基于浮标数据的卫星雷达高度计海浪波高数据评价与校正

卫星雷达高度计是海浪有效波高（significant wave height,SWH）观测的重要手段之一,本文利用时空匹配方法对T/P、Jason-1、Envisat、Jason-2、Cryosat-2和HY-2A共6颗卫星雷达高度计SWH数据与NDBC（National Data Buoy Center,NDBC）浮标SWH数据进行对比验证,并对雷达高度计SWH数据进行校正。全部卫星雷达高度计SWH数据时间跨度为1992年9月25日到2015年9月1日,对比验证NDBC浮标共53个,包括7个大洋浮标。精度评价发现除T/P外,各卫星雷达高度计SWH的RMSE都在0.4-0.5 m之间,经过校正后,RMSE都有显著下降,下降程度最大为13.82%;对于大洋浮标,评价结果 RMSE在0.20-0.28m之间,结果明显优于全部NDBC浮标的精度评价结果;HY-2A卫星雷达高度计SWH在经过校正后数据质量与国外其他5颗卫星雷达高度计SWH数据质量差异较小。

深度学习融合遥感大数据的陆地水文数据同化:进展与关键科学问题

以深度学习为核心的数据驱动方法逐步应用于地球科学领域,但这类方法在模型的可解释性和物理一致性等方面还存在挑战。在遥感大数据背景下,如何结合深度学习和数据同化方法,发展陆地水循环过程模拟与预报的新技术和新方法成为地球科学领域的重要研究方向。重点梳理了近年来深度学习在改善陆地水循环要素观测数据质量以及深度学习如何减少物理模型不确定性方面的最新进展,从观测、模型和系统集成3个方面凝练出深度学习融合遥感大数据的陆地水文数据同化研究的关键科学问题:(1)深度学习反演遥感产品时,如何增强样本的时空代表性?(2)如何发展数据同化框架下物理导引的深度学习新方法?(3)如何通过“数据—模型”双驱动提升陆地水循环的可预报性?开展相关研究和探索将有助于推动“数据—模型”混合建模方法在水文领域的深入应用,提高陆地水循环过程的模拟和预测能力。

基于长时序Landsat 5/8多波段遥感影像的青海湖面积变化研究

青海湖作为高海拔的内陆湖泊,其表面水体面积多年变化对寒旱区的气候变化和水循环至关重要。为了研究30年来青海湖湖泊面积变化规律,提取了1986—2017年(除去2012年)覆盖青海湖的459景Landsat5/8影像,采用6种常用的水体提取方法分别提取了青海湖表面水体面积,并分析了不同方法的差异,最终分别对Landsat 5 TM和Landsat 8 OLI遥感影像采用改进的归一化差异水体指数(MNDWI)和水体指数2015(WI2015)方法获得1986—2017年青海湖表面水体面积的年变化,并分析其变化趋势。结果表明:1989—2003年青海湖面积减小了175.34km^2,年平均减小率为12.52km^2/a,2003—2017年青海湖面积增加了183.43km^2,年平均增加率为13.10km^2/a,整体上,1986—2017年青海湖面积增加了104.46km^2,年平均增加率为3.37km^2/a。

基于多源遥感数据和GEE平台的博斯腾湖面积变化及影响因素分析

作为典型的干旱区内陆湖泊,博斯腾湖的面积变化趋势与当地自然和人文环境的变迁密不可分。本文结合GIS与RS技术,利用Landsat影像和MODIS数据共2289景及JRC GSW水体掩膜产品,基于Google Earth Engine(GEE)平台采用指数法得出2000—2019年博斯腾湖面积年际和年内变化趋势,并采用2019年Sentinel-2影像进行结果对比分析,同时通过2000—2018年焉耆、库尔勒和巴音布鲁克气象站日值数据和人类活动分析其变化原因。得出如下结论:(1)本结果中基于海量遥感数据提取面积的结果表明,GEE可以充分应用高时间分辨率遥感数据进行湖泊年际尤其是年内面积变化分析。相比于Landsat-5/7/8影像与MOD09GQ数据,由于Sentinel-2影像的时空分辨率优势,基于其所得的湖岸线可显示出较多细节。(2)2000—2013年博斯腾湖面积共减少181.66 km^(2),变化速率为13.98 km/a;2013—2019年,湖泊共增加133.13 km^(2),变化速率为22.19 km^(2)/a;(3)博斯腾湖面积一般在每年的3—6月呈上升趋势,且在当年6—9月保持峰值,面积在10—12月减小;(4)博斯腾湖面积年际变化与其流域内焉耆、库尔勒、巴音布鲁克气象站的降水、蒸发及积温因素变化的相关性未达到显著水平,而年内变化与上述气候要素相关性较高。

基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究

玉米是黑河中游种植面积最大的农作物,生长期需水量大、蒸散量高。准确获取玉米种植面积对该区域农作物种植结构调整、水资源合理规划有重要参考意义。基于2019年4月至9月Sentinel-2多时相影像,采用随机森林算法开展了黑河中游玉米种植面积提取研究。研究方法分为两类—直接提取法和两步提取法。进一步探讨了多时间信息量对玉米种植面积提取精度的影响以及各输入特征参数在玉米面积提取过程中的重要性表现。结果表明:基于Sentinel-2多时相影像,直接提取法和两步提取法均可高精度地提取研究区玉米种植面积,特别是两步提取法,玉米分类总体精度可达85.03%,F1Score为0.70,Kappa系数为0.83;与单幅影像相比,多时相影像可获取不同作物的物候信息,有效减少作物错分/漏分,提高作物分类精度。该方法对基于高分辨率光学影像结合机器学习方法获取具有高度异质性的作物信息具有重要的参考价值。

结合遥感和统计数据的家畜分布网格化方法研究

家畜的空间分布对于粮食安全、农业社会经济、环境影响评估和人畜共患病的研究等方面至关重要。选取甘肃省作为典型研究区,以羊为研究对象,基于随机森林回归算法构建了融合遥感数据和统计数据的家畜分布网格化估算模型,获得甘肃省1 km×1 km尺度上羊的空间分布信息。结果表明:基于随机森林回归的家畜分布网格化估算模型,结合了遥感数据和统计数据的优势,可以较准确地估算1 km×1 km尺度上家畜的空间分布情况,估算结果与统计数据之间的相关系数(R)达到0.88,均方根误差(RMSE)为0.24,相对均方根误差(RRMSE)为15.1%。甘肃省的羊主要分布在河西走廊戈壁区、甘南高原草原草甸区、黄土高原丘陵区的西南部以及黄土高原沟壑区的北部。对羊的空间分布影响较大的环境因子依次是:耕地百分比、海拔、地表温度和坡度。