FY-4卫星资料在青藏高原地区积雪判识和雪深反演中的应用

青藏高原积雪监测在地球辐射平衡、全球气候变化和生态环境等方面有重要作用,对气候预测、雪灾预测等具有重要意义。FY-4(风云4号)卫星数据具有高时空分辨率的优势,基于FY-4A(风云4号A星)构建积雪监测方法与模型,不仅拓展了静止卫星应用领域,也丰富了积雪监测应用的手段。FY-4的高时间分辨率为积雪监测的研究提供了分钟级数据,对积雪与云的变化掌握的更为细致,但用于积雪监测的波段,因分辨率不高容易导致错判与漏判。本文基于2020年小时级野外地面雪深观测数据、风云3号D星积雪覆盖产品(FY-3D_SNC)数据,构建了基于归一化积雪指数(Normalized Difference Snow Index,NDSI)的FY-4A卫星积雪判识方法,提出了雪深监测模型与等级划分指标。结果表明:NDSI≥0.20是青藏高原地区FY-4A卫星积雪判识的适用阈值,无论有云或无云条件,其漏判率均低于8.0%。地面站点验证结果表明,积雪判识准确率达83.33%以上。空间范围内直接剔除云区后,积雪判识经混淆矩阵验证准确率在82.48%以上。因此,FY-4A卫星在青藏高原地区具有积雪监测的能力。虽然FY-4A卫星对超过10 cm以上雪深不具备区分能力,但可以较好地识别10 cm以下浅雪雪深,相关系数达到0.745,通过了0.001显著性水平检验。据此建立的FY-4A卫星0~10 cm雪深等级指标,总体分级精度达到87.50%。FY-4A卫星雪深反演方法在青藏高原地区对0~10 cm浅雪雪深有较好的估算能力。

基于深度卷积神经网络的高速铁路积雪深度判识方法

针对高速铁路线路上积雪深度的动态判识问题,提出一种基于铁路综合视频图像识别的积雪深度判识方法.首先,对通过综合视频监控系统获得的雪深图像进行处理,利用U-Net神经网络进行图像分割,建立轨道上的雪深数据集.然后,对雪深数据集进行标注,将雪深图像分为100 mm以下、100 mm~轨面和高于轨面3个类别.在此基础上提出基于DenseNet-201深度卷积神经网络模型的雪深图像识别方法.最后,对模型进行验证.研究结果表明:对于光线较好的图像,采用DenseNet-201深度卷积神经网络模型的识别准确率达到93.57%.相较于VGG-16、ResNet-50等模型识别结果,虽然DenseNet-201深度卷积神经网络模型计算耗时长于ResNet-50模型,但是,识别准确率较ResNet-50、VGG-16模型分别提高了2.08%和4.24%.研究成果可为高速铁路沿线积雪深度的动态掌握提供技术支撑.

利用SSM/I数据判识我国及周边地区雪盖

积雪参数是气候学和水文学研究中所需的重要物理量,确保积雪参数测定的准确性与及时性对于气候学研究、水文应用以及防灾减灾都非常重要。利用微波数据可获取有云存在时的积雪覆盖图,遥感雪深和雪水当量信息。采用微波数据判识雪盖并得到积雪状态(干、湿)信息,不仅可以弥补利用光学遥感数据判识雪盖的不足之处,而且也是利用微波数据反演雪深和雪水当量参数必需的先期工作。该文介绍利用SSM/I的多频双极化微波数据开展我国及周边地区积雪判识方法研究的结果。分析国外全球判识方法的雪盖判识结果指出,国外算法易在青藏高原等地区将冻土误判为积雪,造成雪盖面积的偏高估计。研究给出了在我国及周边地区(17°-57°N,65°-145°E)利用SSM/I数据判识积雪的改进方法,在完成积雪判识的同时还给出了雪深和积雪状态的定性信息,与已有全球雪盖判识方法相比有较大改进,大大减小了青藏高原等地区冻土对积雪判识的影响。