共查询到20条相似文献，搜索用时 125 毫秒
1.
基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探 总被引：8，自引：1，他引：7
利用北疆地区2002,2003和2004年11月-次年3月3个积雪季AMSR-E 445个时相的亮温数字图像和20个气象台站实测雪深数据,系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对18和36 GHz波段的水平、垂直极化方式的亮温差和实测雪深值回归分析比较,建立了北疆地区基于AMSR-E亮温数据的雪深反演模型,并对模型的精度进行了评价。结果表明,1)AMSR-E亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影响,其中受深霜层的影响最大;2)大于2.5 cm的积雪深度SD同垂直极化方式的18和36 GHz波段的亮温差(Tb18V-Tb36V)之间具有较好的线性相关性,其回归公式为SD=0.49(Tb18V-Tb36V)+8.72,相关系数达0.65。 3)当雪深为3～10 cm时,反演模型平均误差为-7.1 cm,平均绝对误差为7.1 cm,RMSE值达7.7 cm;当雪深为11～30 cm时,平均误差为1.8 cm,平均绝对误差为4.9 cm,RMSE值为9.1 cm;当雪深大于30 cm时,平均误差为8.9 cm,平均绝对误差为9.4 cm,RMSE值为18.1 cm。4)该模型在北疆地区优于Chang算法,基本能反映北疆地区雪深变化趋势。当地表为中雪覆盖时,反演雪深值和实测值之间的一致性较高,当地表为浅雪和深雪覆盖时,反演模型的误差较大,其反演精度较低,还有待于进一步研究。 相似文献
2.
雪灾是制约牧区草地畜牧业持续发展的主要气象灾害之一。利用研究区1995-1996年、2000-2001年、2005-2006年10月到次年3月共3个积雪季的SSM/I日亮温数据和79个气象台站对应的地面实测雪深值,反演了青藏高原东部的雪深模型,估算了积雪分布面积和积雪深度。研究结果表明：3个积雪季的月、旬积雪面积都是先增加,在12月到次年1月达到最大值,然后减少;各积雪季雪深以<5 cm为主,10月、次年2月和3月期间基本上没有>10 cm以上的积雪;从3个积雪季的旬雪深数据来看,各旬3个级别的雪深面积变化基本上都遵循了先增大后减小的趋势,其中雪深<5 cm的积雪面积变化最大,>10 cm的积雪面积变化最小;3个积雪季510 cm的积雪主要分布在青南的玉树、果洛州。 相似文献
3.
基于MOD10A1和AMSR-E的北疆牧区积雪动态监测研究 总被引：10，自引：1，他引：9
准确监测牧区积雪覆盖范围,对有效防灾减灾和牧区畜牧业持续发展具有特别重要的意义。利用积雪产品和气象台站的观测资料,对比分析了北疆地区2002年11月1日－2005年3月31日三个积雪季的AMSR-E每日雪水当量产品及其与MOD10A1每日积雪分类产品合成的图像MODAE1的积雪识别精度。结果表明,1)AMSR-E每日雪水当量产品的积雪识别率为66.59%,总精度为69.49%;2)利用用户自定义的合成算法计算的合成图像MODAE1,结合了AMSR-E雪水当量产品不受天气影响和MOD10A1每日积雪产品较高空间分辨率的优点,积雪识别率达76.43%;3)雪深和土地覆盖对合成图像MODAE1的积雪识别率具有重要的影响。在雪深为1～40cm时,合成图像的积雪识别精度随雪深的增加而增大;在雪深为31～40cm时,积雪识别率可达90.19%;在雪深大于40cm时,积雪识别率开始下降。在牧区合成图像的积雪识别率可达77.6%,而在开阔的灌丛区积雪识别率略有下降,为72.7%。 相似文献
4.
基于3S技术的牧区雪灾评价方法 总被引：9，自引：3，他引：6
利用NOAA卫星数据及地面气象台站观测资料,建立了积雪深度遥感反演模型;应用线性混合光谱分解原理,研究了基于像元的积雪覆盖率及积雪空间分类算法;依据草地畜牧业的特点,综合考虑了雪情、草情、畜情和气象因素的空间分布及其对草地畜牧业的危害程度,提出了2种新的基于格网单元的积雪危害指数和雪灾综合评价指数,构建了积雪危害分级与雪灾综合评价标准。通过对北疆阿勒泰牧区雪灾研究的结果表明,这2种指数和分级评价标准能准确详细地反映雪灾的时空分布特征和危害程度,对牧区雪灾的综合评价具有重要的应用价值。 相似文献
5.
牧区积雪监测中卫星资料应用的研究现状 总被引：3，自引：1，他引：3
牧区雪灾严重制约着牧区生产力的发展。卫星资料在雪灾监测中,起到控制雪灾和灾前预警的作用。牧区积雪监测中常用卫星资料NOAA/AVHRR在晴空条件下,具有大范围积雪动态变化监测的优势;TM资料则易于区分雪和云,同时适用于小范围积雪动态监测与精确定位;被动微波遥感数据SMMR、SSM/I和AMSR E在获取雪深及雪层内部稳定方面效果显著;MODIS数据具有数据免费、较高空间分辨率等特点。多种卫星资料还在去云、混合像元处理、积雪深度、积雪面积监测和积雪监测模型建立中起到基础数据的作用,为雪灾的准确监测提供重要依据。 相似文献
6.
新疆北部地区MODIS积雪遥感数据MOD10A1的精度分析 总被引：8，自引：0，他引：8
以新疆北部牧区为研究区,结合气象台站记录的雪情数据和土地利用类型,对比分析了2001年11月1日-2005年3月31日的MODIS每日积雪产品MOD10A1积雪制图精度。研究表明,1)晴天时MOD10A1产品的精度很高,总精度可达到98.5%,积雪分类精度为98.2%。2)地面台站的积雪分类精度和总精度同海拔之间的相关系数仅为0.04和0.02,但积雪深度与积雪分类精度之间存在显著的相关性。当雪深1~3 cm时积雪分类精度为54.1%~94.3%;当雪深3~36 cm时,积雪分类精度均大于90%;当雪深大于36 cm时,漏测次数为零,积雪分类精度将保持在100%。3)土地利用类型对积雪分类精度有一定的影响。在农田、草原和城市建筑用地3种类型上的总精度分别为97.9%,98.9%和96.9%,积雪分类精度分别为98.0%,98.5%和94.4%。4)3种土地利用类型在不同雪深下的总精度和积雪分类精度都较高。农田、草原和城市建筑用地上的最低积雪分类精度分别为94.6%,95.3%和89.5%,且最低积雪分类精度都出现在雪深为1~10 cm的分段上,这个结果与积雪分类精度随雪深的增加而增加相一致。 相似文献
7.
8.
新疆北部冬季常多云天气,受地形和植被等因素影响,积雪分布不均,这导致了积雪分量遥感制图精度不高的难题。针对这一问题,本文利用MODIS影像,提出了分层变端元混合像元分解的积雪定量反演方法。该方法首先建立研究区影像和参考端元库,再对区域影像地类进行从粗到细的逐级划分,对每级包含的地类进行2 端元或3 端元混合像元分解。通过对上一级解混后与积雪相关的子类再实施上述变端元混合像元分解方法,得到下一级更细的地类划分。综合各级地类解混结果实现了高精度积雪分量制图。以HJ CCD影像分类数据、植被分布数据和实测数据为数据源,验证了变端元解混时模型包含端元数较少时(如2 端元或3端元)研究区域积雪分类精度最高,为87%。反之,包含端元数越多,分类精度会降低。 相似文献
9.
祁连山冰沟流域地形复杂,积雪深度较浅且破碎化严重,针对MODIS标准积雪面积比例产品在该地区监测精度较差的问题,本研究基于冰沟流域浅雪光谱特征分析及结合野外实测经验,探索浅雪的光谱特征对MODIS浅雪面积比例提取精度的影响;然后通过线性回归法、线性混合像元分解法及BP神经网络模型3种方法分别构建了针对研究区的MODIS积雪制图算法,并利用同时相的Landsat 8OLI二值积雪数据作为真值对上述3种制图方法进行精度验证。结果表明,1)浅雪的光谱反射率对基于NDSI阈值法的MODIS浅雪提取精度几乎没影响,MODIS提取浅雪精度差的主要原因为该地区复杂的地形而导致的积雪分布破碎化,即混合像元的大量存在;2)利用BP神经网络模型反演积雪面积比例的最佳输入参数组合为(ρ_1~ρ_7)+NDSI+DEM;3)线性混合像元分解模型在该研究区的积雪面积比例提取精度较低,BP神经网络模型精度最好;4)在地形复杂区域,多因素模型(BP神经网络模型)相对于单因素模型(一元线性回归模型)具有较好的积雪面积比例提取精度和稳定性,可以为研究区MODIS积雪面积比例的反演提供一种理想的方法。 相似文献
10.
积雪在全球水文和气候变化中扮演着十分重要的角色。利用遥感技术进行积雪监测已有40多年的研究历史, 在雪盖制图、雪深反演、冰雪反照率等方面发展了一系列的算法及产品。其中,光学遥感以其高时空分辨率的特点在积雪监测中得到了非常广泛的应用。随着对地观测系统（Earth Observation System,EOS）的发展,以及国产环境卫星的陆续升空,越来越多的遥感数据被应用于积雪监测,遥感技术势必在积雪监测领域发挥更加重要的作用,为模拟地球辐射平衡、地表水文研究、全球变化等提供丰富的数据资料。 相似文献
11.
12.
本研究利用青藏高原地区2002-2008年MODIS/Terra-Aqua逐日雪被产品(MOD10A1及MYD10A1)和AMSR-E/Aqua每日雪水当量产品AE_DySno,研究了MODIS和AMSR-E逐日数据的融合算法,合成出逐日无云积雪分类图像MATS10A1,并利用气象台站提供的雪情数据验证了合成图像的积雪分类精度。研究结果表明:1)在青藏高原地区,虽然在晴空时MODIS积雪分类精度较高(当雪深>3 cm时达到80.82%),但MOD10A1和MYD10A1图像中的平均云量比分别达到39.74%和48.74%,无法对牧区雪情进行实时监测。2)MOD10A1和MYD10A1的合成图像(MOYDTS10A1)云量比为24.13%,不但消除了大部分云的影响,而且提高了积雪分类精度(积雪分类精度为81.67%)。3)合成图像MATS10A1结合了AMSR-E资料不受天气影响和MODIS雪被产品较高空间分辨率的优点,不仅完全消除了云的干扰,同时具有较高的积雪分类精度(79.36%)。因此,这种改进型算法生成的逐日无云图像,在青藏高原牧区雪灾监测与预警研究中将具有重要的应用前景。 相似文献
13.
摘要：利用2002年10月1日-2008年3月31日青海省Terra/MOD10A1和Aqua/MYD10A1每日雪被产品,合成了MODIS五日积雪分类图像（MOYD_5D）,结合AMSR E五日雪水当量产品（AE_5D）,利用用户自定义合成算法合成五日积雪分类图像AEMD_5D。根据气象台站的雪情数据,对比分析MOYD_5D、AE_5D和AEMD_5D这3种积雪产品的积雪分类精度（Sa）。结果表明,1）当积雪深度为1~3 cm时, MOYD_5D、AE_5D和AEMD_5D的积雪分类精度分别为17.5%、49.8%和23.2%;2）积雪深度为4~6 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为46.2%、55.1%和56.9%;3）雪深为7~9 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为58.6%、78.5%和78.6%;4）当雪深≥10 cm时,MOYD_5D、AE_5D和AEMD_5D的Sa分别为66.7%、82.2%和84.1%。合成产品AEMD_5D对积雪分类精度有所提高,对于牧区雪灾监测及评价具有重要的应用价值。 相似文献
14.
内蒙古草原火险等级短期预报研究 总被引：1，自引：0，他引：1
利用EOS/MODIS数据和内蒙古不同类型草地枯草期野外实测可燃物月动态数据,建立枯草期遥感估测模型。在此基础上,选择积雪覆盖、可燃物重量、草地连续度、日降水量、日最小相对湿度、日最高气温、日最大风速等7个指标,采用层次分析法确定各指标的权重,构建草原火险指数,建立草原火险等级短期预报模型。应用模型可将内蒙古草原的火险状态划分为不燃、难燃、可燃、易燃、极易燃5级,并对火险做出短期预报。利用数据抽样回代检验方法对草原火险等级短期预报进行精度检验,检验结果为落区预报准确率达96.42%,预报结果与实际基本相符,可以用于内蒙古草原火险短期预报的实际应用。 相似文献
15.
积雪被动微波遥感研究进展与前景展望 总被引：1，自引：0，他引：1
被动微波遥感可用于进行全天候的积雪监测。概述了国内外近年来积雪被动微波遥感研究进展,比较了常用的被动微波传感器SMMR（Scanning Multichannel Microwave Radiometer）、SSM/I（Special Sensor Microwave/Imager）、AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)和MWRI（Microwave Radiation Imager）的参数特征,指出目前积雪被动微波遥感研究中存在的问题：1)干雪和湿雪的判别阈值受多种因素的影响,仍难以确定;2)各气象台站的实测雪深值缺乏代表性;3)分辨率不高,无法监测浅雪区信息等问题;4)容易造成积雪范围估计过大、雪深过深等问题。另外,雪的密度、粒径、降水、寒漠、植被、冻土等因素都在一定程度上影响了反演结果的精度。并对积雪被动微波遥感的应用前景提出了展望：1)在积雪遥感业务监测中,对可见光和被动微波数据进行融合,可充分发挥二者的优势;2)遥感和地理信息系统的结合,可以提高积雪遥感监测的精度和应用范围;3)随着积雪模型算法的进一步完善以及更高空间分辨率的AMSR-E和我国FY3卫星的被动微波数据MWRI的应用, 被动微波遥感必将成为积雪监测的重要手段。4)被动微波遥感与可见光MODIS的积雪监测范围较为一致, 当由于云的影响而无法得到满意的可见光影像时, 则被动微波遥感就可发挥替代作用。5)被动微波遥感在积雪业务监测中还存在较多的问题, 持续不断的地面监测和算法改进及验证是完善这项技术的重要保证。 相似文献
16.
冷季深入对AMSR-E监测内蒙古积雪的影响 总被引：4，自引：1，他引：3
传统的积雪范围和厚度监测是通过气象台站的定时观测, 其缺点是:地面观测资料区域代表性有限和地面气象台站分布很均匀.遥感技术可以弥补传统观测的不足,中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer, MODIS)数据具有高空间分辨率、高时间分辨率,地球观测系统先进微波扫描辐射计(Advanced Microwave Scanning Radiometer-EOS, AMSR-E)数据具有不受云层影响的特点.分析冷季深入对AMSR-E影像积雪判别的影响,最终得出,在内蒙古地区随着冷季的深入,AMSR-E将MODIS影像上无雪像元和有云像元判别为有雪的比例越来越高,最高分别达34.22%和28.29%.两者同时判别为有雪像元的比例也越来越高,最高达33.66%. 相似文献
17.
利用青南牧区2007－2010年的AMSR E亮温数据计算了相应的微波植被指数（Microwave Vegetation Index,MVI）,对MVI的月季动态变化特征进行了分析,同时结合相同时间序列的MODIS NDVI和EVI数据,对比分析了MVI和MODIS植被指数之间的相关关系,筛选出NDVI反演模型,并对模型的精度进行了评价。结果表明,MVI值随着植被的生长而降低;MVI与NDVI、EVI均有显著的线性负相关。其中,升轨低频MVI与NDVI的相关性最好,相关系数为0.58（P＜0.001）;MVI与MODIS植被指数之间的最优模型为NDVI=-0.85×MVI+0.84;利用最优模型将反演的NDVI与MODIS NDVI进行比较,两者差异较小,说明这一模型能较好地反映2种植被指数的关系。 相似文献
18.
以青海省作为研究区,利用ＭＯＤＩＳ每日地表反射率产品ＭＯＤ０９ＧＡ 和逐日雪被合成产品ＭＯＤ１０Ａ１,通过调整ＮＤＳＩ阈值,合成积雪分类图像,根据气象台站实测雪深数据,评价积雪分类精度,探索研究了适合该地区的ＮＤＳＩ阈值。研究结果表明,１）ＮＳＩＤＣ 发布的全球ＭＯＤＩＳ积雪产品ＭＯＤ１０Ａ１在青海高原的积雪分类精度较低,在晴空下雪深大于３ｃｍ 的积雪分类精度为８６．０１％。２）研究区适合的ＮＤＳＩ阈值为０．３７。在晴空下雪深大于３ｃｍ 时,合成雪被图像的积雪分类精度可达９０．３７％,总精度９９．５１％,多测误差０．２２％,漏测误差９．６３％。３）同ＭＯＤＩＳ逐日雪被产品ＭＯＤ１０Ａ１进行雪深分段精度比较,发现整体上自定义雪被图像的积雪分类精度较高,合成图像更符合青海高原积雪空间分布的真实情况。 相似文献
19.
植被盖度是刻画陆地生态系统植被覆盖的重要生态参量。以当雄县Landsat-8OLI为数据源,从10种常用植被指数中筛选出适合反演高寒草地生长季/非生长季草地植被盖度的植被指数,引入像元三分法确定端元特征值,通过不同植被指数基于像元二分模型反演植被盖度的对比分析,确定适合生长季/非生长季植被盖度最优植被指数,根据反演结果分析了研究区草地生长季/非生长季植被盖度的时空变化特征。结果表明：1）由可见光-近红外波段构建的植被指数适用生长季植被盖度反演,由短波红外构建的植被指数适用于非生长季植被盖度反演。2）基于MSACRI的像元二分模型适合非生长季植被盖度反演,基于NDVI的像元二分模型则最适用于生长季植被盖度的反演。3）研究区草地植被盖度随海拔增加呈现先增加后减少的单峰变化格局,草地集中分布于海拔4300~5100 m处。生长季植被盖度主要集中于20%~80%,非生长季绝大部分的草地盖度小于40%。研究结果可为草地生态系统碳存储、植被生产力、土壤侵蚀、生态水文等研究提供参考依据。 相似文献
20.
构建巴音布鲁克高寒草原植被覆盖度反演模型,筛选最佳模型并检验精度,为今后巴音布鲁克高寒草原开展草地监测和科学管理提供科学依据。利用经验回归模型法和像元二分法,通过计算分析植被覆盖度及植被指数,构建反演模型。结果表明,除修正土壤调整植被指数(Modified Soil Adjusted Vegetation Index MSAVI)外,其余植被指数与植被覆盖度均呈显著正相关关系(P0.01)。巴音布鲁克高寒草原植被覆盖度最佳反演模型为:NDVI二次多项式回归模型y=-0.894x2+1.467x+0.099(R2=0.723),反演精度较高(R2=0.837),可用于估算巴音布鲁克高寒草原的植被覆盖度。 相似文献