全天候地表温度遥感获取进展与挑战

如何获取全天候地表温度对促进相关研究具有十分重要的意义。卫星热红外遥感地表温度虽然在反演理论方法和科学数据产品等方面已相对成熟，但热红外难以穿透云雾的特点导致反演得到的地表温度在云下有大量缺失；被动微波遥感虽能获取云下地表温度，但由于物理机制和成像方式的限制，存在空间分辨率不足、精度较低、轨道间隙较大等问题。通过卫星单源遥感难以直接获取中等空间分辨率、不受云雾影响的全天候地表温度。从原理、方法、产品和应用方面回顾并归纳了当前全天候地表温度的研究进展和面临的主要问题。基于有效观测重构和多源数据集成是获取全天候地表温度的两种基本途径，前者可分为时空插值和基于能量平衡方程插值两类，后者则可分为热红外与被动微波遥感集成、热红外与再分析资料集成。多源数据集成可以整合热红外遥感、被动微波遥感、再分析资料各自的优势，具有较大的研究价值和潜力。在产品方面，分析了当前学术界已公开发布的5种全天候地表温度产品。在应用方面，虽然部分全天候地表温度产品已在土壤湿度、地表蒸散发估算与同化方面取得了一些应用成果，但其在其他领域的应用亟待挖掘。此外，对全天候地表温度的未来研究方向和重点进行了讨论和展望。     

长春地区地表温度异常遥感分析

热红外遥感是一项探测地热资源、植被覆盖、农作物估产等生态环境评价研究的重要技术。本次使用Landsat 7/ETM＋热红外波段（band 6）,基于单通道算法,对长春地区地表温度应用反演,从而为研究该区地热资源、土地覆盖、城市热岛效应及环境评价提供可靠的依据。研究表明,热红外遥感能够有效探测到地表温度异常,而引起其异常的原因有待我们就一步验证和深入研究。     

顾及时空特征的FY-4A云覆盖像元地表温度重建模型

热红外遥感为地表温度(land surface temperature,LST)时空全局快速获取提供了有效手段,但目前已有的地表温度产品未估算云覆盖像元地表温度,如何估算地表温度产品中空值像元的地表温度,得到无缝的地表温度数据,是热红外遥感的研究难点。针对该问题,提出了一种顾及时空特征的LST重建模型,该模型首先在时间域对LST空值进行重建,然后在空间域对LST空值进行重建,最后采用Savitzky-Golay滤波器对重建的LST数据进行平滑去噪,实现LST的空值重建。以黑河流域为研究区域,以风云四号A星(Fengyun 4A,FY-4A)数据为例,计算了该模型在不同天气条件下的重建精度,并分析了不同空值区域大小对重建结果的影响。结果表明,所提方法能解决晴空和多云天气下有空值像元的LST重建问题,一天内LST连续空值数目为1～31时,重建的均方根误差为0.405～1.915 K,决定系数R2为0.952～0.989;与传统的昼夜温度变化模型相比较,该模型不受有效LST像元数量和LST分布时刻的影响。     

热红外遥感地表温度与发射率地面验证进展

地表温度与发射率是地表—大气系统长波辐射和潜热通量交换的直接驱动力,是描述区域和全球尺度上地表能量平衡与水平衡的重要参数,其时空变化信息在气象预测、气候变化、水循环、地质勘探、农林监测和城市热环境等诸多领域具有广泛的应用。热红外遥感作为当前获取区域或全球尺度上地表温度和发射率的最有效手段之一,相较于传统的地面点位测量方法,具有空间覆盖范围大和重复观测等优势。对热红外遥感定量反演的地表温度与发射率产品进行地表真实性验证,有利于发现遥感数据自身或其反演算法的缺陷,确定产品的精度与不确定度,便于遥感产品的应用与推广。本文首先回顾了地表温度和发射率的定义,阐述了热红外遥感可反演、地面可测量的地表温度和发射率的科学内涵,并对利用热红外遥感数据反演地表温度和发射率的理论和方法作了概述;对地表温度和发射率地面验证的框架体系、验证指标进行总结,建立了基于精度、精确度、不确定度、完整性和稳定性的验证评价指标体系;总结了地表温度和地表发射率的地面验证方法、地面测量方法、辅助数据的获取方法、地表温度地面测量的采样方法,以及在验证异质非同温地表时从点到像元尺度的地表温度尺度转换方法等,分析了地面验证过程的主要误差来源;归纳了目前地表温度和地表发射率主要验证站点、观测网络及其空间分布特征;最后,本文讨论了地表温度与发射率地面验证存在的若干问题,并对地表温度与发射率验证工作的发展前景和趋势进行了相关展望。     

机器学习辅助下的概率积分法参数预计模型寻优

收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。     

FY-3D MERSI-II地表温度遥感反演与验证

地表温度是是决定地表辐射能量收支的重要变量,在岩石圈、水圈、生物圈和大气圈的能量平衡和水量平衡研究中起着重要作用。利用热红外遥感技术可实现区域和全球尺度地表温度的快速获取,其受到了研究者的广泛关注。目前,FY-3D是国内光谱分辨率最高的对地观测卫星,极大的提高了对地观测能力,其搭载的中分辨率光谱成像仪（MERSI-II）经过大幅升级改进,性能有了显著提升,热红外数据的空间分辨率达到了250 m。本文使用大气辐射传输模型MODTRAN 5模拟了MERSI-II传感器热红外通道星上观测数据。在此基础上,构建了通用劈窗地表温度反演模型,结合ASTER GED全球地表发射率产品以及MERSI-II自身大气水汽反演算法,发展了地表温度遥感反演方法。最后,利用2019-08内蒙古乌海沙漠地区及美国SURFRAD多个站点的实测地表温度数据对本文提出的方法进行了验证。研究结果表明,相较地表实测数据,构建的劈窗算法反演的地表温度RMSE在1.6—2.6 K,反演精度达到了预期目标,还具有较高的空间分辨率,可以用于业务化的地表温度的反演,同时也说明其辐射定标精度有了一定保证,有效满足了区域和全球尺度地表温度遥感监测应用需求。     

云下遥感地表温度重构方法研究

地表温度是研究地-气之间水热平衡的重要参数,对地表温度的全天候获取具有重要意义.热红外遥感可以获得较高分辨率空间全覆盖的地表温度产品,但是有云地区数据缺失问题制约了地表温度遥感产品的全天候应用.文章发展了2种对云下缺失的地表温度进行重构的方法,方法1是借助地表温度同化数据集发展了一种时空匹配的数据融合方法,方法2是将当...     

多尺度特征融合神经网络的地表覆盖提取

深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F₁均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F₁均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。     

遥感影像云检测网络泛化性能研究：以DeepLabv3+为例

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。     

地温敏感波段的遥感图像反演算法研究

针对应用于地表温度反演的航天遥感数据波段选择问题,文章提出了利用波长范围为8~10.5μm的热红外遥感数据反演地表温度的单通道反演算法:从温度敏感性的角度证明了利用波长范围为8~10.5μm的遥感数据反演地表温度的合理性;在此基础上,将仪器光谱响应率引入到基于大气校正原理的单通道反演算法中,提高了地表温度的反演精度。最后通过实验证明了利用此波段的热红外遥感数据反演地表温度的可行性。     

Pinpointing the sources and measuring the lengths of the principal rivers of the world

Abstract

Cultures throughout the world are associating with the rivers. People depend upon the rivers and their tributaries for food, water, transport, and many other aspects of their daily lives. Unfortunately, human beings have not calculated the accurate lengths for the great rivers even today. The lengths of the rivers are very different in popular textbooks, magazines, atlases and encyclopedias, etc. To accurately determine the lengths of the principal rivers of the world, the combination of satellite image analysis and field investigations to the source regions is proposed in this paper. The lengths of the Nile, Amazon, Yangtze, Mississippi, Yellow, Ob, Yenisey, Amur, Congo and Mekong, with lengths over or close to 5000 km, were calculated using the proposed method. The results may represent the most reliable and accurate lengths of the principal rivers of the world that are currently achievable.     

多边形直角房屋外墙体一半面积计算模型的研究

在不动产测量中,计算外墙体一半面积的数学模型,只有针对四边形直角房屋的数学模型,而对于多边形直角房屋计算外墙体一半面积的数学模型还没有发现,这给分析多边形直角房屋外墙体一半面积的精度带来困难,本文通过研究分析,推导出了多边形直角房屋外墙体一半面积的数学模型,供研究面积精度者参考。     

从平差问题的基准看秩亏自由网平差的应用

本文主要阐述经典的最小二乘间接平差和秩亏自由网平差的基准,并据此讨论秩亏自由网平差的实际应用。     

圆形标志及其椭圆构像间中心偏差的确定

当目标面与像片平面不平行时,圆形标志的像将为椭圆,椭圆的中心与标志中心的像存在偏差。当标志较大时,此偏差将显著影响求解的精度。揭示了偏差的方向性,导出了求解偏差的方程,给出了偏差的解算步骤     

国家一等水准网复测高程变化分析及其成果使用

分析国家一等水准网点复测高程的变化量值与分布特征以及导致高程变化的原因，对现有国家水准网点高程的使用提出建议。     

论真误差拟准解的基本特性

本文将回答这样一个问题：为什么拟准检定法能准确地定位粗差并估计出粗差大小？首先从理论上论证真误差的估值的重要特性：真误差拟准解的大小完全由它对应的观测值中的粗差决定,因此它能直接反映粗差的位置和大小。本文还用算例验证了这一结论。     

Modeling the length of day and extrapolating the rotation of the Earth

The stochastic behavior of the length of day (LOD) process is analyzed and is modeled within statistical accuracy on a time-scale ranging from weeks to millennia by a three-component model comprising a global Brownian motion process, decadal fluctuations, and a 50-day Madden–Julian oscillation. While the model is intended to be phenomenological, some possible physical models underlying the three components are speculated upon. The model is applied to estimate long-range extrapolation errors. For example, it predicts a standard error of 1 h in the clock-time correction ΔT for extrapolation by 1,500 years from 500 to 2000 BC.