论文部分内容阅读
积雪参数监测对于区域雪灾预报预警、农业灌溉、交通运输以及全球气象、水文、气候变化等领域的研究具有重要的意义。遥感技术在进行大范围、高频率的积雪参数监测中发挥着重要的作用。目前,在众多积雪遥感监测算法中,NDSI是进行非林区逐日积雪识别最常用的积雪指数,但已有方法在同一地区均采用固定的NDSI阈值进行非林区积雪识别,忽略了同一地区由于外界因素及积雪自身物理性质变化而造成的积雪光谱信息的时相变化,会产生积雪识别的误差;NDFSI是进行林区逐日积雪识别较为实用的遥感应用指数,但已有方法用固定的NDFSI阈值进行林区积雪识别时,忽略了森林冠层结构和森林覆盖度的不同对积雪光谱信号遮挡作用的差异,导致林区积雪识别的错分误差较高;积雪深度相同而积雪粒径较大的地区,对微波信号的散射作用更强,传感器接收的不同频率的亮温差更大,若不考虑粒径的影响,会造成积雪深度的高估,但已有半经验的亮温梯度算法并没有充分考虑积雪粒径的空间变化和日际变化对雪深反演结果的影响,反演精度有待提高。本文提出了利用动态NDSI阈值法进行非林区逐日积雪识别,削减了影像光谱值波动对非林区积雪识别造成的影响,提高了非林区积雪识别的精度;提出了利用动态NDFSI阈值法进行林区逐日积雪识别,提高了林区积雪监测的精度;建立了同时考虑积雪覆盖度、粒径大小空间变化和日际变化的积雪深度反演模型,降低了积雪深度反演的误差。主要研究内容和成果结论如下:(1)以积雪期间下垫面多为裸地和枯草的三江源生态环境保护区为研究区,将基于30 m分辨率Landsat OLI数据识别出的积雪作为“地面真值”标定基于同期500 m分辨率MODIS数据进行积雪识别最佳的MODIS NDSI阈值。建立了基于MODIS数据进行积雪识别逐日最佳的NDSI阈值与同期MODIS数据中永久积雪纯像元平均NDSI值的相关函数模型,决定系数R~2达到0.86。与基于MODIS数据利用固定NDSI阈值0.33的监测方法相比,动态NDSI阈值法的总体分类精度和F值最多分别可提高2.62%、5.05%,最少分别可提高0.14%、0.13%。当动态NDSI阈值低于固定NDSI阈值0.33时,动态NDSI阈值法的漏分误差最多和最少分别可降低17.76%、1.49%,召回率最多和最少分别可提高12.14%、1.49%。当动态NDSI阈值高于固定NDSI阈值0.33时,动态NDSI阈值法的错分误差最多和最少分别可降低5.23%、0.34%,积雪分类精度最多和最少分别可提高3.84%、0.31%。动态NDSI阈值法和固定NDSI阈值0.33监测结果的空间差异主要集中在积雪边缘区域的混合像元内。(2)以林地资源丰富的海河流域为研究区,从高清晰度无云的Google Earth卫星影像上分别挑选大小为500 m×500 m的常绿林地带积雪样本和落叶林地带积雪样本,在同期MODIS影像中统计上述积雪样本所在像元的光谱特征,在土地覆盖类型数据中统计上述样本所在像元的森林覆盖度。发现常绿林地带、落叶林地带基于MODIS数据进行积雪识别的NDFSI阈值与森林覆盖度之间均存在较好的线性相关关系,决定系数R~2分别为0.91、0.92。动态NDFSI阈值识别方法的总体分类精度、F值、积雪分类精度在常绿林地带比固定NDFSI阈值0.38分别提高了3.16%、2.68%、5.01%,在落叶林地带比固定NDFSI阈值0.37分别提高了5.00%、4.61%、8.35%。与固定NDFSI阈值相比,动态NDFSI阈值显著降低了错分误差,错分误差在常绿林地带和落叶林地带分别降低了6.52%、9.30%。(3)以下垫面少森林覆盖的三江源地区为研究区,将地面气象站点的实测积雪深度数据、重采样为25 km分辨率的被动微波MWRI数据、基于光学MODIS数据反演并升尺度到25 km的积雪覆盖度数据和积雪粒径大小进行多元回归分析,建立积雪覆盖度和粒径共同影响下的25 km尺度的积雪深度反演模型,决定系数R~2为0.79。利用该回归模型进行积雪深度反演的误差较小,均方根误差仅为1.24 cm,优于其它模型。并根据混合像元线性分解的思想,将积雪覆盖度和粒径共同影响下的25 km尺度的积雪深度反演模型降尺度到500 m。