Effect of linear and non-linear mixing on hyper-spectral signatures of snow in the optical region (350–2500 nm)

Study of hyper-spectral behaviour of snow is important to interpret, analyse and validate optical remote sensing observations. To map and understand response of snow-mixed pixels in RS data, field experiments were conducted for linear mixing of external materials (i.e. Vegetation, Soil) with snow, using spectral-radiometer (350–2500 nm). Further, systematic non-linear mixing of snow contaminants (soil, coal, ash) in terms of size and concentration of contaminants is analysed to imitate and understand spectral response of actual field scenarios. Sensitivity of band indices along with absorption peak characteristics provide clues to discriminate the type of contaminants. SWIR region is found to be useful for discriminating size of external contaminants in snow e.g. Avalanche deposited snow from light contaminated forms. Present research provide inputs for mapping snow-mixed pixels in medium/coarse resolution remote sensing RS data (in terms of linear mixing) and suitable wavelength selections for identification and discriminating type/size of snow contaminants (in terms of non-linear mixing).     

基于动态NDSI阈值的每日积雪监测方法

准确掌握积雪覆盖信息对于气象、水文和全球气候变化研究都具有重要的意义。遥感技术在进行大范围、高频率的积雪覆盖监测中发挥着重要的作用。目前,SNOMAP算法是用于积雪遥感监测最普遍的技术手段,其核心是利用固定阈值的归一化差分积雪指数（Normalized Difference Snow Index,NDSI）进行积雪识别,但这种方法忽略了积雪光谱信息的时相变化,会产生积雪监测的误差。本文提出了一种动态NDSI阈值方法,以纯永久积雪像元的平均NDSI值作为参照系调整固定的NDSI阈值,从而削减影像光谱值波动对积雪识别的影响。以三江源地区作为研究区域,将基于每日MODIS数据进行积雪监测最佳的NDSI阈值与同日纯永久积雪像元的平均NDSI值作线性回归,通过每日纯永久积雪像元平均NDSI值的变化来调整用于积雪识别的NDSI阈值。结果表明：① 基于每日MODIS数据进行积雪覆盖监测最佳的NDSI阈值与同日纯永久积雪像元的平均NDSI值之间存在较好的线性关系,决定系数R ²达到0.86;② 三江源地区动态NDSI阈值的范围为0.29~0.37,其平均值在0.33左右,说明MODIS全球积雪面积产品中将NDSI阈值取为0.40会低估三江源地区的积雪面积;③ 与采用固定NDSI阈值0.33的监测方法相比,动态NDSI阈值法近似率、总体分类精度和F值的平均值分别提高了5.17%、0.70%、1.14%。     

FY-4卫星资料在青藏高原地区积雪判识和雪深反演中的应用

青藏高原积雪监测在地球辐射平衡、全球气候变化和生态环境等方面有重要作用,对气候预测、雪灾预测等具有重要意义。FY-4(风云4号)卫星数据具有高时空分辨率的优势,基于FY-4A(风云4号A星)构建积雪监测方法与模型,不仅拓展了静止卫星应用领域,也丰富了积雪监测应用的手段。FY-4的高时间分辨率为积雪监测的研究提供了分钟级数据,对积雪与云的变化掌握的更为细致,但用于积雪监测的波段,因分辨率不高容易导致错判与漏判。本文基于2020年小时级野外地面雪深观测数据、风云3号D星积雪覆盖产品(FY-3D_SNC)数据,构建了基于归一化积雪指数(Normalized Difference Snow Index,NDSI)的FY-4A卫星积雪判识方法,提出了雪深监测模型与等级划分指标。结果表明:NDSI≥0.20是青藏高原地区FY-4A卫星积雪判识的适用阈值,无论有云或无云条件,其漏判率均低于8.0%。地面站点验证结果表明,积雪判识准确率达83.33%以上。空间范围内直接剔除云区后,积雪判识经混淆矩阵验证准确率在82.48%以上。因此,FY-4A卫星在青藏高原地区具有积雪监测的能力。虽然FY-4A卫星对超过10 cm以上雪深不具备区分能力,但可以较好地识别10 cm以下浅雪雪深,相关系数达到0.745,通过了0.001显著性水平检验。据此建立的FY-4A卫星0~10 cm雪深等级指标,总体分级精度达到87.50%。FY-4A卫星雪深反演方法在青藏高原地区对0~10 cm浅雪雪深有较好的估算能力。     

基于ETM+的积雪提取方法研究——以新疆玛纳斯河流域为例

为了高精度地提取积雪信息, 消除森林覆盖区以及结冰河流水体对于积雪信息提取的影响, 以Landsat ETM+为数据源, 分析了玛纳斯河流域积雪信息提取的归一化差值积雪指数阈值, 并建立积雪信息提取方法. 对研究区进行了积雪信息提取, 并与国际数据服务平台所得的积雪信息提取结果进行了比较. 结果表明: 基于Landsat数据利用归一化差值积雪指数提取积雪信息时, 其合理阈值应为0.37; 通过总体精度以及Kappa相关系数在结冰水体区域以及森林覆盖区域的提取结果进行对比, 认定所使用的提取方法更加准确可靠.     

利用非线性NDSI模型进行积雪覆盖率反演研究

基于统计回归的积雪覆盖率反演方法适合提取大范围区域的积雪覆盖率,提出了基于归一化积雪指数(NDSI)的非线性积雪覆盖率回归模型,利用阿拉斯加、西伯利亚和内蒙古地区的样本数据进行回归分析,估计模型参数,并利用建立的回归模型提取天山地区和祁连山地区的积雪覆盖率进行了验证。结果显示,基于NDSI的非线性积雪覆盖率回归模型对样本数据的拟合度和利用模型提取的积雪覆盖率精度相对于线性模型均有一定的提高。     

Snow accumulation in forests from ground and remote‐sensing data

Winter‐forest processes affect global and local climates. The interception‐sublimation fraction (F) of snowfall in forests is a substantial part of the winter water budget (up to 40%). Climate, weather‐forecast and hydrological modellers incorporate increasingly realistic surface schemes into their models, and algorithms describing snow accumulation and snow‐interception sublimation are now finding their way into these schemes. Spatially variable data for calibration and verification of wintertime dynamics therefore are needed for such modelling schemes. The value of F was determined from snow courses in open and forested areas in Hokkaido, Japan. The value of F was related to species and canopy‐structure measures such as closure, sky‐view fraction (SVF) and leaf‐area index (LAI). Forest structure was deduced from fish‐eye photographs. The value of F showed a strong linear correlation to structure: F = 0·44 ? 0·6 × SVF for SVF < 0·72 and F = 0 for SVF > 0·72, and F = 0·11 LAI. These relationships seemed valid for evergreen conifers, larch trees, alder, birch and mixed deciduous stands. Forest snow accumulation (S_F) could be estimated from snowfall in open fields (S_o) and to LAI according to S_F = S_o (1 ? 0·11 LAI) as well as from SVF according to S_F = S_o (0·56 + 0·6 SVF) for SVF < 0·72. The value of S_F was equal to S_o for SVF values above 0·72. The value of sky‐view fraction was correlated to the normalized difference snow index (NDSI) using a Landsat‐TM image for observation plots exceeding 1 ha. Variables F and S_F were related to NDSI for these plots according to: F = ?0·37NDSI + 0·29 and S_F = S_o (0·81 + 0·37NDSI). These relationships are somewhat hypothetical because plot‐size limitation only allowed one sparse‐forest observation of NDSI to be used. There is, therefore, a need to confirm these relationships with further studies. Copyright © 2004 John Wiley & Sons, Ltd.     

HJ-1B卫星遥感影像的积雪识别

针对国产卫星HJ-1B数据积雪像元识别的问题,该文分析了归一化差分积雪指数法和改进的归一化差分积雪指数法的优缺点,并根据积雪与其他地物的光谱特征变化幅度的差异性,提出了一个仅用HJ-CCD数据作为数据源的积雪识别方法。实验中,选取了两块不同特征的影像进行试验,以神经网络分类结合目视解译方法的提取结果作为标准进行精度评价。结果表明,该文提出的方法操作简单,能快速、准确地识别区域积雪覆盖面积。     

基于AVHRR影像的北半球积雪识别算法

针对2000年前北半球较高时空分辨率和高精度的历史积雪范围数据缺失问题,利用NOAA-AVHRR地表反射率数据,以Landsat-5 TM生成的积雪范围影像作为参考真值,优化基于多指标的多级决策树积雪识别算法的阈值,并结合云雪混淆区分技术,生成了北半球AVHRR 1981—1999年L1级逐日积雪范围数据集。此外,针对AVHRR在高纬度地区数据完全缺失和低纬度地区数据部分缺失问题,利用微波雪深数据集进行填充,生成了北半球L2级逐日积雪范围数据集。最后,利用北半球1981—1999年间2 546个气象台站记录的雪深数据和939景Landsat-5 TM参考积雪范围影像作为验证数据,对AVHRR积雪范围数据集进行了精度验证。结果表明：L1级和L2级数据集的总体精度分别为81.8%和82.2%,用户精度分别为83.7%和83.8%,生产者精度分别为81.7%和84.2%,说明算法精度较高,错分误差和漏分误差均比较均衡。进一步利用Landsat-5 TM参考积雪范围影像对L2级数据集进行面上精度评估,发现L2级数据集的总体精度为90.3%,用户精度为90.2%,生产者精度为99.1%,L2级数据集精度较高。生成的北半球历史数据集可为全球积雪变化研究提供有效数据补充。     

1953 - 2016年华山积雪变化特征及其与气温和降水的关系

利用华山气象站1953 - 2016年气象观测资料和1989 - 2016年Landsat TM卫星遥感影像数据, 分析华山积雪变化的基本特征及其与气温、 降水和大气环流的关系。结果表明： 1953 - 2016年华山平均积雪日数78.5 d, 积雪主要出现在每年的10月 - 次年5月, 64 a来积雪初日推迟, 终日提前, 初终间日数减少, 年度、 冬半年、 冬季积雪日数分别以8.3 d?（10a）^-1、 7.6 d?（10a）^-1、 4.7 d?（10a）^-1的减少率显著减少。1981 - 2016年华山年度最大积雪深度减少趋势不显著, 年度累积积雪深度以88.2 cm?（10a）^-1的减少率显著减少, 一年中积雪日数、 最大积雪深度和累积积雪深度的减少（小）趋势均以3月最为显著。1989 - 2016年华山区域积雪面积、 浅雪和深雪面积减少趋势不明显。1953 - 2016年华山年度、 冬半年、 冬季平均气温升高, 降水量减少。积雪日数与平均气温存在显著的负相关, 与降水量存在显著的正相关, 气温是影响华山积雪日数的最主要因素。年度、 冬半年和冬季积雪日数突变年份与相应时段平均气温突变年份相近。1953 - 2016年华山冬半年、 冬季平均气温和降水量均与大气环流指数相关显著, 华山冬半年和冬季积雪日数与同期西藏高原指数、 印缅槽强度指数、 南极涛动指数和西太平洋副高西伸脊点指数为明显的负相关, 与850 hPa东太平洋信风指数、 亚洲区极涡面积指数为明显正相关。     

基于高光谱的民勤土壤盐分定量分析

土壤盐渍化是重要的生态环境问题,严重影响着干旱、半干旱区的农牧业及经济发展。高光谱遥感技术能够提供地物的连续光谱信息,易于分析细微差别,在定量研究土壤盐分含量方面具有较大优势。民勤县位于甘肃省石羊河流域下游,水力资源匮乏,盐渍化问题十分严峻。本研究基于实验室光谱数据,通过建立模型定量分析土壤盐分含量。首先对原始数据进行连续统去除（cn）预处理,然后分别建立了土壤盐分含量的高光谱指数模型（NDSI）、偏最小二乘回归模型（PLS）、间隔偏最小二乘法模型（iPLS）和反向间隔偏最小二乘法模型（BiPLS）,考察各种模型对土壤盐分的预测能力。对比分析发现,使用全部波段信息建模的PLS模型优于仅使用两个波段信息的NDSI模型,而iPLS和BiPLS模型通过选择特征波段进行建模,结果均好于全谱PLS模型。其中,BiPLS模型波段选择的能力优于iPLS模型,得出的模型结果最好,预测相对偏差RPD达到2.02,决定系数R²和模拟值与预测值线性回归的斜率分别为0.76和0.92,模型可以近似地预测土壤盐分含量。结果说明特征波段选择方法能够从大量数据中提取有效信息,简化模型,并获取比NDSI模型和全谱PLS模型更优的预测结果。这些研究对于使用高光谱数据定量分析土壤盐渍化有一定的意义。