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。     

我国主要积雪区AMSR-E被动微波雪深算法对比验证研究

采用高级微波扫描辐射计(AMSR-E)亮温数据, 选取Chang算法、GSFC 96算法、AMSR-E SWE 算法、青藏高原改进算法和Savoie算法等5种雪深反演算法, 利用2010年2月10-12日3 d的气象站台雪深观测数据, 对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性. 结果表明:总体验证中, 青藏高原改进算法3 d的结果均优于其他算法, 其均方根误差(RMSE)为9.16 cm、9.96 cm和9.63 cm, 平均相对误差(MRE)分别为59.77%、52.79%和48.47%. 分区验证中, 结果最佳的算法分别为:在新疆地区, GSFC 96算法RMSE为6.85~7.48 cm;内蒙古地区, 青藏高原改进算法的RMSE分别为5.9 cm、6.11 cm和5.46 cm;东北地区, 青藏高原改进算法RMSE为6.21~7.83 cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据, 无法得到该区验证统计结果.     

祁连山区MODIS积雪反照率产品的精度验证及云下积雪反照率估算研究

积雪反照率在全球气候和能量收支平衡模型中起着重要的作用. 利用祁连山地区大冬树垭口站点反照率实测数据对由TM/ETM+得到的反照率数据进行标定, 然后将TM/ETM+反照率数据通过升尺度对MODIS逐日积雪反照率(SAD)产品在晴空条件下的精度进行了验证. 同时, 发展了一个基于MODIS SAD与AMSR-E SWE数据融合并结合Noah积雪反照率参数化方案估算MODIS SAD数据云下积雪反照率的算法, 通过统计分析纠正了云对积雪反照率的影响, 对云下积雪反照率进行了验证分析. 结果表明:MODIS SAD产品在祁连山地区的精度要低于大面积积雪覆盖的平坦地区(如格陵兰岛), 其平均绝对误差及均方根误差分别为0.0548和0.0727; 云下积雪反照率估算方法可以有效地获取云覆盖下积雪像元的反照率值, 纠正后的无云MODIS SAD数据与地面观测值有较好的一致性, 其平均绝对误差为0.078.     

利用MODIS和AMSR-E进行积雪制图的比较分析

MODIS和被动微波辐射计AMSR-E提供了识别积雪的不同方法.MODIS首先计算反映积雪在1.6μm强吸收特性的归一化差值积雪指数NDSI,在剔除卷云的影响后,得到MODIS积雪分布.AMSR-E则根据积雪在微波波段的差异性散射特性识别积雪.通过案例分析比较了MODIS和AMSR-E积雪分布,发现由于云的遮蔽使MODIS积雪分布面积会比实际小,但由于MODIS的空间分辨率很高,得到的积雪边界线轮廓清晰.而微波由于不受云的影响,得到的AMSR-E积雪分布比较符合实际,但积雪的边界线较粗.     

利用南大洋漂流浮标数据评估AMSR-E SST

利用AOML(Atlantic Oceanographical and Meteorological Laboratory)SVP漂流浮标的海表面温度数据,针对30°S以南的南大洋海域,对目前主要使用的微波遥感产品(AMSR-E,Ad-vanced Microwave Scanning Radiometer for the Earth Observing System)反演的SST进行了较为系统的评估。结果表明,AMSR-E SST比浮标数据偏冷,偏差为-0.01℃,标准差为0.70℃。夏季的偏差为0.004℃,标准差为0.64℃;冬季的偏差为-0.06℃,标准差为0.75℃,冬季的偏差和标准差较大。温差ΔT受流速影响,随着流速的增大而减小,且这种趋势在夏季更为显著。具备托伞结构的浮标与总体情况基本一致,而无托伞结构的浮标受流速的影响要大一些。同时,温差ΔT受水汽的影响,随着水汽的增加而减小,且这种影响在冬季更大一些。进一步对4个穿极和绕极浮标的追踪分析表明,温差ΔT受大洋海流系统的影响显著。在海流大的大西洋边界流和南极绕极流中,温差ΔT的不确定性要明显大于总体情况。     

利用星载微波辐射计AMSR-E数据反演海洋地球物理参数

从微波辐射传输原理出发, 通过理论模拟的亮温建立了海洋和大气参数的反演算法, 利用AMSR-E数据进行地球物理参数的反演验证, 并利用Wentz算法进行相同参数的反演, 以判断反演的效果。研究表明：在使用各种方法进行参数反演的时候, 反演结果和实际值之间存在很好的相关性, 但是都存在一个系统偏差需要修正。通过与NCEP和TAO浮标两组数据的比较发现, 同样的算法反演结果的均方根误差不同, 采用浮标数据比较的反演结果明显好于NCEP数据, 原因可能是NCEP数据存在一定的不确定性。算法反演大洋海面温度和风速的均方根误差分别为0.73K和1.21m/s。     

Applications of AMSR-E Measurements for Tropical Cyclone Predictions Part Ⅰ： Retrieval of Sea Surface Temperature and Wind Speed

Existing satellite microwave algorithms for retrieving Sea Surface Temperature （SST） and Wind （SSW） are applicable primarily for non-raining cloudy conditions. With the launch of the Earth Observing System （EOS） Aqua satellite in 2002, the Advanced Microwave Scanning Radiometer （AMSRoE） onboard provides some unique measurements at lower frequencies which are sensitive to ocean surface parameters under adverse weather conditions. In this study, a new algorithm is developed to derive SST and SSW for hurricane predictions such as hurricane vortex analysis from the AMSRoE measurements at 6.925 and 10.65 GHz. In the algorithm, the effects of precipitation emission and scattering on the measurements are properly taken into account. The algorithm performances are evaluated with buoy measurements and aircraft dropsonde data. It is found that the root mean square （RMS） errors for SST and SSW are about 1.8 K and 1.9 m s^- 1, respectively, when the results are compared with the buoy data over open oceans under precipitating clouds （e.g., its liquid water path is larger than 0.5 mm）, while they are 1.1 K for SST and 2.0 m s^-1 for SSW, respectively, when the retrievals are validated against the dropsonde measurements over warm oceans. These results indicate that our newly developed algorithm can provide some critical surface information for tropical cycle predictions. Currently, this newly developed algorithm has been implemented into the hybrid variational scheme for the hurricane vortex analysis to provide predictions of SST and SSW fields.     

Applications of AMSR-E Measurements for Tropical Cyclone Predictions Part Ⅰ: Retrieval of Sea Surface Temperature and Wind Speed

Existing satellite microwave algorithms for retrieving Sea Surface Temperature(Sst)and wind(SSW)are applicable primarily for non-raining cloudy conditions.With the launch of the Earth Observing System (EOS)Aqua satellite in 2002,the Advanced Microwave Scanning Radiometer(AMSR-E)onboard provides some unique measurements at lower frequencies which are sensitive to ocean surface parameters under ad-verse weather conditions.In this study,a new algorithm is developed to derive SST and SSW for hurricane predictions such as hurricane vortex analysis from the AMSR-E measurements at 6.925 and 10.65 GHz.In the algorithm,the effects of precipitation emission and scattering on the measurements are properly taken into account.The algorithm performances are evaluated with buoy measurements and aircraft dropsonde data.It is found that the root mean square (RMS) errors for SST and SSW are about 1.8K and 1.9m s(-1),respectively,when the results are compared with the buoy data over open oceans under precipitating clouds (e.g.,its liquid water path is larger than 0.5 mm),while they are 1.1 K for SST and 2.0 ms(-1)for SSW,respectively,when the retrievals are validated against the dropsonde measurements over warm oceans.These results indicate that our newly developed algorithm catl provide some critical surface information for trop-ical cycle predictions.Currently,this newly developed algorithm has been implemented into the hybrid variational scheme for the hurricane vortex analysis to provide predictions of SST and SSW fields.     

AMSR-E地表温度数据重建深度学习方法

地表温度对于全球气候变化等研究具有重要意义。被动微波遥感传感器AMSR-E (Advanced Microwave Scanning Radiometer for EOS)可以获得全天候地表温度,可作为多云条件下热红外地表温度数据的补充;但轨道扫描间隙限制了该数据在全球或区域尺度上的实际应用。鉴于地表温度的高时空异质性和AMSR-E LST轨道间隙数据的特点,本文提出了一种多时相特征连接卷积神经网络地表温度双向重建模型（MTFC-CNN）,利用深度学习在处理复杂非线性问题上的优势,重建轨道间隙区域的地表温度值。将2010年中国大陆四季的AMSR-E LST数据（数据未含港澳台区域）,分为白天和夜晚,形成共8个数据子集进行实验。在模拟实验中,重建结果与原始反演地表温度值平均均方根误差在1.0 K左右,决定系数R2在0.88以上,优于传统的样条空间插值和时间线性回归方法;真实实验结果具有较好的目视效果,且与对应MODIS LST产品对比发现,重建区LST值和未重建区LST值与MODIS LST产品间具有相近的平均均方根误差和决定系数。因此,本文提出的MTFC-CNN方法能有效重建AMSR-...     

复杂地表条件下冻融土的微波辐射特性模拟及判别分析

针对AMSR-E数据的新特点,在HUT积雪辐射模型的基础上,增加冻土介电模型计算冻融土的介电常数,并使用ATEM模型描述地表的散射特性,建立寒区地表微波辐射模型,对寒区6种典型环境的微波辐射进行了模拟.结果表明:使用36.5 V的亮温以及6.925 H、10.65 H、18.7 H与36.5 V的亮温比分别衡量地表温度和发射率的变化,最能体现地表土壤的冻融变化特征.通过Fishcr判别分析,建立了复杂地表条件下的冻融土判别算法,并使用微波辐射计观测数据进行修正.AMSRE星载数据的验证结果表明,该判别算法能够有效区分较长时间序列和人范围的地表冻融状态,是种可靠的判别模式.