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。     

基于多尺度特征融合网络的新疆积雪覆盖度估算

受复杂地形和遥感数据低分辨率的影响，传统的二值化积雪遥感产品在山区和林区的积雪覆盖度计算中存在严重误算和漏算的问题，从而导致积雪覆盖度估算精度低。基于风云四号A星多通道辐射扫描计（AGRI）新疆地区的遥感影像数据，提出一种多尺度特征融合网络的积雪覆盖度估算方法。通过深度残差网络和特征金字塔模式对卷积层各个阶段的特征信息进行重构，融合深层和浅层特征的多重语义信息，同时结合AGRI数据高时间分辨率的特性，拟合光谱信息和地理因素间的非线性关系，从而提高数据源和特征信息的整体利用率。实验结果表明，相比MOD10_FSC、BP-ANN_FSC和ResNet_FSC方法，该方法在A1~A4样本区中相关系数均值和解释回归模型的方差得分均值最高可提高8和6个百分点，且其均方误差均值仅为0.1，能够获得较高精度的积雪覆盖度估算结果。