遥感技术在我国海冰研究方面的进展

本文首先对遥感技术在我国海冰研究中的发展情况作了详细地论述,并介绍了几种常用于海冰研究的遥感数据;其次,从海冰厚度识别、海冰运动速度矢量计算、海冰资源量测算以及海冰灾害监测等四个方面,简单论述了遥感技术在海冰研究中的应用。最后,以渤海海冰为例,阐述了遥感技术的具体应用,同时指出了今后的发展方向。     

冬季浙闽沿岸水分布的短期变动与风的关系初探

利用1999年7月至2003年5月期间的遥感数据,包括AVHRR海表层温度、QuikSCAT风场和风应力数据,在分析4年内月平均遥感温度场和风场特征与历年现场观测所获得的认识一致的基础上,选取2002年002-008天这一连续晴空的时段,尝试建立简单的沿岸冷水影响面积表征方法,初步探讨了冬季台湾海峡浙闽沿岸水分布的短期变动与风应力之间的关系。结果表明,风是决定冬季台湾海峡海表层温度逐日变动的关键因素,日平均SST与风应力的相关系数R2达到0·90。采用温度法(SST≤17℃)和温度空间距平法(≤-1℃)表征的浙闽沿岸水影响面积的变化趋势基本一致,而且影响面积的逐日变动与风应力显著相关,二者的相关系数R2分别达到0·90和0·91。     

昆仑山地震前长波辐射异常特征分析

应用NOAA、AVHRR资料反演的地气长波辐射值OLR对2001年11月14日昆仑山口西8.1级地震进行了追踪研究。结果表明：2001年10月起OLR出现明显的异常带，随时间的变化，异常区域不断向未来的震源聚拢，并且在未来地震震中区持续存在小的OLR高值闭合区，10月开始OLR出现突出的反常升势。     

沙尘源区AVHRR数据地表温度时序变化与沙尘干量TSP数据的对比分析——以2001年春季北方强沙尘过程为例

根据沙尘暴起沙、传输与降沉模型系统对参数的需求，中日亚洲沙尘暴项目在源区、传输区和降沉区布设了先进的仪器设备，其中沙尘干量TSP数据是主要获取的数据，同时利用气象卫星获取沙尘过程的云图和反演沙尘过程的地表物理参数。由于不同土地利用／覆盖对沙尘暴过程中起沙的贡献不一样，研究中用局地分裂窗算法反演NOAA／AVHRR热红外波段数据的地面温度参数；取得大范围的时序地面温度数据后参照1：10万土地利用／覆盖类型重采样图层选点提取地表温度，形成不同点时间序列变化曲线；最后将不同地类的地表温度时序变化曲线与观测点沙尘干量TSP时序变化曲线对比分析，发现两者具有较好的对应关系，说明沙尘暴过程地表温度变化现象与沙尘有密切的关系。结果表明，利用遥感数据反演地面温度参数可以作为沙尘预报模型的重要参数。     

基于人工神经网络的赤潮卫星遥感方法研究

根据赤潮的卫星遥感探测机理，应用人工神经网络技术，建立和利用NOAA AVHRR可见光和热红外波段遥感数据的BP神经网络赤潮信息提取模型。应用实例显示。基于该人工神经网络方法可以提取赤潮发生地点和范围等信息，赤潮探测正确率达到78.5%。研究结果表明，应用人工神经网络方法提取赤潮信息是可行的。本文中建立的BP赤潮信息提取模型适当修改后可移植应用于其它传感器遥感数据进行赤潮信息提取。     

应用核驱动BRDF模型与AVHRR数据监测撒哈拉土壤表面动态变化(英文)

将要用来处理来自即将开始运行的ＥＯＳＭＯＤＩＳ和ＭＩＳＲ仪器的ＢＲＤＦ／反照率乘积的反照率反演程序包中的ＢＲＤＦ模型在该文中被用来对来自ＡＶＨＲＲ数据的ＳＡＨＥＬ地区的方向反射数据进行建模。模型被证明能够很好地描述观测到的数据。同时也讨论了核的选择和导出模型的参数所含的信息内容等问题。     

用NOAA卫星监测甘肃森林草原火灾

本文介绍利用ＮＯＡＡ极轨气象卫星ＡＶＨＲＲ资料监测森林草原火点的原理和方法。对甘肃省１９９２年１０月至１９９６年１２月监测到的火点进行时空统计，分析了火灾监测中可能产生的误差原因，并提出相应改进措施。     

Seasonal and inter-annual relationships between vegetation and climate in central New Mexico, USA

Linear correlations between seasonal and inter-annual measures of meteorological variables and normalized difference vegetation index (NDVI) are calculated at six nearby yet distinct vegetation communities in semi-arid New Mexico, USA Monsoon season (June–September) precipitation shows considerable positive correlation with NDVI values from the contemporaneous summer, following spring, and following summer. Non-monsoon precipitation (October–May), temperature, and wind display both positive and negative correlations with NDVI values. These meteorological variables influence NDVI variability at different seasons and time lags. Thus vegetation responds to short-term climate variability in complex ways and serves as a source of memory for the climate system.     

Discrimination between climate and human-induced dryland degradation

In this study we present a technique to discriminate between climate or human-induced dryland degradation, based on evaluations of AVHRR NDVI data and rainfall data. Since dryland areas typically have high inter-annual rainfall variations and rainfall has a dominant role in determining vegetation growth, minor biomass trends imposed by human influences are difficult to verify. By performing many linear regression calculations between different periods of accumulated precipitation and the annual NDVI_max, we identify the rainfall period that is best related to the NDVI_max and by this the proportion of biomass triggered by rainfall. Positive or negative deviations in biomass from this relationship, expressed in the residuals, are interpreted as human-induced. We discuss several approaches that use either a temporally fixed NDVI peaking time or an absolute one, a best mean rainfall period for the entire drylands or the best rainfall period for each individual pixel. Advantages and disadvantages of either approach or one of its combinations for discriminating between climate and human-induced degradation are discussed. Depending on the particular land-use either method has advantages. To locate areas with a high likelihood of human-induced degradation we therefore recommend combining results from each approach.     

AVHRR 1B定位数据经验插值模型的误差分析

确定像元地理坐标是几何纠正及卫星数据应用的基础。经验插值方法常用于计算高分辨率辐射计AVHRR1B定位数据,研究插值模型的定位误差具有重要意义。该文分析了AVHRR像元空间位置和像元大小,利用AVHRR扫描线的圆心角θ表示像元的位置,建立了像元位置θ和像元大小Δθ的表达模型;根据分段线性插值模型,计算插值后的像元位置θafter和像元大小Δθafter,获得分段线性插值模型的像元位置和大小的误差模型。