MTSAT-2静止气象卫星中国区域雪盖监测

利用MTSAT-2静止气象卫星数据开展了中国区域的雪盖监测研究,结合MODIS雪盖产品及站点雪深观测数据对判识结果进行对比分析和验证。首先,根据MTSAT-2静止气象卫星数据特点,进行角度效应校正及多时相数据合成,以减少云对图像的影响;其次,根据多个雪盖判识因子建立中国区域雪盖判识算法;最后,对比分析2011年1月份MTSAT-2和MODIS雪盖判识结果,并使用站点观测数据进行精度验证。研究表明:(1)MTSAT-2雪盖判识受云影响比例约30%,MODIS雪盖产品受云影响比例约60%,MTSAT-2去云效果明显。(2)无云情况下,MTSAT-2雪盖判识和MODIS雪盖产品判识精度均高于92%;有云覆盖时,MTSAT-2判识精度约65%,优于MODIS雪盖产品35%的判识精度。(3)MTSAT-2静止气象卫星在保持高积雪判识精度的前提下,可以更有效减少云对雪盖判识影响,实时获取更多地表真实信息。该研究对中国区域雪盖信息准确监测、气候变化研究以及防灾减灾等具有重要意义。     

基于MODIS雪盖数据的北疆雪深多元非线性回归克里金插值

为了提高北疆地区雪深时空分布监测的准确性,以该区域48个气象站点2006年12月—2007年1月的月平均雪深观测数据为基础,通过分析月均雪深空间自相关性及其与经纬度、高程的相关性,结合MODIS雪盖数据构建了多元非线性回归克里金插值方法,插值获得了北疆地区较高精度的雪深空间分布数据。将插值雪深数据与普通克里金插值法、考虑高程为辅助变量的协同克里金插值法的预测结果进行比较,结果表明:1相对普通克里金和协同克里金方法,多元非线性回归克里金法的12月份雪深预测精度分别提高了15.14%和9.54%,1月份的提高了4.8%和6.7%;2由于充分利用了经纬度和地形信息,多元非线性回归克里金法的雪深预测结果可提供更多细节信息;3预测结果客观地表达了雪深随经纬度和地形变化的趋势,反映了积雪深度的空间变异性;4基于不显著相关的协变量高程的协同克里金插值法预测的雪深数据精度劣于普通克里金插值法的预测结果。     

基于数据同化算法融合多源数据估算雪深

在积雪深度研究中,地面资料插值产生的平滑效应以及遥感空间分辨率不足的问题,在很大程度上影响着积雪深度的估计精度。本文采用中高分辨率成像光谱仪(moderate resolution imaging spectro-radiometer,MODIS)和微波扫描辐射计(advanced microwave scanning radiometer-EOS,AMSR-E)融合后的无云积雪面积产品构建虚拟站点,弥补了气象站点少且不均匀的不足,修正雪深克里金插值产生的平滑效应。同时,提出了基于数据同化算法融合以地面观测资料为基础的克里金空间插值雪深、MODIS积雪面积产品和AMSRE微波反演雪深产品的雪深估计方法。以新疆北疆地区为研究区域进行了算法应用及验证,并选取不同海拔的站点观测资料对融合结果进行验证分析,通过均方根、偏差和相关性系数指标检证了该方法能够有效地提高雪深估计精度。     

水文模型的LAI优化与单网格土壤湿度同化

利用可变下渗能力水文(VIC)模型和MODIS反演的月叶面积指数(LAI)分析了模拟土壤湿度对LAI的敏感性,以及年际动态变化的LAI对VIC模型土壤湿度模拟能力的影响;并利用集合卡尔曼滤波同化法将CCI土壤湿度数据同化进增加了LAI年际变化能力的VIC模型中。敏感性分析表明,模拟土壤湿度全年对LAI敏感,且夏天高于冬天。站点数据的验证结果表明,年际动态变化的LAI能提高模拟土壤湿度的精度,无偏均方根差异(ubRMSD)减少了2.2%,相关系数提高了9.3%;土壤湿度经过同化后能使均方根误差(RMSE)降低4.5%,平均偏差(MBE)降低5.3%。     

基于Triple-Collocation的地面观测与卫星遥感数据融合的雪深反演

针对单一被动微波遥感反演雪深的精度和空间分辨率不足的问题,提出了一种星-地多源数据融合的雪深反演方法。以北疆每日站点观测雪深、AMSR-E遥感反演雪深和SSM/I遥感反演雪深数据为研究对象,首先利用地统计方法结合地面站点观测数据估计北疆区域的雪深,然后采用Triple-Collocation方法分别估计三个雪深数据的误差方差,最后结合最小二乘原理实现星-地雪深观测数据的融合。对融合雪深与地面雪深观测数据进行验证分析,结果显示,与AMSR-E和SSM/I遥感反演雪深相比,融合的雪深与地面观测雪深的相关性更高;融合的雪深的精度有一定程度的提高。实验结果证明了多源数据融合方法的有效性。     

同化MODIS温度产品估算地表水热通量

基于集合卡尔曼滤波和通用陆面模型(CLM 1.0)发展了一个地表温度的同化系统。这个系统同化了MODIS温度产品, 并将MODIS的叶面积指数引入CLM模型中, 主要用于改进地表水热通量的估算精度。将CLM输出的地表温度与MODIS地表温度建立关系, 并作为同化系统的观测算子。将MODIS地表温度与实测地表温度进行了比较, 将其均方差(Root Mean Square Error, RMSE)作为观测误差。选取3个美国通量网站点(Blackhill、Bondville、Brookings)作为实验数据, 结果表明: 同化结果中地表温度、显热通量的估算精度均有提高。其中Blackhill站的估算精度改进最大, 均方差由81.5W·m-2减小到58.4W·m-2, Bondville站均方差由47.0W·m-2减小到31.8W·m-2, Brookings站均方差由46.5W·m-2减小到45.1W·m-2。潜热通量估算精度在Bondville站均方差由88.6W·m-2减小到57.7W·m-2, Blackhill站均方差由53.4W·m-2减小到47.2W·m-2。总之, 结合陆面过程模型同化MODIS温度产品估算地表水热通量是可行的。     

利用MODIS数据进行积雪检测

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

利用双变量同化与PCA-Copula法的冬小麦单产估测

为了进一步提高冬小麦产量估测的精度,基于集合卡尔曼滤波算法和粒子滤波（particle filter, PF）算法,对CERES–Wheat模型模拟的冬小麦主要生育期条件植被温度指数（vegetation temperature condition index,VTCI）、叶面积指数（leaf area index, LAI）和中分辨率成像光谱仪（moderate-resolution imaging spectroradiometer, MODIS）数据反演的VTCI、LAI进行同化,利用主成分分析与Copula函数结合的方法构建单变量和双变量的综合长势监测指标,建立冬小麦单产估测模型,并通过对比分析选择最优模型,对2017—2020年关中平原的冬小麦单产进行估测。结果表明,单点尺度的同化VTCI、同化LAI均能综合反映MODIS观测值和模型模拟值的变化特征,且PF算法具有更好的同化效果;区域尺度下利用PF算法得到的同化VTCI和LAI所构建的双变量估产模型精度最高,与未同化VTCI和LAI构建的估产模型精度相比,研究区各县（区）的冬小麦估测单产与实际单产的均方根误差降低了56.25 kg/hm2,平均相对误差降低了1.51%,表明该模型能有效提高产量估测的精度,应用该模型进行大范围的冬小麦产量估测具有较好的适用性。     

HJ-1B的积雪参数反演研究

积雪参数如雪盖、雪深是标示气候变化的敏感因子,具有较高时空分辨率的HJ-1B卫星是专门用于灾害监测与评估业务的国产卫星之一,开展以HJ-1B为主的积雪参数反演对于我国国产卫星的理论研究与深入应用具有重要意义。本文针对积雪参数反演,根据HJ卫星CCD和IRS传感器的数据特征,深入分析积雪等典型地物的光谱特性,而后针对同时具有HJ-1B/CCD、IRS数据和只有CCD或者IRS传感器数据3种情况展开积雪信息提取方法研究;在进行浅雪区雪深反演时,利用两种不同的统计回归模型进行交叉验证、研究对比。研究结果表明,3种情况下提取出的积雪精度都达到了80%以上,以第1种情况提取精度最高,两种统计模型反演出的浅雪区雪深的一致度达到83%左右,说明HJ星数据能较好地反演雪盖及浅雪区的雪深,能满足实际应用的需要。     

多普勒雷达降水反演及其与改进的区域气候模式RIEMS的同化研究

本博士论文在前人构建的陆面水文过程模型TOPX和区域气候模式RIEMS的耦合模式的框架基础上,针对耦合模式中RIEMS对降水和蒸散发的模拟精度较低,RIEMS和TOPX模式之间尺度不匹配等几个核心问题进行了深入细致的研究:对天气雷达资料的定量估测降水方面的研究获得了对沂沭河流域最佳的Z-R关系,并通过雷达雨量计联合校正法得到较高精度的面降雨量;采用集合卡尔曼滤波同化算法对雷达反演的面雨量及区域气候模式RIEMS的降水输出进行了数据同化方案研究,获得了更好的降水模拟效果;在RIEMS和水文模型TOPX构成的耦合模型中加入同化方案,实现了流域降水的实例模拟研究,结果表明使用同化方案明显改善了水文模拟效果。     

基于数据同化的元胞自动机

提出基于集合卡尔曼滤波(EnKF)的元胞自动机(CA)模型。在CA模型中,由于不同的样本会训练出不同参数值 的转换规则,且获取的转换规则在整个模拟过程中不能改变等原因,误差在模拟过程中会不断累积。本文在CA模型中 引入集合卡尔曼滤波的数据同化方法,建立了基于集合卡尔曼滤波的数据同化CA模型,同化遥感观测数据,根据得出 的同化值修正模拟结果使之向真实情况逼近。利用该模型模拟了广东省东莞市的发展情景(1995年—2005年),实验表 明,与传统CA模型相比,基于集合卡尔曼滤波的CA模型能够融合遥感观测数据,并能更有效地模拟城市扩张过程,达 到良好的模拟效果。     

干雪深度反演的同极化相位差模型

积雪深度是积雪的重要结构参数,获取高精度雪深空间分布信息对于流域尺度水资源管理、气候变化研究和灾害预报等具有重要意义.本文以新疆阿尔泰山南坡克兰河上游为研究区,利用C波段全极化GF-3数据及地面同步观测数据,根据VV与HH极化信号在积雪中折射率不同导致相位差异的原理,使用Maxwell-Garnett方程构建同极化相位差(co-pol arized phase difference,CPD)的正演模型,并基于CPD与雪深关系构建了雪深反演模型.通过对具有不同积雪条件的浅雪区与深雪区分别进行雪深反演,获得雪深空间分布信息.同时对反演不确定性进行了分析,并与已有方法进行比较,研究结果表明:①假定研究区积雪各向异性介电常数恒定的理想情况下,CPD仅是雪深的函数,可用半经验的线性模型反演雪深,反演精度的高低与计算CPD过程中使用的滤波器的窗口大小有关,浅雪区的最优滤波窗口为59×59像元,反演精度R为0.83,RMSE为2.72 cm,深雪区的最优滤波窗口为33×33像元,反演精度R为0.54,RMSE为11.69 cm;②雪深反演误差与坡度显著相关,随着坡度的增加,雪深的反演误差呈现出显著增加的趋势,雪深反演不确定性受雪层变质程度、含水量及卫星入射角观测几何条件影响,反演方法对于干燥、雪层变质结晶程度低、均质的积雪及具有大入射角的SAR卫星有更好的适用性;③对比已有基于CPD模型的雪深反演方法,本文方法已经将反演所需要的参数减少为遥感获取的CPD数据,以及进行模型拟合的实测雪深数据,反演精度更高.研究表明CPD模型反演山区雪深空间分布是有效和可行的,研究成果为山区雪深遥感反演提供了新思路.     

基于遥感数据与作物生长模型同化的冬小麦长势监测与估产方法研究

本文以LAI作为结合点，讨论了利用复合型混合演化（SCE—UA）算法实现CERES—Wheat模型与遥感数据同化的可行性。CERES—Wheat模型同化后主要生育期和产量的模拟值分别与真实条件下模型相应模拟值以及实测值进行比较。结果表明，同化后CERES—Wheat模型的模拟精度对LAI外部同化数据的误差并不十分敏感。并且在LAI同化数据较少时，也可获得较好的同化结果。这一特点体现了SCE—UA算法应用于同化过程的优越性，为同化策略在区域冬小麦长势监测及估产中的应用提供了基础。     

基于GPS和北斗信噪比观测值的雪深反演及其误差分析

利用GNSS反射信号反演雪深具有全天时、全天候、数据量大、成本低等突出优点。本文围绕基于信噪比观测值的雪深反演方法,利用参加中国北极科学考察的机会在黄河站设计了GNSS-R试验,采集了GPS和北斗的双频信噪比观测数据,详细讨论了高度角范围、弧段长度、卫星数量、方位角、时间尺度、星座结构、信号频率、信噪比强度等多种因素对雪深反演结果的影响。通过大样本、质量控制、误差分析等手段,雪深反演精度和可靠性得到有效提高。根据误差分析的结果,本文推荐的反演策略如下：选择高度角范围为5°~25°、信噪比强度较高的L1和B1I观测值,充分利用多颗卫星和4个方位角的大量观测数据,在一天的时间尺度上,可以实现5 cm的反演精度。另外,弧段长度、星座结构、信号频率等对反演结果的精度影响较小。     

MODIS影像雪深遥感反演特征参数选择与模型研究

在综合分析已有研究成果的基础上,选择MODIS遥感影像,借助灰色系统理论,结合观测站实测雪深数据,选择雪深反演特征参数,构建反演模型,并定义多元回归模型的综合评价系数,进而从构建的多个回归模型中,选择出雪深反演最优模型。     

TERRA/MODIS热红外通道陆地晴空大气可降水分裂窗反演

大气水汽在遥感反演地表温度中起到关键作用,精确的大气水含量对于提升反演精度有着重要意义,而热红外方法是夜晚获得区域大气水汽含量的唯一方法。本研究采用热红外方法中的改良分裂窗算法,首先,使用TIGR大气廓线与MODIS波谱响应函数通过MODTRAN辐射传输模式进行模拟,将大气廓线的水汽含量与大气透过率进行回归;然后,根据MODIS数据产品特点,使用2015年夏季MODIS数据观测角小于20°的范围进行反演;最后,将白天反演水汽分别与全球GPS地基大气水汽观测网络和MODIS近红外水汽产品进行比较,均方根误差分别为5.5 g/cm2和6.4 g/cm2,显示了高度的区域一致性。由于MODIS观测角度较大,本研究未对其他角度进行反演,若对其余角度的MODIS数据进行反演,可根据余弦角度变化,针对不同角度范围进行模拟与回归。     

小波变换与滑动窗口相结合的GNSS-IR雪深估测模型

GNSS干涉反射技术（GNSS interferometric reflectometry）是一种新型的地表雪深监测方式。针对当前信号分离不佳和随机估测偏差的问题,提出联合小波变换和滑动窗口构建一种多卫星融合的GNSS-IR雪深估测精化模型。该模型采用离散小波变换代替常用的多项式方法,获取高质量的信噪比序列。通过利用阈值约束下的滑动窗口筛选多卫星有效反射高度,并进行等权平均。以PBO H₂O和SNOTEL的雪深数据为参考值,利用2016—2017年雪季的GNSS观测数据建立模型并验证精度。结果表明：①GNSS-IR精化模型估测结果与实测数据在整体趋势上保持高一致性;②与单颗卫星结果相比,多卫星融合估测结果在精度和稳定性方面明显改善,其均方根误差（RMSE）为10 cm,相较于PBO H₂O减少了近50%。此外,考虑到地表粗糙度作为一种误差影响因素,采用新的反射高度基准修正的雪深估测相对RMSE误差约4 cm,同时估测值与实际值的相关系数达到0.98。     

SVM辅助的GPS SNR雪深时间序列反演

研究了GPS干涉反射技术GPS-IR(GPS-Interferometric Reflectometry);在利用GPS卫星SNR信号进行积雪深度探测的基础上构建了支持向量机SVM(Support Vector Machine)辅助的GPS SNR雪深时间序列反演模型;对积雪深度进行时间序列预报和与传统GPS-IR积雪探测模型进行精度对比分析。实验结果显示,相比传统GPS-IR雪深反演模型,SVM辅助的GPS SNR雪深时间序列反演模型的雪深预报结果的精度更高,也更符合实测雪深的变化趋势,可为地面积雪雪深反演提供新方法。     

基于WOFOST模型与UAV数据的玉米生长后期地上生物量估算

地上生物量能够有效反映作物的生长状态，其信息的实时估算对产量预测和农田生产管理都有重要意义。作物生长模型因其详尽的生理生化基础和对生长过程数字化描述能力，成为生物量估算的理想模型。近年来，研究人员利用数据同化算法将时间序列遥感数据同化到作物生长模型中，实现了作物模型由基于气象站的点模拟到区域尺度面模拟的外推，使生物量模拟结果同时具备大范围和机理性两个方面的特点。这一模式下，时间序列的遥感数据质量将对生物量模拟精度产生直接影响，作物生长后期受到光谱饱和的影响，遥感数据的作物冠层信息获取能力会出现明显下降，因此有必要对该阶段遥感数据和作物模型的结合方式进行优化，提升生物量模拟精度。本文针对东北地区春玉米生物量遥感估算存在的问题，提出了利用WOFOST作物模型结合无人机（UAV）遥感数据实现作物生长后期生物量准确估算的新思路。新思路首先利用多光谱遥感数据获取WOFOST模型具备较高空间异质性的土壤速效养分参数以提升模型的空间信息模拟能力，使其能在一定程度上摆脱点尺度模拟的限制。同时，结合集合卡尔曼滤波算法将生长前期无人机（UAV）遥感数据同化到模型中，以缩短模型单独运行时间，减少模型运行过程中的参数误差累积，实现无遥感数据参与下的短期作物生长模拟，并输出生长后期相应的生物量模拟结果。最后，本文利用地面实测数据对新方法的生物量模拟精度进行了评价。结果表明，与全生育期数据同化相比，新方法的生物量估算精度有了明显的提升（全生育期同化：R² = 0.45，RMSE = 4254.30 kg/ha；新方法：R²= 0.86，RMSE = 2216.79 kg/ha）。     

HUT模型的改进及其雪深反演

基于风云-3B（FY-3B）卫星的微波成像仪（MWRI）数据对HUT模型（Helsinki university of technology snow emission model）进行验证,结果表明,无论是18.7 GHz还是36.5 GHz水平极化亮温,HUT模型模拟亮温都与MWRI亮温存在较大的偏差。因此,本文对消光系数进行了本地化改进,得到了改进的HUT模型（IMPHUT模型）。IMPHUT模型在18.7 GHz水平极化和36.5 GHz水平极化时的模拟亮温偏差分别为-0.91 K和-4.19 K,较原始的HUT模型模拟精度（偏差分别为14.03 K和-16.33 K）有很大提高。最后,利用遗传算法进行雪深反演,基于IMPHUT模型的雪深反演（偏差为-6.79 cm）优于HUT模型和Chang算法,反演与实测雪深具有较好的一致性。