基于MODIS与AMSR-E数据的中国6大牧区草原积雪遥感监测研究

内蒙古、新疆、西藏、青海、甘肃和四川的草原区这6大牧区是中国重要的畜牧业生产基地,也是雪灾频发的区域,及时、准确地获取6大牧区雪情时空特征对于防灾减灾,指导畜牧业生产有着重要的现实意义。光学遥感与微波遥感各具优缺点,综合运用MODIS和AMSR-E数据构建草原积雪遥感监测模型,以日为监测单元,以旬为多日合成时段,对中国6大牧区在2008年10月上旬至2009年3月下旬间的草原积雪覆盖范围进行监测,并对监测结果进行检验,以此说明MODIS与AMSR-E数据在雪灾监测方面协同监测的可行性,为其他雪盖遥感监测研究提供参考。

基于可见光红外与被动微波遥感的土壤水分协同反演

利用MODIS传感器的可见光、红外波段数据反演土壤水分在一定时段内的基准值,用被动微波传感器AMSR-E数据反演其变化量,提出将被动微波遥感数据与热红外遥感数据在模型级别协同反演大范围地表土壤水分的方法,这样每天可输出1 km×1 km的升、降轨土壤水分反演结果.以新疆为研究区,对上述方法进行了土壤水分协同反演实验,以地面实测数据为参考的验证结果表明,所提模型得到的土壤水分值与地面实测值之间相关性较高,均方根误差较小,优于单一传感器数据的反演结果,可更好地满足新疆土壤水分监测的需求.

基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探

利用北疆地区2002，2003和2004年11月一次年3月3个积雪季AMSR—E445个时相的亮温数字图像和20个气象台站实测雪深数据，系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对18和36GHz波段的水平、垂直极化方式的亮温差和实测雪深值回归分析比较，建立了北疆地区基于AMSR—E亮温数据的雪深反演模型，并对模型的精度进行了评价。结果表明，1）AMSR—E亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影响，其中受深霜层的影响最大；2）大于2．5cm的积雪深度SD同垂直极化方式的18和36GHz波段的亮温差（Tb18v—Tb36v）之间具有较好的线性相关性，其回归公式为SD=0．49（Tb18v—Tb36v）＋8．72，相关系数达0．65。3）当雪深为3～10cm时，反演模型平均误差为-7．1cm，平均绝对误差为7．1cm，RMSE值达7．7cm；当雪深为11～30cm时，平均误差为1．8cm，平均绝对误差为4．9cm，RMSE值为9．1cm；当雪深大于30cm时，平均误差为8．9cm，平均绝对误差为9．4cm，RMSE值为18．1cm。4）该模型在北疆地区优于Chang算法，基本能反映北疆地区雪深变化趋势。当地表为中雪覆盖时，反演雪深值和实测值之间的一致性较高，当地表为浅雪和深雪覆盖时，反演模型的误差较大，其反演精度较低，还有待于进一步研究。

不同地物类型微波发射率特征分析

地表微波发射率是表征地表特征的重要参数,同时也是反演地表、大气参数的重要条件。不同地物类型由于其结构,含水量,粗糙度等的差异而具有各自的辐射特征。利用2003年6～8月,2003年12月～2004年2月两个时段针对AMSR-E(advanced microwave scanning radiometer-EOS)传感器的晴空条件下全球地表微波发射率数据,结合IGBP分类标准及覆盖度数据,选择相对较纯像元,分析了不同地表类型的发射率特征以及不同地物类型的发射率在不同波段随季节的变化规律。结果表明,地表发射率跟频率与极化相关,几乎所有植被和裸土类型双极化下的发射率变化趋势是随频率的增加而增大,而冰雪覆盖类型V极化发射率随频率增加而减小。此外,发射率跟地表类型密切相关。植被类型的发射率要高于裸土的发射率。因此,随着植被密度的降低,裸土的贡献增大,导致总体发射率的降低。对于植被类型,一般在夏季处于生长旺盛期,发射率比较稳定,可作为特征发射率。积雪覆盖是一个重要因素,尤其在冬季影响着地表的发射率变化。

我国主要积雪区AMSR-E被动微波雪深算法对比验证研究

采用高级微波扫描辐射计(AMSR-E)亮温数据,选取Chang算法、GSFC 96算法、AMSR-E SWE算法、青藏高原改进算法和Savoie算法等5种雪深反演算法,利用2010年2月10-12日3d的气象站台雪深观测数据,对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性.结果表明:总体验证中,青藏高原改进算法3d的结果均优于其他算法,其均方根误差(RMSE)为9.16cm、9.96cm和9.63cm,平均相对误差(MRE)分别为59.77%、52.79%和48.47%.分区验证中,结果最佳的算法分别为:在新疆地区,GSFC 96算法RMSE为6.85～7.48cm;内蒙古地区,青藏高原改进算法的RMSE分别为5.9cm、6.11cm和5.46cm;东北地区,青藏高原改进算法RMSE为6.21～7.83cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据,无法得到该区验证统计结果.

被动微波遥感反演中国西部地区雪深、雪水当量算法初步研究(英文)

雪深、雪水当量是积雪研究中重要参数,其在流域水量平衡和融雪径流预报以及雪灾监测与评价中起着重要作用。Chang等(1987)以辐射传输理论和米氏散射为理论基础,假定积雪密度和颗粒大小为常数,利用实测雪深数据和SMMR的亮温数据,通过统计回归方法,建立了雪深与18GHz和37GHz水平极化的亮温梯度之间的关系,发展了SMMR半经验的反演雪深的算法。后在此基础上又发展了针对SSM/I的半经验反演雪深算法。2002年发射的装载于Aqua卫星上的AM-SR-E是新一代的被动微波辐射计,性能较以往星载被动微波辐射计有较大提高,采用了改进后的SSM/I的半经验算法作为其估算全球雪水当量的反演算法。将AMSR-E的雪水当量产品与气象台站观测的雪水当量进行比较,发现在新疆地区和青藏高原地区雪水当量的RMSE分别达到31.8mm和21mm。本研究旨在建立基于AMSR-E亮温数据,适用于中国西部地区的雪深和雪水当量反演算法。首先收集整理了2003年新疆地区的雪深、雪水当量数据和AMSR-E亮温数据,去除错误样本,利用统计回归的方法,建立了新疆的反演雪深、雪水当量的半经验算法,算法中加入积雪覆盖度参数,较以往的算法有所改进,与气象台站观测数据比较,结果也表明新疆地区建立的经验算法较AMSR-E的雪水当量算法有较大改进,RMSE为15.7mm。但青藏高原地区因海拔高,地形复杂,大部分地区积雪较浅,空间分布不均和冻土存在等诸多因素运用同样的方法建立反演算法,结果不甚理想,以后的研究将重点消除这些干扰因素。

针对被动微波AMSR-E数据的土壤水分反演算法

提出了一种针对被动微波AMSR-E数据的土壤水分反演算法。用改进的积分方程模型(AIEM)模拟表明:在给定的粗糙度条件下,土壤水分和发射率之间有很好的线性关系;18.7GHz与10.7GHz的垂直极化(V)微波指数与土壤水分有很好的关系,而且部分消除了土壤粗糙度的影响,相关系数的平方(R-Square)是0.98。因此,建立标准化的微波指数与土壤水分之间的关系是可行的。算法敏感性分析表明,当有降雨时此算法比较敏感。相对于全国农业遥感地面监测东北网点县实测数据,算法平均误差大约是21.5%。此算法低估了土壤水分,用实测数据对反演结果做进一步修正后的误差为7.4%。用AMSR-E数据对2009年2月1日中国主要陆地表面进行了实际反演分析,结果表明反演结果符合实际土壤水分的分布情况,表明算法可行。

基于MODIS和AMSR-E资料的青海省旬合成雪被图像精度评价

利用2002年10月1日至2008年3月31日青海省MODIS/Terra-Aqua每日雪被产品(MOD10A1、MYD10A1)和AMSR-E/Aqua每日雪水当量产品,研究了MODIS和AMSR-E旬数据的融合算法,合成了AMSR-E旬积雪分类图像(AE_10D)、MODIS旬积雪分类图像(MOYD_10D)及二者再次合成的旬积雪分类图像MDAE_10D;结合气象台站的雪情数据,对比分析这3种图像的分类精度.结果表明:合成的AE_10D,因受空间分辨率等因素影响,当积雪深度在4cm以上时,积雪分类精度(Sa)仅为48.44%,总精度(Oa)为55.43%;积雪深度对MOYD_10D图像的分类精度有较大影响.MOYD_10D图像对浅层的积雪识别率不高,当雪深在1～3cm时,Sa仅为20.63%;当积雪深度在4cm以上时,Sa为53.56%,Oa为93.54%;当雪深≥11cm时,Sa为88.57%.旬合成图像MDAE_10D在雪深为1～3cm时Sa为20.86%,当雪深在4cm以上时,Sa随雪深的增加而最大,Sa达到59.28%,Oa为93.66%;当雪深≥11cm时,Sa达到最高91.43%.由于MDAE_10D图像结合了AE_10D和MOYD_10D的特点,Sa和Oa均有提高.因此,该合成图像在牧区雪灾监测及评价等方面具有重要的作用和意义.

利用南大洋漂流浮标数据评估AMSR-E SST

利用AOML(Atlantic Oceanographical and Meteorological Laboratory)SVP漂流浮标的海表面温度数据,针对30°S以南的南大洋海域,对目前主要使用的微波遥感产品(AMSR-E,Ad-vanced Microwave Scanning Radiometer for the Earth Observing System)反演的SST进行了较为系统的评估。结果表明,AMSR-E SST比浮标数据偏冷,偏差为-0.01℃,标准差为0.70℃。夏季的偏差为0.004℃,标准差为0.64℃;冬季的偏差为-0.06℃,标准差为0.75℃,冬季的偏差和标准差较大。温差ΔT受流速影响,随着流速的增大而减小,且这种趋势在夏季更为显著。具备托伞结构的浮标与总体情况基本一致,而无托伞结构的浮标受流速的影响要大一些。同时,温差ΔT受水汽的影响,随着水汽的增加而减小,且这种影响在冬季更大一些。进一步对4个穿极和绕极浮标的追踪分析表明,温差ΔT受大洋海流系统的影响显著。在海流大的大西洋边界流和南极绕极流中,温差ΔT的不确定性要明显大于总体情况。

基于MOD10A1和AMSR-E的北疆牧区积雪动态监测研究

准确监测牧区积雪覆盖范围,对有效防灾减灾和牧区畜牧业持续发展具有特别重要的意义.利用积雪产品和气象台站的观测资料,对比分析了北疆地区2002年11月1日-2005年3月31日三个积雪季的AMSR-E 每日雪水当量产品及其与MOD10A1每日积雪分类产品合成的图像MODAE1的积雪识别精度.结果表明,1）AMSR-E每日雪水当量产品的积雪识别率为66.59%,总精度为69.49%;2）利用用户自定义的合成算法计算的合成图像MODAE1,结合了AMSR-E 雪水当量产品不受天气影响和MOD10A1每日积雪产品较高空间分辨率的优点,积雪识别率达76.43%;3）雪深和土地覆盖对合成图像MODAE1的积雪识别率具有重要的影响.在雪深为1-40cm时,合成图像的积雪识别精度随雪深的增加而增大;在雪深为31-40cm 时,积雪识别率可达90.19%;在雪深大于40cm 时,积雪识别率开始下降.在牧区合成图像的积雪识别率可达77.6%,而在开阔的灌丛区积雪识别率略有下降,为72.7%.

AMSR-E卫星亮度温度数据在高原东北部土壤湿度观测和模拟中的应用

为了改进青藏高原东北部土壤湿度的观测和模拟效果,利用AMSR-E(Advanced Microwave Scanning Radiometer-EOS)亮度温度资料,估算了高原东北部的土壤湿度值;还利用耦合了Noah陆面模型的WRF中尺度模式WRF-Noah,结合牛顿松驰逼近同化法对AMSR-E估算的土壤湿度进行了同化试验。结果表明:与实测及NCEP再分析值土壤湿度相比,估算的高原东北部的土壤湿度值虽小些,但能够体现土壤湿度随降水事件等的影响。使用牛顿松弛逼近法同化后比没有同化或采用直接替代法模拟的土壤湿度的效果要好。在区域尺度上,通过对牛顿松弛逼近法中质量因子的详细控制,采用该同化方法后对沙漠地区土壤湿度的模拟改善最为明显,其次是草地以及灌木丛与草地混合区;在时间尺度上,采用牛顿松弛逼近同化方法后模拟值与实测值的均方根误差得到减少。

利用AMSR-E被动微波数据反演地表温度的神经网络算法

结合对地观测卫星AQUA多传感器/多分辨率的特点,研究了利用AMSR-E被动微波数据反演地表温度的神经网络算法。MODIS地表温度(LST)产品被作为地表温度实测数据,对应的平均温度被用作对应AMSR-E像元的实际地表温度,从而克服由于AMSR-E像元尺度太大和云的影响而难以获得地表实测数据的难点。反演结果分析表明,利用神经网络能够精确地由AMSR-E数据反演地表温度。当使用5个频率10个通道反演时,反演精度最高,说明使用更多的通道能更好地消除土壤水分、粗糙度、大气和其它因素的影响。相对于MODIS温度产品,用此算法反演的平均误差约低于2K。

植被层对被动微波遥感土壤水分反演影响的研究

在很多对土壤水分被动微波遥感的研究中 ,为简单起见 ,覆盖的植被层使用了一种简单的模型来表征其散射和衰减特性。本文中使用了一种基于辐射传输理论的离散模型来研究植被的发射率、传输率。这种方法可以更加真实地刻划组成植被的散射个体如叶、茎、树枝、树干等对这两个参数的影响 ,因而能更准确地描述植被对下垫面的影响。为了减少土壤水分反演算法中未知量的数目 ,该文给出了这两个参数的模拟结果分别在AMSR E三种不同频率下的简单关系。

复杂地表条件下冻融土的微波辐射特性模拟及判别分析

针对AMSR-E数据的新特点,在HUT积雪辐射模型的基础上,增加冻土介电模型计算冻融土的介电常数,并使用AIEM模型描述地表的散射特性,建立寒区地表微波辐射模型,对寒区6种典型环境的微波辐射进行了模拟.结果表明:使用36.5 V的亮温以及6.925 H、10.65 H、18.7 H与36.5 V的亮温比分别衡量地表温度和发射率的变化,最能体现地表土壤的冻融变化特征.通过Fisher判别分析,建立了复杂地表条件下的冻融土判别算法,并使用微波辐射计观测数据进行修正.AMSR-E星载数据的验证结果表明,该判别算法能够有效区分较长时间序列和大范围的地表冻融状态,是一种可靠的判别模式.

基于AMSR-E与MODIS数据的新疆土壤水分协同反演与验证

针对当前遥感在大范围土壤水分估算中面临的问题,提出将被动微波遥感数据与光学/热红外遥感数据在模型中协同反演陆表土壤水分的新方法:利用MODIS的光学与热红外波段反演土壤水分的基准值;利用AMSR-E传感器的X波段反演土壤水分的日变化量,然后集成二者建立土壤水分协同反演模型。以新疆为实验区,采用在典型地区获取的365个土壤水分实测值,对该模型进行了验证与精度分析。结果表明,协同反演模型的估算结果与地面实测值之间有着更好的相关性和较小的均方根误差,明显优于单一数据源或单一模型的反演结果。

基于AMSR-E反演青藏高原夏季表层土壤湿度

利用AMSR-E观测的土壤表层亮温资料,采用简化修正的单通道算法模型(Single Channel Algorithm,SCA),反演青藏高原地区夏季2011年6-8月的表层土壤湿度。为对比验证反演结果,利用高原东部和中部的玛曲观测网和那曲观测网CTP-SMTMN(Soil Moisture and Temperature Monitoring Netw ork on the central Tibetan Plateau)的土壤湿度观测数据,以及NASA和VUA-NASA两种均基于AM SR-E的反演土壤湿度产品进行验证。结果表明:(1)与VUA-NASA产品和修改后的SCA模型反演结果相比,NASA产品在像元和区域尺度上相关系数较低,MAE(Mean Absolute Error)和RMSE(Root M ean Square Error)较高,明显低估了两个地区的土壤湿度。(2)VUA-NASA产品在玛曲地区表现良好,在那曲地区虽然相关系数较高,但MAE和RMSE同样较高,导致精度较差。(3)对比其他两种产品,修改后的SCA模型反演结果在两个地区表现出较高的相关系数(接近0.800)、较低的MAE(接近0.050m^3·m^(-3))和RMSE(接近0.060 m^3·m^(-3)),有着较高的精度。因此,可以认为修改后的SCA模型可以应用于青藏高原地区土壤湿度动态监测,为研究青藏高原地区的天气和气候变化影响及水循环过程提供了参考和借鉴。

基于去云处理的祁连山积雪覆盖遥感监测研究

雪盖信息在生态研究、水资源评价管理以及灾害防治中有重要的作用,MODIS利用冰雪指数(NDSI)和阈值提供全球每日积雪产品,微波遥感传感器AMSR-E提供南北半球不受云影响的雪水当量数据。通过融合同一天不同时间过境的MODIS积雪产品MOD10A1和MYD10A1为MOYD,融合MOYD和AMSR-ESWE积雪当量产品产生MODAM,以祁连山区气象站观测雪深数据为"真值",检验了2010-2011年积雪季MODIS积雪产品和AMSR-E识别积雪的精度,结果表明:MOYD产品和MODAM使云量减少了15%和100%,积雪精度和总体精度分别达到了24%、59%和88%、80%,通过融合多时相和多传感器数据大大提高了积雪监测精度,此外对祁连山积雪时间分布和不确定进行了分析。

MPDI在微波辐射计植被覆盖区土壤水分反演中的应用

大尺度上的土壤水分变化监测对于建立全球的水循环模型意义重大,是实现气候变化预测和洪涝监测的基础。星载辐射计为实现大尺度上土壤水分的监测提供了监测途径。但是在星载辐射计观测时,地表植被层的吸收和散射作用会对土壤向上的微波辐射产生衰减影响,这种影响在反演土壤水分的过程中必须予以计算和消除。原有的反演算法中,在计算这部分影响的时候,需要大量的关于地表植被状况的辅助数据,而这些即时的辅助数据往往不易获得。以AMSR-E数据为例,研究证明了微波极化差异指数(MPDI)能够反映地表植被覆盖状况。以中国华北、华东地区为实验区,选择2004年4月8日的AMSR-E亮温数据和MOD IS数据为样本数据,建立起MPDI与NDVI之间的负指数关系方程。基于对NDVI的认识,得到植被覆盖度高、中、低三种状况所对应的MPDI域值,以此域值为依据对中等植被覆盖度地区作出自动判断,并用MPDI计算植被层不透明度。

积雪辐射模型验证

雪水当量是气候模型与大尺度水文模型中的一个重要参数。积雪容量对全球气候变化研究、大尺度径流估算与水资源管理等方面都有很重要的意义。因此研究积雪辐射模型模拟特征及模型验证显得极为重要。本文选用的积雪辐射模型是采用考虑多次散射的双矩阵法(M atrix Doub ling Formu lation)作为求解辐射传输方程的方法,利用致密介质理论来考虑积雪的近场效应,辐射传输方程的边界条件和下垫面辐射计算则采用高级积分方程模型(AIEM)。文中首先分析了辐射模型对下垫面参数特性和积雪颗粒特性的敏感性,结果表明下垫面特性和积雪颗粒大小对当前人们采用的温度梯度雪水当量反演算法有着很大影响。另外,本文利用瑞士W e issfluhjoch试验区的地面实验数据,对该积雪辐射模型在宽波段高频率和大角度的辐射信号模拟能力做了验证,验证结果表明该模型模拟值与地面实测数据吻合很好,说明积雪辐射模型能很好模拟自然地表的积雪辐射信号。

冷季深入对AMSR-E监测内蒙古积雪的影响

传统的积雪范围和厚度监测是通过气象台站的定时观测,其缺点是:地面观测资料区域代表性有限和地面气象台站分布很均匀。遥感技术可以弥补传统观测的不足,中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)数据具有高空间分辨率、高时间分辨率,地球观测系统先进微波扫描辐射计(Advanced Microwave Scanning Radiometer-EOS,AMSR-E)数据具有不受云层影响的特点。分析冷季深入对AMSR-E影像积雪判别的影响,最终得出,在内蒙古地区随着冷季的深入,AMSR-E将MODIS影像上无雪像元和有云像元判别为有雪的比例越来越高,最高分别达34.22%和28.29%。两者同时判别为有雪像元的比例也越来越高,最高达33.66%。