方法往往难以确定最优的检测阈值。鉴于此,提出了一种阈值自适应的云检测方法（TACD）,顾及传感器波段特性以及云覆盖下垫面差异,设置不同场景下的多通道阈值测试,包括反射率及反射率组合测试、亮度温度测试、亮度温度差异值测试、卷云测试等,联合具有高精度云层信息的激光雷达数据构建全球范围的云检测样本集,实现基于样本集真实云标记的迭代阈值优化,最终基于最优的阈值进行云检测。以风云三号（FY-3D）MERSI-II影像为例,联合CALIOP云层数据构建全球范围的云检测数据集,并将所提出的TACD方法云检测结果与官方云掩膜产品进行对比,结果表明该方法较官方云检测算法精度有明显提高,其中平均交并比从80.35%提升至84.09%,召回率可达92.67%,具有业务化应用的潜力。     

基于分形维数的全色影像云雪自动识别方法

由于云、雪光谱特征在可见光谱段范围内的相似性,全色影像的云检测和云雪识别一直是对地观测遥感数据预处理及应用中的难点之一。细致分析了云、雪的纹理特征,通过训练大量的实验样本获得了表征云、雪纹理特征的分形维数值的统计规律,在此基础上综合考虑云\,雪的纹理特征与覆盖分布规律,提出了一种基于分形维数的全色影像云与积雪自动识别方法。利用"北京一号"小卫星实际图像的测试结果表明,该方法是一种有效的全色影像云\,雪自动识别方法。     

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。     

复杂表面物体3D模型的获取方法

提出了一种从真实物体中获得其3D模型的方法.该方法通过TOF- Camera获得原始的点云数据,在对点云数据进行三角化、分割、滤波去噪等处理后得到部分物体模型,然后再应用ICP(迭代最近点)算法对其进行配准.配准过程中为了节省内存,删掉重叠的冗余数据.最后对生成的数据进行网格重建,得到完整的网格模型.实验表明该方法能较为快速地获取真实物体的3D模型,显著提高TOF相机获取数据的质量.     

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。