太行山区遥感卫星反演降雨产品降尺度研究

高时空分辨率降雨数据的获取对陆地水循环研究至关重要。遥感卫星反演降水产品虽然能有效再现降雨的空间格局,但存在空间分辨率较低的问题。以植被指数NDVI(Normalized Difference Vegetation Index)和海拔高度为自变量,通过构建太行山区GPM降水(Global Precipitation Measurement Mission)的时滞地理加权回归模型,得到了2014—2016年研究区1 km分辨率GPM降水数据。研究结果表明：利用植被指数和海拔高度构建的时滞地理加权回归模型能够有效地对太行山月尺度GPM降雨数据进行尺度下延,在提高GPM数据空间分辨率的同时保留了原始数据的观测精度。考虑NDVI的时滞性提高了地理加权回归模型的降尺度效果,相对于多元线性回归模型和不考虑NDVI时滞效应的地理加权回归模型,时滞地理加权回归模型的降尺度结果与站点实测数据的确定性系数更高,RMSE更低。冬季降雨与第二年春季植被NDVI的关系较为密切,虽然采用第二年春季的NDVI作为解释变量构建降尺度模型能有效地提高冬季降雨的降尺度效果,但基于植被指数和海拔高度构建的时滞地理加权回归模型更加适用于植被生长季GPM降雨数据的降尺度研究。     

GPM卫星降水数据的降尺度研究 ——以陕西省为例

以陕西省内2019年33个地面气象观测站点的测量数据为真实值,选取相关系数(CC)、均方根误差(RMSE)以及相对误差(BIAS)等多种统计分析指标对GPM(Global precipitation measure-ment)卫星降水数据进行精度验证,并引入地形因子作为空间参考要素,基于地理加权回归模型(GWR)对GPM降水数据进行降尺度研究。结果表明:(1)在年际尺度上,GPM降水数据与实测降水数据之间有着明显的相关性,相关性较好(CC=0.89),相对误差则较低(BIAS=-0.45);(2)在季节尺度上,春、夏两季GPM降水数据的降尺度结果与实测降水数据之间的CC值分别为0.92和0.80,而秋季则为0.93;(3)降尺度降水量结果与高程呈现出明显的负相关性,随着海拔升高,降水相对减少。总体而言,GWR降尺度降水数据在陕西省内有着较好的精度,能够较为准确地反映陕西省内的降水分布。     

基于GWR模型的陕西秦巴山区TRMM降水数据降尺度研究

应用TRMM降水数据,进行国内典型区域降尺度相关研究,可弥补应用气象站点数据研究带来的局限。以陕西秦巴山区为研究区,基于TRMM降水数据和NDVI数据,应用GWR模型和比例指数,获得GWR年、月降尺度数据并进行检验,最后分析地形对降尺度结果的影响。结果表明：获得的1 km分辨率的GWR降尺度降水数据,具有较强的细节表现能力;降尺度数据与实测降水数据年尺度上相关系数为0.88,月为0.93,相关性较好;与TRMM原始数据对比,降尺度结果降水值略小,整体低估降水;区内秦岭山地GWR降尺度结果精度变化幅度最小,相似地形条件下,海拔越高,GWR降尺度结果表现越好;采用GWR模型进行秦巴山区TRMM降水数据的降尺度研究,具有较强的适用性。     

TRMM降水数据的空间降尺度方法研究

以天山中段为研究区,以降水与高程（DEM）、植被指数（NDVI）、坡向（Aspect）、经纬度与之间存在的相关关系为基础,构建了TRMM卫星3B43降水数据与NDVI、DEM和坡向等相关因子的回归模型,对TsHARP统计降尺度算法引入DEM和局部Moran指数进行改进,得到2001~2006年研究区的250 m高分辨率降水空间分布数据。最后利用研究区气象站点降水数据对降尺度结果进行验证,得出降尺度的结果和实测值的误差明显小于原始降水数据和实测值的误差,年均降水最大改善程度是70 mm,因此构建的降尺度方法是合理可行的,可用于山区降水数据的降尺度研究。     

TRMM降水数据的空间降尺度方法研究北大核心CSCD

以天山中段为研究区,以降水与高程（DEM）、植被指数（NDVI）、坡向（Aspect）、经纬度与之间存在的相关关系为基础,构建了TRMM卫星3B43降水数据与NDVI、DEM和坡向等相关因子的回归模型,对Ts HARP统计降尺度算法引入DEM和局部Moran指数进行改进,得到2001~2006年研究区的250 m高分辨率降水空间分布数据。最后利用研究区气象站点降水数据对降尺度结果进行验证,得出降尺度的结果和实测值的误差明显小于原始降水数据和实测值的误差,年均降水最大改善程度是70 mm,因此构建的降尺度方法是合理可行的,可用于山区降水数据的降尺度研究。     

气候驱动格局下中国陆地植被指数变化

将降水、气温和日照作为驱动中国陆地植被指数变化的典型气候因子,基于1982-1999年10天合成的NOAA/AVHRR NDVI与同期降水量、平均气温和日照时数数据,按所有年份求平均后,分析旬NDVI与旬降水量、旬平均气温和旬日照时数的年内相关关系,确定中国陆地植被指数变化的气候驱动格局,揭示不同气候因子驱动格局下植被指数的时空变化特征和规律.结果表明,绝大部分植被覆盖区NDVI受气候因子驱动作用明显.气候因子驱动陆地植被指数变化的空间分异格局较为明显,大致分为气温显著区,降水显著区,日照显著区,气温和降水显著区,气温和日照显著区,降水和日照显著区,气温、降水和日照显著区,气温、降水和日照弱显著区,气温、降水和日照不显著区等9大类型.受局部地形、大气环流、海拔高度等的影响,在大的基本气候驱动格局内,还会形成其他不同的小气候驱动格局.1982-1999年间,所有气候驱动区的植被活动均表现为增强趋势,其NDVI的增加主要发生在春季或夏季.其中,气温和日照显著区的春季NDVI增幅最大,降水和日照显著区的夏季NDVI增幅最大.从各月变化来看,气温显著区、气温和降水显著区5月份的NDVI增长最为迅速,降水显著区、降水和日照显著区6月份的NDVI增长最迅速,日照显著区、气温和日照显著区3月份的NDVI增长最迅速,气温、降水和日照弱显著区4月份的NDVI增长最迅速,这些月份对全年NDVI变化的贡献也最大.     

祁连山TRMM降水数据降尺度不同方法比较研究

降水数据对研究山区陆面过程、水文模型、生态模型至关重要,而山区地形复杂降水数据获取困难,且TRMM (Tropical Rainfall Measuring Mission)降水数据空间分辨率难以进行小尺度区域降水研究。本文以祁连山为研究区,应用2005—2016年的TRMM降水数据,从不同时间尺度对TRMM降水数据在祁连山的适用性进行分析,利用多元逐步回归模型、地理加权回归模型、随机森林模型三种降尺度方法,分别建立了降水与高程、植被指数、纬度、经度、坡度、坡向的关系,获得1 km高分辨率的TRMM降尺度数据,并通过对比三种模型的降尺度结果来选取适用于祁连山的降尺度方法。结果表明:(1)TRMM降水数据适用于祁连山。TRMM降水数据和实测数据在不同时间尺度上具有显著的相关性,年、季、月相关系数分别为0.88、0.92、0.88。(2)三种降尺度模型都能有效地获得1 km高分辨率的TRMM降尺度数据,其中随机森林模型更适用于获取祁连山TRMM降尺度降水数据。(3)相比于原始TRMM降水数据,随机森林模型降尺度结果整体偏小,同时具有更高的空间分辨率和更小的偏差。本研究可以为进一步获取西部山地高空间分辨降水数据和开展水文研究提供参考与借鉴。     

TRMM降水数据在横断山区的精度

利用相关系数法和散点斜率法对横断山区1998~2011年之间月尺度的TRMM 3B43降水数据精度进行了检验。研究表明,TRMM 3B43降水数据与实测数据相关性很强,但是比实测降水量偏大33.9%。在横断山北部大雪山以东地区和南部香格里-贡山-德钦一带三江并流区TRMM 3B43数据误差较大。各个季节TRMM 3B43降水与实测值误差的空间分布有较大区别,但是都表现为北部沿经向分布,南部沿纬向分布的趋势;横断山区高海拔地区气象站点稀少和复杂的下垫面环境是产生观测误差的主要原因。     

喀斯特地区地表温度空间降尺度方法初探

喀斯特地区地形起伏大,常规的降尺度方法及所选择的因子对其不适用。该文根据喀斯特地区的特点,选取反射率、遥感指数及高程因子为尺度因子,通过随机森林模型建立MODIS第31、32波段辐射亮度数据和尺度因子之间的非线性关系,构建适合喀斯特地区的随机森林(Karst Random Forest,KRF)模型,成功将空间分辨率为1 km的热红外辐射亮度降至100 m,最后利用劈窗算法反演得到空间分辨率为100 m的地表温度。将KRF方法与仅考虑常规因子的多因子随机森林回归模型(MTVRF)和热锐化算法(TsHARP)对比,结果表明:1)在不同高差的喀斯特地区,KRF方法可较大程度提高地表温度降尺度精度,均方根误差(RMSE)在遵义市西北部和贵阳市以南地区分别为2.46 K和1.45 K,较MTVRF模型分别降低了0.1419 K和0.2928 K,较TsHARP算法分别降低了0.6204 K和0.6953 K,且在地形起伏度较低的喀斯特山区城市(贵阳市以南)表现更好;2)在喀斯特地区不同地类上,KRF方法效果也较好,其中植被区域最优,RMSE为1.41 K,破碎的裸土区域RMSE为1.84 K。研究显示,考虑特殊尺度因子的KRF方法可提高喀斯特地区地表温度的降尺度精度,为该地区以地表温度为基础的研究提供更精细可靠的地表温度产品。     

基于多种高分辨率卫星数据的TRMM降水数据降尺度研究——以内蒙古地区为例

利用内蒙古地区2001~2010年42个站点实测降水数据作为“真值”,采用LOO（Leave-One-Out）交叉验证、多元逐步回归等方法,构建TRMM（Tropical Rainfall Measuring Mission）降水数据与地形及气候等要素之间的多元回归关系,在此基础上,利用回归值+残差值的方法,获得空间分辨率为1 km×1 km的TRMM年降水数据,并对降尺度TRMM数据进行精度检验。研究表明：① TRMM数据可用于区域年降水量估计,且与实测年降水量呈显著线性关系;② 通过建立不同年份、不同空间分辨率TRMM数据与其它遥感数据的多元统计模型,研究发现在中尺度下TRMM与观测年降水数据拟合效果较好,且在空间分辨率为0.50°×0.50°时的拟合效果最好;③ 降尺度分析提高了TRMM数据对研究区降水时空特征的描述能力,确定性系数、标准误差和偏差均有明显改善,表明降尺度算法在将TRMM降水数据空间分辨率提高到1 km×1 km的同时,并能提高降水数据的精度。     

K-T变换在监测小麦地表参数中的应用

利用K-T变换提取TM和MODIS遥感影像的绿度、湿度分量,在不同的分辨率尺度下监测小麦覆盖地表参数:土壤湿度(Ms)、等效水厚度(EWT)和叶面积指数(LAI),并与NDVI(归一化植被指数)、NDWI(归一化水分指数)和EVI(增强植被指数)监测结果比较.湿度分量监测Ms效果更好,TM和MODIS遥感影像反演精度分别为6.08%、7.37%(RMSE),相关系数R2分别为0.49、0.31,基于绿度和湿度分量建立土壤湿度多元线性回归反演模型,利用TM影像反演土壤湿度RMSE为4.91%,反演土壤湿度和实测土壤湿度R2达0.63;绿度分量监测EWT效果更好,TM和MODIS遥感影像反演精度分别为0.37 kg/m2、0.43 kg/m2,R2分别为0.51、0.28;绿度分量反演LAI精度更好,TM和MODIS遥感影像反演精度分别为0.66、0.83,R2分别为0.64、0.35.     

2001-2010年石羊河流域上游TRMM降水资料的降尺度研究

在地形比较复杂的石羊河流域上游,基于2001-2010年TRMM3B43降水数据和1 km空间分辨率DEM数据,采用回归方程+残差法的插值方法,对石羊河流域上游10年平均TRMM3B43和2001、2007年两个典型干、湿年份的TRMM3B43数据分别进行降尺度操作,将空间分辨率由原来的0.25°×0.25°提高为1 km×1 km。利用研究区34个雨量站的观测数据作为"真实值",对2001-2010年的TRMM3B43和降尺度结果进行精度检验,结果表明:TRMM3B43降水数据整体上具有一定的可信度,但比地面站点观测的降水量偏小;TRMM3B43经过降尺度之后,数据在空间分辨率和精度方面都有一定程度的提高,其中10年平均TRMM3B43降尺度结果的精度要高于2001年(干旱),而2001年的降尺度结果精度又高于2007年(湿润);就单个雨量站而言,位于西部高海拔区域的站点的降尺度结果精度较高,而位于东部低海拔区域的站点的降尺度结果精度较低。     

洞庭湖流域植被动态变化的小波多分辨率分析

将离散小波多分辨率分析（MRA）应用于归一化植被指数（NDVI）时间序列研究,分解NDVI原数据序列成不同时间尺度的子序列,从而进行植被动态变化分析。针对洞庭湖流域的NDVI时间序列进行多尺度分解,挖掘这些数据中潜在的植被季节性和年际变化,对其进行评估,并结合土地覆盖变化与降水趋势变化分析引起该变化的可能原因。结果表明：小波多分辨率分析能提取洞庭湖流域植被动态的相关信息,如NDVI的年际成分均值、最低值、植被年内变化的振幅、NDVI最大值出现的月份和土地覆盖变化的趋势及幅度,这些信息有效刻画了流域植被动态变化特征。此外,将土地覆盖变化分析结果与降水数据相结合进行分析,发现流域植被覆盖的变化与降水变化有明显的关联性,其中西部地区和西北部地区植被动态变化对降水响应最为明显。但是有些地区降水没有明显减少趋势,而植被覆盖却存在减少趋势,则可能与该地地势较高、城镇化建设等其他因素相关。     

国产高分一号数据估算草地植被覆盖度方法研究——以呼伦贝尔草原露天煤矿区为例

为了探讨与分析国产高分一号(GF-1)数据在北方露天煤矿区草地植被覆盖度估测中的精度及适用性,该文基于GF-1与SPOT6多光谱影像数据,以多个植被指数为自变量,利用像元二分模型、偏最小二乘(PLS)回归、支持向量机(SVM)回归3种模型对区内植被覆盖度进行估算,结合野外同步实地植被样方数据,对比分析不同估算模型的精度及适宜性,并通过蒙特卡洛模拟多尺度交叉建模的误差传播,分析空间分辨率不同对植被覆盖度估测的精度影响。结果表明:GF-1数据基于增强型植被指数的SVM回归模型(R~2=0.8149,RPD=2.336,RMSE=8.694%)与SPOT6数据基于归一化植被指数的SVM回归模型(R~2=0.8755,RPD=2.870,RMSE=7.032%)估算效果较好。不同分辨率数据交叉传递过程中SVM回归模型的精度高于PLS回归模型。因此,基于GF-1数据构建的SVM回归模型可以高精度地估算区域草地植被覆盖度。     

2000—2014年甘肃省NDVI时空变化特征

基于甘肃省2000—2014年MODIS-NDVI遥感数据及气象数据,采用趋势分析法及相关分析法,对甘肃省归一化植被指数(NDVI)的时空变化特征进行研究,探讨了植被变化对区域气候变化的响应。结果表明:近15年,生长季及春、夏、秋季NDVI均呈增加趋势。区域尺度上,夏季NDVI增加趋势最显著,增速为0.071/10a(P<0.01);像元尺度上,生长季NDVI呈增加趋势的面积最大,呈极显著增加(P<0.01)和显著增加(0.01相似文献   

基于Landsat数据的2种地表温度空间降尺度算法比较研究

以2003年5月29日福州市LandsmETM＋影像为数据源,对2种地表温度空间降尺度算法——EM算法和HUTS算法进行实验、比较与分析,EM算法是利用高空间分辨率的地表比辐射率对低空间分辨率的亮度温度影像进行调节,从而达到提高热红外影像空间分辨率的目的;HUTS算法则是引入了归一化差异植被指数NDVI和地表反照率d,通过在低空间分辨率拟合二者与地表温度LST之间的关系,然后根据其尺度不变性,将该关系应用到高空间分辨率的影像上,从而达到提高热红外影像空间分辨率的目的．研究结果表明：1）2种算法所得结果影像都能在有效提高空间分辨率的同时较好地保持了原始地表温度影像的空间分布特征,达到了较好的降尺度效果;2）以RMSE为定量评价指标,HUTS算法要略优于EM算法,其中,EM算法的RMSE为1．2494,而HUTS算法仅为0．9869．     

高分辨率青藏高原历史月降水数据重建

青藏高原对全球气候研究具有重要意义,而降水数据对水文、气象和生态等领域的研究也至关重要,且随着研究内容和尺度的变化,对高时空分辨率的历史降水数据的需求越发迫切。本文基于TRMM 3B43降水数据,采用随机森林算法,引入归一化植被指数(AVHRR NDVI)、高程(SRTM DEM)、坡度、坡向、经度、纬度6个地理因子,建立历史降水重建模型,获得1982-1997年分辨率为0.0833°的青藏高原年降水数据,然后根据比例系数法计算出月降水数据。为提高精度,利用站点数据对月降水数据进行校正。结果表明,该方法能简单有效地获得高时空分辨率的历史降水数据,决定系数R²大部分在0.4~0.9之间,平均值为0.6767,其中夏季效果最好,冬季效果最差;均方根误差RMSE和平均绝对误差MAE均在50 mm以下,RMSE均值为22.66 mm,MAE均值为15.97 mm;偏差Bias较小,基本在0.0~0.1之间。     

极干旱区稀疏荒漠植被地上生物量遥感估算

以库姆塔格沙漠南部阿尔金山北麓山前戈壁区为研究区,借助无人机影像数据准确提取植被覆盖区;采用高空间分辨率WorldView-3数据的估算结果对中空间分辨率Landsat-OLI数据的估算结果进行修正;选取红光反射率波段(RED)、近红外反射率波段(NIR)、比值植被指数(RVI)、归一化植被指数(NDVI)和修正土壤调...     

1982—2014年中国沿海地区归一化植被指数(NDVI)变化及其对极端气候的响应

基于1982—2014年GIMMS NDVI3g数据集,分析中国沿海地区生长季归一化植被指数（NDVI）的时空变化特征,探讨NDVI对极端气温和极端降水年尺度和月尺度的响应特征。结果表明：中国沿海地区及其子区域NDVI均呈上升趋势,且该趋势具有一定持续性;江南及其以南各子区域的NDVI高于江南以北,但长江三角洲、珠江三角洲等地区NDVI下降较明显,而江南以北沿海地区NDVI多呈上升趋势。NDVI在东北沿海西部、华北和黄淮沿海各子区域与极端气温暖指数（暖昼日数和日最高气温的极高值）多呈负相关,在其他沿海地区多呈正相关。NDVI与极端气温冷指数（冷昼日数和日最低气温的极低值）在整个沿海地区基本呈负相关,且对冷指数的响应具有一定滞后性;江淮（含）以南各子区域的NDVI与气温日较差多呈正相关,以北基本呈负相关。NDVI在黄淮以北与极端降水之间一般呈正相关,在黄淮（含）以南和东北沿海中东部地区多呈负相关,黄淮（含）以北各子区域的NDVI对极端降水的滞后效应较明显。     

三江源区MODIS植被指数时空分布特征

利用16天合成的250m分辨率的MODIS数据,对三江源区NDVI和EVI植被指数时空分布特征进行了系统性的研究。结果表明：NDVI和EVI空间分布呈现出由东南向西北逐步下降的趋势。植被指数随季节呈现出规律变化,最高值出现在8月。不同海拔高度两种植被指数对植被覆盖情况的指示作用比较一致。植被类型的NDVI与EVI的差异...