珞珈一号夜间灯光影像中国城市建成区提取能力综合评估

城市建成区是人类活动的物理空间,是监测城市化进程的重要指标,而夜间灯光影像是一种有效的城市建成区制图数据源。作为全球首颗专业夜间灯光遥感卫星,珞珈一号(LJ1)比可见光红外成像辐射仪NPP/VIIRS(NPP)的空间分辨率更高。目前关于珞珈一号城市建成区提取的研究尺度有限,缺乏系统性的大尺度评估。本文以NPP的表现为基准,首次评估珞珈一号在中国不同气候带及发展规模的城市建成区提取能力,并讨论集成LJ1和NPP两类夜灯数据的潜力。结果显示:一方面,LJ1百米制图结果的查全率一般都低于灯光溢出更明显的NPP;另一方面,得益于LJ1更高的空间分辨率和细节捕捉能力,除小城市外,LJ1提取结果的查准率均高于NPP。从F 1值来看,LJ1只在超大/大城市可取得优于NPP的表现。当制图分辨率为500 m时,LJ1的F 1值基本都低于NPP。两个分辨率的城市建成区制图结果均表明珞珈一号和NPP/VIIRS的联合利用优于单一夜灯影像。

基于CyGNSS数据的土壤水分与植被光学厚度反演研究

本文提出了一种仅基于CyGNSS数据,能够同时反演土壤水分与植被光学厚度的方案,该方案使用了神经网络与暴力穷举算法.首先考察了2018年以及2020年的数据,并对结果进行了验证.通过分析发现反演结果与参考数据展现了良好的一致性.土壤水分的反演结果与2018年和2020年的测试数据比较,其相关系数分别高达0.86和0.84,均方根误差分别为0.064和0.071 cm^(3)/cm^(3);对于植被光学厚度,2018年与2020年的相关系数均为0.98,均方根误差分别为0.079和0.084.研究结果表明,CyGNSS可作为一种新型且独立的泛热带土壤水分与植被光学厚度反演手段.

基于人工智能算法的CYGNSS数据土壤水分反演

"利用CYGNSS数据估计地表土壤水分(SM)近年来获得了极大的关注,但效率和精度有待进一步提升.本文提出了一种预分类策略,结合人工智能算法(AI),利用CYGNSS数据预测土壤水分.此策略能够在人工智能算法的基础上进一步提高土壤水分预测的精确度,具有较好的普适性和易用性.本文使用了2018年全年中国地区的实地土壤水分数据作为地面真实参考数据进行建模以及预测.结果证实预测土壤水分与参考真实数据具有良好的一致性.基于CYGNSS数据预测的土壤水分与实地土壤水分参考数据比对,其相关系数高达0.8,平均均方根误差(RMSE)和平均无偏均方根误差(ubRMSE)分别为0.059 cm^(3)/cm^(3)和0.050 cm^(3)/cm^(3).研究结果表明,预分类策略的人工智能算法可明显提高CYGNSS预测土壤水分的精确度,其简单易操作性也使其可广泛应用于其他回归和预测研究领域,具有较好的泛化性和拓展性.

CYGNSS卫星风速产品的精度检验

针对CYGNSS卫星风速产品的适用性问题,以美国国家数据浮标中心(NDBC)的实测风速与美国国家飓风中心(NHC)的最佳路径风速为参照,选取美国西南部海域为研究区,通过数据匹配和对比分析,评估了CYGNSS不同模型估算风速产品的精度。结果表明,CYGNSS FDS模型估算的中、低风速产品与NDBC浮标实测风速具有较好的一致性,CYGNSS风速与浮标风速的差异在春夏季稍高、秋冬季略低:CYGNSS YSLF模型估算的高风速产品与NHC最大风速存在较大差异,CYGNSS风速低于NHC最大风速;对于CYGNSS两种模型估算的风速产品,利用遥感观测量NBRCS反演出的风速都比LES反演出的风速具有更好的精度。总体而言,本研究验证了CYGNSS风速产品的真实有效性,对提高海洋数值预报能力具有一定的意义。

CYGNSS信号对降水的时空响应及其驱动因子分析

近年来,星载全球导航卫星系统反射测量(global navigation satellite system-reflectometry,GNSS-R)技术被广泛应用于地表水文监测,但针对降水,特别是其与飓风全球导航卫星系统(cyclone global navigation satellite system,CYGNSS)信号的响应机制研究仍有限。以中国广东省为研究区域,基于距平指数和相关分析方法,探究不同尺度下研究区2019—2020年逐月的CYGNSS反射率和降水的时空响应关系,综合考虑驱动因子如数字高程模型(digital elevation model,DEM)、坡度、土壤类型、土地覆盖类型和归一化植被指数(normalized difference vegetation index,NDVI),并基于地理探测器分析各驱动因子对CYGNSS信号与降水响应关系的影响力。研究发现:(1)在2019—2020年内,月平均CYGNSS反射率值和降水量均呈现明显的季节性差异,并且二者变化趋势近乎保持同步,这验证了CYGNSS信号在监测降水方面的潜力。(2)随着空间尺度的增大,CYGNSS信号和降水呈现的正相关性逐渐增强。(3)在不同空间尺度下,DEM和坡度较小(地势较平坦)的地区、土地覆盖类型为耕地的区域,以及较低到中等植被覆盖地区的CYGNSS信号和降水之间的正相关性更强。而不同尺度下土壤类型对CYGNSS信号和降水响应关系的影响存在差异。(4)各驱动因子对CYGNSS信号与降水响应关系的影响力按大小依次排序为DEM>NDVI>坡度>土地覆盖类型>土壤类型,并且随着尺度越大,各驱动因子的影响力越强。该研究有助于对地表水文变化进行准确评估,为降水监测和水资源管理提供决策支持。

全球导航卫星系统反射测量土壤水分遥感:现状与机遇

土壤水分作为全球水循环和能量循环的重要组成部分,在地球水循环、能量平衡以及气候变化中具有不可或缺的作用。传统的土壤水分实地测量方法难以获得大尺度、长时序的土壤湿度空间分布,且具有较高的测量成本。微波遥感信号源穿透能力强,具有全天时、全天候的特点,是获取长时序、大尺度土壤水分最有效的手段之一,特别是L波段的全球导航卫星系统反射测量(global navigation satellite system-reflectometry,GNSS-R)技术,其同时具有主动和被动微波遥感的优势,在土壤水分的测量中备受关注。分析了国内外基于GNSS-R技术的土壤水分遥感研究的现状和进展,系统性地介绍了GNSS-R技术获取土壤水分的原理与特征,分别从正演与反演两个角度详细说明了土壤水分测量的具体方法步骤,给出了主要困难与亟待解决的关键问题。以最新的基于旋风全球导航卫星系统(cyclone GNSS,CYGNSS)星载反演为主要介绍对象,深入阐述了基于CYGNSS数据反演土壤水分的理论模型与方法,并简要分析GNSS-R土壤水分遥感发展面临的机遇与挑战,以期为中国今后地基、空基和星载GNSS-R土壤水分遥感观测和应用提供参考和建议。

结合Transformer与多尺度残差机制的高光谱遥感分类

卷积神经网络(CNNs)在高光谱图像分类中已经取得了令人瞩目的成果。但由于卷积运算的局限性,CNNs并不能很好地进行上下文信息交互。为了解决远距离捕获高光谱序列关系的问题,本文将Transformer用于高光谱分类。提出了一种基于Swin Transformer的多尺度混合光谱注意力模型(SMSaNet)。在提出的SMSaNet中使用多尺度光谱增强残差融合模块和光谱注意力模块对光谱特征进行建模,使用改进的Swin Transformer模块来提取空间特征,最后使用全连接层实现对高光谱图像的分类。在两个公开数据集Indian Pines和University of Pavia上将SMSaNet与其他5种分类方法进行对比实验,结果表明SMSaNet获得了最优的分类效果,总体分类精度分别达到了99.51%和99.56%。