The rapidly shriking cryopshere in the past decade: an interpretation of cryospheric changes from IPCC WGI Sixth Assessment Report
1
2022
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
最近十多年来冰冻圈加速萎缩——IPCC第六次评估报告之冰冻圈变化解读
1
2022
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
Evaluation of the snow-covered area data product from MODIS
1
2003
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
Accuracy assessment of the MODIS snow products
1
2010
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
Cloud removing method and accuracy verification of snow extent product in High Asia area
1
2017
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
高亚洲地区积雪面积产品去云方法研究及精度验证
1
2017
... 积雪作为冰冻圈的重要组成成分之一,对气候变化十分敏感.根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)于2021年8月发布的第六次评估报告,冰冻圈正呈现加速萎缩状态,北半球积雪范围也在加速减小[1].积雪因为其特定的高反照率和低导热率,对地球能量平衡及水循环有着深刻的影响[2-3].青藏高原地处中纬度地区,作为我国三大稳定积雪区之一,该地区的积雪影响东亚地区的大气环流及天气系统,其冰雪融水更是农业灌溉及周边众多河流的重要来源[4].因此准确获取青藏高原地区的积雪信息对研究青藏高原的径流变化及气候演变有着重要意义. ...
Advances in Snow-cover Monitoring Using Optical Remote Sensing
1
2012
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
光学积雪遥感研究进展
1
2012
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
Assessment of methods for mapping snow cover from MODIS
1
2013
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
MODIS snow-cover products
1
2002
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
The Moderate Resolution Imaging Spectroradiometer (MODIS): land remote sensing for global change research
1
1998
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
Ground-based evaluation of MODIS snow cover product V6 across China: Implications for the selection of NDSI threshold
1
2018
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
Estimating fractional snow cover from MODIS using the normalized difference snow index
1
2004
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
Increasing the Accuracy of MODIS/Aqua Snow Product Using Quantitative Image Restoration Technique
1
2012
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
K. MODIS Snow Products Collection 6 User Guide
1
2015
... 遥感技术相较于传统的气象台站观测数据具有大尺度、获取信息方便快捷、不受地理条件限制等特征,成为大范围积雪监测的关键手段[5].搭载在Terra和Aqua卫星的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer,MODIS)因其在时间、空间和光谱分辨率的较大优势,在区域及半球尺度积雪监测中应用广泛.MODIS积雪产品第5版本(V5)提供了二值积雪范围产品和积雪覆盖率产品[6],两种产品的算法均基于归一化差值积雪指数(Normalized Difference Snow Index,NDSI).二值积雪产品通过设置NDSI阈值对每个像元进行分类,即一个MODIS像元如果NDSI值大于等于0.4且波段2反射率大于11%,则该像元被分类为积雪[7],并引入归一化植被指数(Normalized Difference Vegetation Index,NDVI)用于提高MODIS在林区的积雪分类精度[8].评估结果表明,MODIS逐日二值积雪产品(V5)在晴空状态下的总体分类精度介于85%~99%[9].积雪覆盖率(Fractional Snow Cover,FSC)产品通过建立Landsat获取的FSC与NDSI之间的线性关系生成[10].2016年发布的MODIS第6版本积雪产品(V6)不再提供积雪二值产品与积雪覆盖率产品,仅提供网格的NDSI数据.V6的产品结合高程重新定义了地表温度对高海拔地区积雪的分类阈值.另外,采用定量图像恢复算法重建了Aqua/MODIS短波红外波段(波段6),替代了V5版本使用波段7计算NDSI的策略[11].V6版本较V5版本的积雪产品,质量和精度均得到了有效的提升[12]. ...
Accuracy Validation and Cloud Obscuration Removal of MODIS Fractional Snow Cover Products over Tibetan Plateau
1
2013
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
青藏高原MODIS积雪面积比例产品的精度验证与去云研究
1
2013
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
Generation of daily cloudless snow cover product in the past 15 years in Xinjiang and accuracy validation
1
2018
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
近15年新疆逐日无云积雪覆盖产品生成及精度验证
1
2018
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
Algorithms for cloud removal in MODIS daily snow products
1
2012
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
MODIS逐日积雪产品去云算法研究
1
2012
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
Cloud removal methodology from MODIS snow cover product
1
2009
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
Improving MODIS snow products with a HMRF-based spatio-temporal modeling technique in the Upper Rio Grande Basin
1
2018
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
Development and evaluation of a cloud-gap-filled MODIS daily snow-cover product
1
2010
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
MODIS daily cloud-free snow cover product over the Tibetan Plateau
2
2002
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
... (2)青藏高原MODIS逐日无云积雪面积数据集(MODIS_Dysno_Cloudfree):来源于ScienceDB(https://www.scidb.cn/).该产品以MODIS V6积雪产品MOD10A1和MYD10A1为基础,通过上下午星合成、三天合成、“长时间”积雪和陆地法、邻近四像元法、高程滤波法、修改阴影区错误分类和最大积雪陆地范围掩膜这7个连续步骤,获得MODIS少云积雪产品,而后将研究区根据坡度划分为“印度平原”“高原北部”“高原腹地”“藏东南山区”“帕米尔高原”“天山山脉”以及“喜马拉雅山脉”7个区域,针对7个区域采用拟合预期雪线方法去除全部云污染,获得MODIS逐日无云积雪产品.本次所用产品为该数据集中青藏高原MODIS逐日无云积雪产品面积数据集第二次更新版(2002—2021年MODIS积雪产品C6.1版,http://www.csdata.org/p/15/).该产品为二值产品,影像分类代码与MOD10A1一致,其编码有25、37、40、100、150和200,对应含义为无积雪覆盖的陆地、湖泊、湖泊不确定、湖冰、湖冰不确定和积雪.该产品利用地面台站积雪深度观测数据进行验证,结果表明其积雪分类精度为78.4%,去掉雪深≤3 cm的样本后,精度达到89.0%[19]. ...
邱玉宝
2
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
... (2)青藏高原MODIS逐日无云积雪面积数据集(MODIS_Dysno_Cloudfree):来源于ScienceDB(https://www.scidb.cn/).该产品以MODIS V6积雪产品MOD10A1和MYD10A1为基础,通过上下午星合成、三天合成、“长时间”积雪和陆地法、邻近四像元法、高程滤波法、修改阴影区错误分类和最大积雪陆地范围掩膜这7个连续步骤,获得MODIS少云积雪产品,而后将研究区根据坡度划分为“印度平原”“高原北部”“高原腹地”“藏东南山区”“帕米尔高原”“天山山脉”以及“喜马拉雅山脉”7个区域,针对7个区域采用拟合预期雪线方法去除全部云污染,获得MODIS逐日无云积雪产品.本次所用产品为该数据集中青藏高原MODIS逐日无云积雪产品面积数据集第二次更新版(2002—2021年MODIS积雪产品C6.1版,http://www.csdata.org/p/15/).该产品为二值产品,影像分类代码与MOD10A1一致,其编码有25、37、40、100、150和200,对应含义为无积雪覆盖的陆地、湖泊、湖泊不确定、湖冰、湖冰不确定和积雪.该产品利用地面台站积雪深度观测数据进行验证,结果表明其积雪分类精度为78.4%,去掉雪深≤3 cm的样本后,精度达到89.0%[19]. ...
Daily Terra-Aqua MODIS cloud-free snow and Randolph Glacier Inventory 6.0 combined product (M* D10A1GL06) for high-mountain Asia between 2002 and 2019
3
2021
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
... (3)亚洲高山区MODIS逐日无云积雪数据集(M*D10A1GL06):数据来源于PANGAEA(https://www.pangaea.de/).该产品以MODIS积雪产品MOD10A1和MYD10A1为基础,使用8d MOYDGL06*产品(双星8天融合产品)分别代替Terra和Aqua雪产品中的云像素.然后与全球陆地冰空间测量计划(Global Land Ice Measurements from Space,GLIMS)发布的RGI(Randolph Glacier Inventory)6.0冰川编目数据产品进行融合,最终达到99.99%的去云效果[20].本产品为二值产品,其编码含义如表1所示. ...
... M*D10A1GL06和MODIS_Dysno_Cloudfree产品均是基于MODIS V6版本生产的去云积雪产品,两种产品的用户精度理论上是一致的,造成积雪分类误差不一致的原因主要是云重分类误差导致的,去云后M*D10A1GL06的积雪分类精度优于MODIS_Dysno_Cloudfree,说明后者采用的云下信息恢复算法存在较大的误分类现象,与站点验证结论也有一定的差距[20].MODIS CGF SCE产品是基于大气校正的地表反射率数据生成的,并且分土地覆盖类型设置最优NDSI阈值,在积雪分类时利用雪深等辅助数据进行插值,因此积雪分类精度最高;而MODIS V6产品是经过辐射校正的反射率数据计算NDSI.验证结果表明,基于大气校正的地表反射率数据在积雪信息提取方面更具优势,积雪分类精度优于另外两种去云产品. ...
China MODIS daily cloud free 500 m snow area product data set
2
2020
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
... (1)中国逐日无云500 m积雪面积产品数据集(MODIS CGF SCE):来源于国家冰川冻土沙漠科学数据中心(http://www.ncdc.ac.cn/).该产品基于MODIS反射率产品MOD09GA/MYD09GA,利用高分辨率Landsat TM数据作为真值,结合MODIS土地覆盖分类产品,确定林区和非林区下积雪判别的指标阈值,利用MODIS积雪反演算法获取初级产品,通过隐马尔科夫随机场时空滤波算法进行云下信息恢复.该产品以HDF5文件格式存储,每个HDF5文件包含18个数据要素,其中包括数据值、数据起始日期、经纬度等.本文采用无云积雪数据,为二值影像.其编码有0、1、2、3、4和255,对应的编码含义为陆地、影像识别积雪、去云插补积雪、雪深插补积雪、水体和填充值[21]. ...
中国MODIS逐日无云500 m积雪面积产品数据集
2
2020
... 云是影响MODIS逐日积雪遥感产品准确获取地表积雪覆盖范围的主要因素之一.虽然MODIS逐日积雪产品在晴空状态下具有可靠的精度,但由于云的影响,导致该产品在区域积雪监测中受到极大的限制.因此针对MODIS逐日积雪产品的云下信息恢复,一直是领域内学者关注的一个热点问题.国内外许多学者基于V5产品针对云下信息恢复开展了大量的研究.唐志光等[13]利用三次样条函数插值法对MODIS逐日积雪产品MOD10A1进行去云处理,得到青藏高原MODIS逐日无云的积雪覆盖率产品,该产品获取的积雪日数(Snow-Covered Days,SCD)与地面观测值得到的SCD平均一致性为87.0%.侯小刚等[14]通过融合MOD10A1与MYD10A1数据,发展了一套适合新疆地区的逐日无云积雪范围数据集,去云后产品与气象台站积雪观测的一致性为88.1%,总体精度达到90.6%.黄晓东等[15]利用MODIS上下午星获取的逐日积雪产品和被动微波数据AMSR-E雪水当量产品,对MODIS逐日积雪图像进行上下午星合成和邻近日像元分析,并结合数字高程数据利用雪线算法进行云下信息恢复,获取了青藏高原时空连续的MODIS积雪逐日产品,总体分类精度达到90.7%.Gafurov等[16]在阿富汗东北部的Kokcha盆地,综合了双星合成、时间滤波、空间滤波等五种方法组成连续六步去云算法,生成的MODIS逐日积雪产品,其总体分类精度也达到90%.Huang等[17]提出一种基于隐马尔可夫随机场(Hidden Markov Random Field, HMRF)的时空滤波模型,充分利用了立方体内的时空信息对MODIS逐日积雪产品进行去云处理,总体分类精度达88.0%,云量减少到1%.Hall等[18]提出一种基于MOD10C1积雪覆盖产品的时间滤波去云方法,生成MODIS Cloud-Gap-Filled(CGF)逐日云填补积雪产品.随着V6版本积雪产品的发布,陆续有学者基于V6积雪产品开展了类似研究.邱玉宝等[19]于2021年11月在科学数据银行(Science Data Bank,ScienceDB)更新了基于V6版本的青藏高原MODIS逐日无云积雪面积数据集,该数据集共使用八个连续步骤进行去云.Muhammad等[20]于2021年3月在Data Publisher for Earth & Environmental Science(PANGAEA)发布了基于MODIS V6产品的亚洲高山区逐日无云二值积雪数据集.郝晓华[21]于2020年11月在国家冰川冻土沙漠科学数据中心发布中国逐日无云500 m积雪面积产品数据集(2000—2020年),该数据集基于MODIS V6逐日地表反射率产品重建NDSI,通过训练不同土地覆盖类型下NDSI识别阈值,然后利用隐马尔可夫随机场时空滤波模型进行了去云处理.上述产品自发布后,在青藏高原还未得到系统验证. ...
... (1)中国逐日无云500 m积雪面积产品数据集(MODIS CGF SCE):来源于国家冰川冻土沙漠科学数据中心(http://www.ncdc.ac.cn/).该产品基于MODIS反射率产品MOD09GA/MYD09GA,利用高分辨率Landsat TM数据作为真值,结合MODIS土地覆盖分类产品,确定林区和非林区下积雪判别的指标阈值,利用MODIS积雪反演算法获取初级产品,通过隐马尔科夫随机场时空滤波算法进行云下信息恢复.该产品以HDF5文件格式存储,每个HDF5文件包含18个数据要素,其中包括数据值、数据起始日期、经纬度等.本文采用无云积雪数据,为二值影像.其编码有0、1、2、3、4和255,对应的编码含义为陆地、影像识别积雪、去云插补积雪、雪深插补积雪、水体和填充值[21]. ...
Advances in snow-cover monitoring using optical remote sensing
1
2012
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
光学积雪遥感研究进展
1
2012
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
Cryospheric changes and their impacts: present, trends and key issues
1
2009
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
Climate change over the eastern part of Tibetan Plateau and the impact on water resources in the upper reaches of Yangtze River
1
2008
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
青藏高原东部气候变化及其对长江上游水资源的可能影响
1
2008
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
The Natural Environment Characteristics of the Tibetan Plateau
1
2017
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
青藏高原的自然环境特征
1
2017
... 青藏高原位于我国西南部,平均海拔4 000 m左右,被称为“世界屋脊”“第三极”[22](图1).青藏高原西起帕米尔高原向东至横断山脉,自南喜马拉雅山脉南缘延伸至北昆仑山脉北缘和祁连山脉,总面积约2.57×106 km2[23].青藏高原以冰川、积雪、冻土等形态储存了巨大的水资源,我国的黄河、长江、怒江、澜沧江、雅鲁藏布江等均发源于青藏高原,有“中华水塔”和“亚洲水塔”之称[24].青藏高原积雪水储量关系着所在区域及周边区域的生活和灌溉用水,影响高原及周边区域的植被生长,该地区的积雪具有重要的水文、生态及气候意义[25]. ...
Assessment of MODIS-Based fractional snow cover products over the Tibetan Plateau
2
2018
... Landsat-8 OLI端元提取规则[26] ...
... Endmember extraction rules for Landsat-8 OLI[26] ...
Snow coverage data of Landsat 8 in the middle and eastern Himalayas from 2013 to 2020
1
2022
... 采用混合像元分析法首先获取OLI像元尺度的积雪面积比例(Fractional Snow Cover,FSC).其中端元提取的规则如表2所示.将30 m的OLI积雪面积比例数据聚合成500 m,定义升尺度后的亚像元积雪面积比例阈值0.5,生成二值积雪数据.其中喜马拉雅山中东段的18景Landsat积雪数据来源于ScienceDB:“2013—2020年喜马拉雅山中段和东段Landsat 8积雪覆盖范围数据”.该数据集采用支持向量机(Support Vector Machine,SVM)分类方法,选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类,结合地表水体等辅助数据及空间邻域分析进行分类后处理.通过对比Sentinel-2高分辨率积雪分类数据,在900 m×900 m的网格内,其积雪覆盖率相关系数在0.95以上,均方根误差约0.1%.该数据集为二值影像,其编码有1、2、100、200和300,对应的编码含义分别为积雪、陆地、河流、冰湖和湖泊[27]. ...
2013—2020年喜马拉雅山中段和东段Landsat 8积雪覆盖范围数据
1
2022
... 采用混合像元分析法首先获取OLI像元尺度的积雪面积比例(Fractional Snow Cover,FSC).其中端元提取的规则如表2所示.将30 m的OLI积雪面积比例数据聚合成500 m,定义升尺度后的亚像元积雪面积比例阈值0.5,生成二值积雪数据.其中喜马拉雅山中东段的18景Landsat积雪数据来源于ScienceDB:“2013—2020年喜马拉雅山中段和东段Landsat 8积雪覆盖范围数据”.该数据集采用支持向量机(Support Vector Machine,SVM)分类方法,选取不同地形、阴影等条件的积雪特征训练样本进行积雪分类,结合地表水体等辅助数据及空间邻域分析进行分类后处理.通过对比Sentinel-2高分辨率积雪分类数据,在900 m×900 m的网格内,其积雪覆盖率相关系数在0.95以上,均方根误差约0.1%.该数据集为二值影像,其编码有1、2、100、200和300,对应的编码含义分别为积雪、陆地、河流、冰湖和湖泊[27]. ...
Global land cover mapping from MODIS: algorithms and early results
1
2002
... MODIS土地覆盖产品(MCD12Q1)用来比较不同土地覆盖类型下的MODIS逐日无云积雪产品的精度.采用国际地圈生物圈计划(International Geo-sphere-Biosphere Program,IGBP)分类方案确定的17个土地覆盖类别,其中包括11个自然植被类别,3个开发和镶嵌土地类别,以及3个非植被土地覆盖类别[28].为了避免类型过多造成评价结果的复杂性,本文根据将IGBP分类方案重新分类为七大类:森林、灌丛、草原、耕地、城市建设用地,冰川和裸地(图1)[29]. ...
Development and validation for daily cloud-free snow products in middle-and-high latitude areas in Eurasia
1
2016
... MODIS土地覆盖产品(MCD12Q1)用来比较不同土地覆盖类型下的MODIS逐日无云积雪产品的精度.采用国际地圈生物圈计划(International Geo-sphere-Biosphere Program,IGBP)分类方案确定的17个土地覆盖类别,其中包括11个自然植被类别,3个开发和镶嵌土地类别,以及3个非植被土地覆盖类别[28].为了避免类型过多造成评价结果的复杂性,本文根据将IGBP分类方案重新分类为七大类:森林、灌丛、草原、耕地、城市建设用地,冰川和裸地(图1)[29]. ...
欧亚大陆中高纬度区逐日无云积雪产品研发及验证
1
2016
... MODIS土地覆盖产品(MCD12Q1)用来比较不同土地覆盖类型下的MODIS逐日无云积雪产品的精度.采用国际地圈生物圈计划(International Geo-sphere-Biosphere Program,IGBP)分类方案确定的17个土地覆盖类别,其中包括11个自然植被类别,3个开发和镶嵌土地类别,以及3个非植被土地覆盖类别[28].为了避免类型过多造成评价结果的复杂性,本文根据将IGBP分类方案重新分类为七大类:森林、灌丛、草原、耕地、城市建设用地,冰川和裸地(图1)[29]. ...
Study on the accuracy of MODIS snow cover mapping algorithm in northern Xinjiang
1
2007
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
新疆北部MODIS积雪制图算法的分类精度
1
2007
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
Accuracy analysis for MODIS data of MOD10A1 in a pastoral area in northern Xinjiang
1
2008
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
新疆北部地区MODIS积雪遥感数据MOD10A1的精度分析
1
2008
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
The validation of MODIS daily snow-cover products after cloud removal in Tibet Autonomous Region
1
2016
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
西藏高原MODIS每日积雪产品去云算法过程对比验证研究
1
2016
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...
Validation of daily MODIS snow cover maps of the Upper Rio Grande River Basin for the 2000—2001 snow year
1
2003
... 使用高分辨率遥感产品验证低分辨率产品的精度是遥感产品验证的常用手段[30-31].本研究利用高分辨率的Landsat积雪图对MODIS两个版本的数据进行对比验证,采用精度评估指标包括总体分类精度(overall accuracy,OA)、低估误差(underestimated error,UE)、高估误差(overestimated error,OE),积雪分类精度P和Kappa系数.其中Kappa一致性检验是评价两幅图像之间一致性的方法[32].当Kappa系数为0~0.20时,表明两幅图像的一致性极低;当Kappa系数为0.20~0.40时,表明两幅图像一致性一般;当Kappa系数为0.40~0.60时,表明两幅图像一致性中等;当Kappa系数为0.60~0.80时,表明两幅图像一致性极好;当Kappa系数为0.80~1.00时,表明两幅图像高度一致[33]. ...