基于星载被动微波遥感数据的中国东北地区积雪深度反演研究

发布时间：2020-11-15 08:43

　　 随着计算机技术的飞速发展,地理信息的处理和分析方法越来越先进,遥感技术也越来越成熟,大范围的地表参数研究从主要依靠人力与时间的实地勘测转变为依靠遥感手段与小范围采集相结合的方法。季节性积雪覆盖在全球气候变化及水文循环中扮演着重要角色,地面站点等传统点观测虽然可以代表特定区域内的地表特性,但是难以代表大范围内的积雪情况,遥感技术的出现,解决了大范围观测地表参数的问题,所以当前大范围的积雪研究主要依靠遥感手段。积雪遥感涵盖多个研究方向,如光学遥感积雪研究和微波遥感积雪研究等方面,并随着卫星技术的发展,积雪遥感技术将会更加完善。本文在总结国内外被动微波积雪研究成果的基础上,进行了深入的探索,具体的研究工作和创新成果如下:(1)基于星载被动微波数据的中国东北地区雪深反演算法对比验证研究研究综合考虑不同下垫面类型,实现了AMSR2雪深反演算法和FY3BMWRI中国区域雪深反演算法在中国东北地区雪深反演结果的验证分析。为确定两种算法的反演准确度,将反演所得到的结果与该地区国家气象站点所观测到的雪深数据进行了比较。此外,比较了AMSR2雪深产品、风云雪深产品和反演的结果,并分析了反演结果与标准雪深产品之间的差异。实验结果表明:对于森林下垫面,AMSR2雪深反演算法反演结果接近FY3B-MWRI中国区域雪深反演算法反演结果,均方根误差(RMSE)分别为13.64cm和13.53cm;对于草地和农田下垫面,FY3B-MWRI中国区域雪深反演算法的雪深反演结果明显好于AMSR2雪深反演算法,此时RMSE分别为6.96cm和8.88cm。(2)基于自适应最小外接矩形的雪粒径自动测量方法雪粒径大小影响着积雪的辐射亮温,目前雪粒径测量主要以手动测量为主,而实际需要测量的雪粒径数据量较大,研究在总结野外实验测量经验及数据结果的基础上,提出了基于自适应最小外接矩形的雪粒径自动测量方法。实验结果表明实际测量结果雪粒径大小的平均值为3.21mm,自动测量结果雪粒径大小的平均值为2.98mm,实验误差在可以接受的误差范围内,而且此方法大大节省了人力与时间,是一种较快捷的雪粒径测量方法。(3)基于星载被动微波亮温差雪深查找表的中国东北地区雪深反演算法研究通过对比分析AMSR2雪深反演算法和FY3B-MWRI中国区域雪深反演算法在中国东北地区雪深反演结果,并在统计分析大量野外采集的实测积雪参数数据的基础上,使用多层积雪微波发射模型(MEMLS)模拟亮温差与积雪深度之间的对应关系,利用所建立的亮温差雪深查找表反演东北地区雪深。在查找表建立起来之后,使用AMSR2和FY3B-MWRI被动微波辐射计提供的亮温差数据去搜索查找表中对应的雪深值,并与实际测量得到的雪深值以及使用半经验算法反演的雪深进行对比分析。结果表明本文使用MEMLS所建立的农田雪深查找表相比其他方法能够取得较高的反演准确度。当使用亮温数据为FY3BMWRI数据,并且当在积雪积累期、稳定期和消融期三个时期实际雪深平均值分别为6cm、13cm和15cm时,查找表结果的均方根误差(RMSE)分别为3.23cm、4.24cm和4.10cm,偏差(Bias)平均值分别为2cm、3cm和3cm。随着被动微波遥感技术的不断完善,被动微波遥感积雪研究已成为热门研究课题,本文通过对以上内容的研究为以后中国东北地区的积雪研究提供了参考。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P426.635;TP721.1
【部分图文】：

增加而逐渐增强。由于散射作用增强，传感器所接收到的辐射信号就越弱，且这种现象与频率有关，所以可以根据这种原理探测积雪深度。18GHz 和 36GHz频段的被动微波数据经常被用来反演积雪深度，18GHz 波长较长，能够穿透雪层从而探测到雪下的地表信息，36GHz 波长较短对雪层内结构较为敏感。虽然被动微波更适合于积雪的研究，但是微波辐射会受到如图 2.1 所示的多种因素的影响，如气温、雪粒径、积雪密度、积雪干湿程度和下垫面类型等。低频微波频段对地面参数较为敏感，土壤的介电常数、粗糙度特性、地形、坡度、坡向以及下垫面类型等都会对微波辐射造成影响。随着微波频率的不断升高，积雪内部的体散射作用逐渐增强，而体散射对散射体内的颗粒大小、形状等都十分敏感，所以雪粒径大小及形态影响着高频频段的积雪辐射。干雪中存在很少量的水分会导致积雪亮温的迅速变化，这是由于积雪中的水分使地表与积雪层之间产生了介电常数的差异，从而引起了干雪发射辐射的变化。

数据与实验区域区域域选择中国东北地区，该地区包括中国东北三省——黑省，经纬度范围从北纬 38°43′延伸到北纬 53°33′，东经 135°05′[34]。由于纬度高，冬季寒冷漫长，冬季降定的积雪期，为积雪深度的反演提供了有利的条件。然情况的案例很少，并且多种雪深反演算法的准确度不高为主，特别是在吉林省西部有大范围的草地覆盖，为积地下垫面；以农业为主要经济来源的东北地区，分布有且大兴安岭、小兴安岭生长着茂盛的原始森林，为森林基础；此外还有大面积河流分布，如松花江、鸭绿江。北地区较适宜作为积雪的研究区域，图 3.1所示为实验研

示为 2013 年 1 月实验区域反演雪深结果与实测雪深间的 RMSE，以及雪深产品结果与实测雪深间的 RMSE，其中横坐标表示 1 月的日期，纵坐标表示不同算法或产品的反演雪深值与实际雪深值之间的 RMSE，单位为 cm。RMSE 的计算公式式 3.10 所示，其中，Xi和 Xj表示待计算 RMSE 的两种数据，m 表示数据个数，这里 Xi和 Xj分别表示不同算法或产品的反演雪深值与气象站点实测雪深，m 表示站点个数，实验中 m 取 65。从图 3.2 可以看出与 AMSR2 雪深反演算法相比，风云业务化算法与站点实测雪深真值之间的差异较小，但是在个别日期AMSR2 雪深反演算法与站点雪深真值之间的差异小，如 1 月 5 日。两种算法的雪深产品与站点实测雪深真值之间的差异都比较大，但是相比之下，使用风云业务化算法发布的产品较 AMSR2 雪深反演算法产品准确度高，数据波动较小。 m2i ji, j=1(X - X )RMSE = (m = 65)m················(3.10)
【相似文献】

相关期刊论文 前10条

1 车涛,李新;被动微波遥感估算雪水当量研究进展与展望[J];地球科学进展;2004年02期

2 郭英;沈彦俊;赵超;;主被动微波遥感在农区土壤水分监测中的应用初探[J];中国生态农业学报;2011年05期

3 张立新;蒋玲梅;柴琳娜;赵少杰;赵天杰;李欣欣;;地表冻融过程被动微波遥感机理研究进展[J];地球科学进展;2011年10期

4 陈修治;苏泳娴;李勇;陈水森;韩留生;;基于被动微波遥感的中国干旱动态监测[J];农业工程学报;2013年16期

5 高峰;车涛;王介民;文军;;被动微波遥感指数及其应用[J];遥感技术与应用;2005年06期

6 陈洪滨，许丽生;空间被动微波遥感地球大气和陆洋面[J];大自然探索;1994年04期

7 顾玲嘉;赵凯;孙健;郑兴明;;被动微波遥感数据超分辨率增强与混合像元分解研究综述[J];遥感技术与应用;2012年01期

8 顾玲嘉;赵凯;任瑞治;孙健;;两种被动微波遥感混合像元分解方法比较[J];吉林大学学报(地球科学版);2013年06期

9 乔平林;张继贤;王翠华;;基于星载被动微波遥感的地表土壤湿度反演[J];辽宁工程技术大学学报;2006年03期

10 周壮;赵少杰;蒋玲梅;;被动微波遥感土壤水分产品降尺度方法研究综述[J];北京师范大学学报(自然科学版);2016年04期

相关博士学位论文 前3条

1 张卫国;沙漠地区被动微波遥感研究——以塔克拉玛干沙漠为例[D];中国科学院研究生院（遥感应用研究所）;2004年

2 郑兴明;东北地区土壤湿度被动微波遥感高精度反演方法研究[D];中国科学院研究生院(东北地理与农业生态研究所);2012年

3 武黎黎;基于HUT模型森林下雪深被动微波遥感反演方法东北区本地化研究[D];中国科学院研究生院(东北地理与农业生态研究所);2016年

相关硕士学位论文 前10条

1 范昕桐;基于星载被动微波遥感数据的中国东北地区积雪深度反演研究[D];吉林大学;2019年

2 孙广轮;海表温度的被动微波遥感研究[D];大连海事大学;2013年

3 卫炜;基于主被动微波遥感联合的土壤水分监测研究[D];中国农业科学院;2012年

4 李芹;青藏高原地区主被动微波遥感联合反演土壤水分的研究[D];首都师范大学;2011年

5 刘礼杨;基于AMSR-E星载被动微波遥感的植被—温度干旱指数模型研究[D];成都理工大学;2017年

6 赵文宇;基于被动微波遥感和MODIS产品的天山雪水当量降尺度研究[D];石河子大学;2016年

7 娄利娇;被动微波遥感土壤湿度数据降尺度研究[D];中国科学院研究生院（东北地理与农业生态研究所）;2014年

8 李晓楠;宇宙背景微波辐射及对被动微波遥感的影响[D];华中科技大学;2015年

9 李琦;被动微波遥感反演土壤水分的实验研究[D];东北大学;2011年

10 卢新玉;基于被动微波遥感的北疆地区积雪深度反演[D];新疆师范大学;2011年

本文编号：2884570