CE-318太阳光度计及探空数据反演水汽含量与MODIS近红外水汽产品对比

大气水汽含量是遥感定量反演的重要参数。本文利用CE-318太阳光度计,反演了2014年6月至2016年5月南宁市的大气水汽含量,分析其季节变化特征,并将其与探空数据、MODIS近红外水汽产品数据进行相关性分析。结果表明：（1）南宁市大气水汽含量季节变化特征明显：夏季高达4~6 g/cm²,而冬季则只有2 g/cm²,与南宁地处亚热带地区有关。夏季该地区季风气候盛行,大气水汽含量高,冬季季风气候减弱,大气相对干燥。（2）CE-318太阳光度计反演的大气水汽含量（PW）与探空数据获取的水汽含量之间存在良好的线性相关,相关系数为0.877,平均绝对误差为0.42 g/cm²,平均相对误差为10.96%;而MODIS近红外波段反演的水汽精度较低,平均绝对误差为0.74 g/cm²,平均相对误差为18.74%。     

基于MODIS和GPS的D-InSAR大气延迟改正

利用西安地区2006年7月至2009年7月7期GPS观测数据及相应的MODIS数据,分析MODIS水汽的校正模型.运用西安地区的Envisat数据和MODIS水汽数据进行D-InSAR大气延迟改正,实验结果表明:在大气状态变化缓慢时,利用MODIS数据对D-InSAR结果有一定的改善.     

MODIS_LST与AMSR-E_BT的相关性及地表温度反演

本文以2007年和2008年MODIS每日地表温度（LST）数据及AMSR-E地表亮温（BT）数据为研究对象,结合土地覆盖类型数据,统计分析MODIS_LST与AMSR-E_BT在不同土地覆盖类型、频率和极化方式条件下的相关性。结果表明,频率在18.7、23.8和36.5 GHz的AMSR-E-BT与MODIS_LST的相关性较大,且在垂直极化通道上的相关性较在水平极化上大;不同土地覆盖类型,与MODIS_LST相关性较大所对应的AMSR-E微波通道不同。同时,考虑混合像元问题对相关性的影响,对25种不同地物类型组合下MODIS_LST与AMSR-E-BT的相关性进行统计分析,发现混合像元中地物类型越多,则二者相关性越小。最后,采用多元线性回归分析法,根据不同土地覆盖类型建立反演回归模型,对部分研究区域MODIS-LST进行反演,误差平均在±3.15 K以内,与不考虑下垫面覆盖的模型比较,反演MODIS_LST精度平均提高了1.5 K。     

不同BDS星历反演大气可降水量精度分析

基于陕西地区3个GNSS观测站2018年1～6月数据,利用北斗卫星导航系统进行水汽反演。首先利用不同星历产品计算水汽结果,分别与利用IGF解算的水汽结果、探空数据探测结果进行比较;再将不同星历得到的水汽结果进行相互对比。结果表明,利用3种星历都能获得精度和可靠性较高的水汽结果,其中精密星历和快速星历反演水汽的精度相当,各测站偏差均优于1 mm,标准差和均方根误差均优于3.5 mm;利用超快速星历（预报部分）反演水汽在各测站的偏差约为1 mm,标准差和均方根误差均优于5 mm。综合3种产品反演水汽的对应精度可知,利用3种星历产品均可反演大气可降水量,且超快速星历（预报部分）计算的水汽值可为气象预报提供参考依据。     

中国西南地区GPS大气水汽转换系数模型精化研究

利用中国西南地区19个探空站2011～2014年数据,通过积分法计算大气水汽转换系数K。采用2011～2013年的K值对Emardson模型进行精化,分别构建西南地区不顾及和顾及高程因子的K值模型Emardson-I和Emardson-H。利用2014年积分计算的K值检验这两种模型的预报精度,结果表明:1)相对于Emardson-I模型,Emardson-H模型表现出更高的K值预报精度和更好的适应性;2)在高海拔地区,Emardson-H模型预报精度明显优于Emardson-I模型,表明高程因子是影响高海拔地区K值计算的重要因素。将两种新模型用于拉萨站GPS大气水汽反演,Emardson-H模型表现出更优的反演精度,两种模型的反演精度均优于2 mm。     

连续台风时期香港区域的水汽变化分析

利用香港卫星定位参考站网GNSS观测数据,提取强热带风暴"塔拉斯"与热带风暴"洛克"影响期间各测站天顶方向对流层延迟,反演香港区域大气可降水量;根据香港区域49个天文台气象站提供的实测降雨量数据,分析大气可降水量与实际降雨量的相关性,以及两次台风对香港区域水汽时空分布的不同影响。结果表明,大气可降水量在台风影响前期均上升,在大量降雨后回落,但在连续台风的间歇期间,仍高于台风来临前的水平;水汽累积是大量降雨的前提条件,当水汽累积量相近时,水汽累积时长与累积降雨量呈正相关;台风期间大气可降水量值超过65 mm的区域面积与台风等级相关,台风路径对局部水汽分布有一定的影响。     

城市尺度组分温度的ASTER数据遥感反演

为了获取城市尺度组分温度,实现城市水热平衡的高精度反演,探索了一种多波段热红外遥感影像的城市尺度组分温度反演算法.算法选取了植被、土壤和不透水表面等3种组分,并且针对ASTER数据,利用线性混合像元分解方法获取像元平均比辐射率,以MODIS近红外数据估算大气水汽含量和大气透过率,采用牛顿迭代法获取大气平均温度,并用最小...     

基于LTDR AVHRR和MODIS观测的全球长时间序列叶面积指数遥感反演

叶面积指数是描述土壤-植被-大气之间物质和能量交换的关键参数,获取大区域长时间序列叶面积指数有助于研究气候变化条件下植被的响应及反馈。本文利用MODIS观测和经过重新处理的地表长时间数据集（Land Long Term Data Record）LTDR AVHRR数据,生成了全球1981-2012年叶面积指数数据。算法通过建立二者之间像元级关系,利用高质量MODIS观测约束历史AVHRR数据的反演,这有助于减小2种存在显著差别传感器反演结果的不一致性,也有助于提高AVHRR反演质量。首先算法利用高质量MODIS地表反射率反演2000-2012年叶面积指数,然后利用多年每8 d的LTDR AVHRR地表反射率数据计算简单比植被指数（Simple Ratio,SR）,利用SR平均值和MODIS LAI平均值建立像元级AVHRR SR-MODIS LAI关系。在此基础上,实现1981-1999年AVHRR LAI反演,最终得到全球1981-2012年叶面积指数数据。本算法反演的AVHRR和MODIS LAI与全球植被的空间分布吻合,能表征主要生物群系类型的季节变化特征,2个数据集一致性较好,并且与NASA MODIS LAI标准产品（MOD15A2）的空间分布和季节变化曲线吻合较好。     

光学与微波遥感的新疆积雪覆盖变化分析

利用2002-2013年冬季的MODIS光学遥感数据,以及AMSR-E、AMSR2与MWRI被动微波遥感数据,建立了新疆地区冬季每日积雪分布遥感反演模型。首先,将Terra与Aqua双星MODIS的积雪产品融合,初步去云并最大化积雪信息;然后,利用AMSR-E/AMSR2和MWRI被动微波数据进行每日雪盖提取;最后,利用被动微波遥感数据反演得到的每日雪盖结果对双星融合后依然有云的像元进行替换,得到每日积雪分布情况。据此模型提取了11年间冬季的积雪天数信息,结合气象台站观测数据,分析了新疆冬季积雪的年内和年际变化规律。结果表明,新疆地区积雪主要分布在北部新疆,积雪天数与地形关系密切,山区积雪天数较多,盆地及城市区积雪天数较少;积雪天数年内变化是从11月到次年1月随温度降低逐渐增加,从1月到3月积雪天数则逐渐减少。新疆地区积雪天数在这11年中存在一定的波动,积雪天数与该年的平均气温,以及月低于0℃的天数存在显著相关性,与降雪量关系不明显。新疆地区近年来积雪天数重心有向西向南移动的趋势,这可能与全球气候变暖导致多年积雪融化有关。     

基于HJ-1B/IRS的重庆市热岛效应监测应用

本文利用MODIS数据反演大气透射率,利用HJ-1B/CCD进行分类,并反演地表比辐射率.在此基础上,借鉴单窗算法,利用HJ-1B/IRS数据反演得到地表温度,并利用MODIS温度产品对反演结果进行了初步验证.最后利用热场变异指数进一步分析重庆的热岛空间分布特征,并对NDVI与NDBI对热岛效应的影响进行了分析.其结论...     

Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network

It is more difficult to retrieve land surface temperature(LST) from passive microwave remote sensing data than from thermal remote sensing data, because the emissivities in the passive microwave band can change more easily than those in the thermal infrared band. Thus, it is very difficult to build a stable relationship. Passive microwave band emissivities are greatly influenced by the soil moisture, which varies with time. This makes it difficult to develop a general physical algorithm. This paper proposes a method to utilize multiple-satellite, sensors and resolution coupled with a deep dynamic learning neural network to retrieve the land surface temperature from images acquired by the Advanced Microwave Scanning Radiometer 2(AMSR2), a sensor that is similar to the Advanced Microwave Scanning Radiometer Earth Observing System(AMSR-E). The AMSR-E and MODIS sensors are located aboard the Aqua satellite. The MODIS LST product is used as the ground truth data to overcome the difficulties in obtaining large scale land surface temperature data. The mean and standard deviation of the retrieval error are approximately 1.4° and 1.9° when five frequencies(ten channels, 10.7, 18.7, 23.8, 36.5, 89 V/H GHz) are used. This method can effectively eliminate the influences of the soil moisture, roughness, atmosphere and various other factors. An analysis of the application of this method to the retrieval of land surface temperature from AMSR2 data indicates that the method is feasible. The accuracy is approximately 1.8° through a comparison between the retrieval results with ground measurement data from meteorological stations.     

Flood and waterlogging monitoring over Huaihe River Basin by AMSR-E data analysis

In this paper, we investigated the potential of Advanced Microwave Scanning Radiometer for Earth Observation System （AMSR-E） for flood monitoring. The proposed approach was based on the polarized ratio index （PRI）, which was computed by using AMSR-E data at 37GHz, vertically and horizontally polarized brightness temperature values and the water surface fraction （WSF） got by using the PRI at 37GHz. Moderate Resolution Imaging Spectroradiometer （MODIS） data were used to validate the WSF values. The analysis of flood and waterlogging using the WSF map on July 6, 2003 indicates that the use of WSF for flood and waterlogging disaster assessment is feasible. Utilizing the correlation of WSF derived from AMSR-E and water area derived from MODIS, the water area of the Huaihe River Basin were computed by only using AMSR-E data in the summer of 2003, which overcame the influence of cloud on water estimation using MODIS data during flood.     

����MODIS�����������ʪ�ӳ�ģ�ͽ��������о�

?????????????????????????????MODIS????????????о????????μ????????????о???????MODIS??????????????????????????????????????????????????????????????????????????????????????????????????     

An AMSR-E data unmixing method for monitoring flood and waterlogging disaster

Spectral remote sensing technique is usually used to monitor flood and waterlogging disaster. Although spectral remote sensing data have many advantages for ground information observation, such as real time and high spatial resolution, they are often interfered by clouds, haze and rain. As a result, it is very difficult to retrieve ground information from spectral remote sensing data under those conditions. Compared with spectral remote sensing technique, passive microwave remote sensing technique has obvious superiority in most weather conditions. However, the main drawback of passive microwave remote sensing is the extreme low spatial resolution. Considering the wide application of the Advanced Microwave Scanning Radiometer-Earth Observing System (AMSR-E) data, an AMSR-E data unmixing method was proposed in this paper based on Bellerby’s algorithm. By utilizing the surface type classification results with high spatial resolution, the proposed unmixing method can obtain the component brightness temperature and corresponding spatial position distribution, which effectively improve the spatial resolution of passive microwave remote sensing data. Through researching the AMSR-E unmixed data of Yongji County, Jilin Provinc, Northeast China after the worst flood and waterlogging disaster occurred on July 28, 2010, the experimental results demonstrated that the AMSR-E unmixed data could effectively evaluate the flood and waterlogging disaster.     

����MODISˮ�����ݸ���InSAR�еĴ���ЧӦ

????????MODIS??????????InSAR?е????Ч?????????????????????????????????????????????????????????????????????????????????ó????????????Ч???????????ò???????????????MODIS?????????????顣??鷢????????????????MODIS????????????InSAR??GPS????????????????31.25%??     

地表温度的多源遥感数据反演算法对比分析

 多源遥感数据的综合应用是提高地表温度反演精度的有效途径.MODIS数据和Landsat TM数据在我国同一地区获取的时间相差不大,可以获取近似同步的MODIS数据和TM数据.本文将基于MODIS数据反演的大气参数应用于TM影像的地表温度反演,分别对单窗口算法和普适性单通道算法进行了实验研究,应用气象站实测的地表温度数据对反演结果进行了检验,并对比分析了不同土地覆盖条件下两种算法的精度差异.结果表明:两种算法反演精度均较高,单窗口算法反演精度为0.76K,普适性单通道算法反演精度为1.23K;在不同的土地覆盖条件下,两种算法表现出明显的差异性,水体区反演结果差异最小,均值差异仅为0.02K,植被区差异最大,均值差异为0.62K.     

光学信息分解被动微波土壤湿度方法

土壤水分是一个重要生态参量,以被动微波反演土壤水分,不受天气影响,且其算法成熟.但是星载被动微波数据的空间分辨率较低,可适合大区域尺度研究.本文将1km分辨率光学数据MODIS和25km分辨率被动微波数据AMSR- E2级土壤湿度产品结合,利用NDVI-Ts特征空间,去除植被影响,结合前人提出的裸土蒸散模型,将研究区被...