对ASTER GDEM数字高程模型的精度评价及修正

针对ASTER GDEM高程精度还未得到充分验证,以江西省莲花县为试验区,使用ICESat-2数据系统分析了ASTER GDEM在坡度、地形起伏度和土地利用类型中的误差分布。结果表明,ASTER GDEM受坡度、地形起伏度影响严重,随坡度、地形起伏度增加,GDEM误差呈上升趋势;对于不同土地利用类型,GDEM误差存在较大差异,在水域误差最大,在建设用地误差最小。最后,使用后向传播神经网络(BPNN)对莲花县ASTER GDEM修正,结果发现BPNN模型可以有效改善其高程精度。

利用空间随机森林方法提升GPM卫星遥感降水质量

卫星遥感降水产品是当前获取大范围、连续性降水观测的主要来源,但目前已有的卫星遥感降水产品空间分辨率粗糙,且存在一定的系统偏差。为此,本文充分考虑高分辨率环境变量(包括地形、NDVI、地表温度、经纬度)对降水影响以及邻近遥感降水(站点)空间相关性,构建了一种双阶段空间随机森林SRF (Spatial Random Forest)方法 (SRF-SRF)。以四川省2015年—2019年GPM (Global Precipitation Measurement Mission)月降水数据为例,借助SRF-SRF对其质量提升,并将计算结果与现有7种方法比较,包括地理加权回归(GWR)、反向传播神经网络(BPNN)、随机森林(RF)、站点降水Kriging插值(Kriging)、经SRF降尺度后的地理差异分析校正(SRF-GDA)、经双线性插值降尺度后的SRF校正(Bi-SRF)以及年降水经SRF降尺度后按月比例分解并利用SRF校正(SRFdis)等。实验分析表明:(1)在月尺度上,与原始GPM相比,SRF-SRF的平均绝对误差(MAE)降低了19.51%,中误差(RMSE)降低了16.35%,而且精度优于其他方法;在季尺度上,SRF-SRF在冬季误差最小,在夏季误差最大,但其计算精度均优于其他方法;在年尺度上,基于SRF的4种方法(包括SRF-SRF、SRF-GDA、Bi-SRF和SRFdis)优于GWR、BPNN、RF,并且SRF-SRF计算精度优于单阶段的Bi-SRF和SRF-GDA。(2) SRF-SRF降水产品空间分布连续性较好,且局部降水细节得到明显提升。(3)借助RF对各自变量重要性分析得出,降水空间相关性对卫星遥感降水质量提升具有重要作用。(4)基于月尺度的SRF-SRF融合校正效果优于基于年尺度的SRFdis,表明NDVI可用于该区域月尺度降水质量提升。

高精度DEM建模的加权径向基函数插值方法

在数字高程模型(digital elevation model,DEM)建模过程中,经典空间插值方法均没有考虑断裂线附近的局部地形特征影响,使得断裂线局部区域高程被平滑,从而导致地形特征失真。为了解决该问题,构造了一种顾及断裂地形特征的定权方法,并以径向基函数(radial basis function,RBF)为插值算子,提出了加权径向基函数方法。首先通过捕捉每个采样点的结构张量,自适应计算采样点与待求点的距离,然后利用该距离对每个采样点赋予合适的权重,最后利用加权插值实现DEM建模。以10组国际摄影测量和遥感学会公共数据和1组山体滑坡区域的机载激光雷达点云数据为例,利用所提方法构建样区DEM,并将计算结果与标准RBF及传统插值算法(如反距离加权法、克里金法、约束不规则三角网法)进行比较。精度分析表明,不论采样点数为多少,所提方法计算精度均优于其他插值方法;对DEM山体阴影图分析表明,相较于传统插值方法,所提方法能较好地保持断裂线局部地形特征。

基于时空XGBoost的中国区域PM_(2.5)浓度遥感反演

为了提高PM_(2.5)估算精度,获得连续的PM_(2.5)浓度空间分布,本文提出了一种时空XGBoost模型(STXGB).STXGB模型引入克里金法,将地理信息和时间信息融合到XGBoost算法体系中,通过集成遥感数据、气象数据和地理信息数据建立了基于STXGB模型的PM_(2.5)质量浓度空间估算方法.最后,以2019年中国区域PM_(2.5)质量浓度月数据为例,采用基于样本、站点和时间的十折交叉验证法,评估了STXGB模型的性能,并与BP神经网络(BPNN)、随机森林(RF)、XGBoost、反距离加权XGBoost(XGBIDW)模型结果进行对比.结果表明,STXGB模型的预测精度优于其它模型,其中,STXGB模型验证的决定系数为0.92,均方根误差为6.51μg·m^(-3),平均预测误差为4.26μg·m^(-3),利用该模型生成的中国区域PM_(2.5)浓度空间分布更为合理.