CN112504144B - 一种海冰表面积雪厚度的遥感估算方法 - Google Patents

一种海冰表面积雪厚度的遥感估算方法 Download PDF

Info

Publication number
CN112504144B
CN112504144B CN202011413151.1A CN202011413151A CN112504144B CN 112504144 B CN112504144 B CN 112504144B CN 202011413151 A CN202011413151 A CN 202011413151A CN 112504144 B CN112504144 B CN 112504144B
Authority
CN
China
Prior art keywords
bice
thickness
snow
ice
sea ice
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.)
Active
Application number
CN202011413151.1A
Other languages
English (en)
Other versions
CN112504144A (zh
Inventor
柯长青
李海丽
朱庆辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202011413151.1A priority Critical patent/CN112504144B/zh
Publication of CN112504144A publication Critical patent/CN112504144A/zh
Application granted granted Critical
Publication of CN112504144B publication Critical patent/CN112504144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
    • G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C1/00—Measuring angles
    • G01C1/02—Theodolites
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种海冰表面积雪厚度的遥感估算方法，首先将美国陆军寒带研究与工程实验室提供的IMB海冰物质平衡浮标积雪厚度的实测数据矢量化，得到月尺度的实测积雪厚度。其次将美国雪冰数据中心提供的AMSR‑2亮温影像进行通道组合运算，并分别与IMB一年冰实测数据和多年冰实测数据进行空间匹配，拟合得到10种亮温组合方式与积雪厚度的关系，选择相关性最佳的组合确定估算一年冰和多年冰表面积雪厚度的模型。借助OSI SAF海冰类型数据区分不同海冰类型，针对不同海冰类型采用不同模型得到长时间序列北极海冰表面积雪厚度。上述即为本发明提出的海冰表面积雪厚度的遥感估算方法，该方法提高了北极海冰表面积雪厚度的估算精度。

Description

一种海冰表面积雪厚度的遥感估算方法
技术领域
本发明涉及一种海冰表面积雪厚度的遥感估算方法，属于遥感地学应用技术领域。
背景技术
海冰表面积雪高的反射率和低的导热性能有效阻碍海冰和大气的热量交换，对地球表面能量平衡起着重要的作用。另外海冰表层积雪厚度是测高卫星反演海冰厚度的重要输入参数之一，积雪厚度的变化也能直接反映海冰厚度的变化，其精度直接影响海冰厚度的估算精度。准确估算海冰表面积雪厚度，为精确估算海冰厚度和海冰体积提供可靠参数，为北极航道的通航性提供参考。
海冰表面积雪厚度先后经历了站点测量、浮标测量、走航测量、航空测量和被动微波遥感测量。相比于前四种方法只能获得空间有限的海冰表面积雪厚度，遥感测量可以获得长时间序列大尺度的测量结果，有利于分析积雪厚度变化特征。
被动微波遥感提供了亮温观测资料，为研究积雪厚度反演模型奠定了基础。海冰表面积雪厚度与亮温之间存在一定的相关性，对不同频率不同极化方式的亮温资料进行组合，找到一个关系最佳的组合方式确定积雪厚度反演模型，并且不同海冰类型采用不同的积雪厚度模型，满足不同海冰类型表面积雪厚度的估算要求，提升了积雪厚度估算精度。对准确估算海冰厚度、体积和分析海冰变化具有重要的应用价值。
发明内容
本发明要解决的技术问题是：针对目前常用的遥感手段获得的积雪厚度模型只适用于一年冰的局限，提出一种海冰表面积雪厚度的遥感估算方法，采用IMB实测资料进行建模，有效的实现不同海冰类型采用不同的估算模型，大大提高了海冰表面积雪厚度的估算精度。
为了解决上述技术问题，本发明提出的技术方案是：海冰表面积雪厚度的遥感估算方法，包括以下步骤：
第一步、选取一年冰和多年冰上的IMB浮标数据；
第二步、将IMB浮标数据进行矢量化，获得投影坐标系下浮标点的实测积雪厚度和经纬度信息；
第三步、将AMSR-2产品的亮温数据进行通道组合运算，提出10种通道组合方式，制作通道组合的TIFF影像；
第四步、根据浮标点经纬度信息将IMB实测积雪厚度与通道组合的TIFF影像进行匹配；
第五步、对所有通道组合值与实测积雪厚度进行回归拟合，并计算不同通道组合值和实测积雪厚度的相关性，将相关性最高的通道组合作为最优通道组合，与之对应的拟合参数作为积雪厚度估算方程的参数，从而确定最佳的一年冰和多年冰积雪厚度估算方程；
第六步、基于OSI SAF海冰类型数据，区分不同海冰类型，利用不同的估算方程计算不同类型海冰表面积雪厚度，利用均值滤波对初步得到的积雪厚度进行平滑去噪，得到最终的海冰表面积雪厚度。
本发明海冰表面积雪厚度的遥感估算方法，还具有如下特征：
1、所述第一步中IMB浮标选取方法是浮标工作时间包含结冰期(10-4月)中的至少3个月,以保证该浮标点具有足够的积雪厚度实测数据。
2、所述第二步中，IMB数据为CSV格式，利用ARCGIS对IMB原始数据进行矢量化操作，转化为shapefile格式，每隔25km执行重采样，时间分辨率为每月，投影统一为北极方位投影。Shape文件中包含了积雪厚度、经度和纬度信息。
3、所述的第三步中,10种通道组合方式包括GRH(37,7)，GRV(37,7)，GRH(19,7)，GRV(19,7)，GRH(19,10)，GRV(19,10)，GRH(89,7)，GRV(89,7)，GRH(37,19)，GRV(37,19)，10种组合具体的计算方法如下：
GRH(37,7)＝(Tbice(37,h)-Tbice(7,h))/(Tbice(37,h)+Tbice(7,h))
GRV(37,7)＝(Tbice(37,v)-Tbice(7,v))/(Tbice(37,v)+Tbice(7,v))
GRH(19,7)＝(Tbice(19,h)-Tbice(7,h))/(Tbice(19,h)+Tbice(7,h))
GRV(19,7)＝(Tbice(19,v)-Tbice(7,v))/(Tbice(19,v)+Tbice(7,v))
GRH(19,10)＝(Tbice(19,h)-Tbice(10,h))/(Tbice(19,h)+Tbice(10,h))
GRV(19,10)＝(Tbice(19,v)-Tbice(10,v))/(Tbice(19,v)+Tbice(10,v))
GRH(89,7)＝(Tbice(89,h)-Tbice(7,h))/(Tbice(89,h)+Tbice(7,h))
GRV(89,7)＝(Tbice(89,v)-Tbice(7,v))/(Tbice(89,v)+Tbice(7,v))
GRH(37,19)＝(Tbice(37,h)-Tbice(19,h))/(Tbice(37,h)+Tbice(19,h))
GRV(37,19)＝(Tbice(37,v)-Tbice(19,v))/(Tbice(37,v)+Tbice(19,v))
式中Tbice(i,h)代表在频率i下以水平极化方式获得的海冰亮温值，Tbice(i,v)代表在频率i下以垂直极化方式获得的海冰亮温值。
4、海冰亮温值计算公式为：
Tbice(i,h)＝(Tb(i,h)-(1-SIC)*Tbow(i,h))/SIC
Tbice(i,v)＝(Tb(i,v)-(1-SIC)*Tbow(i,v))/SIC
式中，Tb(i,h)代表在频率i下以水平极化方式获得的观测亮温值，Tbow(i,h)代表在频率i下以水平极化方式获得开阔水域连接点的亮温，Tb(i,v)代表在频率i下以垂直极化方式获得的观测亮温值，Tbow(i,v)代表在频率i下以垂直极化方式获得开阔水域连接点的亮温，SIC为归一化后的海冰密集度。
5、所述第四步中，通道组合方式的TIFF影像空间分辨率为25km×25km，由每日TIFF影像求取月平均TIFF影像，进行空间匹配并提取出相应的匹配点。
6、所述第五步中，采用的方法是多项式曲线拟合方式中的一阶线性逼近的方式，确定最优的模型参数。
7、本方法确定的多年冰和一年冰表面积雪厚度方程为：
Figure BDA0002818900230000041
Figure BDA0002818900230000042
式中Hmy代表多年冰表面积雪厚度；Hfy代表一年冰表面积雪厚度。
8、所述第六步中，OSI SAF海冰类型数据包括类型和置信度数据，采用OSI SAF海冰类型数据区分一年冰和多年冰。
本发明的有益效果是：
获得高精度的海冰表面积雪厚度对精确估算海冰厚度和体积具有重要意义。本发明实现了不同海冰类型表面积雪厚度反演，根据IMB实测资料以及积雪厚度与亮温之间存在的关系进行建模，确定了多年冰和一年冰积雪厚度计算方法，快速准确获得大尺度长时序的海冰表面积雪厚度。具体有益效果如下：
第一，本发明使用的亮温数据为AMSR-2数据，是AMSR-E数据的后继数据，与AMSR-E一同可构建出2002年-至今的亮温数据集。亮温影像可以免费获取，实时性强，获取便捷，处理方便；
第二，本发明提出多个亮温组合方式，将自行生成的不同组合方式数据与实测数据进行空间匹配，利用亮温与积雪厚度的关系进行建模，确定了海冰表面积雪厚度模型，方法实用性好，便于理解和实现。
第三，本发明综合考虑了不同海冰类型采用不同的积雪厚度模型，反演精度高，更符合积雪厚度的实际情况；
第四，本发明数据提取和运算过程通过Python和MATLAB编程自动实现，极大地减少了工作量与人工误差，提高了工作效率，可应用于大尺度长时间序列的积雪厚度分析，有效获取积雪厚度的年际变化和季节变化。
附图说明
下面结合附图对本发明作进一步说明。
图1是海冰表面积雪厚度遥感估算方法的流程图。
图2是用于建模的IMB浮标空间分布图。
图3是提取的IMB矢量点的经纬度坐标和积雪厚度信息。
图4是与IMB经过匹配的矢量点的不同亮温组合数据。
图5是IMB多年冰积雪厚度与最佳亮温通道组合的关系图。
图6是IMB一年冰积雪厚度与最佳亮温通道组合的关系图。
图7是2016年1月1日海冰表面积雪厚度空间分布。
具体实施方式
下面根据附图详细阐述本发明，使本发明的步骤和效果更加清晰。
本发明采用的示例数据有空间分辨率为25km×25km的AMSR-E/AMSR2Unified L3Daily 25km Brightness Temperatures&Sea Ice Concentration Polar Grids,Version1产品、美国雪冰数据中心提供的海冰密集度数据和OSI SAF海冰类型数据。示例数据影像的覆盖区域为北半球，时间跨度为2012年1月1日到2016年12月31日。IMB实测数据由美国陆军寒带研究与工程实验室提供，获取时间为2012年-2016年10月到次年4月。
图1为海冰表面积雪厚度遥感估算方法的流程图，该方法的具体实施步骤包括以下内容：
第一步、多年冰和一年冰IMB实测数据选取，选择的浮标满足工作时间包含结冰期(10-4月)中的至少3个月。一共选择了13个浮标用于积雪模型的建立，空间分布如图2所示。
第二步、利用ARCGIS对IMB原始数据进行矢量化操作，将CSV格式转化为shapefile格式，每隔25km执行重采样，将不同时间分辨率的浮标数据统一为每月，投影统一为北极方位投影。获得浮标点的实测积雪厚度和经纬度信息如图3所示。
第三步、对AMSR-2不同频率不同极化方式的原始亮温影像进行组合运算，制作不同组合方式的TIFF影像。提出10种亮温组合方式，包括GRH(37,7)，GRV(37,7)，GRH(19,7)，GRV(19,7)，GRH(19,10)，GRV(19,10)，GRH(89,7)，GRV(89,7)，GRH(37,19)，GRV(37,19)，10种组合具体的计算方法如下：
GRH(37,7)＝(Tbice(37,h)-Tbice(7,h))/(Tbice(37,h)+Tbice(7,h))
GRV(37,7)＝(Tbice(37,v)-Tbice(7,v))/(Tbice(37,v)+Tbice(7,v))
GRH(19,7)＝(Tbice(19,h)-Tbice(7,h))/(Tbice(19,h)+Tbice(7,h))
GRV(19,7)＝(Tbice(19,v)-Tbice(7,v))/(Tbice(19,v)+Tbice(7,v))
GRH(19,10)＝(Tbice(19,h)-Tbice(10,h))/(Tbice(19,h)+Tbice(10,h))
GRV(19,10)＝(Tbice(19,v)-Tbice(10,v))/(Tbice(19,v)+Tbice(10,v))
GRH(89,7)＝(Tbice(89,h)-Tbice(7,h))/(Tbice(89,h)+Tbice(7,h))
GRV(89,7)＝(Tbice(89,v)-Tbice(7,v))/(Tbice(89,v)+Tbice(7,v))
GRH(37,19)＝(Tbice(37,h)-Tbice(19,h))/(Tbice(37,h)+Tbice(19,h))
GRV(37,19)＝(Tbice(37,v)-Tbice(19,v))/(Tbice(37,v)+Tbice(19,v))
式中Tbice(i,h)代表在频率i下以水平极化方式获得的海冰亮温值，Tbice(i,v)代表在频率i下以垂直极化方式获得的海冰亮温值。其中海冰亮温值计算公式为：
Tbice(i,h)＝(Tb(i,h)-(1-SIC)*Tbow(i,h))/SIC
Tbice(i,v)＝(Tb(i,v)-(1-SIC)*Tbow(i,v))/SIC
式中，Tb(i,h)代表在频率i下以水平极化方式获得的观测亮温值，Tbow(i,h)代表在频率i下以水平极化方式获得开阔水域连接点的亮温，Tb(i,v)代表在频率i下以垂直极化方式获得的观测亮温值，Tbow(i,v)代表在频率i下以垂直极化方式获得开阔水域连接点的亮温，SIC为归一化后的海冰密集度。其中，归一化后的海冰密集度SIC是将美国雪冰中心下载的海冰密集度(0-255的灰度值)去除了252-255的灰度值并除以251后得到的介于0-1之间的密集度值。
第四步、制作的TIFF影像与海冰密集度、海冰类型空间分辨率一致，为25km×25km。由每日TIFF影像求取月平均TIFF影像后，利用ARCGIS根据浮标点经纬度信息对通道组合的TIFF影像中与IMB浮标同一位置的数据进行提取，得到互相匹配的IMB积雪厚度和亮温组合数据，如图4所示。
第五步、剔除掉亮温通道组合值为-1的匹配点，采用多项式曲线拟合方式中的一阶线性逼近的方式对经过匹配的通道组合值与实测积雪厚度进行拟合，计算不同通道组合值和实测积雪厚度的相关性，相关性最高的通道组合为最优通道组合。相关性计算公式为：
Figure BDA0002818900230000071
式中x为亮温组合值，y为实测积雪厚度，Cov(x,y)代表两者的协方差，Var(x)为x的方差，Var(y)为y的方差。
图5为IMB多年冰积雪厚度与最佳亮温通道组合的关系图。图6为IMB一年冰积雪厚度与最佳亮温通道组合的关系图。多年冰表面积雪厚度估算的最优通道组合是19和10的垂直极化梯度比，一年冰表面积雪厚度估算的最优通道组合是37和7的水平极化梯度比。
与最优通道组合对应的拟合参数作为积雪厚度估算方程的参数，从而确定最优的多年冰和一年冰积雪厚度估算方程如下：
Figure BDA0002818900230000072
Figure BDA0002818900230000073
式中Hmy代表多年冰表面积雪厚度；Hfy代表一年冰表面积雪厚度。
第六步、利用OSI SAF海冰类型数据，区分一年冰和多年冰。针对不同海冰类型采用第五步确定的不同积雪厚度估算模型，计算海冰表面积雪厚度。利用均值滤波对初步得到的积雪厚度进行平滑去噪，得到最终的海冰表面积雪厚度。如图7所示为2016年1月1日积雪厚度空间分布，反映出北极格陵兰岛一侧积雪厚度大，俄罗斯和美国一侧厚度小的特征。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (8)

1.一种海冰表面积雪厚度的遥感估算方法，包括以下步骤:
第一步、选取一年冰和多年冰上的IMB浮标数据；
第二步、将IMB浮标数据进行矢量化，获得投影坐标系下浮标点的实测积雪厚度和经纬度信息；
第三步、将AMSR-2产品的亮温数据进行通道组合运算，提出10种通道组合方式，制作通道组合的TIFF影像；
第四步、根据浮标点经纬度信息将IMB实测积雪厚度与通道组合的TIFF影像进行匹配；
第五步、对所有通道组合值与实测积雪厚度进行回归拟合，并计算不同通道组合值和实测积雪厚度的相关性，将相关性最高的通道组合作为最优通道组合，与之对应的拟合参数作为积雪厚度估算方程的参数，从而确定最佳的一年冰和多年冰积雪厚度估算方程；
第六步、基于OSI SAF海冰类型数据，区分不同海冰类型，利用不同的估算方程计算不同类型海冰表面积雪厚度，利用均值滤波对初步得到的积雪厚度进行平滑去噪，得到最终的海冰表面积雪厚度；
所述第三步中,10种通道组合方式包括GRH(37,7)，GRV(37,7)，GRH(19,7)，GRV(19,7)，GRH(19,10)，GRV(19,10)，GRH(89,7)，GRV(89,7)，GRH(37,19)，GRV(37,19)，10种组合具体的计算方法如下：
GRH(37,7)＝(Tbice(37,h)-Tbice(7,h))/(Tbice(37,h)+Tbice(7,h))
GRV(37,7)＝(Tbice(37,v)-Tbice(7,v))/(Tbice(37,v)+Tbice(7,v))
GRH(19,7)＝(Tbice(19,h)-Tbice(7,h))/(Tbice(19,h)+Tbice(7,h))
GRV(19,7)＝(Tbice(19,v)-Tbice(7,v))/(Tbice(19,v)+Tbice(7,v))
GRH(19,10)＝(Tbice(19,h)-Tbice(10,h))/(Tbice(19,h)+Tbice(10,h))
GRV(19,10)＝(Tbice(19,v)-Tbice(10,v))/(Tbice(19,v)+Tbice(10,v))
GRH(89,7)＝(Tbice(89,h)-Tbice(7,h))/(Tbice(89,h)+Tbice(7,h))
GRV(89,7)＝(Tbice(89,v)-Tbice(7,v))/(Tbice(89,v)+Tbice(7,v))
GRH(37,19)＝(Tbice(37,h)-Tbice(19,h))/(Tbice(37,h)+Tbice(19,h))
GRV(37,19)＝(Tbice(37,v)-Tbice(19,v))/(Tbice(37,v)+Tbice(19,v))
式中Tbice(i,h)代表在频率i下以水平极化方式获得的海冰亮温值，Tbice(i,v)代表在频率i下以垂直极化方式获得的海冰亮温值。
2.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：所述第一步中IMB浮标满足工作时间包含结冰期中的至少3个月，以保证该浮标点具有足够的积雪厚度实测数据。
3.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：所述第二步中，IMB浮标数据为CSV格式，利用ARCGIS对IMB浮标数据进行矢量化操作，转化为shapefile格式，每隔25km执行重采样，时间分辨率为每月，投影统一为北极方位投影，所述转化后的Shape文件中包含了积雪厚度、经度和纬度信息。
4.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：海冰亮温值计算公式为：
Tbice(i,h)＝(Tb(i,h)-(1-SIC)*Tbow(i,h))/SIC
Tbice(i,v)＝(Tb(i,v)-(1-SIC)*Tbow(i,v))/SIC
式中，Tb(i,h)代表在频率i下以水平极化方式获得的观测亮温值，Tbow(i,h)代表在频率i下以水平极化方式获得开阔水域连接点的亮温，Tb(i,v)代表在频率i下以垂直极化方式获得的观测亮温值，Tbow(i,v)代表在频率i下以垂直极化方式获得开阔水域连接点的亮温，SIC为归一化后的海冰密集度。
5.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：所述第四步中，通道组合方式的TIFF影像空间分辨率为25km×25km，由每日TIFF影像求取月平均TIFF影像，进行空间匹配并提取出相应的匹配点。
6.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：所述第五步中，采用的方法是多项式曲线拟合方式中的一阶线性逼近的方式，确定最优的通道组合及对应的模型参数。
7.根据权利要求6所述的海冰表面积雪厚度的遥感估算方法，其特征在于：多年冰和一年冰表面积雪厚度方程为：
Figure FDA0003262486440000031
Figure FDA0003262486440000032
式中Hmy代表多年冰表面积雪厚度；Hfy代表一年冰表面积雪厚度。
8.根据权利要求1所述的海冰表面积雪厚度的遥感估算方法，其特征在于：所述第六步中，OSI SAF海冰类型数据包括类型和置信度数据，采用OSI SAF海冰类型数据区分一年冰和多年冰。
CN202011413151.1A 2020-12-04 2020-12-04 一种海冰表面积雪厚度的遥感估算方法 Active CN112504144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011413151.1A CN112504144B (zh) 2020-12-04 2020-12-04 一种海冰表面积雪厚度的遥感估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011413151.1A CN112504144B (zh) 2020-12-04 2020-12-04 一种海冰表面积雪厚度的遥感估算方法

Publications (2)

Publication Number Publication Date
CN112504144A CN112504144A (zh) 2021-03-16
CN112504144B true CN112504144B (zh) 2021-10-29

Family

ID=74970525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011413151.1A Active CN112504144B (zh) 2020-12-04 2020-12-04 一种海冰表面积雪厚度的遥感估算方法

Country Status (1)

Country Link
CN (1) CN112504144B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553766B (zh) * 2021-07-22 2023-04-28 南京信息工程大学 一种使用机器学习反演北极积雪深度的方法
CN114114358B (zh) * 2021-11-24 2024-05-28 中国人民解放军国防科技大学 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法
CN114218794A (zh) * 2021-12-16 2022-03-22 国家海洋环境预报中心 一种内拉湾海冰厚度模拟方法及系统
CN115061112A (zh) * 2022-08-09 2022-09-16 中国科学院地理科学与资源研究所 面状雪水当量获取方法、装置及电子设备

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034337A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 草原雪灾遥感监测与灾情评估系统及方法
CN102878957A (zh) * 2012-09-26 2013-01-16 安徽大学 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法
CN103017668A (zh) * 2012-11-30 2013-04-03 国家海洋局第一海洋研究所 基于高光谱遥感反射率的海冰厚度计算方法
WO2013164971A1 (ja) * 2012-05-01 2013-11-07 東京エレクトロン株式会社 Ｘ線検査方法及びｘ線検査装置
US20160253816A1 (en) * 2014-02-27 2016-09-01 Andrew Niemczyk Method of Carrying Out Land Based Projects Using Aerial Imagery Programs
CN105930817A (zh) * 2016-05-05 2016-09-07 中国科学院寒区旱区环境与工程研究所 一种基于多源遥感数据的公路积雪灾害监测与预警方法
CN106771089A (zh) * 2017-03-20 2017-05-31 北京师范大学 基于改进双通道算法的土壤水分遥感反演方法
CN107679476A (zh) * 2017-09-26 2018-02-09 南京大学 一种海冰类型遥感分类方法
CN108519058A (zh) * 2018-03-21 2018-09-11 国家海洋环境监测中心 一种光学遥感图像估算一年生海冰厚度的方法
CN109186560A (zh) * 2018-09-19 2019-01-11 南京大学 一种海冰厚度的遥感估算方法
CN109410231A (zh) * 2018-09-13 2019-03-01 安徽继远软件有限公司 基于图像处理的输电线路覆冰检测方法及系统
CN110726653A (zh) * 2019-09-25 2020-01-24 中国电子科技集团公司第二十七研究所 基于天地一体化信息的pm2.5浓度监测方法
CN110865391A (zh) * 2019-11-14 2020-03-06 清华大学 用于目标增强的毫米波太赫兹多极化成像方法及成像系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034337A (zh) * 2009-09-25 2011-04-27 中国农业科学院农业资源与农业区划研究所 草原雪灾遥感监测与灾情评估系统及方法
WO2013164971A1 (ja) * 2012-05-01 2013-11-07 東京エレクトロン株式会社 Ｘ線検査方法及びｘ線検査装置
CN102878957A (zh) * 2012-09-26 2013-01-16 安徽大学 基于遥感影像优化prosail模型参数的叶面积指数和叶绿素含量的反演方法
CN103017668A (zh) * 2012-11-30 2013-04-03 国家海洋局第一海洋研究所 基于高光谱遥感反射率的海冰厚度计算方法
US20160253816A1 (en) * 2014-02-27 2016-09-01 Andrew Niemczyk Method of Carrying Out Land Based Projects Using Aerial Imagery Programs
CN105930817A (zh) * 2016-05-05 2016-09-07 中国科学院寒区旱区环境与工程研究所 一种基于多源遥感数据的公路积雪灾害监测与预警方法
CN106771089A (zh) * 2017-03-20 2017-05-31 北京师范大学 基于改进双通道算法的土壤水分遥感反演方法
CN107679476A (zh) * 2017-09-26 2018-02-09 南京大学 一种海冰类型遥感分类方法
CN108519058A (zh) * 2018-03-21 2018-09-11 国家海洋环境监测中心 一种光学遥感图像估算一年生海冰厚度的方法
CN109410231A (zh) * 2018-09-13 2019-03-01 安徽继远软件有限公司 基于图像处理的输电线路覆冰检测方法及系统
CN109186560A (zh) * 2018-09-19 2019-01-11 南京大学 一种海冰厚度的遥感估算方法
CN110726653A (zh) * 2019-09-25 2020-01-24 中国电子科技集团公司第二十七研究所 基于天地一体化信息的pm2.5浓度监测方法
CN110865391A (zh) * 2019-11-14 2020-03-06 清华大学 用于目标增强的毫米波太赫兹多极化成像方法及成像系统

Also Published As

Publication number Publication date
CN112504144A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112504144B (zh) 一种海冰表面积雪厚度的遥感估算方法
US20220043182A1 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
CN109580003B (zh) 一种静止气象卫星热红外数据估算近地面大气温度方法
Girard-Ardhuin et al. Enhanced Arctic sea ice drift estimation merging radiometer and scatterometer data
CN107391951B (zh) 一种基于环形邻域梯度排序的空气污染溯源方法
Syariz et al. Retrieval of sea surface temperature over Poteran Island water of Indonesia with Landsat 8 TIRS image: A preliminary algorithm
Tong et al. An optimal waterline approach for studying tidal flat morphological changes using remote sensing data: A case of the northern coast of Vietnam
CN107679476B (zh) 一种海冰类型遥感分类方法
KR20200059085A (ko) 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법
CN102681033A (zh) 一种基于x波段航海雷达的海面风场测量方法
CN111192282B (zh) 湖滨带虚拟站的湖库时序水位重建方法
CN114114358B (zh) 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法
CN116972857B (zh) 一种在月光偏振光场中扇形区域拟合的夜间航向确定方法
CN118314491B (zh) 一种基于无人机测绘的海滩侵蚀检测和定量计算方法
CN102867184B (zh) 一种sar图像中海冰运动特征的提取方法
CN117671504A (zh) 一种基于yolo算法的海上风电识别方法及系统
Valentini et al. New coastal video-monitoring system achievement and development
CN107688712B (zh) 一种基于dem和ndvi的气温降尺度方法
Ahrens et al. On the validation of the atmospheric model REMO with ISCCP data and precipitation measurements using simple statistics
Mu et al. Remote detection of varying water storage in relation to surfacial temperature of Aral Sea
Thomas The long pause and the last pulse: mapping East Polynesian colonisation
CHUNG et al. Correlation analysis between Terra/Aqua MODIS LST and air temperature: Mainly on the occurrence period of heat and cold waves
Tsarau et al. Enhancing the Resolution of Large-Scale Sea-Ice Models Through Synthesising Satellite Imagery and Discrete-Element Modelling
LU503364B1 (en) Method and system for estimating water storage change of lakes in arid regions based on long-time series remote sensing data
Draper et al. Remotely sensed soil moisture over Australia from AMSR-E

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant