Please wait a minute...
img

官方微信

遥感技术与应用  2018, Vol. 33 Issue (2): 241-251    DOI: 10.11873/j.issn.1004-0323.2018.2.0241
模型与反演     
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
侯海艳1,2,侯金亮1,黄春林1,王昀琛1,2
(1.中国科学院西北生态环境资源研究院 遥感与地理信息科学研究室,甘肃 兰州  730000;
2.中国科学院大学,北京  100049)
Retrieve Snow Depth of North of Xinjiang Region from ARMS 2 Data based on Artificial Neural Network Technology
Hou Haiyan1,2,Hou Jinliang1,Huang Chunlin1,Wang Yunchen1,2
(1.Laboratory of Remote Sensing and Geospatial Science,Northwest Institute of Eco\|Environmentand Resources,Chinese Academy of Sciences,Lanzhou 730000,China;2.University of Chinese Academy of Sciences,Beijing 100049,China)
 全文: PDF(8357 KB)  
摘要:
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-7~6 cm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。
关键词: 神经网络雪深北疆微波亮温地理位置地形    
Abstract: Based on the characteristics of the microwave signal responding to the snow depth,we use AMSR2 brightness temperature,geo\|location and terrain factor as the inputs of ANN,and snow depth as the desired output to develop an efficiency snow depth retrieve model.We compared the influence of combinations of TB,geo-ocation and terrain factors on the retrieve of snow depth.It is reviewed in this article that,TB of horizontal polarization,latitude perform better than vertical polarization and longitude respectively.Combination of slope and aspect is superior to other combinations of terrain factors.Besides,there are equivalent influence on snow depth of geo\|location and terrain factors.Finally,we compare the performance of four optimal ANN models under different input combinations.At last,we found that the ANN consists TB,latitude,longitude,slope and aspect as inputs is the best model which might fairly simulating the snow depth of Beijiang.
Key words: Brightness temperature;Snow depth;ANN;Geo\    location;Terrain
收稿日期: 2017-11-19 出版日期: 2018-05-15
:  TP 79  
基金资助: 国家自然科学基金项目(41671375、41501412)资助。
作者简介: 侯海艳(1990-),男,河南永城人,硕士研究生,主要从事微波积雪遥感研究。Email: houhaiyan@lzb.ac.cn。
服务  
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章  
侯海艳
侯金
黄春林
王昀琛

引用本文:

侯海艳,侯金,黄春林,王昀琛. 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[J]. 遥感技术与应用, 2018, 33(2): 241-251.

Hou Haiyan,Hou Jinliang,Huang Chunlin,Wang Yunchen. Retrieve Snow Depth of North of Xinjiang Region from ARMS 2 Data based on Artificial Neural Network Technology. Remote Sensing Technology and Application, 2018, 33(2): 241-251.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2018.2.0241        http://www.rsta.ac.cn/CN/Y2018/V33/I2/241

[1] 汪子豪,秦其明,孙元亨. 基于BP神经网络的地表温度空间降尺度方法[J]. 遥感技术与应用, 2018, 33(5): 793-802.
[2] 冯姣姣,王维真,李净,刘雯雯. 基于BP神经网络的华东地区太阳辐射模拟及时空变化分析[J]. 遥感技术与应用, 2018, 33(5): 881-889.
[3] 谢旭,陈芸芝. 基于PSO-RBF神经网络模型反演闽江下游水体悬浮物浓度[J]. 遥感技术与应用, 2018, 33(5): 900-907.
[4] 杨朦朦,汪汇兵,欧阳斯达,范奎奎,戚凯丽. 基于双树复小波分解的BP神经网络遥感影像分类[J]. 遥感技术与应用, 2018, 33(2): 313-320.
[5] 田德宇,张耀南,赵国辉,韩立钦. 基于卷积神经网络的遥感沙漠绿地提取方法[J]. 遥感技术与应用, 2018, 33(1): 151-157.
[6] 何海清,庞燕,陈晓勇. 面向遥感影像场景的深度卷积神经网络递归识别模型[J]. 遥感技术与应用, 2017, 32(6): 1078-1082.
[7] 杨涛,黄法融,李倩,白磊,李兰海. 新疆北部植被生长季NDVI时空变化及其与冬季降雪的关系[J]. 遥感技术与应用, 2017, 32(6): 1132-1140.
[8] 陈坤堂,董晓龙,徐星欧,郎姝燕. 微波散射计反演海面风场的神经网络方法研究[J]. 遥感技术与应用, 2017, 32(4): 683-690.
[9] 吕利利,颉耀文,董龙龙. 基于不同地形校正模型的影像反射率对比分析[J]. 遥感技术与应用, 2017, 32(4): 751-759.
[10] 郝莹莹,罗小波,仲波,杨爱霞. 基于植被分区的中国植被类型分类方法[J]. 遥感技术与应用, 2017, 32(2): 315-323.
[11] 王功雪,蒋玲梅,武胜利,刘晓敬,郝诗睿. FY-3B与FY-3C/MWRI交叉定标及雪深算法应用[J]. 遥感技术与应用, 2017, 32(1): 49-56.
[12] 过杰,何宜军,张彪,Vladimir Yurjevich Karaev,M.A.Panfilova,Yuriy Titchenko. 基于散射计波浪参数反演模型的改进算法实验[J]. 遥感技术与应用, 2016, 31(5): 907-911.
[13] 杜一男,李晓峰,赵凯,武黎黎,郑兴明,姜涛. 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[J]. 遥感技术与应用, 2016, 31(2): 332-341.
[14] 边金虎,李爱农,王少楠,赵伟,雷光斌. 基于MODIS NDVI的Landsat TM影像地形阴影区光谱信息恢复方法研究[J]. 遥感技术与应用, 2016, 31(1): 12-22.
[15] 赵伟,李爱农,张正健,边金虎,靳华安,尹高飞,南希,雷光斌. 基于Landsat8热红外遥感数据的山地地表温度地形效应研究[J]. 遥感技术与应用, 2016, 31(1): 63-73.