CN105893744A - 基于被动微波遥感的青藏高原雪水当量估算方法及系统 - Google Patents
基于被动微波遥感的青藏高原雪水当量估算方法及系统 Download PDFInfo
- Publication number
- CN105893744A CN105893744A CN201610188859.9A CN201610188859A CN105893744A CN 105893744 A CN105893744 A CN 105893744A CN 201610188859 A CN201610188859 A CN 201610188859A CN 105893744 A CN105893744 A CN 105893744A
- Authority
- CN
- China
- Prior art keywords
- snow
- region
- water equivalent
- pixel
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于被动微波遥感的青藏高原雪水当量估算方法及系统，方法包括：S1、从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；S2、通过阈值法将可能存在积雪像元分为中厚雪区域、浅雪区域及无雪区域；S3.确定各地物下垫面的雪深经验反演算法；S4、对于中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到中厚雪区域的雪水当量；S5、设定浅雪区域的雪水当量；S6、根据得到的中厚雪区域的雪水当量和设定的浅雪区域的雪水当量，得到青藏高原雪水当量数据。可改善青藏高原雪水产品精度、实现对长时间系列遥感数据自动批量处理，提供青藏高原时间序列的相关积雪产品数据集。
Description
技术领域
本发明涉及遥感数据地学参数反演技术领域，具体涉及一种基于被动微波遥感的青藏高原雪水当量估算方法及系统。
背景技术
目前国内外有许多与积雪有关的系统，大体可以分为两类，一类是专门的积雪面积、覆盖度和积雪雪水当量产品生产系统，往往积雪面积和覆盖度的生产较多(可靠)。其中，国外的产品生产系统有：美国国家航空和宇宙航行局(NASA)的基于Linux的中分辨率成像光谱仪的数据处理系统(MODAPS)和先进微波扫描辐射计(AMSR-E)产品生产系统；美国国家海洋和大气局的交互式多传感器冰雪制图系统(IMS)、微波综合反演系统(MIRS)和自动雪图生产系统；欧空局的基于ENVI/IDL的积雪覆盖度产品生产系统和采用MATLAB语言利用微波和地面观测点生产雪图系统等。国内的主要是风云三号卫星的产品生产系统(PGS)和北半球积雪监测诊断业务系统。另一类是基于积雪产品的预警监测系统，这类应用在国内外比较多见，涉及气候、洪水、干旱、雪灾的预警、作物估产等方面。国内部分有：邓晓东等开发的基于AVHRR(The Advanced Very High ResolutionRadiometer，先进甚高分辨率辐射仪)资料的内蒙古积雪监测业务系统，傅华等人针对北疆的积雪监测系统，边多等人的基于MODIS(Moderate-Resolution Imaging Spectroradiometer，中分辨率成像光谱仪)资料的西藏遥感积雪监测业务化系统，候慧珠等的基于MODIS影像的内蒙古草原监测系统等。国外有：加拿大的气象中心业务化系统、利用AVHRR数据的阿尔卑斯山监测系统、瑞典洪水预警系统等。这些系统的特点：考虑降低系统运营成本和提高系统的运行速度，多采用Linux系统平台。系统稳健、可靠、易于维护和更新、支持全天24小时不间断工作。编译语言主要有FORTRAN77、VisualC++6.0、MicrosoftVisualC++.NE。系统多采用Windows或Linux操作系统平台。以上产品生产系统，除了北半球积雪监测诊断业务系统的中国区雪深产品和积雪日数产品采用常规观测数据生产外，其他产品生产系统的大部分产品是通过遥感数据反演获得。
陆地积雪是全球变化的敏感因子，是冰冻圈中季节性变化最为快速的因子之一。青藏高原积雪变化不仅对高原本身，还对下游乃至全球的气候、环境、水资源等产生重大影响。雪灾是青藏高原牧区的主要自然灾害，青藏高原地区现有积雪监测能力薄弱，致使牧区人民生命财产遭受重大损失。因此，准确获取不同尺度、不同范围的高精度积雪雪水当量信息不仅能够提高现有青藏高原地区的雪灾预警和监测能力，降低灾害带来的损失，具有巨大的社会经济效益，同时对于研究青藏高原地区的大气科学研究和全球水体和能量循环具有重大的科学价值。
然而，现有已发布积雪数据集在青藏高原地区精度有限，特别青藏高原积雪积雪分布的时空规律性较北半球高纬度地区复杂且薄雪分布较多，不能满足研究应用要求。当前在国内外有多套积雪数据集，如北半球IMS日冰雪盖数据(美国冰学数据中心，1997年至今)、全球SSM/I(Special Sensor Microwave/Image，特殊传感器微波/图片)冰密集度和雪盖范围数据(NASA，1995年至今)、全球AMSR-E积雪数据(NASA，2002年至今)、中国区域SMMR(Scanning MultichannelMicrowave Radiometer，多通道扫描微波辐射计)和SSM/I日雪深/雪水当量数据(中科院寒旱所，1978～2005年)等等。但是，这些数据集是针对全球或中国区域的，并未开发专门针对青藏高原地区的数据产品。同时，由于微波积雪产品空间分辨率低，又受地面观测资料不足的影响，数据集在青藏高原地区缺乏系统性的验证，在青藏高原地区的精度有限，业务化程度不高等特点。
国际上的积雪遥感算法在全球尺度上取得了一定的效果，但这些算法在青藏高原地区则出现很大的估算误差。国外的多数算法适用于高纬度地区，且算法中各参数具有地域局限性，因此这些算法用到青藏高原地区就会出现SWE(Snow Water Equivalent，雪水当量)被高估的现象。且国际算法多考虑的是中厚雪的反演(主要是利用37GHz和18/19GHz的极化差来估算相对较厚的积雪)，但是考虑到青藏高原地区积雪的物理性质，其并不满足国际算法的前提，且雪深基本小于30cm，当前算法大多是在除青藏高原外的地区有所成效，具体应用到青藏高原也会出现高估现象。加之在青藏高原的地面观测点稀疏，较难验证算法的可靠性和反演精度。故国内外适用于青藏高原地区的积雪微波遥感算法需加以改进。
目前，国内大量与青藏相关的专题系统所生产的产品多依据系统的设计需求定位，即产品进行了特化处理，不适于作为研究该地区的独立数据，因此当前缺乏专门生产青藏高原地区积雪研究所需具有普适性的基础数据生产系统。当今大范围积雪监测手段的主要手段是通过卫星遥感监测方法实现，然而随着卫星遥感监测方法的广泛应用，又产生了的新的问题，即海量的长时间序列的遥感数据处理问题。同时，研究青藏高原地区积雪的时空分布特征又需要长时间序列的积雪产品提供数据支持，结合积雪灾害预警预测相关研究工作需要具有较高时效性的积雪产品。因此迫切需要结合高原区的积雪识别和反演过程算法，开发一个可实现对海量遥感数据快速处理系统，提供长时间序列产品的业务化系统。
综上所述，现有技术中缺乏针对青藏高原地区的业务化积雪产品生产系统，因此，亟待提供一种青藏高原雪水当量估算方法及系统，在保证一定精度的情况，也可以实现对长时间序列数据开展快速处理，为积雪的业务化和历史数据的处理提供算法和工具。
发明内容
本发明的目的在于提供一种基于被动微波遥感的青藏高原雪水当量估算方法及系统，用于改善青藏高原雪水产品精度、实现对海量遥感数据的自动批量处理，供产时间序列的相关积雪产品数据集，从而作为研究青藏高原地区积雪研究所需基础数据，进一步提高现有青藏高原地区积雪监测业务化水平。
第一方面，本发明提供一种基于被动微波遥感的青藏高原雪水当量估算方法，包括步骤：
S1、从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
S2、通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
S3、确定各地物下垫面的雪深经验反演算法；
S4、对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
S5、设定所述浅雪区域的雪水当量；
S6、根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
优选的，对于任意像元，所述步骤S1进一步包括：
S11、判识该像元是否为水体；若否，则继续步骤S12；
S12、判识该像元是否从气候学角度经验性地认为不可能为积雪；若否，则继续步骤S13；
S13、判识该像元是否为冰川；若否，则继续步骤S14；
S14、判识该像元是否为降雨区；若否，则继续步骤S15；
S15、判识该像元是否可能为积雪：若是，则判识为可能为积雪像元。
优选的，所述步骤S15之后还包括：
S16.对于任意所述可能为积雪像元：通过高分辨率的辅助数据检索到该像元中水体大于百分之五十或者其他覆盖大于百分之五十时，则剔除该像元，得到最终的可能存在积雪像元。
优选的，所述步骤S11-S15在第一分辨率下进行，所述步骤S16在第二分辨率下进行，所述第二分辨率高于所述第一分辨率。
优选的，所述步骤S2采用标准的引入微波高频的薄厚雪的判别方法、并通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域，具体包括：
依据增加高频数据和中低频率数据形成阈值的方式开展判别，使得积雪像元分为中厚雪区域、浅雪区域以及无雪区域。
优选的，所述步骤S3进一步包括：
依据青藏高原观测台站实测数据结合不同地物下不同频率亮温组合进行对比，提取各地物相关性最好的亮温组合，采用线性回归方法，确定各地物下垫面的雪深经验反演算法。
优选的，所述地物包括森林、灌木、草地以及裸土，所述各地物下垫面的雪深经验反演算法的系数如下：
森林下垫面的雪深经验反演算法：
SD＝0.023*t1036v*pol36*pol36+1.5；
灌木下垫面的雪深经验反演算法：
SD＝-0.32519*t1036v*invlogpol36+9.16511；
草地下垫面的雪深经验反演算法：
SD＝0.161*t1836v+0.0516*pol89+0.478；
裸土下垫面的雪深经验反演算法：
SD＝0.22*t1836v*invlogpol36*invlogpol36+0.425；
其中：t1036v表示亮温梯度，是传感器的10.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值；
t1836v表示亮温梯度，是传感器的18.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值；
pol36表示极化差，是传感器的36.5GHz的垂直极化亮温数据与36GHz水平极化亮温数据的差值；
pol89表示极化差，是传感器的89GHz的垂直极化亮温数据与89GHz水平极化亮温数据的差值；
invlogpol36表示传感器36.5GHz垂直极化亮温(V)和水平极化亮温(H)差值对数的倒数；
SD代表计算的雪深，算法中的其他数据为相应的系数。
优选的，所述步骤S4可以进一步包括：
S41.对于所述中厚雪像元区域：检索为森林时，调用森林下垫面的雪深经验反演算法计算雪水当量；检索为灌木时，调用灌木下垫面的雪深经验反演算法计算雪水当量；检索为草原时，调用草原下雪深反演算法计算雪水当量；检索为裸土时，调用裸土下垫面的雪深经验反演算法计算雪水当量；
S42.根据各地物下雪水当量以及各地物在所述中厚雪区域中所占百分比计算所述中厚雪区域的雪水当量。
第二方面，本发明还提供了实现上述任意一种基于被动微波遥感的青藏高原雪水当量估算方法的青藏高原雪水当量估算系统，包括：
像元获取模块，用于从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
雪型划分模块，用于通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
算法生成模块，用于确定各地物下垫面的雪深经验反演算法；
中厚雪区域雪水当量计算模块，用于对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
浅雪区域雪水当量设定模块，用于设定所述浅雪区域的雪水当量；
结果输出模块，用于根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
优选地，所述青藏高原雪水当量估算系统采用基于可执行算法包的集成和系统扩展策略。
由上述技术方案可知，在本发明的基于被动微波遥感的青藏高原雪水当量估算方法及系统中，所采用的产品算法系数是基于青藏高原地区的实测数据开发获得，产品质量控制决策树依据青藏高原地区实际地物分布特征创建，形成符合青藏高原积雪的算法流程，并完成数据产品的标准化输出，并且上述估算系统采用模块化设计，基于可执行算法包的集成和拓展方式，具有算法和产品的快速升级和更新的特点。因此，通过本发明所提供的估算方法及系统所生产的产品精度较已有产品精度有大幅度提高；并且本发明实施例中所提供的估算方法及系统具有产品生产速度快，具备近实时业务化处理能力，可完成长时间序列积雪产品的生产，系统易于算法易于集成和拓展，系统生产的产品具有较高的精度，满足青藏高原地区积雪监测业务化的要求，达到应用要求。
附图说明
图1是本发明实施例提供的基于被动微波遥感的青藏高原雪水当量估算方法的流程示意图；
图2是本发明实施例提供的基于被动微波遥感的青藏高原雪水当量估算方法中步骤S1的流程示意图；
图3是本发明实施例提供的基于被动微波遥感的青藏高原雪水当量估算方法中步骤S2-S6的流程示意图；
图4是本发明实施例中青藏高原雪水当量估算系统的目录结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式做进一步描述。以下实施例仅用于说明本发明，但不用来限制本发明的范围。
图1示出了本发明实施例提供的基于被动微波遥感的青藏高原雪水当量估算方法的流程示意图，如图1所示，本发明的基于被动微波遥感的青藏高原雪水当量估算方法主要包括以下步骤：
S1、从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
S2、通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
S3、确定各地物下垫面的雪深经验反演算法；
S4、对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
S5、设定所述浅雪区域的雪水当量；
S6、根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
下面对本发明的各个步骤加以详细的说明。
S1.从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元，即基于青藏高原积雪分布特点设计产品质量控制决策树。
水体、冰川和植被覆盖以及降水的判别等因素都是影响反演雪深和雪水当量估算的干扰因子，在建立积雪算法前都需要进行判别剔除，以免出现误判而高估了雪深和雪水当量。现有技术中，通常是利用积雪分类树和采用辅助数据来剔除上述干扰因子。例如，K.利用土地覆盖分类图分析土地覆盖对积雪累积和分布的影响；车涛利用1:4000000中国湖泊分布图判别受水体影响的像元，并利用高程数据将研究区分为四类分别进行结果验证；孙之文利用IGBP(InternationalGeosphere Biosphere Program，国际地圈生物圈计划)分类图消除大型水体的影响，获取MOD12Q1V004植被覆盖数据和MODIS NDVI产品调查植被覆盖情况等。
本实施例中，使用青藏高原地物分类数据剔除这些干扰因子，实际处理中影响积雪反演的一个重要因素是混合像元问题。由于通常采用的AMSR-E亮温数据的空间分辨率只有25km，这样一个像元就对应一个25km*25km的区域，该区域可能包含多种地物，采用适合单一地物的算法，反演得到的结果误差很大，本实施例中的解决方是对这个区域采用青藏高原地区高精度的地物分类数据进行再次分类，针对分类的结果，不同的地物采用不同的反演算法，从而达到提高该区域反演的精度。
例如：为了提高反演速度以及反演精度，本实施例中在制定质量控制决策树时，采用了两步分类策略：即采用两种分辨率的地物分类数据，先采用粗分辨率的地物分类数据(第一分辨率，可优选为25km)对像元进行初步分类，对判断是可能存在积雪像元采用青藏高原地区高精度的地物分类数据(第二分辨率，可优选为0.5km)进行再次细分。通过实际计算产品以及测试结果表明，两步分类的方法具有执行速度快，分类准确的特点。
如图2中所示，本实施例中的步骤S1具体步骤如下：
首先，利用积雪判识文件(第一分辨率)，对产品像元进行逐一判别，剔除含干扰因子的像元，仅对可能有积雪存在的像元进行积雪存在判断，若有散射体存在，则进行积雪计算操作。在积雪判识中，利用判识文件首先判识该像元是否为水体，若是水体，则标识为“水体”，并给一个标识值“254”，若不是水体，则继续判识；然后判识该像元是否从气候学角度经验性地认为不可能为积雪，若是，则标识为“不可能为积雪”，并赋标识值“252”，若不是，则继续判识；接着判识该像元是否为冰川，若是，则标识为“冰川”，并赋标识值“253”，若不是，则继续判识；接着判识该像元是否为降雨区，若是，则标识为“降雨区”，若不是，则继续判识；最后判识该像元是否可能为积雪：若判识该像元为可能为积雪，则标识为“可能为积雪”；
其次，利用高分辨率(第二分辨率)的青藏高原地区地物分类数据，对“可能为积雪”的像元进行再次分类。例如，当检索到该像元水体>50％时，算法标记为“水体”，赋值为“254”，不进行后续的积雪反演；若检索为其他覆盖>50％时，则也不进行后续的积雪反演，并标记为“其他”，赋值为“249”。上述提到的高分辨率(分辨率0.5km)的地分类数据采用MODIS土地覆盖数据，土地覆盖类型按照国际陆界生物圈方案(IGBP)划分，永久湿地、雪和冰(指的是山区永久性积雪和冰川)、未分类数据在本发明中定义为“其他”；
最后，被保留的像元即最终的可能存在积雪像元。
需要说明的是，本实施例中的第二分辨率高于第一分辨率，本实施例中的粗分辨率(即第一分辨率)和高分辨率(即第二分辨率)的取值仅仅是根据原始数据而言；在实际应用中，当然也可以是其他分辨率。
步骤S2-步骤S6如图3中所示：
S2、通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域。
在具体应用中，所述步骤S2采用标准的引入微波高频的薄厚雪的判别方法、并通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域，具体包括：
依据增加高频数据和中低频率数据形成阈值的方式开展判别，使得积雪像元分为中厚雪区域、浅雪区域以及无雪区域。
S3、确定各地物下垫面的雪深经验反演算法；即依据青藏高原地区实测数据开发的算法系数。例如，本实施例中，所述地物包括森林、灌木、草地以及裸土；依据青藏高原观测台站实测数据结合不同地物下不同频率亮温组合进行对比，提取各地物相关性最好的亮温组合，采用线性回归方法，确定各地物下垫面的雪深经验反演算法。最终确定的各地物下垫面的雪深经验反演算法系统如下：
森林下垫面的雪深经验反演算法：
SD＝0.023*t1036v*pol36*pol36+1.5；
灌木下垫面的雪深经验反演算法：
SD＝-0.32519*t1036v*invlogpol36+9.16511；
草地下垫面的雪深经验反演算法：
SD＝0.161*t1836v+0.0516*pol89+0.478；
裸土下垫面的雪深经验反演算法：
SD＝0.22*t1836v*invlogpol36*invlogpol36+0.425；
其中：
1)t1036v表示亮温梯度，是传感器的10.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值。
2)t1836v表示亮温梯度，是传感器的18.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值。
3)pol36表示极化差，是传感器的36.5GHz的垂直极化亮温数据与36GHz水平极化亮温数据的差值。
4)pol89表示极化差，是传感器的89GHz的垂直极化亮温数据与89GHz水平极化亮温数据的差值。
5)invlogpol36表示传感器36.5GHz垂直极化亮温(V)和水平极化亮温(H)差值对数的倒数，等于1./(log10(pol36))。
6)SD代表计算的雪深，算法中的其他数据为相应的系数。
S4.对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；例如，对于所述中厚雪像元区域：检索为森林时，调用森林下垫面的雪深经验反演算法计算雪水当量；检索为灌木时，调用灌木下垫面的雪深经验反演算法计算雪水当量；检索为草原时，调用草原下雪深反演算法计算雪水当量；检索为裸土时，调用裸土下垫面的雪深经验反演算法计算雪水当量；
根据各地物下雪水当量以及各地物在所述中厚雪区域中所占百分比计算所述中厚雪区域的雪水当量。
具体的，采用上述四种地物下垫面的雪深经验反演算法求取中厚雪区域雪水当量数据说明具体如表1中所示。
表1青藏高原中厚雪区域各下垫面的雪水当量算法
上表中，SWE′为中厚雪区域总的雪水当量，单位为mm；Ff、Fs、Fg、Fb分别代表森林、灌木、草原、裸地覆盖类型在中厚雪区域内所占的百分比；SDf、SDs、SDg、SDb分别表示森林、灌木、草原、裸地覆盖类型的雪深反演算法。
ρs是积雪雪密度，从该算法所需的辅助数据中得到。
S5、设定所述浅雪区域的雪水当量SWE浅。
可理解的是，由于所述浅雪区域的被动微波普遍难于监测，可将所述浅雪区域积雪的雪深估算设定为5cm，SWE浅＝5*密度。
S6、根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据，即：
SWE＝Ff×SWEf+Fs×SWEs+Fg×SWEg+Fb×SWEb。
本实施例的基于被动微波遥感的青藏高原雪水当量估算方法，采用的产品算法系数是基于青藏高原地区的实测数据开发获得，产品质量控制决策树依据青藏高原地区实际地物分布特征创建，形成符合青藏高原积雪的算法流程，并完成数据产品的标准化输出，通过本实施例所提供的估算方法所生产的产品精度较已有产品精度有大幅度提高；并且本发明实施例中所提供的估算方法具有产品生产速度快，具备近实时业务化处理能力，可完成长时间序列积雪产品的生产，算法易于集成和拓展，生产的产品具有较高的精度，满足青藏高原地区积雪监测业务化的要求，达到应用要求。
本发明还提供了实现图1所示实施例所述的基于被动微波遥感的青藏高原雪水当量估算方法的青藏高原雪水当量估算系统，包括：
像元获取模块，用于从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
雪型划分模块，用于通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
算法生成模块，用于确定各地物下垫面的雪深经验反演算法；
中厚雪区域雪水当量计算模块，用于对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
浅雪区域雪水当量设定模块，用于设定所述浅雪区域的雪水当量；
结果输出模块，用于根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
进一步的，为了建立灵活，简易的系统算法更新机制和方便系统拓展，所述青藏高原雪水当量估算系统可采用基于可执行算法包的集成和系统扩展策略。例如：
建立如图4中所示系统目录结构，作为青藏高原雪水当量估算系统的目录结构。系统目录设计方案为：系统主文件是名为“tibet”文件夹，下面是二级目录，“prouducts”(产品)存放各产品生产子系统生产的产品；“waring”存放批处理生成的警告日志，“product_system”(产品生产系统)用于存放产品生产子系统。“TibetSnow”可执行脚本文件，功能是调度整个生产系统；“bin”目录下的“AMSR-E””算法脚本实现对不同算法的调用。三四级目录作用来对产品生产子系统进行分类，形如“AMSR-E/SWE”分类原则是生产用原始数据和产品类型分类。
目录说明见表2。
表2系统目录结构说明表
系统添加的新算法子系统策略：
首先建立一个与发布系统相同的目录结构，在“SWE”目录下建立一个名为“src”的目录，编写新算法的代码，新算法所需的辅助数据保存在“anc”文件夹，生产日志保存在“log”文件夹下，系统生产产品时中间计算数据临时数据保存在“tmp”文件夹，代码编译生成的可执行程序保存在“bin”文件夹。新算法编译完成，测试可以发布之后，将“bin”文件夹中的可执行程序复制到发布系统对应“bin”文件夹下，新建文件“SWE##”内。系统默认设计了通用的接口，这些接口包括：产品生产模式接口，产品投影方式选择接口，产品算法选择接口，输入数据路径，输出数据路径。当新添加算法采用默认接口时，此时系统即完成了新算法的添加工作。当新算法有新的接口需求时，可在“AMSR-E”算法脚本和“TibetSnow”系统总调度脚本中增加部分语句，灵活的定制新算法系统所需接口，实现系统算法的添加。由于和发布系统采用相同的目录结构，所以只需在发布系统中增加相应的调用语句即可。新算法的编译独立与发布系统，各个算法之间相互独立，互不影响。
系统拓展策略：
首先复制一个发布系统，根据系统拓展需求建立相应的子目录，如图4所示带填充显示文件夹部分，拓展部分算法添加更新部分参照系统添加的新算法子系统策略，在复制发布系统的“TibetSnow”生产系统脚本中增加相应调用语句，编译完成以后，在发布系统中增加相关目录，替换相应的脚本文件，即可实现系统的拓展。
上述青藏高原雪水当量估算系统制定了基于可执行程序的集成模式，系统算法的添加和拓展方便灵活，易于实现；并且，所采用的产品算法系数是基于青藏高原地区的实测数据开发获得，系统产品质量控制决策树依据青藏高原地区实际地物分布特征创建，系统所生产产品精度较已有产品精度有大幅度提高。
本发明所提供的青藏高原雪水当量估算系统具有产品生产速度快，具备近实时业务化处理能力，可完成长时间序列积雪产品的生产，系统易于算法易于集成和拓展，系统生产的产品具有较高的精度，满足青藏高原地区积雪监测业务化的要求，达到应用要求。
以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的保护范畴。
Claims (10)
1.一种基于被动微波遥感的青藏高原雪水当量估算方法，其特征在于，包括步骤：
S1、从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
S2、通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
S3、确定各地物下垫面的雪深经验反演算法；
S4、对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
S5、设定所述浅雪区域的雪水当量；
S6、根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
2.根据权利要求1所述的方法，其特征在于，对于任意像元，所述步骤S1进一步包括：
S11、判识该像元是否为水体；若否，则继续步骤S12；
S12、判识该像元是否从气候学角度经验性地认为不可能为积雪；若否，则继续步骤S13；
S13、判识该像元是否为冰川；若否，则继续步骤S14；
S14、判识该像元是否为降雨区；若否，则继续步骤S15；
S15、判识该像元是否可能为积雪：若是，则判识为可能为积雪像元。
3.根据权利要求2所述的方法，其特征在于，所述步骤S15之后还包括：
S16.对于任意所述可能为积雪像元：通过高分辨率的辅助数据检索到该像元中水体大于百分之五十或者其他覆盖大于百分之五十时，则剔除该像元，得到最终的可能存在积雪像元。
4.根据权利要求3所述的方法，其特征在于，所述步骤S11-S15在第一分辨率下进行，所述步骤S16在第二分辨率下进行，所述第二分辨率高于所述第一分辨率。
5.根据权利要求1所述的方法，其特征在于，所述步骤S2采用标准的引入微波高频的薄厚雪的判别方法、并通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域，具体包括：
依据增加高频数据和中低频率数据形成阈值的方式开展判别，使得积雪像元分为中厚雪区域、浅雪区域以及无雪区域。
6.根据权利要求1任一项所述的方法，其特征在于，所述步骤S3进一步包括：
依据青藏高原观测台站实测数据结合不同地物下不同频率亮温组合进行对比，提取各地物相关性最好的亮温组合，采用线性回归方法，确定各地物下垫面的雪深经验反演算法。
7.根据权利要求6所述的方法，其特征在于，所述地物包括森林、灌木、草地以及裸土，所述各地物下垫面的雪深经验反演算法的系数如下；
森林下垫面的雪深经验反演算法：
SD＝0.023*t1036v*pol36*pol36+1.5；
灌木下垫面的雪深经验反演算法：
SD＝-0.32519*t1036v*invlogpol36+9.16511；
草地下垫面的雪深经验反演算法：
SD＝0.161*t1836v+0.0516*pol89+0.478；
裸土下垫面的雪深经验反演算法：
SD＝0.22*t1836v*invlogpol36*invlogpol36+0.425；
其中：t1036v表示亮温梯度，是传感器的10.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值；
t1836v表示亮温梯度，是传感器的18.7GHz垂直极化亮温数据与36.5GHz垂直极化亮温数据的差值；
pol36表示极化差，是传感器的36.5GHz的垂直极化亮温数据与36GHz水平极化亮温数据的差值；
pol89表示极化差，是传感器的89GHz的垂直极化亮温数据与89GHz水平极化亮温数据的差值；
invlogpol36表示传感器36.5GHz垂直极化亮温(V)和水平极化亮温(H)差值对数的倒数；
SD代表计算的雪深，算法中的其他数据为相应的系数。
8.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：
S41.对于所述中厚雪像元区域：检索为森林时，调用森林下垫面的雪深经验反演算法计算雪水当量；检索为灌木时，调用灌木下垫面的雪深经验反演算法计算雪水当量；检索为草原时，调用草原下雪深反演算法计算雪水当量；检索为裸土时，调用裸土下垫面的雪深经验反演算法计算雪水当量；
S42.根据各地物下雪水当量以及各地物在所述中厚雪区域中所占百分比计算所述中厚雪区域的雪水当量。
9.一种实现权利要求1-8中任一项所述的基于被动微波遥感的青藏高原雪水当量估算方法的青藏高原雪水当量估算系统，其特征在于，包括：
像元获取模块，用于从被动微波遥感数据中剔除包含各种干扰因子的像元，保留可能存在积雪像元；
雪型划分模块，用于通过阈值法将所述可能存在积雪像元分为中厚雪区域、浅雪区域以及无雪区域；
算法生成模块，用于确定各地物下垫面的雪深经验反演算法；
中厚雪区域雪水当量计算模块，用于对于所述中厚雪区域，检索为某一地物时调用该地物下垫面的雪深经验反演算法计算雪水当量，得到所述中厚雪区域的雪水当量；
浅雪区域雪水当量设定模块，用于设定所述浅雪区域的雪水当量；
结果输出模块，用于根据得到的所述中厚雪区域的雪水当量和设定的所述浅雪区域的雪水当量，得到青藏高原雪水当量数据。
10.根据权利要求9所述的系统，其特征在于，所述青藏高原雪水当量估算系统采用基于可执行算法包的集成和系统扩展策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610188859.9A CN105893744A (zh) | 2016-03-29 | 2016-03-29 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610188859.9A CN105893744A (zh) | 2016-03-29 | 2016-03-29 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105893744A true CN105893744A (zh) | 2016-08-24 |
Family
ID=57014010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610188859.9A Pending CN105893744A (zh) | 2016-03-29 | 2016-03-29 | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105893744A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680339A (zh) * | 2017-10-14 | 2018-02-09 | 中国科学院新疆生态与地理研究所 | 基于双系统平台的新疆中小河流短期洪水预警系统 |
| CN111950156A (zh) * | 2020-08-17 | 2020-11-17 | 清华大学 | 雪水当量确定方法、装置、计算机设备和存储介质 |
| CN112130174A (zh) * | 2020-09-30 | 2020-12-25 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
| CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
-
2016
- 2016-03-29 CN CN201610188859.9A patent/CN105893744A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102608592A (zh) * | 2012-04-05 | 2012-07-25 | 吉林大学 | 基于五种地物分类信息的积雪被动微波混合像元分解方法 |
| CN103984862A (zh) * | 2014-05-15 | 2014-08-13 | 中国科学院遥感与数字地球研究所 | 一种多元遥感信息协同的积雪参数反演方法 |
Non-Patent Citations (4)
| Title |
|---|
| 卢新玉等: "基于AMSR-E的北疆地区积雪深度反演", 《冰川冻土》 * |
| 宾婵佳: "青藏高原地区被动微波积雪算法改进研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 曹云刚等: "MODIS在青藏高原大范围积雪制图中的应用及存在的问题", 《科技导报》 * |
| 车涛等: "青藏高原积雪深度和雪水当量的被动微波遥感反演", 《冰川冻土》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680339A (zh) * | 2017-10-14 | 2018-02-09 | 中国科学院新疆生态与地理研究所 | 基于双系统平台的新疆中小河流短期洪水预警系统 |
| CN111950156A (zh) * | 2020-08-17 | 2020-11-17 | 清华大学 | 雪水当量确定方法、装置、计算机设备和存储介质 |
| CN111950156B (zh) * | 2020-08-17 | 2024-04-09 | 清华大学 | 雪水当量确定方法、装置、计算机设备和存储介质 |
| CN112130174A (zh) * | 2020-09-30 | 2020-12-25 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
| CN112130174B (zh) * | 2020-09-30 | 2022-10-18 | 长安大学 | 一种改进的gnss-ir提取积雪深度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | A remote-sensing method of selecting reference stations for evaluating urbanization effect on surface air temperature trends | |
| Zhang et al. | Vectorized rooftop area data for 90 cities in China | |
| Stathakis et al. | Efficient segmentation of urban areas by the VIBI | |
| CN108256116B (zh) | 一种农用地现状数据快速采集方法 | |
| CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
| Chen et al. | A new method for building-level population estimation by integrating LiDAR, nighttime light, and POI data | |
| Jun et al. | The extraction of urban built-up areas by integrating night-time light and POI data—A case study of Kunming, China | |
| Viallon-Galinier et al. | Forcing and evaluating detailed snow cover models with stratigraphy observations | |
| Zhang et al. | Automatically monitoring impervious surfaces using spectral generalization and time series Landsat imagery from 1985 to 2020 in the Yangtze River Delta | |
| Fan et al. | Understanding spatial-temporal urban expansion pattern (1990–2009) using impervious surface data and landscape indexes: a case study in Guangzhou (China) | |
| Wang et al. | Spatiotemporal variability in long-term population exposure to PM2. 5 and lung cancer mortality attributable to PM2. 5 across the Yangtze River Delta (YRD) region over 2010–2016: A multistage approach | |
| dos Santos et al. | Interactive effects of environmental filtering predict beta-diversity patterns in a subtropical forest metacommunity | |
| Tang et al. | Spatial–temporal landscape pattern change under rapid urbanization | |
| CN105893744A (zh) | 基于被动微波遥感的青藏高原雪水当量估算方法及系统 | |
| Walker et al. | Cloud impacts on pavement temperature and shortwave radiation | |
| Chen et al. | A novel method to extract urban human settlements by integrating remote sensing and mobile phone locations | |
| Tang et al. | A novel sample selection method for impervious surface area mapping using JL1-3B nighttime light and Sentinel-2 imagery | |
| Wang et al. | Updatable dataset revealing decade changes in land cover types in Mongolia | |
| Cai et al. | Consistency Assessments of the land cover products on the Tibetan Plateau | |
| Han et al. | Comparing ground operation-measured and remotely sensed fine-particulate matter data: A case to validate the Dalhousie product in China | |
| Li et al. | A review of remotely sensed surface urban heat islands from the fresh perspective of comparisons among different regions (invited review) | |
| Tyndall et al. | Sensitivity of surface air temperature analyses to background and observation errors | |
| Zhang | The spatial distribution and evolution of traditional villages based on remote sensing technology | |
| Benkirane et al. | Hydro statistical assessment of TRMM and GPM precipitation products against ground precipitation over a Mediterranean mountainous watershed (in the Moroccan High Atlas) | |
| CN115965282A (zh) | 一种乡村发展水平的动态监测与评估的方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160824 |