A general parameterization scheme for the estimation of incident photosynthetically active radiation under cloudy skies
1
2020
... 积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量.积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化[1-3].同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环[4].雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义. ...
Temporal-spatial characteristics of cumulative snow depth in Northeast China and its vicinity
0
2011
青藏高原积雪的分布特征及其对地面反照率的影响
1
1995
... 积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量.积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化[1-3].同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环[4].雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义. ...
青藏高原积雪的分布特征及其对地面反照率的影响
1
1995
... 积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量.积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化[1-3].同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环[4].雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义. ...
新疆冰川、积雪对气候变化的响应(I):水文效应
1
2013
... 积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量.积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化[1-3].同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环[4].雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义. ...
新疆冰川、积雪对气候变化的响应(I):水文效应
1
2013
... 积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量.积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化[1-3].同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环[4].雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义. ...
Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang, China
2
2012
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
... [5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
A prototype AMSR-E global snow area and snow depth algorithm
1
2003
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Nimbus-7 SMMR derived global snow cover parameters
1
1987
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Global identification of snowcover using SSM/I measurements
2
1996
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
... 积雪像元和非雪像元判别方法:使用Grody决策树判别方法[8],主要是通过亮度温度值将积雪像元与非积雪像元(降雨、冻土和寒漠)区分,如图3所示. ...
Comparison of snow mass estimates from a prototype passive microwave snow algorithm, a revised algorithm and a snow depth climatology
1
1997
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Snow depth derived from passive microwave remote-sensing data in China
1
2008
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
FY3B-MWRI中国区域雪深反演算法改进
1
2014
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
FY3B-MWRI中国区域雪深反演算法改进
1
2014
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Evaluation and adjustment of the AMSR2 snow depth algorithm for the Northern Xinjiang Region, China
1
2016
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Snow depth derived from passive microwave remote-sensing data in China
1
2008
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Evaluation of snow products over the Tibetan Plateau
1
2015
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Development of a snow depth estimation algorithm over China for the FY-3D/MWRI
1
2019
... 遥感技术是大面积监测雪深的主要手段.被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源[5-6].1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升.目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高.微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射.积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响.由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深.被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系.Chang等[7]使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深.随后,基于该算法的积雪深度研究逐渐发展.Grody等[8]使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度.在此基础上,Foster等[9]考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%.对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法.Che等[10]使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法.Dai等[5]发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度.蒋玲梅等[11]使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法.Zhang等[12]结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高.相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据.全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集[13]).但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象[14],而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象[15]. ...
Toward advanced daily cloud-free snow cover and snow water equivalent products from Terra-Aqua MODIS and Aqua AMSR-E measurements
1
2010
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
新疆北部AMSR2雪深产品降尺度算法及验证
1
2016
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
新疆北部AMSR2雪深产品降尺度算法及验证
1
2016
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
AMSR2 snow depth downscaling algorithm based on a multifactor approach over the Tibetan Plateau, China
2
2019
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
... 实验使用2017年10月至2018年3月AMSR 2-L1B亮度温度数据,下载于日本宇宙航空研究开发机构网站(https:∥gportal.jaxa.jp/gpr).AMSR 2是继AMSR-E之后的新型传感器,相比于其他国际上已有的微波辐射计,其空间分辨率更高,具体参数对比如表1所示.AMSR 2共有14个通道,频率分别为: 6.9、7.3、10.65、18.7、23.8、36.5和89 GHz.除89 GHz通道分辨率为5 km,其他通道均为10 km.每个频率都有两种极化方式(水平和垂直极化),实验使用的频率通道包括18.7、23.8、36.5和89 GHz.AMSR 2-L1B数据有上升轨道和下降轨道两种数据,由于上升轨道数据亮温差与实测雪深相关性较弱,另外积雪在上升轨道过境时(13:30±15 min)比下降轨道过境时(01:30±15 min)融化地快,容易影响降尺度算法的准确度[18],因此本实验使用的是降尺度的亮度温度数据,数据格式为H5格式,每两天就可以覆盖整个研究区. ...
Estimation of snow cepth over the Qinghai-Tibetan Plateau based on AMSR-E and MODIS data
3
2018
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
... 其中:SD表示积雪深度;TB18、TB36为18 GHz和36 GHz的亮度温度值;a、b是随着积雪特性和地表反射率在18 GHz和36 GHz时变化的系数,a、b取值参考Dai方法,根据MEMLS模型模拟的地表温度引起积雪特性、地表发射率变化,从而发现的,值的变化规律[19]. ...
... 对于浅雪识别更加准确,先前的降尺度雪深反演研究中发现对浅雪存在明显低估甚至漏识现象.图10为SDD方法和Dai方法的积雪识别总体精度OA的对比情况.如图10所示,先前的方法由于在0~3 cm之间积雪识别精度低,可能会忽略小于3 cm的积雪[19].而使用SDD方法积雪识别总体精度OA值均大于0.93,仅对于小于5 cm的积雪可能存在轻微的低估现象.这种改善的原因可能是SSEmod-FSC识别浅雪能力有所提高.有研究表明,在北疆地区,当雪深大于等于4 cm时,MODIS积雪覆盖面积数据识别积雪总体精度OA较高(大于0.94),而当雪深小于4 cm时,积雪识别精度很低(小于0.39)[40].SSEmod-FSC在制备方法上结合使用自动端元提取方法和线性光谱混合分析模型,在去云方法上使用多模型融合方法使FSC精度相比于其他数据更高,因此,对于浅雪的识别能力也明显提高. ...
青藏高原 MODIS 积雪面积比例产品的精度验证与去云研究
1
2013
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
青藏高原 MODIS 积雪面积比例产品的精度验证与去云研究
1
2013
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
Accuracy assessment of the MODIS snow products
1
2007
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
Accuracy analysis for MODIS snow products of MOD10A1 and MOD10A2 in northern Xinjiang area
1
2007
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法
1
2019
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法
1
2019
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
The spatial-spectral-environmental extraction endmember algorithm and application in the MODIS fractional snow cover retrieval
2
2020
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
... 实验使用的是基于空间—光谱—环境信息(Spatial-Spectral-Environmental,SSE)获取的SSE- mod FSC数据[24].该数据主要算法包含两部分:①基于MODIS地表反射率数据MOD09GA和MYD09GA,首先是上下午星合并,填充空缺值;结合线性光谱混合分析解混算法,构建了SSEmod提取MODIS FSC;②去云方面,采用多模型融合的去云算法生产了长时间序列无云FSC数据.该去云算法融合了时空插值方法、时空权重回归的方法和样例填充的方法,相比于其他去云算法精度更高[32-35].图1展示了北疆地区某天(2017年12月25日)的FSC分布图,实验使用的是2017年至2018年积雪季共182 d北疆地区的SSEmod-FSC数据集,是空间动态降尺度雪深反演算法的一个重要数据源. ...
Retrieval of subpixel snow covered area, grain size, and Albedo from MODIS
1
2009
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
Subpixel monitoring of the seasonal snow cover with MODIS at 250 m spatial resolution in the Southern Alps of New Zealand: Methodology and accuracy assessment
1
2009
... 被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制.因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键.近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题.一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息.例如Gao等[16]结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%).邓婕等[17]结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm.在此基础上,Wang等[18]将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性.另外,该模型对于浅雪的识别能力还不够.针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度.该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高.同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演.Dai等[19]提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度.通过使用青藏高原MODIS无云FSC数据(唐志光等[20])和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度.在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC[21].MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果[22-23].Zhao等[24]基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB[25]和MODSCAG[26]提取的FSC.同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度. ...
北半球及典型区雪深时空分布与变化特征
1
2020
... 北疆地处亚欧大陆腹地(76°5′~93°0′ E,40°3′~50°5′ N),占地面积约为595 000 km2.整个北疆由6个区域组成:北部的阿尔泰山地区、额尔齐斯谷地区、塔城盆地区,南部的准噶尔盆地区、伊犁谷地区、天山山地区.其中阿尔泰山地区、塔城盆地区、伊犁谷地区为半干旱区,准噶尔盆地区、额尔齐斯谷地区、天山山地区为干旱区.整个北疆地区属于典型的温带大陆性气候,气温日差大,降水量较少,气候较为干燥,夏季干热少雨、冬季严寒多雪[27-28]. ...
北半球及典型区雪深时空分布与变化特征
1
2020
... 北疆地处亚欧大陆腹地(76°5′~93°0′ E,40°3′~50°5′ N),占地面积约为595 000 km2.整个北疆由6个区域组成:北部的阿尔泰山地区、额尔齐斯谷地区、塔城盆地区,南部的准噶尔盆地区、伊犁谷地区、天山山地区.其中阿尔泰山地区、塔城盆地区、伊犁谷地区为半干旱区,准噶尔盆地区、额尔齐斯谷地区、天山山地区为干旱区.整个北疆地区属于典型的温带大陆性气候,气温日差大,降水量较少,气候较为干燥,夏季干热少雨、冬季严寒多雪[27-28]. ...
近60 a来新疆不同海拔气候变化的时空特征分析
1
2019
... 北疆地处亚欧大陆腹地(76°5′~93°0′ E,40°3′~50°5′ N),占地面积约为595 000 km2.整个北疆由6个区域组成:北部的阿尔泰山地区、额尔齐斯谷地区、塔城盆地区,南部的准噶尔盆地区、伊犁谷地区、天山山地区.其中阿尔泰山地区、塔城盆地区、伊犁谷地区为半干旱区,准噶尔盆地区、额尔齐斯谷地区、天山山地区为干旱区.整个北疆地区属于典型的温带大陆性气候,气温日差大,降水量较少,气候较为干燥,夏季干热少雨、冬季严寒多雪[27-28]. ...
近60 a来新疆不同海拔气候变化的时空特征分析
1
2019
... 北疆地处亚欧大陆腹地(76°5′~93°0′ E,40°3′~50°5′ N),占地面积约为595 000 km2.整个北疆由6个区域组成:北部的阿尔泰山地区、额尔齐斯谷地区、塔城盆地区,南部的准噶尔盆地区、伊犁谷地区、天山山地区.其中阿尔泰山地区、塔城盆地区、伊犁谷地区为半干旱区,准噶尔盆地区、额尔齐斯谷地区、天山山地区为干旱区.整个北疆地区属于典型的温带大陆性气候,气温日差大,降水量较少,气候较为干燥,夏季干热少雨、冬季严寒多雪[27-28]. ...
天山山区近40年冬季降水变化特征与南、北疆的比较
1
2005
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
天山山区近40年冬季降水变化特征与南、北疆的比较
1
2005
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
积雪、土壤冻融与土壤水分遥感监测研究进展
1
2020
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
积雪、土壤冻融与土壤水分遥感监测研究进展
1
2020
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
MODIS和VEGETATION雪盖产品在北疆的验证及比较
1
2009
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
MODIS和VEGETATION雪盖产品在北疆的验证及比较
1
2009
... 北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d.73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区.其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上.北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%.农业用水以及畜牧业的发展依赖积雪融水[29].随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发[30-31].因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑. ...
A two-stage fusion framework to generate a spatio-temporally continuous MODIS NDSI product over the Tibetan Plateau
1
2019
... 实验使用的是基于空间—光谱—环境信息(Spatial-Spectral-Environmental,SSE)获取的SSE- mod FSC数据[24].该数据主要算法包含两部分:①基于MODIS地表反射率数据MOD09GA和MYD09GA,首先是上下午星合并,填充空缺值;结合线性光谱混合分析解混算法,构建了SSEmod提取MODIS FSC;②去云方面,采用多模型融合的去云算法生产了长时间序列无云FSC数据.该去云算法融合了时空插值方法、时空权重回归的方法和样例填充的方法,相比于其他去云算法精度更高[32-35].图1展示了北疆地区某天(2017年12月25日)的FSC分布图,实验使用的是2017年至2018年积雪季共182 d北疆地区的SSEmod-FSC数据集,是空间动态降尺度雪深反演算法的一个重要数据源. ...
Spatially and temporally weighted regression: a novel method to produce continuous cloud-free Landsat imagery
0
2016
Region filling and object removal by exemplar-based image inpainting
0
2004
Robust exemplar based image and video inpainting for object removal and region filling
1
2017
... 实验使用的是基于空间—光谱—环境信息(Spatial-Spectral-Environmental,SSE)获取的SSE- mod FSC数据[24].该数据主要算法包含两部分:①基于MODIS地表反射率数据MOD09GA和MYD09GA,首先是上下午星合并,填充空缺值;结合线性光谱混合分析解混算法,构建了SSEmod提取MODIS FSC;②去云方面,采用多模型融合的去云算法生产了长时间序列无云FSC数据.该去云算法融合了时空插值方法、时空权重回归的方法和样例填充的方法,相比于其他去云算法精度更高[32-35].图1展示了北疆地区某天(2017年12月25日)的FSC分布图,实验使用的是2017年至2018年积雪季共182 d北疆地区的SSEmod-FSC数据集,是空间动态降尺度雪深反演算法的一个重要数据源. ...
Robust exemplar based image and video inpainting for object removal and region filling
1
2017
... 实验使用的是基于空间—光谱—环境信息(Spatial-Spectral-Environmental,SSE)获取的SSE- mod FSC数据[24].该数据主要算法包含两部分:①基于MODIS地表反射率数据MOD09GA和MYD09GA,首先是上下午星合并,填充空缺值;结合线性光谱混合分析解混算法,构建了SSEmod提取MODIS FSC;②去云方面,采用多模型融合的去云算法生产了长时间序列无云FSC数据.该去云算法融合了时空插值方法、时空权重回归的方法和样例填充的方法,相比于其他去云算法精度更高[32-35].图1展示了北疆地区某天(2017年12月25日)的FSC分布图,实验使用的是2017年至2018年积雪季共182 d北疆地区的SSEmod-FSC数据集,是空间动态降尺度雪深反演算法的一个重要数据源. ...
中国积雪特性及分布调查
1
2018
... 此外,由于气象站多位于平地,为了更好的评价SDD算法在山区的雪深反演精度,还收集了中国积雪特性及分布调查中的雪深数据.积雪特性调查项目于2017年启动,调查方式以点、线、面3种形式开展,观测的内容包括雪深、雪水当量、积雪密度、积雪形态、雪粒径、液态水含量、表层硬度、雪层温度、雪土界面温度、介电常数等特性.以线路形式开展的积雪调查共6条,分别是北疆(1、2号线)、青藏高原(3、4号线)、东北-内蒙(5、6号线)[36].本文使用的是北疆区域积雪调查2号线2017~2018年积雪期北疆天山地区的积野外实测雪深数据,如图1所示. ...
中国积雪特性及分布调查
1
2018
... 此外,由于气象站多位于平地,为了更好的评价SDD算法在山区的雪深反演精度,还收集了中国积雪特性及分布调查中的雪深数据.积雪特性调查项目于2017年启动,调查方式以点、线、面3种形式开展,观测的内容包括雪深、雪水当量、积雪密度、积雪形态、雪粒径、液态水含量、表层硬度、雪层温度、雪土界面温度、介电常数等特性.以线路形式开展的积雪调查共6条,分别是北疆(1、2号线)、青藏高原(3、4号线)、东北-内蒙(5、6号线)[36].本文使用的是北疆区域积雪调查2号线2017~2018年积雪期北疆天山地区的积野外实测雪深数据,如图1所示. ...
积雪水文模拟中的关键问题及其研究进展
1
2013
... 雪深反演算法:基于积雪衰退曲线(Snow Cover Depletion Curve, SDC)的雪深反演算法.其原理是根据FSC值与实测雪深值构建的经验关系计算雪深,将FSC和雪深联系起来,模拟雪深变化特征[37].Niu等[38]通过对先进甚高分辨率辐射计AVHRR获取的FSC和加拿大气象中心(CMC)提供的实测雪深探索FSC与雪深之间的关系,分析后发现FSC与雪深的关系随季节变化而变化,并推测这种变化可能与积雪密度的变化近似相关,最后建立了与积雪密度相关的积雪衰退曲线来重建雪深和雪水当量信息.如公式(2)所示,该方法能动态地模拟雪深随FSC的变化关系. ...
积雪水文模拟中的关键问题及其研究进展
1
2013
... 雪深反演算法:基于积雪衰退曲线(Snow Cover Depletion Curve, SDC)的雪深反演算法.其原理是根据FSC值与实测雪深值构建的经验关系计算雪深,将FSC和雪深联系起来,模拟雪深变化特征[37].Niu等[38]通过对先进甚高分辨率辐射计AVHRR获取的FSC和加拿大气象中心(CMC)提供的实测雪深探索FSC与雪深之间的关系,分析后发现FSC与雪深的关系随季节变化而变化,并推测这种变化可能与积雪密度的变化近似相关,最后建立了与积雪密度相关的积雪衰退曲线来重建雪深和雪水当量信息.如公式(2)所示,该方法能动态地模拟雪深随FSC的变化关系. ...
An observation‐based formulation of snow cover fraction and its evaluation over large North American river basins
1
2007
... 雪深反演算法:基于积雪衰退曲线(Snow Cover Depletion Curve, SDC)的雪深反演算法.其原理是根据FSC值与实测雪深值构建的经验关系计算雪深,将FSC和雪深联系起来,模拟雪深变化特征[37].Niu等[38]通过对先进甚高分辨率辐射计AVHRR获取的FSC和加拿大气象中心(CMC)提供的实测雪深探索FSC与雪深之间的关系,分析后发现FSC与雪深的关系随季节变化而变化,并推测这种变化可能与积雪密度的变化近似相关,最后建立了与积雪密度相关的积雪衰退曲线来重建雪深和雪水当量信息.如公式(2)所示,该方法能动态地模拟雪深随FSC的变化关系. ...
新疆北部地区季节性积雪密度变化特征分析
1
2010
... 其中:为AVHRR积雪面积比例;为CMC 提供的雪深,单位为m;Z0g为地面粗糙长度;为雪密度;为新雪密度,取值=100 kg/m;m为融化因子.参考陈等新疆北部地区季节性积雪密度变化特征分析,北疆地区积雪密度取平均值150 kg/m[39].根据公式(2)得到本实验所用的SDC,如公式(3)所示. ...
新疆北部地区季节性积雪密度变化特征分析
1
2010
... 其中:为AVHRR积雪面积比例;为CMC 提供的雪深,单位为m;Z0g为地面粗糙长度;为雪密度;为新雪密度,取值=100 kg/m;m为融化因子.参考陈等新疆北部地区季节性积雪密度变化特征分析,北疆地区积雪密度取平均值150 kg/m[39].根据公式(2)得到本实验所用的SDC,如公式(3)所示. ...
Evaluation of MODIS snow cover and cloud mask and its application in Northern Xinjiang, China
1
2008
... 对于浅雪识别更加准确,先前的降尺度雪深反演研究中发现对浅雪存在明显低估甚至漏识现象.图10为SDD方法和Dai方法的积雪识别总体精度OA的对比情况.如图10所示,先前的方法由于在0~3 cm之间积雪识别精度低,可能会忽略小于3 cm的积雪[19].而使用SDD方法积雪识别总体精度OA值均大于0.93,仅对于小于5 cm的积雪可能存在轻微的低估现象.这种改善的原因可能是SSEmod-FSC识别浅雪能力有所提高.有研究表明,在北疆地区,当雪深大于等于4 cm时,MODIS积雪覆盖面积数据识别积雪总体精度OA较高(大于0.94),而当雪深小于4 cm时,积雪识别精度很低(小于0.39)[40].SSEmod-FSC在制备方法上结合使用自动端元提取方法和线性光谱混合分析模型,在去云方法上使用多模型融合方法使FSC精度相比于其他数据更高,因此,对于浅雪的识别能力也明显提高. ...
Factors affecting remotely sensed snow water equivalent uncertainty
1
2005
... 对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大[41];②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变.一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显[42].对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显[43-45],但一项最新的研究[46]表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深.因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度. ...
Assessing uncertainty and sensor biases in passive microwave data across High Mountain Asia
1
2016
... 对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大[41];②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变.一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显[42].对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显[43-45],但一项最新的研究[46]表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深.因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度. ...
Dependence of C-band backscatter on ground temperature, air temperature and snow depth in arctic permafrost regions
1
2018
... 对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大[41];②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变.一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显[42].对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显[43-45],但一项最新的研究[46]表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深.因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度. ...
Backscattering measurements of alpine snowcovers at 5.3 and 35 GHz
0
1998
Radar measurements of snow: Experiment and analysis
1
1998
... 对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大[41];②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变.一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显[42].对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显[43-45],但一项最新的研究[46]表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深.因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度. ...
Snow depth variability in the Northern Hemisphere mountains observed from space
1
2019
... 对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大[41];②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变.一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显[42].对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显[43-45],但一项最新的研究[46]表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深.因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度. ...