基于FY-MWRI的中国西部被动微波积雪判识算法

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%。     

MODIS和VEGETATION雪盖产品在北疆的验证及比较

雪盖产品的准确性评估对于水文模型中的遥感应用具有重要的意义,利用北疆47个气象站实测雪深资料,并将气象站根据海拔和下垫面进行分类,对我国可使用的3种光学遥感雪盖产品MOD10A1、MOD10A2和VGT-S10雪盖产品进行验证。研究表明,MOD10A1、MOD10A2和VGT-S10雪盖产品识别总体精度分别为91.3%、90.6%和87.9%,3种产品在农田、草地、城镇和建筑用地总体精度更高 |在稀疏灌木林、裸地与稀疏植被识别总体精度较低,特别是在山区,3种产品识别精度均较低,分别为66.3%、75.7%和61.9%。进一步统计3种雪盖产品的错分误差、漏分误差,发现3种产品错分误差都比较小,但在山区站的漏分误差比较严重,分别为32.4%、21.7%和36.3%,3种产品在山区都低估了雪盖面积。3种不同时间分辨率的雪盖产品云影响率分别为61.8%、7.6%和1.8%。最后将MODIS合成与VGT-S10时间分辨率相同的雪盖产品,并对两种产品在积雪积累期和消融期进行相互比较,比较发现MODIS识别精度要优于VGT-S10雪盖产品,3种产品中VGT-S10由于合成天数最多,所以雪盖产品受云的影响最小。     

An application of MODIS data to snow cover monitoring in a pastoral area: A case study in Northern Xinjiang, China

Snow is an important land cover on the earth's surface. It is characterized by its changing nature. Monitoring snow cover extent plays a significant role in dynamic studies and prevention of snow-caused disasters in pastoral areas. Using NASA EOS Terra/MODIS snow cover products and in situ observation data during the four snow seasons from November 1 to March 31 of year 2001 to 2005 in northern Xinjiang area, the accuracy of MODIS snow cover mapping algorithm under varied snow depth and land cover types was analyzed. The overall accuracy of MODIS daily snow cover mapping algorithm in clear sky condition is high at 98.5%; snow agreement reaches 98.2%, and ranges from 77.8% to 100% over the 4-year period for individual sites. Snow depth (SD) is one of the major factors affecting the accuracy of MODIS snow cover maps. MODIS does not identify any snow for SD less than 0.5 cm. The overall accuracy increases with snow depth if SD is equal to or greater than 3 cm, and decreases for SD below 3 cm. Land cover has an important influence in the accuracy of MODIS snow cover maps. The use of MOD10A1 snow cover products is severely affected by cloud cover. The 8-day composite products of MOD10A2 can effectively minimize the effect of cloud cover in most cases. Cloud cover in excess of 10% occurs on 99% of the MOD10A1 products and 14.7% of the MOD10A2 products analyzed during the four snow seasons. User-defined multiple day composite images based on MOD10A1, with flexibilities of selecting composite period, starting and ending date and composite sequence of MOD10A1 products, have an advantage in effectively monitoring snow cover extent for regional snow-caused disasters in pastoral areas.     

Assessment of FY-3 Snow Cover Product

Due to the unique function that snow played in modulating energy and water exchanges in climate and hydrology system,it is important to estimate snow distribution and produce high quality products for short-term climate prediction and water resources management.National Satellite Meteorological Center publics FY-3 snow cover fraction product since 2009.It is necessary to evaluate the snow cover fraction product in order to verify the precision of retrieval algorithms and provide an objective evidences for climate studies.based on MODIS MOD10C1(MYD10C1) Global Daily Snow Cover Dataset,we carries out an evaluate of FY-3 snow cover fraction product from 2010 to 2014 based on five examine indexes,and analyses the bias distribution of snow cover fraction product in different time scales further.It is concluded that FY-3 snow product is a better time space consistency with MODIS MOD10C1(MYD10C1).For example,the consistency of two products is better in snow accumulation period,while it is reducing influenced by cloud detectionin snow melting time.At the same time,bias of snow cover fraction products have obviously changes in inter-annual time,seasonal and monthly.compares to MODIS products,FY-3 snow product is higher in North China,but it coverts to lower in whole China since 2012.Bias of two products decreases from snow accumulation period to snow melt period.In monthly time scale,North eastern China and north of Sinkiang area is sensitive area of snow variation.Bias is more stable because of Tibet Plateau is influenced by topography and covered with snow all the year.     

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。     

Evaluation of MODIS Snow Products in Southwestern Xinjiang Using the Google Earth Engine

Google Earth Engine(GEE) is a cloud\|based geospatial processing platform that can analyze geospatial data to achieve parallel processing of massive remote sensing data on a global scale,providing support for remote sensing big data and large\|area research.MODIS snow cover mapping is a global snow cover product established using MODIS data and has been widely used in regional and global climate and environmental monitoring.In the GEE,millions of remote sensing images are stored,including MODIS daily snow products MOD10A1 V5 data and Landsat data.Taking the three research areas in southwestern Xinjiang as examples,the Landsat stored by the GEE were selected,and the NDSI was used to extract the snow cover as the true value of the land cover to evaluate the MOD10A1 accuracy.The results show that the average overall accuracy of MOD10A1 in the snow cover season in southwestern Xinjiang during the period from 2000 to 2016 is 82%,the average misjudgment rate is 2.9%,and the average missed rate is 58.8%.The overall accuracy of MOD10A1 can reach 98% under the clear sky conditions.The accuracy of MOD10A1 is effected by the terrain conditions and cloud cover in different regions.Therefore,the GEE can quickly and effectively filter high quality cloudless Landsat images,and evaluate the accuracy of the MOD10A1 in the snow area around the global regions,displaying intuitively the misjudgment and missed areas in the form of online maps.Meanwhile,GEE provides the Landsat simple cloud score function to calculate the regional cloud cover,which makes the influence of cloud cover on the MOD10A1 accuracy assessment more regionally representative.     

基于ART模型的MODIS积雪反照率反演研究

积雪反照率是研究局地或全球的能量收支平衡和气候变化中的重要参数,遥感反演为积雪反照率的获取提供了便利的手段。积雪反照率大小主要取决于积雪的自身物理属性(雪粒径、形状和污染物等因子)以及天气状况,遥感反演反照率大多基于双向反射模型(BRDF),积雪BRDF模型常使用积雪辐射传输模型获得。采用考虑了雪粒径、粒子形状以及污染物影响的渐进辐射传输理论(ART)模型,建立了MODIS积雪反照率反演算法,得到了MODIS 8d合成积雪反照率产品。将此算法应用于具有均一积雪地表的格陵兰岛地区,并使用GC-Net实测数据进行了验证,反演的总均方根误差(RMSE)为0.018,相关系数(r)为0.83,结果表明考虑了积雪特性的ART模型能够较好地反演积雪反照率,而且反演需要的参数较少。