被动微波雪深反演算法在东北地区的时空分析与验证

Chang算法及改进算法是被动微波遥感雪深反演算法中较简单的经验算法。为了评价改进的Chang算法在东北地区的适用性,对改进的Chang算法进行分析与验证。从空间上,选取了84个野外数据采样点和48个气象站点对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深3.6cm,而农田下垫面改进的Chang算法会高估雪深1.5cm。从时间序列上,选取五营、呼中、庆安和巴彦4个气象站点2012年11月15日~2013年2月28日的时间序列雪深数据,对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深,五营站点低估雪深13.7cm,呼中站点低估雪深8.3cm,农田下垫面改进的Chang算法会高估雪深,庆安站点高估雪深3.4cm,巴彦站点高估雪深0.8cm。无论从空间上还是时间序列上,验证结果都表明,农田下垫面时改进的Chang算法的精度比森林下垫面时要高。此外,站点雪深不变而改进的Chang算法反演的雪深却在增大,这可能是由于期间雪粒径不断增大的缘故。     

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。     

色林错、纳木错湖区被动微波雪深反演算法评估

被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径,但由于缺乏地面雪深观测资料,导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性,利用AMSR2亮温数据和地面站点雪深数据,以相关系数、偏差和均方根误差作为评价指标,评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示,Jiang算法综合表现最好,在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好,其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好,在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想,对雪深高估明显,其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大,在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外,其余算法均低估了研究区雪深,与以往研究结果一致。     

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。
     

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。     

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。     

基于中国通量网的MODIS短波反照率验证与分析

遥感地表反照率产品的验证与分析是将其应用于环境研究的基础。采用中国通量网的地表实测短波反照率数据对MODIS反照率产品进行对比和分析,针对选取的8个地面站点,提取了2004年的MODIS反照率产品并进行验证。这些站点的植被覆盖情况涵盖了草地、森林和农业用地。结果显示MODIS在多数情况下能提供准确的地表反照率产品。针对各个站点的误差、均方根误差、相关系数分析都显示了这个结果,总体反演误差在0.002左右。较大的误差出现在有冰雪影响的时候,排除受积雪影响的数据,总体均方根误差可达0.028。分析了引起误差的原因并提出了改进意见。     

呼伦贝尔草甸草原MODIS/LAI产品验证

以内蒙古呼伦贝尔草甸草原为研究区域,利用2013年6期地面实测数据,结合HJ-1A/B CCD高分辨率影像,经过辐射校正与模型建立,对研究区域草原生长季的MODIS/LAI产品进行验证。结果表明:在时间上,MODIS/LAI产品能够较好地反映草原的长势与物候变化。在空间上,由于MODIS/LAI产品输入数据的不确定性,MODIS/LAI产品与地面情况存在一定偏差(ΔLAI=0.59m2/m2),在呼伦贝尔草甸草原草场整个生长季都存在高估现象,平均相对误差为40%。在生长初期和末期,较大的地表异质性使MODIS/LAI产品高估现象较严重;生长中期高估现象减小,相对误差在30%以内。研究结果对了解该地区的MODIS/LAI产品精度与使用该地区MODIS/LAI产品具有重要指导意义。     

青藏高原地表微波比辐射率的反演与分析

利用Aqua卫星上同时搭载的AMSR-E和MODIS提供同步观测的微波和红外资料,反演青藏高原地区陆面微波比辐射率。结合MODIS反演的地表类型资料,分析该地区陆地微波比辐射率随地表类型、微波频率、不同时间尺度的变化特征。结果表明：该地区主要的3种地表类型中,草地比辐射率普遍高于裸地和灌木丛,并且后两者比辐射率的量值和...     

利用AMSR-E遥感数据反演地表温度——以2008年广东省春季寒害为例

基于2008年1月25日至2008年2月5日期间的AMSR-E/Aqua L2A微波亮度温度数据,以广东省为研究对象,依据微波极化差异指数（MPDI）、归一化植被指数（NDVI）和比率植被指数（RVI）等3种植被指数,将广东省地表植被覆盖情况分为裸地、草地、灌木林、针叶林和阔叶林等5种类型,利用逐步回归分析方法,建立了基于不同植被覆盖类型的微波亮度温度与地面气象温度多元回归模型。同步地面气象温度数据验证表明,本文建立的基于地表植被覆盖分类的多波段地表温度反演模型,地表温度反演精度基本可达到3.0℃,其中有大约86%的地区地表温度反演精度可以控制在2.5℃以内,为广东省作物寒害预测提供了微波遥感技术支持。     

干旱/半干旱区MODIS地表温度反演与验证研究

劈窗算法是目前热红外遥感反演地表温度最常用的方法,根据Coll提出的劈窗算法建立基于MODIS适用干旱/半干旱区地表温度反演算法,并用同期的LP DAAC发布的MODIS地表温度产品和相应的53个气象站点的实际观测数据进行验证。通过分析,模型的反演精度与MODIS地表温度产品的反演精度相当,与气象观测数据相一致,反演精度较好,能够较精确地反演干旱/半干旱地区地表温度的时空变化特征。     

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。     

FY-3B与FY-3C/MWRI交叉定标及雪深算法应用

FY-3C/MWRI于2015年7月30日开始业务运行,与FY-3B/MWRI对地表微波辐射进行联合观测。为保证MWRI亮温数据的可靠性、一致性以及综合双星MWRI观测数据应用雪深业务算法,利用地面近似稳定目标格陵兰岛冰盖与亚马逊热带雨林,对双星MWRI亮温数据进行交叉定标。分析了交叉定标前后FY-3B与FY-3C/MWRI雪盖面积及雪深反演结果的一致性,并以2013~2014年冬季气象站点的雪深观测数据评价了交叉定标对雪深反演精度的影响。结果表明:FY-3C/MWRI亮温数据与FY-3B/MWRI数据一致性较好,二者各通道的亮温平均偏差介于-0.87~2.05K之间,前者多数通道略偏"暖";绝对值大于3K的偏差比例在18H、36V、86H及86V等通道略高(10%~18%),其他通道比例均较低;FY-3B与FY-3C/MWRI雪盖面积及雪深估算结果一致性较好,交叉定标对雪盖面积反演影响较小,交叉定标后FY-3C/MWRI雪深反演误差(RMSE)略微降低,MWRI雪深反演结果更加稳定。     

利用被动微波遥感数据反演我国积雪深度及其精度评

考虑到我国西部地区使用SSM/I全球算法将高估积雪深度,故以东经105°为界将我国分为东部和西部。在西部地区采用修正后的雪深算法,东部地区沿用全球算法。对散射系数较高,容易和积雪相混淆的降雨、寒漠和冻土地表类型,通过积雪分类树进行剔除,进而发展了一套适用于全国积雪深度的业务化反演方案。最后利用MODIS积雪产品对冬季90天的结果进行了精度评价,总体精度平均达到86.4%,最高精度达到95.5%,Kappa系数均值为65.5%,最大值达到86.2%。     

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。     

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。     

面向遥感叶面积指数产品的地形校正研究

地形校正是提高复杂地形区地表参数遥感定量化反演精度的重要手段。当前广泛应用的遥感叶面积指数产品（Leaf Area Index, LAI）多具有一定的地形误差,减少地形影响、提升其产品精度有着非常重要的意义。以我国江西省千烟洲地区为研究区域,利用地面实测LAI数据、LandsatTM数据和高程数据等,基于高程标准差和GLOBMAP LAI产品值的关系,建立面向叶面积指数产品的地形校正模型,利用这一模型对GLOBMAP LAI产品进行地形校正。结果表明：校正后的LAI与地面实测数据更为接近,LAI产品与地面测量值的RMSE由2.11下降到2.04;校正后LAI产品的标准差由2.08下降至1.69,LAI产品的地形误差得到了较好的改正。该方法较好地完成了LAI产品的地形校正,进一步提高了产品精度,具有一定的实用价值。     

全球土地覆盖产品中森林类型数据在中国区域的质量评估

全球土地覆盖产品是森林类型数据的重要来源，系统评估不同产品中森林类型数据质量对数据使用者及生产新的数据具有指导意义。选取CCI-LC、MCD12Q1、Globeland30、GLCFCS30、FROM-GLC10、Esri10和ESA10七套土地覆盖产品，从自身稳定性、面积比较、空间一致性、精度估算4个方面评估其森林类型数据质量。结果显示CCI-LC中森林类型数据稳定性显著高于其他产品，2001～2019年19期数据的稳定性大于94%；就森林总面积而言，Globeland30、GLC-FCS30和Esri10与第九次全国森资源调查数据最为接近，Esri10的灌木存在严重高估现象；Esri10和MCD12Q1与其他产品的空间一致性均较低，ESA10和FROM-GLC10的一致性最高（85.3%）；高空间分辨率产品的总体精度优于中低空间分辨率产品，不考虑灌木时，ESA10、FROM-GLC10和Esri10的总体精度分别为90.63、87.99、85.22;GLC-FCS30、CCI-LC和MCD12Q1中精细森林类型总体精度均低于48%。     

祁连山区不同植被类型上的SMOS遥感土壤水分产品质量评估

为了分析SMOS遥感土壤水分产品在祁连山区的真实性和可靠性,利用祁连山区内布设于7种主要植被类型上的34个实测站点的实测土壤水分数据对其进行质量评估。首先挑选与实测值相对应的SMOS数据,进而依次计算每个站点上遥感产品与实测值的相关系数R、Bias和均方根误差RMSE,从而得到SMOS数据在不同植被类型上不同尺度(年和季节)的反演精度。结果表明:SMOS遥感土壤水分产品在研究区内是可信的,但低估了研究区土壤水分值,且未能达到产品预期目标0.04m~3/m~3。SMOS产品对于植被辐射反演效果好于土壤辐射反演,导致其在植被覆盖度越高的区域与实测值的拟合程度越高。SMOS产品在湿润条件下性能优于干旱条件,在变异性小的地区性能优于变异性大的地区。在季节尺度上,SMOS遥感产品与实测值拟合程度在夏、秋两季远好于春季。