基于多源数据的内蒙古中东部积雪厚度研究

积雪作为气候系统中重要的环境影响因素受到了普遍的重视,特别是在高纬度、高海拔地区,积雪面积和积雪厚度是积雪研究的两个重要因子。利用2010年11月8日、14日和25日三天的MODIS L1B数据,根据在可见光波段,地表、云和雪在该波段的反射率都比较高的特点,计算得出的积雪覆盖面积空间分布图。积雪深度受降雪量、坡度、坡向等多因素的影响表现为不连续分布,单纯利用气象监测站点无法获得积雪厚度的空间连续分布,而遥感影像也受到局地特征的影响而精度不够。因此,首先基于经验公式,利用MODIS L1B数据计算了积雪覆盖面积,在此基础上,基于气象监测点的积雪深度数据和MODIS L1B波段的相关性,选择影像数据的最优通道,通过建立多波段的积雪深度回归模型,并且对积雪深度进行空间连续插值,通过将模拟的积雪深度与监测点插值结果进行对比,发现统计回归的方法有效的提高了积雪深度、覆盖度等雪情监测信息精度。     

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。     

从AVHRR到MODIS的雪盖制图研究进展

雪盖面积是水文、气候模型中重要的输入参数之一。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。阐述积雪遥感基本原理以及积雪遥感监测的研究进展，介绍现阶段应用较广的基于AVHRR和MODIS数据的雪盖制图算法，并通过对制图算法的比较和分析得出，MODIS雪盖制图算法的精度和效率都比AVHRR算法高。最后讨论现阶段雪盖制图算法误差的主要来源：大气状况、地表覆盖、积雪物理特性的复杂性以及使用相同的检测阈值等，并提出解决方法。     

基于微波遥感数据的雪情参数反演方法

微波遥感传感器在36.5 GHz通道会因雪深超过其穿透深度而出现信号饱和,从而导致雪深被低估。针对该问题,首先建立了18.7 GHz与36.5 GHz通道亮温差和10.7 GHz与18.7 GHz通道亮温差相结合的积雪深度分层反演新方法,然后利用GCOM-W1星上搭载的AMSR2传感器数据估算了2012年12月至2013年2月新疆每日积雪深度,结合同期的气象站点观测数据与野外实测数据对遥感反演结果进行了评价。结果表明,所建立模型能够很好识别新疆地区积雪的空间分布状况,雪深的估算结果明显优于常用的Chang模型。     

森林生态系统遥感监测技术研究进展

森林是陆地生态系统的主体,森林生态系统监测技术是实现森林可持续利用与全球变化研究的重要支撑与信息保障。从4个方面概述了遥感技术在森林生态系统监测中的应用研究进展：森林遥感分类及变化监测、森林植被参数遥感反演、森林蓄积量与生物量遥感估算、森林干扰遥感监测等。结合遥感技术的发展,总结了森林生态系统监测中使用的多源遥感数据和各类模型,提出集成地面调查数据、高分地-空雷达扫描监测技术,以及多源光学遥感建模技术和生态系统过程模型,构建多维度、多尺度、高时间密度的森林生态系统监测平台的研究展望。     

多源遥感数据协同的我国草原积雪范围全天候实时监测

草原积雪信息的获取对于确定草原雪灾的影响范围与灾情等级等具有重要意义。基于光学遥感与微波遥感应用于草原积雪监测的各自优缺点,提出了将光学MODIS数据与被动微波AMSR-E数据有效协同进行我国草原积雪实时监测的业务流程,阐述了相关算法和实现步骤;进而结合农业部要求,对我国雪灾最严重的省区之一——内蒙古草原2007年12月1日至2008年1月20日期间的雪灾状况进行了全天候实时监测,取得了实际监测效果,成功地获取了总计达到51天的连续监测数据,揭示出了监测时段期内蒙古草原积雪发生的时空状况。所提出多源遥感数据在我国草原积雪监测中协同应用算法及其技术路线实现了对草原积雪的全天候实时监测,可应用于我国草原积雪监测的业务化运行,可提升我国雪灾减灾应急基于先进遥感手段的应用水平和监测精度,积极服务于国家雪灾应急减灾的迫切现实需求。     

融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取

以黑龙江流域中的扎龙湿地及其上游区域为研究区,将Sentinel-2红边波段和Sentinel-1雷达波段影像数据相结合,根据面向对象原理,采用随机森林算法,对研究区的湿地进行遥感分类和信息提取;利用3种特征变量集,进行实验对比,研究红边波段反射率和雷达后向散射系数对湿地信息提取的作用。研究结果表明,红边波段反射率和雷达后向散射系数对土地覆盖分类精度的提高起到了重要作用,两者结合得到的分类结果的总体精度达到了88.72%,Kappa系数为0.87,其中,水体、水田和沼泽的用户精度分别为100%、98.18%和91.37%。利用红边波段和雷达波段影像数据,分别使土地覆盖分类总体精度提高了5.26%和2.51%,红边波段影像数据对沼泽提取精度的提高贡献最大,使生产者精度提高了12.5%。     

冰川冰储量计算方法及发展趋势

冰川冰储量不仅是冰川的重要属性,而且是核算冰川水资源及预测冰川变化的基础数据,因此准确计算冰川冰储量及其变化具有重要的理论与现实意义。目前冰川储量估算的主要方法有经验公式法、冰厚模型估算法、探地雷达法;冰川储量相对变化计算方法有实地测量法和遥感监测法。通过系统分析和讨论各计算方法的原理、现状及存在的问题,以期为冰川储量估算提供方法参考。研究表明：对于冰川冰储量计算而言,经验公式法适用于区域性或全球性的冰川储量估算;模型估算法适用于个体或小范围冰川储量估算;探地雷达法适用于人类易到达区域冰川储量的估算。对于冰川冰储量相对变化计算,实地测量法适用于对精度要求高且满足实地测量条件的单条或中小型冰川,遥感监测法适用于全球性冰储量变化估算,但需改进算法和提高数据空间分辨率。目前,随着无人机技术的逐步应用,以及冰川流速等理论模型的提出,为冰川冰储量估算方法的发展提供了新契机。     

利用NOAA-AVHRR数据进行积雪监测与制图的方法研究

本文在总结分析国内外现有方法的基础上,并根据大量的实验研究,介绍了利用NOAA－AVHRR遥感数据进行积雪监测和流域雪盖制图的方法。文章侧重介绍了AVHRR数据在积雪制图应用中的数据处理方法。也较为详细地介绍了利用遥感数据和地形数据的复合进行积雪信息提取的方法。研究表明：在地形相对复杂的地区使用AVHRR数据进行积雪监测和制图,采用监督分类的方法可获得较为理想的分类结果。利用GIS的空间分析方法,实现遥感和地形数据的复合分是积雪遥感制图高效和实用的方法之一。     

融雪径流研究的理论与方法及其在干旱区的应用

融雪径流是干旱区河流的重要补给水源,融雪径流研究是干旱区水资源管理及分配的重要组成部分。基于国内外大量研究成果,本文从理论和方法入手对干旱区融雪径流研究现状进行分析和总结。理论研究是融雪径流发展及应用的基础,理论研究部分包括气候变化对融雪径流的影响、融雪径流水过程与物质迁移研究及融雪径流模拟研究;研究方法是融雪径流研究得以进行的数据和技术条件,研究方法部分包括基于站点数据和传统统计分析方法的融雪径流研究和站点数据与遥感数据相结合的分布式或半分布式融雪径流研究。最后,结合现有研究理论和研究方法,本文简要分析了干旱区融雪径流研究存在的主要的问题和展望融雪径流研究的趋势,包括融雪径流对气候变化的响应模式、积雪遥感监测和分布式融雪径流的模拟。     

用EOS/MODIS资料反演积雪深度参量

利用EOS/MODIS可见光、近红外及短红外多通道资料以及新疆地区积雪深度气象台站实测资料等,在考虑积雪性质包括积雪粒子相态、积雪年龄等的差异以及积雪区的下垫面条件包括地表粗糙度、土地覆盖类型等的不同的情况下进行积雪分类,在此基础上,建立EOS/MODIS积雪深度反演模型,实现深度在30 cm以内的积雪深度反演的主要原理、思路及方法,并对模型的反演结果进行了验证。结果表明,利用该模型对30 cm以内的积雪进行深度反演计算,其精度能达到80%以上。     

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。     

基于纹理特征的香格里拉县冷杉林郁闭度遥感估测研究

以香格里拉县2006年TM影像、2006年森林资源二类调查小班数据为信息源,结合研究区冷杉林地面实测标准地（30m×30m）数据,提取香格里拉县冷杉林TM影像分布信息及标准地纹理特征因子（共48个）,对各因子进行相关分析;利用主成分法对纹理特征因子进行因子分析,最终选出13个纹理特征因子利用偏最小二乘法进行回归建模并进行模型精度检验。根据回归估测模型以及提取出的冷杉林各波段纹理特征因子,进行研究区冷杉林郁闭度反演。结果表明,基于遥感影像纹理特征建立的郁闭度遥感估测模型,其RE=13.8%,RMSE=10.39,精度为83.3%。研究区冷杉林郁闭度反演可知冷杉林郁闭度多分布在0.6~0.7范围内,多为中度郁闭林地。     

Plowing paradise: snow clearing and urban solar radiation absorption

Abstract

Urban heat islands result from human modification of land surfaces. Snow cover reduces heating due to its reflectivity; however, urban snow is quickly plowed, thus altering surface radiative properties. The goal of this study was to evaluate the extent to which municipal snow removal affects the magnitude of solar input associated with changes in the radiation balance. Incoming and reflected shortwave radiation, surface radiating temperature, air temperature, and snow depth were measured with portable devices at eight sites in Syracuse, New York. Sites were classified as cleared, undisturbed, or snow piles. Measurements were taken following fresh snowfall, and continuing until snow had melted. A HOBO weather station provided hourly baseline conditions. Longevity of snow varied across snow site types, with greater persistence when in piles and on open areas. Albedo was reduced and surface temperatures were higher over cleared areas. The difference between absorbed energy due to clearing was quantified using an albedo regression model for undisturbed sites and comparing these to average reflectivity of cleared surfaces. The magnitude difference over the study period ranged from 841 million to 1670 million MJ. Snow plowing is therefore a significant source of additional energy that enhances the winter urban heat island.     

塔克拉玛干沙漠腹地冬季积雪下垫面地表反照率及土壤温湿度变化特征

利用塔克拉玛干沙漠大气环境观测试验站西站10 m梯度探测系统气象和辐射观测数据,分析了塔中积雪下垫面地表反照率、土壤温度、土壤湿度的变化特征及其相互关系。结果表明：塔中积雪覆盖期间地表反照率0.18~0.97,日均值为0.60;有积雪覆盖的地表反照率日变化更偏向反"J"型,呈现出上午大于傍晚的形态,平均早晚较差为0.13;积雪使0~40 cm深度土壤温度下降,积雪消融后土壤湿度增大使各层土壤温度趋于接近,并使0、10、20 cm深度的土壤温度日变幅呈减小趋势,减小幅度分别为41%、39%、39%;积雪地表反照率与地表温度表现出负相关关系,反照率越高地表温度越低,二者相关系数为-0.71;积雪地表反照率与5 cm深度土壤湿度负相关,高地表反照率对应低土壤湿度,低地表反照率对应高土壤湿度,二者相关系数为-0.74。     

中国天山西部季节性森林积雪雪层温度时空分布特征

利用2009年12月27日～2010年4月2日天山积雪站站区内开阔地和雪岭云杉(Picea schrenkiana)林下6次降雪过程后雪层内时间间隔10 min的温度数据,探讨雪层温度变化特征。结果表明,越接近地表雪层温度越高,且在雪层表面形成冷中心和(局部)暖中心;在积雪稳定期林下雪层温度高于开阔地,融雪期林下低于开阔地;林下雪层冷、暖中心出现时间晚于开阔地,其强度也小于开阔地。林下雪层温度振幅小于开阔地,林下温度振幅拐点以上雪层温度振幅随深度和时间的递减率小于开阔地,拐点以下无明显差异。初冬,林下和开阔地雪层均为较小的正温度梯度,随着气温急剧下降,温度梯度逐渐增大,且从雪表向雪底递减,林下雪层负温度梯度出现时间晚于开阔地。开阔地和林下积雪表层正温度梯度最大值分别达到0.95℃/cm和0.82℃/cm,负温度梯度大值分别达到-0.84℃/cm和-0.35℃/cm;但开阔地全雪层日平均温度梯度小于林下雪层。     

Estimate the influence of snow grain size and black carbon on albedo

Estimation of the influence of snow grain size and black carbon on albedo is essential in obtaining the accurate albedo. In this paper, field measurement data, including snow grain size, snow depth and...     

Comparison and analysis of snow cover data based on different definitions of snow cover days

In order to analyze the differences between the two snow cover data, the snow cover data of 884 meteorological stations in China from 1951 to 2005 are counted. The data include days of visual snow observation, snow depth, and snow cover durations, which vary according to different definitions of snow cover days. Two series of data, as defined by "snow depth" and by "weather observation," are investigated here. Our results show that there is no apparent difference between them in east China and the Xinjiang region, but in northeast China and the Tibetan Plateau the "weather observation" data vary by more than 10 days and the "snow depth" data vary by 0.4 cm. Especially in the Tibetan Plateau, there are at least 15 more days of "weather observation" snow in most areas (sometimes more than 30 days). There is an obvious difference in the snow cover data due to bimodal snowfall data in the Tibetan Plateau, which has peak snowfalls from September to October and from April to May. At those times the temperature is too high for snow cover formation and only a few days have trace snow cover. Also, the characteristics and changing trends of snow cover are analyzed here based on the snow cover data of nine weather stations in the northeast region of the Tibetan Plateau, by the Mann-Kendall test. The results show significantly fewer days of snow cover and shorter snow durations as defined by "snow depth" compared to that as defined by "weather observation." Mann-Kendall tests of both series of snow cover durations show an abrupt change in 1987.     

Spatiotemporal distributions and influences on snow density in China from 1999 to 2008

Ground snow observation data from 1999 to 2008 were used to analyze the temporal and spatial distribution of snow density in China. The monthly maximum density shifted from north to south during the period from October to the following January, and then moved back from south to north during the period from January to April. The maximum snow density occurred at the border between Hunan and Jiangxi provinces in January, where snow cover duration was short and varied remarkably. Snow density in Northeast China and the Xinjiang Uygur Autonomous Region were also high and showed less variation when the snow cover duration was long. Ground observation data from nine weather stations were selected to study changes of snow density in Northeast and Northwest China. A phase of stable snow density occurred from the middle ten days of November to the following February; non-stationary density phases were observed from October to the first ten days of November and from March to April. To further investigate the effects of climatic factors on snow density, correlations between snow density and precipitation, air temperature, snow depth and wind velocity for Northeast and Northwest China were analyzed. Correlation analysis showed that snow depth was the primary influence on snow density.