2
2017
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
... [1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
2
2017
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
... [1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang, China
2
2012
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Hall D K, Influence of depth hoar on microwave emission from snow in northern Alaska
1
1987
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
A blended global snow product using visible, passive microwave and scatterometer satellite data
0
2011
Progress in the study of interaction between ice/snow and atmosphere
1
2012
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
冰川/积雪 - 大气相互作用研究进展
1
2012
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Snow disaster in Qinghai Plateau: risk division and countermeasure
1
2013
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
青海高原雪灾风险区划及对策建议
1
2013
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Estimation of snow water equivalent in the Tibetan Plateau using passive microwave remote sensing data (SSM/I)
2
2004
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
青藏高原积雪深度和雪水当量的被动微波遥感反演
2
2004
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
Retrieval of snow depth in China by passive microwave remote sensing data and its accuracy assessment
1
2004
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
利用被动微波遥感数据反演我国积雪深度及其精度评价
1
2004
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
Impact of snow cover on soil temperature and its simulation in a boreal aspen forest
0
2008
Assessment of the NASA AMSR-E SWE product
1
2010
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Qinghai-Tibetan Plateau: a driver and amplifier of the global climatic change
1
1996
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
青藏高原: 全球气候变化的驱动机与放大器. Ⅲ.青藏高原隆起对气候变化的影响
1
1996
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Protection and construction of the national ecological security shelter zone on Tibetan Plateau
1
2012
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
青藏高原国家生态安全屏障保护与建设
1
2012
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Factors affecting remotely sensed snow water equivalent uncertainty
2
2005
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Spatiotemporal distribution of snow in eastern Tibet and the response to climate change
0
2012
Spatial-temporal variability of snow cover and depth in the Qinghai-Tibetan Plateau
0
2015
Tracking snow variations in the northern hemisphere using multi-source remote sensing data (2000 - 2015)
0
2018
Spatiotemporal variability of snow cover and snow water equivalent in the last three decades over Eurasia
1
2018
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Snow cover monitoring and early warning of snow-caused disaster based on remote sensing and GIS technologies in pastoral areas of the Tibetan Plateau
1
2014
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
基于遥感和GIS的青藏高原牧区积雪动态监测与雪灾预警研究
1
2014
... 积雪在全球水循环和能量交换中扮演着重要的角色[1-2], 对研究区域气候变化、 水资源利用以及自然灾害监测十分重要[1,3-5].积雪深度是描述积雪性质的重要参数之一, 在雪灾监测与预警、 水资源评估、 气候水文模拟、 地表辐射平衡中都发挥着至关重要的作用[6-10].青藏高原对于全球气候变化反应敏感, 是全球气候变化的“驱动机”与“放大器”[11], 对我国乃至亚洲生态安全具有重要的屏障作用[12].青藏高原素有“亚洲水塔”之称, 是我国众多河流的发源地, 而积雪融水是河流的重要补充来源.在全球气候变化的背景下, 近年来青藏高原冰雪融化加速, 常年积雪范围不断缩小, 积雪累积总量也在减少, 生态环境持续恶化[13-17].青藏高原是中国的三大积雪分布区之一, 也是我国重要的牧区, 积雪的变化与当地农牧业发展密切相关[18].因此, 青藏高原积雪研究对区域生态环境和农牧业可持续发展具有重要意义. ...
Development of a tundra-specific snow water equivalent retrieval algorithm for satellite passive microwave data
1
2010
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Seasonal snow extent and snow mass in south America using SMMR and SSM/I passive microwave data (1979 - 2006)
0
2009
Comparison of snow mass estimates from a prototype passive microwave snow algorithm, a revised algorithm and a snow depth climatology
2
1997
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 积雪的再分配和积雪的微波辐射受不同土地覆盖类型的影响[21,30].土地覆盖类型选取2014年MODIS土地覆盖产品MCD12Q1, 分类方案为IGBP(International Geo-sphere-Biosphere Program), 空间分辨率为500 m.本研究将MCD12Q1-IGBP分类方案重分类为7大类: 水体、 森林、 灌丛、 草地、 农田、 裸地和冰川/常年积雪, 其中草地面积占青藏高原56.9%, 其次是裸地(29.6%).SRTM(Shuttle Radar Topography Mission)DEM(Digital Elevation Model)数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn), 空间分辨率为90 m, 数据格式Geo-TIFF. ...
Estimation of snow depth from passive microwave brightness temperature data in forest regions of northeast China
1
2016
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Development of snow depth and snow water equivalent algorithm in western China using passive microwave remote sensing data
2
2006
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... AMSR2亮温数据和AMSR2全球雪深产品来源于日本航空航天研究开发机构网站(https://gcom-w1.jaxa.jp/auth.html).AMSR2是继AMSR-E之后又一新型的传感器, 它搭载在日本的GCOM-W1(Global Change Observation Mission 1st-Water)“SHIZUKU”卫星上, 该传感器包括6.9、 7.3、 10.65、 18.7、 23.8、 36.5 GHz和89 GHz共7个频率, 每个频率有水平和垂直两种极化方式(表1).该数据的空间分辨率为10 km, 投影方式为EQR, 数据格式为Geo-TIFF.GCOM-W1卫星一天有两次过境时间, 升轨的过境时间是13:30(±15 min)(当地时间, 下同), 降轨是01:30(±15 min).积雪中液态水的存在会吸收一部分微波辐射能量[23-24], 因此, 升轨数据过境时间存在融雪的影响, 本研究选用降轨数据用于青藏高原雪深反演. ...
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
2
2006
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... AMSR2亮温数据和AMSR2全球雪深产品来源于日本航空航天研究开发机构网站(https://gcom-w1.jaxa.jp/auth.html).AMSR2是继AMSR-E之后又一新型的传感器, 它搭载在日本的GCOM-W1(Global Change Observation Mission 1st-Water)“SHIZUKU”卫星上, 该传感器包括6.9、 7.3、 10.65、 18.7、 23.8、 36.5 GHz和89 GHz共7个频率, 每个频率有水平和垂直两种极化方式(表1).该数据的空间分辨率为10 km, 投影方式为EQR, 数据格式为Geo-TIFF.GCOM-W1卫星一天有两次过境时间, 升轨的过境时间是13:30(±15 min)(当地时间, 下同), 降轨是01:30(±15 min).积雪中液态水的存在会吸收一部分微波辐射能量[23-24], 因此, 升轨数据过境时间存在融雪的影响, 本研究选用降轨数据用于青藏高原雪深反演. ...
Passive microwave remote sensing of snow depth and snow water equivalent: overview
3
2018
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... AMSR2亮温数据和AMSR2全球雪深产品来源于日本航空航天研究开发机构网站(https://gcom-w1.jaxa.jp/auth.html).AMSR2是继AMSR-E之后又一新型的传感器, 它搭载在日本的GCOM-W1(Global Change Observation Mission 1st-Water)“SHIZUKU”卫星上, 该传感器包括6.9、 7.3、 10.65、 18.7、 23.8、 36.5 GHz和89 GHz共7个频率, 每个频率有水平和垂直两种极化方式(表1).该数据的空间分辨率为10 km, 投影方式为EQR, 数据格式为Geo-TIFF.GCOM-W1卫星一天有两次过境时间, 升轨的过境时间是13:30(±15 min)(当地时间, 下同), 降轨是01:30(±15 min).积雪中液态水的存在会吸收一部分微波辐射能量[23-24], 因此, 升轨数据过境时间存在融雪的影响, 本研究选用降轨数据用于青藏高原雪深反演. ...
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
基于被动微波遥感的积雪深度和雪水当量反演研究进展
3
2018
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... AMSR2亮温数据和AMSR2全球雪深产品来源于日本航空航天研究开发机构网站(https://gcom-w1.jaxa.jp/auth.html).AMSR2是继AMSR-E之后又一新型的传感器, 它搭载在日本的GCOM-W1(Global Change Observation Mission 1st-Water)“SHIZUKU”卫星上, 该传感器包括6.9、 7.3、 10.65、 18.7、 23.8、 36.5 GHz和89 GHz共7个频率, 每个频率有水平和垂直两种极化方式(表1).该数据的空间分辨率为10 km, 投影方式为EQR, 数据格式为Geo-TIFF.GCOM-W1卫星一天有两次过境时间, 升轨的过境时间是13:30(±15 min)(当地时间, 下同), 降轨是01:30(±15 min).积雪中液态水的存在会吸收一部分微波辐射能量[23-24], 因此, 升轨数据过境时间存在融雪的影响, 本研究选用降轨数据用于青藏高原雪深反演. ...
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
Estimating snow water equivalent using snow depth data and climate classes
2
2010
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 影响积雪分布的因子主要有海拔、 坡度、 坡向、 地表粗糙度、 风速和风向等[41-42].Sturm等[25]、 Xiao等[38]和Savoie等[42]将地理位置等辅助因子引入到雪深的反演模型中, 一定程度上提高了雪深反演的精度.传统被动微波遥感雪深反演算法仅依赖亮度温度差的方法在青藏高原地区存在很大的局限性, 因此引入辅助因子, 借助机器学习的优势, 是提高青藏高原雪深反演的有益尝试.针对青藏高原雪深普遍较浅和空间异质性大的特点, 本文以青藏高原为研究区, 基于AMSR2被动微波亮温数据和地面雪深观测数据, 结合地形和地理参数, 利用随机森林算法进行雪深反演, 以期实现青藏高原地区的高精度雪深反演. ...
Improvement of snow depth retrieval for FY3B-MWRI in China
1
2014
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
The AMSR-E snow depth algorithm: description and initial results
2
2009
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 式中: e-t 为大气透过率; R为表面反射率; Tsky为天空辐射; Tsurf为表面发射; Tatm为大气发射.通常情况下Tatm和Tsky非常小, 可以忽略不计.因此, 大气的辐射和散射对微波影响很小, 可以忽略不计[27].研究共选取10.65、 18.7、 23.8、 36.5、 89 GHz(以下简称10、 18、 23、 36、 89 GHz)共5个频率的亮温数据, 包括所有频率的垂直和水平通道.因为青藏高原降雪主要集中在12月至次年3月, 本研究获取的是2012 - 2016年积雪季的AMSR2亮温数据. ...
Nimbus-7 SMMR derived global snow cover parameters
2
1987
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... [28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
The use of microwave radiometer data for characterizing snow storage in western China
1
1991
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Estimation of snow water equivalent using passive microwave radiation data
2
1998
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... 积雪的再分配和积雪的微波辐射受不同土地覆盖类型的影响[21,30].土地覆盖类型选取2014年MODIS土地覆盖产品MCD12Q1, 分类方案为IGBP(International Geo-sphere-Biosphere Program), 空间分辨率为500 m.本研究将MCD12Q1-IGBP分类方案重分类为7大类: 水体、 森林、 灌丛、 草地、 农田、 裸地和冰川/常年积雪, 其中草地面积占青藏高原56.9%, 其次是裸地(29.6%).SRTM(Shuttle Radar Topography Mission)DEM(Digital Elevation Model)数据来源于中国科学院计算机网络信息中心国际科学数据镜像网站(http://www.gscloud.cn), 空间分辨率为90 m, 数据格式Geo-TIFF. ...
Evaluation and primary application of microwave remote sensing SMMR-derived snow cover in western China
1
1993
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
中国西部积雪SMMR微波遥感的评价与初步应用
1
1993
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Evaluation and adjustment of the AMSR2 snow depth algorithm for the northern Xinjiang region, China
3
2016
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
... AMSR2全球雪深产品的雪深反演算法主要利用18 GHz通道差和36 GHz通道差, 以及10 GHz垂直通道与18 GHz垂直通道和36 GHz垂直通道的亮温差构建雪深反演模型[32]. ...
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Spatial-temporal variation of snow depth in Tibet and its response to climatic change in the past 30 years
1
2014
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
近30年西藏雪深时空变化及其对气候变化的响应
1
2014
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Improvement of passive microwave snow algorithm over Qinghai-Tibet Plateau
1
2013
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
青藏高原地区被动微波积雪算法改进研究
1
2013
... 卫星观测是监测积雪的有效方式, 被动微波遥感数据是监测积雪变化的主要手段之一[19-22].微波可以穿透气溶胶层, 云、 雾等对低频微波散射较小[23-24], 且可穿透一定深度的地表(如积雪)来获取地物信息[25], 是目前获取区域雪深和雪水当量监测的主要数据源[26-27].Chang等[28]利用SMMR被动微波数据进行雪深反演, 并提出了雪深反演的亮温梯度法, 基本满足半球或全球尺度的雪深反演, 但是在局部区域误差较大[28-29].Foster等[21]以北美大陆和亚欧大陆为研究对象, 考虑森林和雪粒径的影响可以提高雪深反演的精度, 并在此基础上提出了修正的Chang算法.Tait[30]将美国和俄罗斯划分成不同的下垫面类型, 利用SMM/I被动微波数据进行雪深反演, 发现在湿雪存在的无森林覆盖区反演效果较差.曹梅盛等[31]将我国西部划分为不同的地貌单元, 基于SMMR被动微波数据发展了订正后的Chang算法, 提高了反演精度.车涛等[7]使用SMM/I被动微波数据, 在剔除了与积雪相似散射特性的降雨、 寒漠、 冻土等地表类型后, 利用修正的Chang算法反演了中国区域的雪深, 并获得了较高精度.Dai等[2]基于积雪不同的雪粒径、 雪密度和温度, 利用AMSR-E被动微波数据发展了一套适合于新疆的雪深反演算法.Zhang等[32]对北疆地区AMSR2雪深产品的精度进行评价, 结果显示其精度较差, 并对AMSR2全球算法进行了改进, 此改进算法主要利用10 GHz通道差和18 GHz通道差对算法改进.青藏高原海拔高且地形复杂, 平均雪深较浅, 1979 - 2010年间的多年平均雪深小于5 cm[33].以上基于经验-半经验雪深反演算法在该地区的积雪深度反演精度均不够理想, 存在很大的局限性, 验证结果显示仅依赖亮温梯度差进行雪深反演在青藏高原的均方根误差(RMSE)高达9 cm左右[34]. ...
Recent progress in land surface quantitative remote sensing
2
2016
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... [35]. ...
陆表定量遥感反演方法的发展新动态
2
2016
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... [35]. ...
Retrieve snow depth of north of Xinjiang Region from AMSR2 data based on artificial neural network technology
2
2018
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... 随机森林(Random Forest, RF)由Breiman[53]提出, 是一种组成式的有监督学习方法.随机森林通过构建无数小决策树来预测, 这些小的决策树修剪是基于训练集中另外一个随机的样本子集.随机森林可以克服回归的过拟合问题、 噪声数据和大数据集的问题, 已经被越来越多的应用于定量参数估算中[36].本研究中的随机森林建模方法通过R软件中的“randomForest”数据包实现.随机森林的调优参数是每个切分点上随机选择的预测变量的数目k, 它通常被记为mtry.在使用随机森林进行回归预测时, 有两个参数ntree和mtry需要预先设定, 其中ntree表示决策树的数量, 也就是对原始训练数据集使用bootstrap抽样的次数.当ntree越大时, 模拟因变量的结果就越稳定[51]; 但如果设置太大会增加计算量消耗计算机性能.Breiman[53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
基于人工神经网络和AMSR2多频微波亮温的北疆地区雪深反演
2
2018
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... 随机森林(Random Forest, RF)由Breiman[53]提出, 是一种组成式的有监督学习方法.随机森林通过构建无数小决策树来预测, 这些小的决策树修剪是基于训练集中另外一个随机的样本子集.随机森林可以克服回归的过拟合问题、 噪声数据和大数据集的问题, 已经被越来越多的应用于定量参数估算中[36].本研究中的随机森林建模方法通过R软件中的“randomForest”数据包实现.随机森林的调优参数是每个切分点上随机选择的预测变量的数目k, 它通常被记为mtry.在使用随机森林进行回归预测时, 有两个参数ntree和mtry需要预先设定, 其中ntree表示决策树的数量, 也就是对原始训练数据集使用bootstrap抽样的次数.当ntree越大时, 模拟因变量的结果就越稳定[51]; 但如果设置太大会增加计算量消耗计算机性能.Breiman[53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
Improved snow depth retrieval by integrating microwave brightness temperature and visible/infrared reflectance
2
2015
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... 青藏高原是世界上重要的中纬度高海拔积雪区, 相比于其他积雪区, 其地形更加复杂, 这也对雪深的高精度反演造成诸多的限制.机器学习算法已被广泛运用于陆表定量遥感参数的估算中, 并且其反演精度高.青藏高原5种雪深算法(Chang算法、 GSFC96算法、 AMSR-E算法、 青藏高原改进算法和Savoie算法)中AMSR-E算法的平均RMSE高于17 cm[37-38], 而AMSR2雪深产品是主要继承了此算法发展的雪深产品; 可见, 利用随机森林在青藏高原的雪深精度提升较为明显. ...
Support vector regression snow-depth retrieval algorithm using passive microwave remote sensing data
3
2018
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
... 影响积雪分布的因子主要有海拔、 坡度、 坡向、 地表粗糙度、 风速和风向等[41-42].Sturm等[25]、 Xiao等[38]和Savoie等[42]将地理位置等辅助因子引入到雪深的反演模型中, 一定程度上提高了雪深反演的精度.传统被动微波遥感雪深反演算法仅依赖亮度温度差的方法在青藏高原地区存在很大的局限性, 因此引入辅助因子, 借助机器学习的优势, 是提高青藏高原雪深反演的有益尝试.针对青藏高原雪深普遍较浅和空间异质性大的特点, 本文以青藏高原为研究区, 基于AMSR2被动微波亮温数据和地面雪深观测数据, 结合地形和地理参数, 利用随机森林算法进行雪深反演, 以期实现青藏高原地区的高精度雪深反演. ...
... 青藏高原是世界上重要的中纬度高海拔积雪区, 相比于其他积雪区, 其地形更加复杂, 这也对雪深的高精度反演造成诸多的限制.机器学习算法已被广泛运用于陆表定量遥感参数的估算中, 并且其反演精度高.青藏高原5种雪深算法(Chang算法、 GSFC96算法、 AMSR-E算法、 青藏高原改进算法和Savoie算法)中AMSR-E算法的平均RMSE高于17 cm[37-38], 而AMSR2雪深产品是主要继承了此算法发展的雪深产品; 可见, 利用随机森林在青藏高原的雪深精度提升较为明显. ...
Comparative validation of snow depth algorithms using AMSR-E passive microwave data in China
1
2013
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
我国主要积雪区AMSR-E被动微波雪深算法对比验证研究
1
2013
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
Analyses of the spatiotemporal variations of snow cover in north Xinjiang
1
2014
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
北疆地区积雪时空变化的影响因素分析
1
2014
... 目前, 机器学习算法因其精度高的特点已经被广泛运用于遥感定量反演的研究中[35].侯海艳等[36]利用人工神经网络(ANN)在北疆地区进行了雪深反演, 引入地形等辅助因子对雪深反演精度提升作用显著.Liang等[37]将SSM/I和SMMI/S被动微波数据与MODIS的可见光和近红外数据结合, 利用支持向量机(SVM)进行了对北疆地区雪深进行反演, 此模型的RMSE为6.21 cm.Xiao等[38]利用机器学习算法反演了亚欧大陆的雪深, 与Chang算法等对比发现机器学习算法反演精度明显提高.目前, 全球通用积雪深度反演算法在青藏高原地区的精度均不理想[7-8,39-40], 而机器学习以其高效率且模拟精度较高的特点在陆表参数定量反演中日益得到重视, 如随机森林能够克服回归中过拟合的问题, 对训练集的噪声数据不敏感, 且能更好地应用于大数据集分析[35]. ...
Regional sensitivities of seasonal snowpack to elevation, aspect, and vegetation cover in western North America
1
2017
... 影响积雪分布的因子主要有海拔、 坡度、 坡向、 地表粗糙度、 风速和风向等[41-42].Sturm等[25]、 Xiao等[38]和Savoie等[42]将地理位置等辅助因子引入到雪深的反演模型中, 一定程度上提高了雪深反演的精度.传统被动微波遥感雪深反演算法仅依赖亮度温度差的方法在青藏高原地区存在很大的局限性, 因此引入辅助因子, 借助机器学习的优势, 是提高青藏高原雪深反演的有益尝试.针对青藏高原雪深普遍较浅和空间异质性大的特点, 本文以青藏高原为研究区, 基于AMSR2被动微波亮温数据和地面雪深观测数据, 结合地形和地理参数, 利用随机森林算法进行雪深反演, 以期实现青藏高原地区的高精度雪深反演. ...
Atmospheric corrections for improved satellite passive microwave snow cover retrievals over the Tibet Plateau
2
2009
... 影响积雪分布的因子主要有海拔、 坡度、 坡向、 地表粗糙度、 风速和风向等[41-42].Sturm等[25]、 Xiao等[38]和Savoie等[42]将地理位置等辅助因子引入到雪深的反演模型中, 一定程度上提高了雪深反演的精度.传统被动微波遥感雪深反演算法仅依赖亮度温度差的方法在青藏高原地区存在很大的局限性, 因此引入辅助因子, 借助机器学习的优势, 是提高青藏高原雪深反演的有益尝试.针对青藏高原雪深普遍较浅和空间异质性大的特点, 本文以青藏高原为研究区, 基于AMSR2被动微波亮温数据和地面雪深观测数据, 结合地形和地理参数, 利用随机森林算法进行雪深反演, 以期实现青藏高原地区的高精度雪深反演. ...
... [42]将地理位置等辅助因子引入到雪深的反演模型中, 一定程度上提高了雪深反演的精度.传统被动微波遥感雪深反演算法仅依赖亮度温度差的方法在青藏高原地区存在很大的局限性, 因此引入辅助因子, 借助机器学习的优势, 是提高青藏高原雪深反演的有益尝试.针对青藏高原雪深普遍较浅和空间异质性大的特点, 本文以青藏高原为研究区, 基于AMSR2被动微波亮温数据和地面雪深观测数据, 结合地形和地理参数, 利用随机森林算法进行雪深反演, 以期实现青藏高原地区的高精度雪深反演. ...
The spatial pattern of monthly air temperature of the Tibetan Plateau and its implications for the geo-ecology pattern of the Plateau
1
2015
... 青藏高原位于我国西南部, 东抵横断山脉, 西达帕米尔高原, 南至喜马拉雅山脉, 北到昆仑山-祁连山一线, 面积约250×104 km2(图1).被称为地球的“第三极”和“世界屋脊”, 平均海拔在4 000 m以上, 是世界上平均海拔最高的高原, 也是我国的三大积雪分布中心之一和重要的水源地, 我国的众多河流均发源于此.该地区大部分地区年均气温较低, 最暖月平均温度在10 ℃以下[43].青藏高原积雪分布极其不均, 雪深较浅, 高原东南、 西部和南部为雪深分布高值区, 自1979年以来, 高原大部分地区的雪深呈增加趋势, 其中昆仑高寒荒漠地带雪深增加最为明显[44]. ...
1
... 青藏高原位于我国西南部, 东抵横断山脉, 西达帕米尔高原, 南至喜马拉雅山脉, 北到昆仑山-祁连山一线, 面积约250×104 km2(图1).被称为地球的“第三极”和“世界屋脊”, 平均海拔在4 000 m以上, 是世界上平均海拔最高的高原, 也是我国的三大积雪分布中心之一和重要的水源地, 我国的众多河流均发源于此.该地区大部分地区年均气温较低, 最暖月平均温度在10 ℃以下[43].青藏高原积雪分布极其不均, 雪深较浅, 高原东南、 西部和南部为雪深分布高值区, 自1979年以来, 高原大部分地区的雪深呈增加趋势, 其中昆仑高寒荒漠地带雪深增加最为明显[44]. ...
Analysis of spatial-temporal variations of snow depth over the Qinghai-Tibetan Plateau during 1979 - 2010
1
2014
... 青藏高原位于我国西南部, 东抵横断山脉, 西达帕米尔高原, 南至喜马拉雅山脉, 北到昆仑山-祁连山一线, 面积约250×104 km2(图1).被称为地球的“第三极”和“世界屋脊”, 平均海拔在4 000 m以上, 是世界上平均海拔最高的高原, 也是我国的三大积雪分布中心之一和重要的水源地, 我国的众多河流均发源于此.该地区大部分地区年均气温较低, 最暖月平均温度在10 ℃以下[43].青藏高原积雪分布极其不均, 雪深较浅, 高原东南、 西部和南部为雪深分布高值区, 自1979年以来, 高原大部分地区的雪深呈增加趋势, 其中昆仑高寒荒漠地带雪深增加最为明显[44]. ...
1979 - 2010年青藏高原积雪深度时空变化遥感分析
1
2014
... 青藏高原位于我国西南部, 东抵横断山脉, 西达帕米尔高原, 南至喜马拉雅山脉, 北到昆仑山-祁连山一线, 面积约250×104 km2(图1).被称为地球的“第三极”和“世界屋脊”, 平均海拔在4 000 m以上, 是世界上平均海拔最高的高原, 也是我国的三大积雪分布中心之一和重要的水源地, 我国的众多河流均发源于此.该地区大部分地区年均气温较低, 最暖月平均温度在10 ℃以下[43].青藏高原积雪分布极其不均, 雪深较浅, 高原东南、 西部和南部为雪深分布高值区, 自1979年以来, 高原大部分地区的雪深呈增加趋势, 其中昆仑高寒荒漠地带雪深增加最为明显[44]. ...
A Prototype AMSR-E Global Snow Area and Snow Depth Algorithm
2
2003
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
... [45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Global identification of snowcover using SSM/I measurements
1
1996
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Discrimination of a wet snow cover using passive microwave satellite data
2
1993
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
... [47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Co-inversion of snow parameters in Xinjiang based on MODIS and AMSR-E data
2
2013
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
... [48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
基于MODIS与AMSR-E数据的新疆雪情参数协同反演研究
2
2013
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
... [48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Snow parameter estimation from microwave remote sensing data
1
2014
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
基于微波遥感数据的雪情参数反演方法
1
2014
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Snow depth retrieval based on AMSR-E data in northern Xinjiang region, China
1
2013
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
基于AMSR-E的北疆地区积雪深度反演
1
2013
... 寒漠、 冻土和降水与积雪有相似的散射特性[45], 因此在建立雪深反演模型前要剔除这些散射体的影响, 从而提高积雪反演算法的精度.在Grody等[46]的研究基础上, Kelly等[45]利用AMSR-E被动微波数据剔除散射体的影响并建立了雪深反演模型, AMSR-E数据与AMSR2数据有相似的频率通道, 因此本研究将利用Kelly的方法以剔除散射体的影响.积雪中的存在湿雪同样会影响雪深反演[47-48].因此, 还采用Walker[47]的方法剔除湿雪的影响.上述散射体剔除方法同样被包慧漪等[48]与张显峰等[49]利用在AMSR-E被动微波数据雪深反演中.另外气象站附近存在大型水体时, 会严重影响雪深的反演[13,32,50], 因此在雪深反演算法建立之前要剔除受水体影响的气象站点数据.散射体剔除方法如下: ...
Max Kuhn
2
2016
... 多余和无用的变量信息不仅会降低模型运行效率, 增加模型运行时间, 而且还可能干扰对有效变量的筛选, 降低模型的精度[51].模拟退火算法(Simulate Annealing, SA)是一种基于蒙特卡洛思想(Monte-Carlo)的启发式优化算法, 该算法的核心思维是避免局部最优解[52].本研究采用的因子包括亮温(BT)、 亮温差(BTD)、 海拔(Elevation, Ele)、 经度(Longitude, Lon)和纬度(Latitude, La), 研究中选用10、 18、 23、 36 GHz和89 GHz的水平和垂直极化亮温数据产生45个亮温差, 共组成58个反演因子集.利用模拟退火算法在58个反演因子中筛选最优反演因子集用于随机森林雪深反演模型构建. ...
... 随机森林(Random Forest, RF)由Breiman[53]提出, 是一种组成式的有监督学习方法.随机森林通过构建无数小决策树来预测, 这些小的决策树修剪是基于训练集中另外一个随机的样本子集.随机森林可以克服回归的过拟合问题、 噪声数据和大数据集的问题, 已经被越来越多的应用于定量参数估算中[36].本研究中的随机森林建模方法通过R软件中的“randomForest”数据包实现.随机森林的调优参数是每个切分点上随机选择的预测变量的数目k, 它通常被记为mtry.在使用随机森林进行回归预测时, 有两个参数ntree和mtry需要预先设定, 其中ntree表示决策树的数量, 也就是对原始训练数据集使用bootstrap抽样的次数.当ntree越大时, 模拟因变量的结果就越稳定[51]; 但如果设置太大会增加计算量消耗计算机性能.Breiman[53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
2
2016
... 多余和无用的变量信息不仅会降低模型运行效率, 增加模型运行时间, 而且还可能干扰对有效变量的筛选, 降低模型的精度[51].模拟退火算法(Simulate Annealing, SA)是一种基于蒙特卡洛思想(Monte-Carlo)的启发式优化算法, 该算法的核心思维是避免局部最优解[52].本研究采用的因子包括亮温(BT)、 亮温差(BTD)、 海拔(Elevation, Ele)、 经度(Longitude, Lon)和纬度(Latitude, La), 研究中选用10、 18、 23、 36 GHz和89 GHz的水平和垂直极化亮温数据产生45个亮温差, 共组成58个反演因子集.利用模拟退火算法在58个反演因子中筛选最优反演因子集用于随机森林雪深反演模型构建. ...
... 随机森林(Random Forest, RF)由Breiman[53]提出, 是一种组成式的有监督学习方法.随机森林通过构建无数小决策树来预测, 这些小的决策树修剪是基于训练集中另外一个随机的样本子集.随机森林可以克服回归的过拟合问题、 噪声数据和大数据集的问题, 已经被越来越多的应用于定量参数估算中[36].本研究中的随机森林建模方法通过R软件中的“randomForest”数据包实现.随机森林的调优参数是每个切分点上随机选择的预测变量的数目k, 它通常被记为mtry.在使用随机森林进行回归预测时, 有两个参数ntree和mtry需要预先设定, 其中ntree表示决策树的数量, 也就是对原始训练数据集使用bootstrap抽样的次数.当ntree越大时, 模拟因变量的结果就越稳定[51]; 但如果设置太大会增加计算量消耗计算机性能.Breiman[53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
Generalized simulated annealing for function optimization
1
1986
... 多余和无用的变量信息不仅会降低模型运行效率, 增加模型运行时间, 而且还可能干扰对有效变量的筛选, 降低模型的精度[51].模拟退火算法(Simulate Annealing, SA)是一种基于蒙特卡洛思想(Monte-Carlo)的启发式优化算法, 该算法的核心思维是避免局部最优解[52].本研究采用的因子包括亮温(BT)、 亮温差(BTD)、 海拔(Elevation, Ele)、 经度(Longitude, Lon)和纬度(Latitude, La), 研究中选用10、 18、 23、 36 GHz和89 GHz的水平和垂直极化亮温数据产生45个亮温差, 共组成58个反演因子集.利用模拟退火算法在58个反演因子中筛选最优反演因子集用于随机森林雪深反演模型构建. ...
Random Forests
2
2001
... 随机森林(Random Forest, RF)由Breiman[53]提出, 是一种组成式的有监督学习方法.随机森林通过构建无数小决策树来预测, 这些小的决策树修剪是基于训练集中另外一个随机的样本子集.随机森林可以克服回归的过拟合问题、 噪声数据和大数据集的问题, 已经被越来越多的应用于定量参数估算中[36].本研究中的随机森林建模方法通过R软件中的“randomForest”数据包实现.随机森林的调优参数是每个切分点上随机选择的预测变量的数目k, 它通常被记为mtry.在使用随机森林进行回归预测时, 有两个参数ntree和mtry需要预先设定, 其中ntree表示决策树的数量, 也就是对原始训练数据集使用bootstrap抽样的次数.当ntree越大时, 模拟因变量的结果就越稳定[51]; 但如果设置太大会增加计算量消耗计算机性能.Breiman[53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
... [53]推荐将mtry设为总预测变量数目的三分之一, 本研究也采用此方法. ...
Modeling of alpine grassland cover based on unmanned aerial vehicle technology and multi-factor methods: a case study in the east of Tibetan Plateau, China
1
2018
... 本研究采用10折交叉验证法构建模型并评估模型的精度.将雪深观测值分为样本量相等的10组, 9组用于模型训练, 剩余1组用于验证模型的精度, 循环10次, 取10次循环的平均均方根误差(RMSE)和拟合优度(R2)作为模型评价标准[54-55].模型的R2越高, RMSE越小, 模型的精度越高. ...
Multi-class sentiment classification: The experimental comparisons of feature selection and machine learning algorithms
1
2017
... 本研究采用10折交叉验证法构建模型并评估模型的精度.将雪深观测值分为样本量相等的10组, 9组用于模型训练, 剩余1组用于验证模型的精度, 循环10次, 取10次循环的平均均方根误差(RMSE)和拟合优度(R2)作为模型评价标准[54-55].模型的R2越高, RMSE越小, 模型的精度越高. ...
A research on the method of deriving high-precision snow parameters from AMSR2 passive microwave remote sensing data
1
2016
... 如表2所示, 经过模拟退火算法的因子筛选策略筛选之后, 从58个反演因子中筛选出19个反演因子.10 GHz垂直通道的亮温差组合入选最多, 其次是18 GHz和23 GHz的垂直通道; 18 GHz有最多的亮温差组合入选.另外, 10、 23 GHz和36 GHz的极化亮温差也通过了模拟退火算法的变量筛选.单通道变量中高频亮温数据仅89 GHz的垂直通道通过筛选, 低频通道中10 GHz的水平垂直通道全部入选.青藏高原平均海拔较高, 大气稀薄, 更有利于低频微波(如10 GHz)的传输, 且低频微波更有利于穿透地表覆盖物获取信息.此外, 水平通道比垂直通道对雪深的变化反应更敏感[56], 可能这是水平通道的亮温差组合入选更多的一个原因. ...
基于AMSR2被动微波积雪参量高精度反演方法研究
1
2016
... 如表2所示, 经过模拟退火算法的因子筛选策略筛选之后, 从58个反演因子中筛选出19个反演因子.10 GHz垂直通道的亮温差组合入选最多, 其次是18 GHz和23 GHz的垂直通道; 18 GHz有最多的亮温差组合入选.另外, 10、 23 GHz和36 GHz的极化亮温差也通过了模拟退火算法的变量筛选.单通道变量中高频亮温数据仅89 GHz的垂直通道通过筛选, 低频通道中10 GHz的水平垂直通道全部入选.青藏高原平均海拔较高, 大气稀薄, 更有利于低频微波(如10 GHz)的传输, 且低频微波更有利于穿透地表覆盖物获取信息.此外, 水平通道比垂直通道对雪深的变化反应更敏感[56], 可能这是水平通道的亮温差组合入选更多的一个原因. ...
The influence of atmosphere to passive microwave retrieval of snow depth over Qinghai-Tibetan Plateau
2
2018
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
... 青藏高原主要的土地覆盖类型为草地, 其气象站点多分布于城镇附近, 因此有较多的气象站点下垫面为农田.草地、 农田和裸地均为低矮植被覆盖区域, 其对微波的散射作用较小; 而森林和灌丛地区对微波辐射传输有一定影响, 尤其是下垫面是森林的地区.青藏高原草地相对于其他下垫面类型精度较低, 但其RMSE也仅在3 cm左右, 绝对偏差(|BIAS|)未超过0.5 cm, 其精度优于整个青藏高原的反演精度.青藏高原林区分布较少, 其较高的精度不能证明随机森林算法适合于林区的雪深反演.此外, 近期的研究显示, 大气条件也会影响被动微波遥感反演地表参数; 因此, 在今后的雪深反演中, 大气条件将是必须考虑的问题[57-59]. ...
青藏高原云和大气对被动微波遥感积雪雪深的影响
2
2018
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
... 青藏高原主要的土地覆盖类型为草地, 其气象站点多分布于城镇附近, 因此有较多的气象站点下垫面为农田.草地、 农田和裸地均为低矮植被覆盖区域, 其对微波的散射作用较小; 而森林和灌丛地区对微波辐射传输有一定影响, 尤其是下垫面是森林的地区.青藏高原草地相对于其他下垫面类型精度较低, 但其RMSE也仅在3 cm左右, 绝对偏差(|BIAS|)未超过0.5 cm, 其精度优于整个青藏高原的反演精度.青藏高原林区分布较少, 其较高的精度不能证明随机森林算法适合于林区的雪深反演.此外, 近期的研究显示, 大气条件也会影响被动微波遥感反演地表参数; 因此, 在今后的雪深反演中, 大气条件将是必须考虑的问题[57-59]. ...
Atmospheric influences analysis on the satellite passive microwave remote sensing
0
2016
Effects of cloudy atmosphere on microwave signals in channels of AMSR-E
2
2018
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
... 青藏高原主要的土地覆盖类型为草地, 其气象站点多分布于城镇附近, 因此有较多的气象站点下垫面为农田.草地、 农田和裸地均为低矮植被覆盖区域, 其对微波的散射作用较小; 而森林和灌丛地区对微波辐射传输有一定影响, 尤其是下垫面是森林的地区.青藏高原草地相对于其他下垫面类型精度较低, 但其RMSE也仅在3 cm左右, 绝对偏差(|BIAS|)未超过0.5 cm, 其精度优于整个青藏高原的反演精度.青藏高原林区分布较少, 其较高的精度不能证明随机森林算法适合于林区的雪深反演.此外, 近期的研究显示, 大气条件也会影响被动微波遥感反演地表参数; 因此, 在今后的雪深反演中, 大气条件将是必须考虑的问题[57-59]. ...
有云大气对AMSR-E传感器各通道微波信号影响的分析
2
2018
... 图2对筛选得到的各反演因子重要性进行评分, 结果表明纬度(Latitude, La)和10 GHz的水平通道相对重要性最高, 且10 GHz的水平通道重要性高于垂直通道.在重要性较小的亮温差组合中, 89 GHz与其他频率的组合占比较多.虽然高频信号对雪深变化较为敏感, 但高频信号更易受到大气条件的影响[57-59].青藏高原大气稀薄, 对微波的辐射和散射作用较小[24], 但这并不能完全消除这种影响, 这可能是89 GHz通道重要性偏低的原因.图3表明随机森林算法的拟合优度(R2)高达0.88, 而AMSR2全球雪深产品仅为0.41, 该产品对青藏高原雪深低估明显, 且对多数雪深超过5 cm的区域严重低估. ...
... 青藏高原主要的土地覆盖类型为草地, 其气象站点多分布于城镇附近, 因此有较多的气象站点下垫面为农田.草地、 农田和裸地均为低矮植被覆盖区域, 其对微波的散射作用较小; 而森林和灌丛地区对微波辐射传输有一定影响, 尤其是下垫面是森林的地区.青藏高原草地相对于其他下垫面类型精度较低, 但其RMSE也仅在3 cm左右, 绝对偏差(|BIAS|)未超过0.5 cm, 其精度优于整个青藏高原的反演精度.青藏高原林区分布较少, 其较高的精度不能证明随机森林算法适合于林区的雪深反演.此外, 近期的研究显示, 大气条件也会影响被动微波遥感反演地表参数; 因此, 在今后的雪深反演中, 大气条件将是必须考虑的问题[57-59]. ...