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。     

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。     

基于多源遥感数据的积雪反照率反演研究

积雪反照率在全球气候系统中的作用显著。由于目前遥感手段的限制,积雪反照率遥感产品存在显著的数据缺失和误差不确定性。研究对遥感积雪反照率反演模型进行精度评估,开展以渐进辐射传输理论(ART)为代表的积雪反照率遥感反演算法验证工作,分别比较MODIS、TM/ETM+数据在反演积雪反照率时的差异和准确性。结果表明:利用ART模型对积雪反射率进行各向异性校正后反演得到的积雪反照率精度优于MOD10A1积雪反照率;高分辨率遥感影像在反演积雪反照率时精度明显高于低分辨率遥感影像;针对地形复杂的高寒山区,尺度效应对积雪反照率的反演会产生极大影响。     

Google Earth Engine在地球科学与环境科学中的应用研究进展

21世纪以来,随着全球信息化与工业化的高度集成发展,出现了物联网与云计算,人类进入大数据时代。在地学、环境科学及相关学科领域,海量地理、遥感及社会经济等数据产生,在本地平台存储、管理以及分析数据的传统方式已经较难满足当前需求。Google Earth Engine(GEE)云平台由Google云基建提供,是一个对海量地球科学数据集(尤其是遥感影像数据)进行全球尺度在线处理分析和可视化的云计算平台,它利用谷歌强大的计算能力,可以分析处理多种环境与社会问题,如气候变化、植被退化、粮食安全和水资源短缺等。首先对GEE云平台进行介绍,综述了近年来应用GEE云平台所做的相关研究,然后应用该平台及MODIS土地覆盖类型数据,研究了2002~2013年三峡库区主要土地覆盖类型的时空变化规律。结果表明:以林地、灌丛草地以及耕地变化最为明显。最后,经粗略统计得出GEE云平台无论在成本还是效益方面,其综合效率提升90%以上。GEE云平台不仅可以为地学及遥感领域专家提供强有力的支持,也能为相关学科领域人员进行科学研究提供帮助,是一个高效的科研工具。     

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。     

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。     

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。     

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。     

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。     

时空自适应加权的MODIS积雪产品去云方法

鉴于MODIS积雪产品存在的空间不连续降低了数据的应用潜力,该文提出一种时空自适应加权的去云方法,同时顾及积雪在空间和时间上的相关性,自适应地衡量两者对积雪分布的影响。以新疆伊犁河流域为实验区,进行了模拟验证和基于气象台站数据的真实验证。结果表明:该方法能完全去除云覆盖,去云精度可达到90%以上,且对不同云量的修复都有较好的鲁棒性,能真实地反映地面积雪覆盖情况,可为积雪监测研究提供数据保障。     

风云三号积雪覆盖产品评估

由于积雪在地球气候系统和水文循环中调节能量和水交换的特定作用,准确地估计积雪分布和制作高质量的积雪产品对短期气候预测以及水文管理至关重要。中国气象局国家卫星气象中心从2009年开始生成风云三号卫星积雪覆盖率(MULSS多仪器融合数据)产品,为了检验产品算法和为积雪产品在气候研究中的应用提供客观依据,有必要对积雪产品的精度进行评估。以MODIS MOD10C1(MYD10C1)全球日积雪覆盖数据集为参考,基于总精度、Heidke技巧评分等5项检验指标,主要对2010~2014年的风云三号积雪产品进行评估,并进一步分析不同时间尺度积雪覆盖率精度的偏差分布。总体而言,风云三号的卫星积雪产品都与MODIS产品保持了较好的时空一致性。如在积雪季节,风云MULSS积雪产品与MODIS产品的空间分布和时间演变相对统一;但是,可能受到云检测的处理的差异的影响,在融雪期二者的有无雪一致性略有下降。此外,两个产品的积雪覆盖率偏差有明显的年际、季节和月变化,从2012年开始,风云三号MULSS积雪产品相对MODIS的偏差由在中国北部偏高转变为在全国范围内的偏低,从积雪期到融雪期,偏差明显减小。从月的时间尺度来说,东北及新疆北部地区都是积雪变化的敏感区域,青藏高原地区受到地形影响,积雪常年保持,偏差稳定。     

MODIS图像云检测业务化算法研究

本文针对3种不同空间分辨率的MODIS数据(250m,500m,1km),提出相应的业务化云检测算法,采用多阈值判别云像元,算法简单有效,仅以图像作为输入,不需要其它辅助数据的支持。以我国中低纬度地区为实验区,分别选取了春夏秋冬4幅MODIS图像,根据图像选择了合理的云判别阈值,取得了较好的云检测结果,与美国宇航局(NASA)提供的MODIS云产品相比,云的空间分布基本一致,且很好地更正了MODIS云产品中被误判为云区的河流、湖水、岸边的区域,从而可以获得更高的云检测精度和提高云覆盖判别的效率,为建立业务化运行的遥感图像云剔除预处理流程奠定基础。     

基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力,为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据,采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究,探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现：(1)Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限,而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足;(2)基于RF算法顾及物候特征的植被类型识别精度达到84.37%,Kappa系数为0.8,比单一时相数据的识别精度提高了10.01%;(3)呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显,有助于不同类型植被的空间识别,特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用...     

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。     

面向亚像元级积雪信息提取的MODIS影像波段融合方法研究

MODIS影像因其共享性和时间序列的完整性而成为大区域积雪监测研究广泛使用的数据源,进行MODIS影像波段间融合,能够为积雪研究提供较高分辨率的影像数据源。为了充分利用MODIS影像250 m分辨率波段的空间和光谱信息,提取亚像元级的积雪面积,使用两种具有高光谱保真度的影像融合方法：基于SFIM变换和基于小波变换的融合方法,采取不同的波段组合策略,对MODIS影像bands 1~2和bands 3~7进行融合,并以Landsat TM影像的积雪分类图作为“真值”,对融合后影像进行混合像元分解得到的积雪丰度图的精度进行评价。结果表明：利用基于SFIM变换和小波变换方法融合后影像提取的积雪分类图精度较高,数量精度为75%,比未融合影像积雪分类图的精度提高了6%,表明MODIS影像波段融合是一种提取高精度积雪信息的有效方法。     

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。     

有云Landsat TM/OLI影像结合DEM提取青藏高原湖泊边界的自动算法研究

青藏高原的湖泊数量众多且分布广泛,约占全国湖泊总数量和总面积的41%和57%,对于全国甚至全球的湖泊研究十分重要。遥感监测湖泊分布历来已久,但光学遥感影像时常被云遮蔽,难以自动化提取得到完整的湖泊边界。提出了一种有云的Landsat TM/OLI影像结合航天飞机雷达地形测绘数据(Shuttle Radar Topography Mission,SRTM)30 m分辨率的数字高程模型(DEM)的湖泊完整边界的自动插值生成算法。首先,在Google Earth Engine平台上,利用Landsat TM/OLI影像的地表反射率Tier1数据,根据其中的像元质量评价(Pixel Quality Assessment,pixel_qa)属性,结合SRTM 30 m DEM数据,先剔除云、云阴影、积雪和山体区域的影响;计算改进的归一化差异水体指数(Modified Normalized Difference Water Index,MNDWI),采用Canny边缘检测算法,得到无云覆盖区域的已知部分湖泊边界(L)。在本地对DEM进行极差滤波,得到可能的湖泊区域;同时,利用DEM生成等高距间隔为1 m的等高线,将包围着可能湖泊区域的一系列等高线自动筛选出来,根据等高线间的包含关系建立树结构。叶子节点为最内部等高线,记为内等高线(C1)。由于Landsat和DEM的获取时间不同,随着湖泊扩张或萎缩,湖泊水位会相对于内等高线上升或下降,对此采用不同的外等高线(C2)确定方法;随后,建立内等高线C1、外等高线C2与已知部分湖泊边界L之间对应点的坡度坡向关系,插值得到未知的湖泊边界点;最后利用最近邻法连接已知的湖泊边界点与插值得到的湖泊边界点形成完整的湖泊边界。利用相近日期的资源三号影像或无云Landsat影像的手工数字化湖泊边界对提取的湖泊边界进行验证,发现两者基本重合,且长度差百分比为-6.81%～9.4%,面积差百分比为-2.11%～2.7%。表明该方法对于有云Landsat TM/OLI影像的湖泊边界自动化提取十分有效,并为在GEE等大数据平台中自动化提取长时间序列、高时间分辨率的青藏高原湖泊边界及其时空变化分析提供了新方法。     

基于GEE云平台和Sentinel-2数据的普洱市森林覆盖制图

快速准确获取森林的空间分布对评估森林资源和生态环境状况具有重要的意义。以云南省普洱市为研究区,基于Google Earth Engine(GEE)平台和Sentinel-2影像数据,结合实地调查数据、机载遥感数据及地形辅助数据,提取影像的光谱特征、纹理特征以及地形特征,通过特征筛选,得到适合森林分类的最优特征数据集。结合简单线性非迭代聚类（SimpleNon-Iterative Clustering,SNIC）超像素分割算法,探究不同分类方法、特征变量等因素对分类精度的影响。结果表明：面向对象分类方法的分类精度要优于基于像元分类方法,分类总体精度为88.21%,Kappa系数为0.87,可以较为准确地对普洱市进行森林覆盖制图。面向对象方法可以有效减轻“椒盐现象”,特征优选避免了冗余信息对分类结果的影响,有效提高了分类效率。GEE平台与面向对象方法结合可以提供大区域、高精度的森林覆盖遥感快速制图。     

基于MODIS数据的青藏高原遥感云量重构北大核心CSCD

云是影响青藏高原能量平衡和地气过程的关键参量之一,研究高原的云量对探讨青藏高原的气候变化具有重要意义。采用2001~2020年的MODIS总云量数据与ERA5、CRA40两套再分析资料的总云量数据,以3~11月份MOD06云量资料为真值,评价不同再分析资料在青藏高原的适用性。利用改进自编码器模型,基于ERA5和MOD06重构了1950~2020年的3~11月的高原云量。结果表明:在高原地区,ERA5的云量值偏高,而CRA40云量值偏低,且ERA5与MOD06的相关性明显优于CRA40与MOD06的相关性;通过相关系数、偏差、平均绝对误差、均方根误差四种评价指标,发现改进自编码器模型在重构云量方面具有良好的效果,且能模拟出青藏高原云量的变化趋势,为研究青藏高原地区云量时空演变规律提供了可靠的长时序数据。