基于FY-MWRI的中国西部被动微波积雪判识算法北大核心CSCD

积雪是冰冻圈中分布最广泛的要素,在气候变化以及水文循环中扮演着重要角色。微波遥感因其全天时全天候工作、具有一定穿透性等优势,成为积雪监测的重要手段。利用FY-3C卫星同步观测获取的微波成像仪(MWRI)被动微波亮度温度数据、融合可见光红外扫描仪(VIRR)与中等分辨率成像光谱仪(MERSI)数据得到的积雪产品,结合MODIS地表分类数据、地表温度数据,发展了基于国产卫星数据的被动微波积雪判识算法。首先提取无云覆盖的不同地表类型被动微波数据像元样本,然后对各地表类型的微波特征进行分析,利用空间聚类的方法,得到TB19V-TB19H、TB19V-TB37V、TB22V、TB22V-TB89V、(TB22V-TB89V)—(TB19V-TB37V)这五类可以较好地区分积雪和其他类似积雪地表的指标。最后应用MODIS积雪产品为参考对该积雪判识算法进行精度评价,该算法在中国西部积雪判识总体精度为87.1%,漏判率为4.6%,误判率为23.3%;Grody算法判识总体精度为78.6%,漏判率为9.8%,误判率为30.7%,该算法判识精度高于Grody算法;通过Kappa系数分析比较,该算法积雪判识结果的Kappa系数值为47.3%,高于Grody算法判识结果的Kappa系数值39.9%,表明该算法积雪判识结果与MODIS积雪产品判识结果一致性更好。     

AMSR-E亮温数据与MODIS陆表分类产品结合反演全球陆表温度

AMSR-E被动微波传感器获取的亮温数据与MODIS陆表分类产品(MOD12)相结合,将全球陆表分为16类,并假设每种类型的地表在各个被动微波通道具有较一致的发射率,在此基础上针对每种陆表类型分别建立了陆表温度反演算法。在算法的建立过程中,为了避免混合像元以及冻土、积雪发射率不确定性带来的影响,仅对单一地表类型占90%以上以及MODIS陆表温度产品高于273K的被动微波像元进行回归。同时,考虑到降雨对回归结果的影响,在数据选择中加入了降雨判识,在被动微波亮温数据中除去了降雨像元。利用上述算法,用2004年1～10月的全球部分地区AMSR-E数据在MODIS陆表分类产品的基础上对每种地表类型分别进行了陆表温度反演,并与MODIS陆表温度产品进行对比,结果显示相关性较好,均方根误差为2～4 K。     

寒区复杂地表冻融状态判别式算法改进

基于冻融土的微波辐射特征,在HUT(Helsinki University of Technology)积雪辐射模型的基础上,引入新的冻土介电常数模型计算冻/融土的介电常数,利用高级积分方程模型(Advanced Integrated Emission Model,AIEM)计算地表发射率,改进了寒区复杂地表微波辐射模型和冻融状态判别式算法。采用AMSR~2(The Advanced Microwave Scanning Radiometer 2)被动微波辐射计亮温数据和地基微波辐射计观测数据进行了地表冻融状态判别式算法精度的验证与比较。结果显示:改进后的判别式算法对冻土的判识精度有明显提升,总体判识精度在82%以上,是一种较可靠的判别模式。     

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。     

FY-3/VIRR资料积雪多阈值综合判识方法研究

利用卫星遥感监测积雪分布相比地面观测具有明显优势,目前基于FY-3卫星数据在积雪监测方面的研究较少。借鉴现有积雪卫星遥感监测算法,研究出适用于FY-3/VIRR资料的积雪判识方法,利用归一化积雪指数和多波段综合阈值实现积雪判识,提取积雪信息生成区域二值化积雪分布图。通过实例分析验证算法有效可行,并与MODIS积雪产品MOD10及其L1B数据NDSI判识结果进行对比,说明算法判识结果良好。研究表明,FY-3卫星数据可作为积雪遥测的可靠资料来源,可延用于积雪监测与灾害预警业务系统中,促进国产卫星数据的应用与推广。     

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。     

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%。     

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。     

联合同化MODIS地表温度与机载L波段微波亮度温度估计土壤水分

构建了基于通用陆面模型(CoLM,Common Land Model)、微波辐射传输模型L-MEB(Lband Microwave Emission of the Biosphere)和集合平滑算法(EnKS,Ensemble Kalman Smoother)的土壤水分数据同化框架,用于联合同化MODIS地表温度和机载L波段被动微波亮温数据。以2012年HiWATER试验期间中游大满超级站为实验站点,分析了3种LAI数据产品对土壤温度模拟结果的影响,进而分析了联合同化地表温度和微波亮度温度对土壤水分估计结果的影响。研究结果表明:3种LAI数据对土壤温度模拟结果的影响显著,MODIS LAI产品在该研究区显著低估,导致土壤温度模拟结果高估4~6K;同化亮度温度、同化地表温度以及联合同化两者均可以改进土壤水分的估计精度,联合同化地表温度和亮度温度对于土壤水分的改进最为显著,土壤水分同化结果的RMSE减少31%~53%。     

基于AMSR-E的全球陆表被动微波发射率数据集

地表微波发射率表征了地物向外发射微波辐射的能力,星载被动微波发射率估算可在宏观、大尺度上对陆表微波辐射进行整体表达,是被动微波地表参数定量反演中重要基础数据,也是在大尺度上获取陆表微波辐射特征的一种途径。本数据集利用搭载在Aqua卫星上的高级微波扫描辐射计(AMSR-E)和中分辨率成像光谱仪(MODIS)的同步观测特点,采用MODIS的地表温度和大气水汽产品数据作为输入,基于考虑大气影响的发射率估算模型,生产了全球晴空条件下AMSR-E传感器运行期间(2002年6月~2011年10月)的陆表多通道双极化微波瞬时发射率。通过产品低频无线电信号影响、数据间比对、分布统计、不同地表覆盖条件的发射率特征、频率依赖和相关性研究等开展验证性分析,结果表明:瞬时发射率的动态大、细节表达丰富,月内日变化标准差在0.02以内,其时空变化、频率依赖和相关性等符合微波理论分析和自然物理过程理解。此套数据集还包括AMSR-E全生命周期的全球陆表逐日、侯、旬、半月及月产品,可用于开展星载被动微波遥感模拟、陆面模型以及陆表温度、积雪、大气降水/水汽/可降水量等反演研究。     

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。     

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。     

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。     

基于MODIS数据的湖面温度反演算法精度对比研究——以太湖为例

以MODIS(Terra)影像数据为数据源,对比了不同分裂窗算法反演2012年太湖湖泊表面温度结果,并通过太湖水环境自动监测站网实测数据与不同算法结果进行了精度对比分析.结果表明,MODIS地表温度产品(Version 5)和覃志豪算法产品所反演的太湖表面温度精度都很高,其与实测数据的均方根误差分别为1.189℃和0.987℃.在综合数据获取、处理和适用性的基础上,研究认为,在水文、气象和生态等科学研究中可以直接利用MODIS地表温度产品(Version 5)来获取太湖地区的湖泊表面水温.     

基于二阶段算法的HJ-CCD数据过火区制图

利用环境减灾小卫星多光谱数据研究过火区的制图方法,并分析对比了4种植被指数对于过火区的分离性。结果表明:基于可见光和近红外的BAI(Burned Area Index)与GEMI(Global Environment Monitoring Index)指数对于过火区的分离能力较好。在此基础上,采用二阶段识别算法对实验区的过火区进行提取。首先采用严格的阈值提取燃烧较为严重的过火像元,并以此作为第二阶段过火区识别的“种子”点,该阶段以减少误判为目的;第二阶段采用区域生长提取其他过火区域,同时采取较为宽松的阈值作为生长准则,以减少漏判,最后得出过火区边界。精度验证结果表明:该方法提取的过火区误判率为5.5%,漏判率为12.7%。     

基于Himawari-8卫星的火点判识算法研究

利用新一代静止气象卫星Himawari-8数据，提出一种新的自适应阈值决策树低温火点判识方法。该方法基于2.3μm和0.86μm通道数据，以晴空像元和背景像元本地化判识结果为基础进行火点识别。选取山西省作为研究区域，利用2020年4月24日和2021年2月20日数据进行验证，结果表明：(1)对于森林火灾初期火势较小的火点可以尽早判识（采样点最早提前40 min）；(2)对草地、耕地上范围较小、温度较低的火点判识在时效性和准确率方面均表现良好；(3)新增的低温火点判识算法有效地解决了火点多判和漏判的矛盾问题，为尽早识别火点信息，实现有效的灾情监测提供了新思路。     

MODIS 地表产品数据的相关算法及处理过程

以MODIS积雪覆盖产品和地表温度产品为例,详细介绍了MODIS 地表产品数据的相关算法、处理过程及产品级别,对MODIS产品的数据结构及数据项的具体含义做了较为详尽的阐述。最后介绍了处理MODIS数据的常用软件,为MODIS地表产品在各领域的应用打下了良好的基础。     

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。     

基于二进小波变换的多车牌定位算法

为提高多车牌定位的精度,提出一种基于二进小波变换的车牌定位算法.该算法可对单、多车牌定位,具有精度高、对光照影响不显著等特点.以实际监控的图像为实验数据进行对比,结果表明,在不同背景和不同光照情况下,基于二进小波变换的车牌定位算法在定位精度、漏判率和误判率等方面均优于基于金字塔分解的定位算法.