基于MOD10A1 V6产品下青海省各片区积雪的分布气候特征

利用MOD10A1 V6版积雪产品获取青海省及省内各重要生态功能区的积雪信息,并对积雪变化与气候因子间的响应关系进行分析。结果表明:(1)16年来青海省内积雪覆盖面积变化存在空间差异性,可可西里积雪覆盖面积显著增加(p<0.05)而其他生态功能区变化不显著,从阶段变化来看青海省及各生态功能区在2016积雪季后积雪覆盖面积大幅增加,而在2016积雪季前仅柴达木盆地积雪覆盖面积显著减少(p<0.05),其余地区减少趋势不显著。(2)16年来青海省内积雪日数变化存在空间差异性,可可西里内26.8%的面积积雪日数显著增加(p<0.05),而三江源腹部、柴达木盆地东部和祁连山地区西部积雪日数显著减少(p<0.05)。(3)近16年来青海省及各生态功能区积雪覆盖面积与降水显著正相关(r>0.65,p<0.01),与气温显著负相关(r>0.5,p<0.05),其中在青海省、祁连山、可可西里和柴达木盆地的积雪覆盖面积变化主要受降水主导,而三江源和青海湖流域则是由气温和降水共同影响。

基于FY-3D/MERSI-Ⅱ归一化积雪指数和MOD10A1的精度对比分析

风云三号D星(FY-3D)是我国新一代极轨气象卫星,中分辨率光谱成像仪Ⅱ(MERSI-Ⅱ)是其携带的核心传感器之一,MERSI-Ⅱ实现了云、气溶胶、水汽、陆地表面特性、海洋水色等大气、陆地、海洋参量的高精度定量反演。选取2018年7、8月无云时相的FY-3D/MERSI-Ⅱ数据对天山中段终年积雪进行归一化积雪指数(NDSI)的计算。结合高分辨率Landsat-8影像,利用混淆矩阵对FY-3D/MERSI-Ⅱ数据计算结果与同期MODIS日积雪产品数据MOD10A1进行精度对比分析。结果表明:FY-3D/MERSI-Ⅱ图像平均总体精度为0.855,MOD10A1图像平均总体精度为0.820,FY-3D/MERSI-Ⅱ积雪覆盖提取平均总体精度比MOD10A1积雪覆盖提取平均总体精度高0.035。FY-3D/MERSI-Ⅱ的Kappa系数平均值为0.659,MOD10A1的Kappa系数平均值为0.558,FY-3D/MERSI-Ⅱ的Kappa系数平均值大于MOD10A1的Kappa系数平均值。故FY-3D/MERSI-Ⅱ数据提取积雪覆盖面积精度更高,更接近高分辨率Landsat-8影像目视解译结果。

基于MOD10A1的草原黑灾监测方法研究

采用MOD10A1积雪产品,通过时间序列栅格数据提取方法,监测内蒙古一个积雪季(2013年10月初至2014年3月末)的黑灾分布规律的实例,初步探讨了MOD10A1积雪产品在草原黑灾监测中的应用。以连续无雪天数、连续无雪20 d次数、连续无雪40 d的次数和连续无雪60 d的次数作为计算指标,通过进行逐日像元上的计算,获得每个像元上的指标值后进行统计分析。结果表明:(1)在研究期间,内蒙古阿拉善盟、巴彦淖尔盟北部出现的黑灾频率较高;通辽、赤峰北部降雪多,但气温高,积雪日数短,因此黑灾出现频率也是较大;而锡林郭勒盟东部、呼伦贝尔以及兴安盟出现黑灾的几率最小。(2)按月份统计分析得出,在这一积雪季中内蒙古12月发生的黑灾面积较小,10、11和3月份发生的黑灾面积较大。(3)利用MOD10A1数据通过无雪信息提取方法监测的结果与内蒙古的气候自然特征以及前人的研究基本上吻合,因此本文中的监测方法可以在黑灾研究中利用。

利用MODIS数据进行积雪检测

积雪是一种重要的地球表层覆盖物,是气象学和水文学中一个非常重要的参数。使用遥感方法能够有效获取大范围的雪盖信息,弥补地面观测资料在空间上的不足。中等分辨率成像光谱仪(MODIS)数据具有高光谱、高空间分辨率、高时间分辨率等特征,越来越多地应用到积雪检测方面。利用MODIS雪盖数据进行雪盖制图,分析了2008年初中国南方的受灾情况,并对雪情进行了分析。结果发现利用MODIS得到的积雪边界线轮廓清晰,对积雪检测非常有效,但由于云的遮蔽可能会使MODIS积雪分布面积出现误差。

基于MODIS数据的青海省积雪覆盖范围监测算法探索

以青海省作为研究区,利用MODIS每日地表反射率产品MOD09GA和逐日雪被合成产品MOD10A1,通过调整NDSI阈值,合成积雪分类图像,根据气象台站实测雪深数据,评价积雪分类精度,探索研究了适合该地区的NDSI阈值。研究结果表明,1)NSIDC发布的全球MODIS积雪产品MOD10A1在青海高原的积雪分类精度较低,在晴空下雪深大于3cm的积雪分类精度为86.01%。2)研究区适合的NDSI阈值为0.37。在晴空下雪深大于3cm时,合成雪被图像的积雪分类精度可达90.37%,总精度99.51%,多测误差0.22%,漏测误差9.63%。3)同MODIS逐日雪被产品MOD10A1进行雪深分段精度比较,发现整体上自定义雪被图像的积雪分类精度较高,合成图像更符合青海高原积雪空间分布的真实情况。

基于不同土地覆盖类型NDSI阈值优化下的青藏高原积雪判别

美国国家雪冰数据中心(NSIDC)发布的MODIS第6版本逐日积雪范围产品(V6)仅提供了归一化积雪指数(NDSI),而用户往往关心的是积雪范围或积雪覆盖率。NSIDC推荐全球积雪范围最佳的NDSI阈值为0.4,但是青藏高原地形复杂,积雪斑块化特征明显,单一的NDSI阈值并不能精确地判识不同下垫面上的积雪。不同的土地覆盖类型可能影响积雪判别的NDSI阈值。以青藏高原为研究对象,基于高分辨率卫星Landsat-5 TM数据,获取了青藏高原不同土地覆盖类型下判识积雪的最优NDSI阈值。结果表明,在草地和稀疏植被地表类型下,最优NDSI阈值分别为0.33和0.40;在其他下垫面类型下,最优NDSI阈值为0.47。以Landsat 8 OLI数据为"真值"对该NDSI阈值确定的积雪范围进行了精度检验。结果表明,采用新的NDSI阈值获取的MOD10A1 V6积雪范围产品的总体精度OA、错分误差OE和漏分误差UE分别为87.88%、5.20%和6.87%。而采用传统的0.4阈值时,其OA、OE和UE分别为87.36%、3.98%和8.60%。这表明考虑不同土地覆盖类型下的NDSI阈值优化可以有效地提高青藏高原积雪判别精度,特别是对占比面积较大的草地区域,通过NDSI阈值优化可以更加准确地识别积雪范围。

永翠河流域积雪覆盖及植被NDVI时空变化分析

利用2004-2014年MOD10A2积雪产品和MOD13A1归一化植被指数(NDVI)与数字高程、气温数据相结合,分析永翠河流域积雪覆盖和植被NDVI时空变化及两者之间的相关性。结果表明:0°~5°坡度带积雪覆盖率(SCF)常年最高,不同坡度带、坡向带SCF与温度呈负相关,积雪覆盖集中在12月至次年1-2月,6-9月基本无积雪;研究区平均年度NDVI值为0.54,轻度改善等级占58.17%,整体处于中等波动变化状态;随着NDVI的增大,积雪覆盖率逐渐变小,积雪覆盖率和NDVI相关系数|r|=0.67006,表现为负相关。

基于Google Earth Engine评估新疆西南部MODIS积雪产品

Google Earth Engine(GEE)是一种基于云建立的地理空间处理平台,可以针对地理空间数据进行分析,实现全球范围内海量遥感数据的并行处理,为遥感大数据、大区域研究提供支持。MODIS积雪覆盖制图是利用MODIS资料建立的全球积雪覆盖产品,已广泛应用于区域乃至全球的气候与环境监测中。GEE云平台存储着百万景遥感影像,其中包括覆盖全球的MODIS逐日积雪产品MOD10A1V5数据和Landsat数据。以新疆西南部3个研究区为例,选取GEE云计算平台存储的Landsat数据,应用NDSI提取积雪范围作为地表覆盖真值,对MOD10A1展开精度评估。结果表明:2000~2016年新疆西南部积雪季MOD10A1的平均总体准确率达82%,平均误判率为2.9%,平均漏判率为58.8%。在晴空条件下,MOD10A1总体准确率可达98%,不同区域的地形及云量是影响MOD10A1精度评估的主要因素。GEE云计算平台可以快速有效地筛选高质量无云的Landsat数据,对全球范围内积雪区的MOD10A1进行精度评估,以在线地图的形式直观显示误判和漏判区域,并利用GEE提供的简单云分函数计算区域云量,使云量对MOD10A1积雪分类精度的影响更具区域代表性。

基于FY-4A/AGRI时空特征融合的新疆地区积雪判识

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用,针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计(AGRI)数据与地理信息数据进行多特征时序融合的积雪判识方法:以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入,以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为"真值"标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,显著降低云雪误判率。