新疆北疆地区融雪洪水灾害预警模型的建立与验证

结合新疆北疆地区春季融雪洪水的特点以及当地的经济、社会现状,将影响新疆春季融雪洪水灾害大小的主要因素划分为自然、经济、人口、防洪设施贡献四大类因子,对这四大类因子进一步细化,经过量化处理成为相应的指数,综合各类指数,构建出度量融雪洪水灾害大小的预警指数模型.采用呼图壁县军塘湖流域历史洪水灾害资料对该预警指数模型进行验证,得到较好的效果.通过对导致预警产生偏差的影响因素进行分析表明,由于经济因子指数的估计受主观影响较强,该模型无法验证北疆地区所有情况.随着监测的不断深入,并与积雪遥感监测相结合可以进一步提高模型的预测精度.总之,该预警模型的建立有助于新疆春季积雪的监测和评估,可以有效减少春季洪水损失,保护当地人民生命财产安全,为融雪洪水的预警提供决策依据,具有显著的社会效益和经济效益.     

新疆洪水预报预警中融雪径流模型应用进展

针对全球变化背景下极端升温、暴雪和暖湿化现象以及中国新疆地区融雪洪水灾害风险增大问题,概述了新疆不同类型洪水灾害特征,重点阐述了近年发生频率增加、致灾性强、灾害风险增大,但在新疆未引起重视的融雪洪水的研究进展,对比分析了不同类型融雪径流模型特点和研究现状。综合目前融雪径流模型已有进展和面临的挑战,提出新疆未来研究需考虑融雪径流模型的物理机制和融雪消融过程,以提高预报预警精度。回顾了融雪洪水在新疆的预报预警技术,指出构建高精度预报预警融雪洪水模型所面临的风吹雪、冻土表层雪和雪面雨等关键问题,并提出提升新疆洪水模拟、预报预警、应对突发洪水的综合能力的关键技术,为提升新疆融水洪水预报预警技术提供思路与建议。     

天山北坡春季雪洪形成的气候因子分析

春季融雪洪水是天山北坡积雪水文特征之一，有时形成灾害，造成一定财产损失和人员伤亡。本文根据天山北坡乌鲁木齐附近不同海拔四个气象台站冷季降水、蒸发、积雪和气温等资料，分析了春季融雪洪水规模及其产流的时空分布状况。     

基于反射率和亮度温度的锡林郭勒积雪深度估算

积雪是我国西北干旱半干旱区重要的水资源，也是影响全球气候变化的重要因子之一。 目前光学影像反射率和雷达亮温数据是积雪遥感领域的主要数据，本文首次结合两类遥感数据估 算积雪深度，并比较偏最小二乘法和机器学习算法（人工神经网络、支持向量机和随机森林算法） 在积雪深度估算方面的表现。以锡林郭勒盟 2012—2015 年积雪深度数据为例，基于反射率和亮度 温度相结合的积雪深度估算精度优于单个数据源，且随机森林算法表现最好，均方根误差为 2.93 cm，满足实际应用的需求。研究结果对我国西北地区水资源分布、生态环境评估等研究具有重要 意义。     

多种机器学习模型对不同洪水类型特征指标模拟效果评估

洪水过程的特征指标不仅包括洪水量级,还包括时间、形态、动力学等指标。现有模型和方法重点关注洪水量级指标的模拟,对其他指标的模拟仍有待深入。如何实现对洪水过程所有特征指标的模拟已成为目前洪水预报的技术瓶颈。论文采用4种机器学习模型(多元线性回归、多层感知器、随机森林和支持向量机)对淮河上游长台关流域59场降雨—洪水场次7个特征指标(洪水总量、洪峰流量、洪水历时、洪峰时间偏度、高流量历时占比、涨洪和落洪速率)进行模拟,评估不同模型对不同洪水类型和特征指标的模拟效果。结果显示：① 长台关流域洪水过程可分为3类,第1类洪量中等、历时长且洪峰出现时间偏前(16场);第2类洪量低、形态矮胖且洪峰出现时间靠后(34场);第3类洪量大、涨落水迅速、形态尖瘦(9场)。② 时间指标模拟效果最优,动力学指标模拟效果最差。多元线性回归和随机森林模拟效果随所有特征指标数值的增加而增强;支持向量机的模拟效果随着洪水历时指标数值的增加而降低,随着其余特征指标数值的增加而增强;多层感知器模拟效果随着洪水总量、洪峰流量、高流量历时占比和涨洪速率等指标值的增加而增强。③ 从各类型洪水特征模拟精度来看,4种模型对第3类洪水特征模拟均为最佳,第2类最差;随机森林在第1类和第3类洪水特征模拟中效果最优,支持向量机对第2类洪水特征模拟效果最优。④ 从综合模拟精度来看,支持向量机效果最优,然后依次为随机森林、多层感知器和多元线性回归。上述4种模型率定和验证期相对误差分别为23%和98%、21%和109%、37%和75%、41%和102%。研究可为流域洪水过程深度挖掘和防洪措施制定提供参考和借鉴。     

基于气温变化的简易融雪模型研究

在干旱区,冰雪融化是水资源形成的主要来源,为此,积雪资源的形成、转化与利用是新疆水资源开发利用研究的重要内容,而水文模型是水资源形成与转化量确定的关键途径。以中国科学院天山积雪站野外试验区为研究基地,以气象数据为自变量,以融雪量为因变量,研究了基于气温变化的融雪模型,并对所建单因素简易模型进行了率定和验证,同时分析了试验区多年融雪变化规律以及融雪对气温的响应过程。结果表明：在一定的低温状态下,冬季仍有融雪发生,在天山山区本项目研究流域积雪消融的日平均气温临界值约为-7℃,当日平均气温低于-7℃时,融雪基本处于暂停状态,体现了干旱区融雪特征。在模型方面,基于气温构建的单因素简易融雪模型在模拟山区融雪量时呈现出良好的代表性,在率定期（2016—2020年）,融雪量观测值与模拟值间的相关性参数偏差、平均绝对误差、均方根误差、纳什效率系数和决定分别为-0.037、0.367、0.482、0.870和0.876;而验证期的值分别为-0.210、0.292、0.577、0.845和0.811。验证期的模拟结果和相关性系数显示,该模型的模拟值与观测值具有良好的一致性和稳定性,其优点是通过易获取的气象...     

季节性冻土水热对融雪及气温的响应

近年来,随着气候变化,伊犁河谷积雪消融加快,极端水文事件的频度和强度也在加大。通过利用中国科学院天山积雪站附近小流域的土壤水热和积雪融雪观测数据,对研究区积雪消融规律、冻土水热变化特征及其对气温和融雪量的响应进行了分析。结果表明:在冻土融解阶段,土壤温度的变化依赖大气温度的变化,而土壤水分受融雪量和气温的影响较大,高度相关。表层土壤含水率的变幅最大,而深层土壤水分值较稳定,土壤水热的季节性变化自秋-冬-春大致呈现"下降-平稳-上升"的趋势。在冻土层上边界,土壤含水率随着累积融雪量的增加而增加并达到饱和值,而冻土层下边界(40 cm深度)土壤水分保持非饱和稳定状态。在山区,降雪量是水资源形成的主要来源。融雪量与大气温度的相关性显著(系数为0.785),融雪量对水资源形成的贡献率为40%左右。研究冻土水热对融雪和气温的响应过程,对于新疆水资源形成机理、转化利用以及洪水预报具有重要的参考价值。     

基于EOS/MODIS遥感数据改进式融雪模型

在中国西部的中纬度干旱和半干旱山区,融雪水是极其重要的水资源,融雪径流对河流的补给量在春季甚至可达75%以上,但是急剧的融雪也容易引发洪水,所以从水资源的有效利用和洪水预警方面看,有必要了解大范围的积雪消融状况。基于积雪层能量平衡原理建立融雪模型,利用正午过境的EOS/MODIS的Terra卫星遥感数据反演模型中的参数,结合气象数据获得瞬时的能量平衡信息,然后根据B.Sequin、B.ltier和谢贤群的研究推算日融雪量,改善了融雪模型的算法。另外采用遥感数据对雪盖进行实时监测,避免在进行融雪量估算时候对无雪区的错误估算。     

SRM融雪径流模型在乌鲁木齐河源区的应用研究

 乌鲁木齐河源区发育现代冰川7条,冰川面积5.6 km²,并有大范围的积雪,冰雪消融期融雪径流对乌鲁木齐河贡献显著。应用SRM（snowmelt?runoff model）融雪径流模型来探讨乌鲁木齐河源区融雪期径流情况,利用度日方法,由流域本身特征及参变量获取方法的深入分析来率定模型参数,应用模拟指标Nash-Sutcliffe系数R²=0.702和积差Dv=6.81%来评价模型表现,研究发现：（1）气温、降水作为该模型的直接驱动变量对模型的模拟较为敏感。尝试对乌乌鲁木齐河源区的气温、降水数据进行IDW插值并进行修正,使得模型模拟精度提高,对模型变量的输入精度问题上提供了新的思路;（2）不同高度带上积雪的度日因子并不是稳定的,而度日因子的选取与调整对模型也非常重要;（3）模型本身的局限性也导致模拟精度的降低。结果表明SRM模型可在乌鲁木齐河流域推广应用,这必将对认识和利用乌鲁木齐河流域冰雪水资源具有重要意义。     

基于遗传支持向量机的城市扩张非线性组合模型

在分析当前城市扩张模拟模型优缺点的基础上,利用支持向量机能有效表达、拟合复杂非线性系统的功能,将多个单项城市扩张模型进行非线性组合,有机融合各单项模型优点,最后构建支持向量机的城市空间扩张非线性组合模拟模型。利用遗传算法优化支持向量机的参数,减小参数设置不合理对支持向量机建模精度引起的影响,有效提高支持向量机模型精度。通过分析组合模型误差和各参与组合的单项模型之间的关系,总结出提高支持向量机的城市扩张非线性组合模型精度的方法是：① 提高参与组合的各单项模型精度;② 增加单项模型之间的差异性。以长沙市为例,分别构建多元回归、GM(1,8)、BP网络和LS-SVM单项城市空间扩张模拟模型,并在此基础上建立线性组合城市扩张模型和遗传支持向量机非线性组合城市扩张模型。通过各模型精度对比分析证明,遗传支持向量机的城市扩张非线性组合模型精度远优于各单项模型,并且优于线性组合模型,是一种有效的城市扩张新模型。     

新疆荒漠稀疏植被覆盖度信息遥感提取方法比较

植被覆盖度信息是荒漠生态环境表征的重要指标之一。荒漠区地表植被稀疏,在遥感光谱信息中表现较弱,通用的植被覆盖度遥感提取方法应用于干旱荒漠区存在一定的局限性,为了探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法,必须对比和分析现有的遥感方法在干旱荒漠区的应用效果。以新疆荒漠区为例,利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法（改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法）的结果进行精度验证和对比分析。结果表明：MODIS影像上较难提取纯荒漠植被像元,用农作物的像元值代替会降低像元二分法和线性混合像元分解模型的模拟精度;植被指数法对地面实测数据依赖性较大,模拟的精度差异很大,仅考虑红光和近红外的归一化植被指数法模拟精度最低,而综合考虑土壤和大气因素的增强型植被指数法的模拟结果精度最高;改进的三波段最大梯度差法虽然模拟精度稍次之（R²=0.74;RMSE=13.46）,但依据光谱的物理特性,能显著地反映南、北疆荒漠植被覆盖度的差异,是目前大尺度的荒漠区覆盖植被信息提取较为适宜的方法之一。     

基于高光谱数据的天山北坡积雪孔隙率反演研究

以新疆天山北坡中段典型流域季节性积雪为研究对象,基于高光谱遥感监测技术,分析了融雪期积雪孔隙率与光谱反射率的相关性。采用偏最小二乘法(PLS)对相关性较高的波段进行压缩,并提取贡献率最高的前四个主成分,以此用来确定神经网络的隐含节点数、输入层、输出层的初始权值,建立PLS-BP模型进行积雪孔隙率反演研究。结果表明:当隐含节点数为3,模型的线性确定相关系数(R²)较高为0.9159,RMSE为0.04,相对误差为0.23。与传统偏最小二乘回归(PLSR)、主成分回归(PCA)建模方法相比,精度较高,所建定量模型可用于高光谱遥感反演积雪孔隙率。     

基于HJ-1数据的木孜塔格峰地区雪深时空变化

以木孜塔格峰地区为研究区,从不同坡度、坡向的样方内测量雪深和采集光谱,通过分析归一化差分雪盖指数（Normalized Difference Snow Index,NDSI）、反照率、HJ-1卫星的红外波段反射率与雪深的相关关系,建立了适用于HJ-1星的积雪深度反演模型,估算出2012年4月14日-25日木孜塔格峰地区的雪深时空变化,并结合实测数据进行验证。结果表明:反照率反演模型的复相关系数为0.992;通过NDSI阈值区分混合雪盖像元和积雪像元,雪深估测精度可达92.78%。冰川区的反照率、NDSI与海拔的相关系数分别为0.626和0.733,且高海拔带反照率值明显高于低海拔带的反照率值。受西风带降雪的影响,非冰川区的北坡雪深值较大;西坡、南坡次之;东坡最小,且雪深最大值出现在坡度约等于10°处。雪深估测的相对误差随着样地的坡度增大而增加,坡度为15°时相对误差较大。     

基于MODIS数据的土库曼斯坦山区积雪监测

积雪是影响气候变化的重要因子,准确、及时的获取积雪覆盖范围,进行动态变化监测意义重大。利用MODIS数据进行土库曼斯坦积雪监测,提取积雪信息的研究较少。利用MODIS L1B 500 m分辨率数据,通过几何校正、去云预处理,应用归一化差分积雪指数（NDSI）算法和综合阈值判别法,获取了土库曼斯坦2011年11月～2012年4月山区积雪覆盖范围和面积等数据信息,揭示了土库曼斯坦山区积雪发生的时空特征。土库曼斯坦南部的科佩特山区是该国降雪的核心地区,积雪面积均在1月达到最大值,随后积雪面积随温度的升高而减少。山区积雪面积、月均气温、月降雨量之间存在着显著的相关性,其相关系数分别为0.742 9和0.568 4。结果表明,在监测时段积雪面积随气温的降低、降雨量的减少而增加。     

MODIS数据在云南省积雪监测中的应用

介绍了EOS／MODHS数据特点。通过对雪的光谱特征分析，提出利用归一化积雪被指数NDSI结合归一化植被指数进行积雪信息提取的方法。并以2004年2月7日云南省大面积降雪过程为例，分析和讨论了该次过程的范围和面积。结果表明：MODIS数据在云南省积雪监测方面有很好的应用前景。     

基于Landsat时间序列遥感数据的华北平原农田火烧迹地检测与制图

以河南省漯河市、周口市和驻马店市交界处为研究区,基于2000年10月~2011年12月间的101幅图像,采用谐波模型和断点识别算法拟合Landsat时间序列实现对过火像元的检测,并将结果与目视解译结果、MODIS火烧迹地产品MCD64A1检测结果对比进行精度分析。结果表明：① 随着燃烧面积指数BAI (Burned Area Index)异常值阈值增大,焚烧火点误判误差减小,漏判误差增大,火烧迹地制图的总体精度先增大后减小;② 当BAI异常值阈值2.9×RMSE（Root Mean Square Error）时,该方法总体精度达到最高93.25%,MCD64A1产品总体精度为70.25%;③ 本文算法的漏判误差和误判误差相对平衡,而MCD64A1产品的漏判误差远大于误判误差。研究表明,相比MODIS火烧迹地产品数据,Landsat时间序列火烧迹地法可更有效地检测农田火烧迹地。     

基于支撑向量回归的二端元混合像元分解

针对遥感影像混合像元光谱复杂,其非线性特征,传统LSMM分解模型难以进行有效的混合像元分解的不足。通过基于SVR的二端元混合像元分解的研究,从真实遥感影像上获取典型的植被、非植被光谱信息,构造二端元混合光谱库,进行SVR模型的混合像元分解。当样本量为6%时,交叉验证获得最佳模型参数（C=1024.0和g=4.0）,进一步对全部混合像元进行混合像元分解。实验结果表明：SVR分解结果RMSE为5.95,R²为0.958,优于LSMM方法（RMSE=7.71,R²=0.932）,且在各个不同真值丰度下具有更好的稳定性,证明该方法对于非线性混合光谱具有很好的学习和推广能力。此外,该方法的精度不随训练样本量的增加呈明显变化,体现出SVR在有限样本情况下能够保证高效率的训练能力。     

基于HJ-1B数据的雪盖提取方法研究——以军塘湖流域为例

 HJ-1A、1B卫星具有较高的时间和空间分辨率,适合小流域尺度的积雪动态监测研究。本文基于HJ-1B数据,选取军塘湖流域,针对同时具有HJ-1B/CCD、IRS数据和只有HJ-1B/CCD数据两种情况展开雪盖提取方法研究。对于第一种情况,因研究区南端有大面积森林覆盖,会影响雪像元识别,选用[WTBX]NDSI[WTBZ]和[WTBX][STBX]S3[WTBZ][STBZ]两种雪盖指数,并利用[WTBX]NDVI[WTBZ]或TM影像反演的林区辅助判识积雪。结果表明:当有植被信息辅助分类时,两种雪盖指数均能较好提取出森林覆盖区的积雪,且提取结果基本一致,精度较高。对于第二种情况,因无法计算雪盖指数,采用光谱与纹理信息结合的SVM法提取雪盖,提取的面积和精度与上述方法相比略低,但很接近,说明在缺少[WTBX]IRS[WTBZ]数据的情况下,仅利用CCD仍可提取出较为准确的雪盖,满足实际应用需求。     

基于遥感和机器学习的内陆水体水深反演技术

文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel_2多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明：1）RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。     

基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演

植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明：随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元（试验区）、区域（研究区）尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关（P<0.01）;在单元、区域尺度上,构建的植被覆盖度反演模型测试集R²分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度（R²=0.78,大于0.63）,也为区域生态环境监测与生态系统健康评价提供支持。