CN116908939B - 基于天气滤波器筛选数据进行海冰密集度反演的方法 - Google Patents
基于天气滤波器筛选数据进行海冰密集度反演的方法 Download PDFInfo
- Publication number
- CN116908939B CN116908939B CN202310667811.6A CN202310667811A CN116908939B CN 116908939 B CN116908939 B CN 116908939B CN 202310667811 A CN202310667811 A CN 202310667811A CN 116908939 B CN116908939 B CN 116908939B
- Authority
- CN
- China
- Prior art keywords
- sea ice
- data
- ice concentration
- weather filter
- 19ghz
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 61
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012952 Resampling Methods 0.000 claims abstract description 6
- 230000010287 polarization Effects 0.000 claims description 23
- 238000002310 reflectometry Methods 0.000 claims description 10
- 239000013535 sea water Substances 0.000 claims description 6
- 239000005457 ice water Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 136
- 230000005855 radiation Effects 0.000 description 8
- 230000002354 daily effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- -1 regions Chemical compound 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000179 transient infrared spectroscopy Methods 0.000 description 2
- 101100217226 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ASI2 gene Proteins 0.000 description 1
- 101100217227 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) ASI3 gene Proteins 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- 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
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mathematical Analysis (AREA)
- Environmental Sciences (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Atmospheric Sciences (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Ecology (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供了一种基于天气滤波器筛选数据进行海冰密集度反演的方法,步骤包括:S1、利用天气滤波器对数据进行筛选;S2、对不满足天气滤波器的89GHz数据通过ASI算法反演得到海冰密集度结果;S3、对19GHz和37GHz数据进行重采样;S4、基于重采样后的19GHz以及37GHz数据,使用Bootstrap算法对满足天气滤波器的19GHz和37GHz数据进行反演,得到海冰密集度结果;S5、将S2中的海冰密集度结果与S4中的海冰密集度结果相结合,得到南极总的海冰密集度结果;并使用Landsat8数据通过标准化差异雪指数值得到海冰分布,对海冰密集度结果进行验证;本申请有效的改善了天气滤波器将大于阈值部分的海冰密集度强制设置为0%而导致的过度滤除现象,提高了海冰密集度的反演精度。
Description
技术领域
本申请属于卫星遥感技术领域,具体说是一种基于天气滤波器筛选数据进行海冰密集度反演的方法。
背景技术
极地地区是地球气候系统的主要冷源,是海冰分布最为广泛的地区,同时也是全球气候变化的关键地区和敏感地区。海冰是极地地区气候变化中最敏感的组成部分之一,海冰的表面反照率是所有地表类型中最高的,可以将绝大部分的太阳辐射反射回太空,可调节大气和海洋表面的能量交换,帮助维持极地地区的低温状态。当气温逐渐升高,海洋表面的海冰开始融化减少,被反射回去的太阳辐射变少,被海洋吸收的太阳辐射增加,促使气温进一步升高,加速全球变暖,这一原因使得海冰在极地地区乃至全球气候系统中发挥着至关重要的作用。因此,高精度高空间分辨率的海冰密集度结果对预测极地地区乃至全球气候变化至关重要,南极海冰密集度反演的准确性受到越来越多的关注。
近年来,基于被动微波辐射数据获取海冰密集度进行了广泛的研究,得到了许多海冰密集度反演算法。Comiso等1986年基于能量传输方程以及海冰发射率在不同频段的不同特征提出了Bootstrap算法,并在2003年对Bootstrap算法进行修改,提出了ABA(theAMSRBootstrapAlgorithm)算法,该算法充分利用AMSR-E(AdvancedMicrowaveScanningRadiometerforEOS)6.9GHz的亮温辐射特征,减小了海冰表面温度的影响。Cavalieri等引入极化梯度率(PolarizationRatio,PR)和光谱梯度率(GradientRatio,GR)提出了NASATeam算法,该算法能够有效的区分一年冰和多年冰,2002年在NASATeam算法的基础上提出了NASATeam2算法,此算法一方面提高了海冰密集度结果的空间分辨率,另一方面消除了表面雪覆盖带来的低密集度区域的误差。Liu等人(2015)为提高NASATeam算法反演的精确性,提出了一种将NASATeam算法与完全约束最小二乘法相结合的海冰密集度反演方法。Svendsen等提出了应用于SMMR数据的NORSEX算法,根据被动微波以及地表温度测量来估计总海冰密集度以及多年冰海冰密集度。ASI算法是在1998年“北极辐射和湍流交换的研究”项目中产生的,最开始是为了利用更高分辨率的SSM/I85GHz数据来对北极海冰边缘的大气边界层作中尺度数值模拟,Spreen等2008年将ASI算法应用于AMSR-E的89GHz数据,利用垂直极化和水平极化之间的亮温差异反演海冰密集度,显著提高了海冰密集度产品的空间分辨率。Kern等2001年提出了基于SSM/I85GHz通道数据的SLA算法,该算法利用亮温数据的极化比反演海冰密集度。Cezar等从微波遥感观测数据中动态获取地表反射率,通过与海冰参考反射率的比较获得海冰密集度结果。苏洁等对ASI算法进行了插值计算、系点值以及天气滤波器等一系列实验,根据统计来确定海冰和海水系点值,推导并修改了海冰密集度反演公式。Ye等通过冰漂移记录来约束多年冰的变化,利用被动微波辐射参数的两个阈值来考虑雪的湿度和变质效应,并将其应用于ECICE算法,提高了多年冰密集度的估算精度。Ye等通过引入再分析空气温度数据来提高海冰密集度反演精度。Lu等人提出了ASI2算法,该算法通过使用数值天气预测再分析数据场作为大气剖面,模拟大气吸收/排放和风粗糙化海面引起的总辐射量变化,来校正天气影响。并在此基础上,通过在校正模型中加入云液态水,提出了ASI3算法。Wu等提出了一种基于SSMIS的19GHz极化差修改91GHz极化差的改进的ASI算法。史凯琦等以MODIS数据为数据源,用最近邻像素法确定纯冰的典型反射率,以此来计算海冰密集度。梁爽根据各种海冰密集度产品在极地的表现和误差特征,提出了被动微波海冰密集度融合方法。
ASI算法使用89GHz高频通道数据,得到的海冰密集度结果空间分辨率高,但与低频通道数据相比,89GHz亮温数据受到云和水汽等外界因素的影响较大,经常会在开阔水域和海冰边缘区域得到错误的反演结果。虽然使用天气滤波器可以消除部分海冰边缘区域、低海冰密集度区域以及开放水域的海冰密集度反演误差,但是通常使用天气滤波器来消除外部因素对海冰密集度反演结果的影响,即天气滤波器将大于相应阈值的区域海冰密集度设置为0,在海冰边缘区域将会出现过度滤除现象,即将低密集度海冰误判为海水,从而导致海冰密集度反演精度不高。
发明内容
为了克服目前存在天气滤波器将大于相应阈值的区域海冰密集度设置为0,在海冰边缘区域将会出现过度滤除现象的问题,本申请提供了一种基于天气滤波器筛选数据进行海冰密集度反演的方法,包括如下步骤:
步骤S1、利用天气滤波器对数据进行筛选,获取不满足天气滤波器的89GHz数据以及满足天气滤波器的19GHz和37GHz数据;
步骤S2、对不满足天气滤波器的89GHz数据通过ASI算法(式(3))反演得到海冰密集度结果;
SIC=1.64×10-5P3-1.618×10-4P2+1.916×10-2P+0.9710(3)
其中,P=Tbv-Tbh,Tbv为89GHz垂直极化亮温,Tbh为89GHz水平极化亮温;
步骤S3、对满足天气滤波器的19GHz和37GHz数据进行重采样,使得19GHz和37GHz数据与89GHz数据空间分辨率一致;
采用双线性插值法(式(4))对19GHz和37GHz数据进行重采样,对于目标像素,通过反向变换得到浮点坐标(i+u,j+v),其中,i,j分别为横纵坐标的整数部分,u,v分别为横纵坐标的浮点位;像素值f(i+u,j+v)由周围四个点的像素值共同决定,这四个点坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1);
其中,f(*,*)表示像素的灰度值;
本申请采用双线性插值法利用周围四个相邻点的灰度值进行两个方向的线性插值,得到待采样点的灰度值,克服了最近邻插值法中灰度不连续的问题;重采样后的19GHz以及37GHz数据与89GHz数据空间分辨率一致,提高了数据处理效率和数据处理的精度。
步骤S4、基于重采样后的19GHz以及37GHz数据,使用Bootstrap算法(式(5))对满足天气滤波器的19GHz和37GHz数据进行反演,得到海冰密集度结果;
SIC=(TB-TO)/(TI-TO)(5)
其中,TB为观测亮温,TI和TO分别为海冰和海水的参考亮温。
步骤S5、将步骤S2中的海冰密集度结果与步骤S4中的海冰密集度结果相结合,得到南极总的海冰密集度结果;并使用Landsat8数据通过标准化差异雪指数(NDSI)值(式(6))得到海冰分布,对海冰密集度结果进行验证;
其中,R1为可见光通道(波段5)的反射率,R2是短波红外通道(波段6)的反射率。当NDSI值大于0.45且波段5的反射率高于0.08时,则该像元被识别为海冰。
进一步地,所述利用天气滤波器对数据进行筛选,包括:
利用天气滤波器(式(1)和式(2))找出海冰密集度反演精度满足天气滤波器的19GHz和37GHz数据和不满足天气滤波器的89GHz数据;
其中,Tbv(37)为37GHz垂直极化亮温,Tbv(19)为19GHz垂直极化亮温,Tbv(23)为23GHz垂直极化亮温。
与现有技术相比,本申请主要有以下有益效果:
1.本申请通过对满足天气滤波器的19GHz和37GHz数据进行重采样,基于重采样后的19GHz以及37GHz数据,使用Bootstrap算法进行海冰密集度反演,得到海冰密集度结果,使得在传统ASI算法所得密集度为0的区域得到了低海冰密集度结果,有效的改善了天气滤波器导致的过度滤除现象。
2.本申请通过对不满足天气滤波器的89GHz数据采用ASI算法反演得到海冰密集度结果;并将19GHz以及37GHz数据与89GHz数据反演的海冰密集度结果相结合,得到南极总的海冰密集度结果,提高了海冰密集度区域的反演精度。
3.本申请通过与Landsat-8数据得到的海冰密集度结果进行比较可知,本申请有效降低了由外界因素影响造成的海冰边缘区域海冰密集度的反演误差,在一定程度上提高海冰密集度的反演精度。
附图说明
图1为本申请的海冰浓度反演流程图。
图2为本申请实施例与传统ASI算法的海冰密集度结果比较示意图。
图3为本申请实施例的基于2017年7月至2018年6月每月10日的日平均海冰密集度和总海冰面积的结果与传统ASI算法所得结果比较示意图。
图4本申请实施例的基于2018年2月4日与传统ASI算法的Landsat8海冰密集度比较结果比较示意图。
图5本申请实施例的基于2018年2月8日与传统ASI算法的Landsat8海冰密集度比较结果比较示意图。
图6本申请实施例的基于2018年2月9日与传统ASI算法的Landsat8海冰密集度比较结果比较示意图。
图7本申请实施例的基于2018年2月14日与传统ASI算法的Landsat8海冰密集度比较结果比较示意图。
具体实施方式
除非另有定义,本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本申请中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
数据采集:AMSR-2微波辐射计搭载在Aqua卫星上,Aqua是一颗多功能的地球观测卫星,是NASA系列地球观测系统中的第二颗卫星,其主要任务是研究地球的水循环过程,提供更准确的天气预报。AMSR-2能够提供连续、高质量的陆地、海洋和大气参数数据,并能够保证数据的时间连续性。本申请海冰密集度反演主要采用89GHz水平和垂直极化亮温数据(空间分辨率为6.25km×6.25km),天气滤波器主要使用18.7GHz、23.8GHz以及36.5GHz垂直极化亮温数据(空间分辨率为12.5km×12.5km)。
Landsat8卫星配备了两个传感器,OLI陆地成像仪(OperationalLand Imager)和TIRS热红外传感器(ThermalInfraredSensor)。Landsat8卫星包含11个波段,波段1-7以及波段9-11的空间分辨率为30m,波段8为全色波段其空间分辨率为15m。每天至少可以获得400张图像,可以更加精确地观察地表现象,可以更好地捕捉地表动态变化。本申请使用Landsat8OLI/TIRS Collection2Level-2数据,该数据主要是基于Level-1数据和其他辅助数据,生成表面温度和反射率数据产品,用于外部的时间序列分析,减少数据预处理时间。
如图1所示,图中示出了本申请的基于天气滤波器筛选数据进行海冰密集度反演的方法流程图,所述方法包括以下步骤:
步骤S1、利用天气滤波器对数据进行筛选,获取不满足天气滤波器的89GHz数据以及满足天气滤波器的19GHz和37GHz数据;
所述利用天气滤波器对数据进行筛选,包括:
利用天气滤波器(式(1)和式(2))找出海冰密集度反演精度满足天气滤波器的19GHz和37GHz数据和不满足天气滤波器的89GHz数据;
其中,Tbv(37)为37GHz垂直极化亮温,Tbv(19)为19GHz垂直极化亮温,Tbv(23)为23GHz垂直极化亮温。
步骤S2、对不满足天气滤波器的89GHz数据通过ASI算法(式(3))反演得到海冰密集度结果;
SIC=1.64×10-5P3-1.618×10-4P2+1.916×10-2P+0.9710(3)
其中,P=Tbv-Tbh,Tbv为89GHz垂直极化亮温,Tbh为89GHz水平极化亮温;
步骤S3、对满足天气滤波器的19GHz和37GHz数据进行重采样,使得19GHz和37GHz数据与89GHz数据空间分辨率一致;
采用双线性插值法(式(4))对19GHz和37GHz数据进行重采样,对于目标像素,通过反向变换得到浮点坐标(i+u,j+v),其中,i,j分别为横纵坐标的整数部分,u,v分别为横纵坐标的浮点位;像素值f(i+u,j+v)由周围四个点的像素值共同决定,这四个点坐标分别为(i,j)、(i+1,j)、(i,j+1)、(i+1,j+1);
其中,f(*,*)表示像素的灰度值;
本申请采用双线性插值法利用周围四个相邻点的灰度值进行两个方向的线性插值,得到待采样点的灰度值,克服了最近邻插值法中灰度不连续的问题;重采样后的19GHz以及37GHz数据与89GHz数据空间分辨率一致,提高了数据处理效率和数据处理的精度。
步骤S4、基于重采样后的19GHz以及37GHz数据,使用Bootstrap算法(式(5))对满足天气滤波器的19GHz和37GHz数据进行反演,得到海冰密集度结果;
SIC=(TB-TO)/(TI-TO)(5)
其中,TB为观测亮温,TI和TO分别为海冰和海水的参考亮温。
步骤S5、将步骤S2中的海冰密集度结果与步骤S4中的海冰密集度结果相结合,得到南极总的海冰密集度结果;并使用Landsat8数据通过标准化差异雪指数(NDSI)值(式(6))得到海冰分布,对海冰密集度结果进行验证;
其中,R1为可见光通道(波段5)的反射率,R2是短波红外通道(波段6)的反射率。当NDSI值大于0.45且波段5的反射率高于0.08时,则该像元被识别为海冰。
结果与验证:
选用2018年2月4日南极地区89GHz、19GHz以及37GHz通道的亮温数据对海冰密集度进行反演,并将其同传统ASI算法的海冰密集度结果进行了比较,如图2所示。
从图2中可以看出,两种算法得到的海冰密集度结果的空间分布基本相似,但是基于ASI结合Bootstrap算法在传统ASI算法所得密集度为0的区域得到了低海冰密集度结果,如图2(c)所示,该区域海冰密集度均低于0.4715,且大部分海冰密集度位于0-0.26这一区间。
为了验证本申请所提算法的可行性,本申请算法基于2017年7月至2018年6月每月10日的日平均海冰密集度和总海冰面积的结果与传统ASI算法所得结果进行了比较,如图3所示。
从图3中可以看出,两种算法的日平均海冰密集度与海冰面积趋势变化一致且结果相差不多,本申请算法所得到的日平均海冰密集度以及海冰面积略高于传统ASI算法。主要是由于改进ASI算法得到了海冰边缘区域低海冰密集度部分,在传统ASI算法中该部分误判为开阔海水。在夏季两种算法反演得到的日平均海冰密集度结果差异大于冬季,主要是因为相比于冬季,夏季受到外界因素的影响较大。
为了验证本申请算法的精度,选取部分区域与Landsat8高分辨率光学遥感数据所得到的海冰密集度结果进行比较。使用Landsat8数据的可见光波段和短红外波段通过计算NDSI得到海冰分布,然后根据海冰密集度的定义,计算得到相应区域的海冰密集度。为了更充分的验证本申请算法的精度,分别选择2018年2月4日、2月8日、2月9日以及2月14日的传统ASI算法、本申请算法与Landsat8的海冰密集度结果进行比较,如图4-图7所示,红色框内的海冰密集度结果统计如表1所示。
从图3-图6以及表1中可以看出,本申请算法有效的改善了ASI算法在海冰边缘区域由于使用天气滤波器而出现的过度滤除现象,与传统的ASI算法相比,具有更高的海冰密集度反演精度。
表1海冰密集度结果对比
高空间分辨率的89GHz亮温数据受到云和水汽等外界因素的影响大,虽然使用天气滤波器可以减小部分海冰区域的海冰密集度反演误差,但是天气滤波器会导致低海冰密集度区域出现过度滤除现象。本申请采用ASI结合Bootstrap海冰密集度反演算法,有效的改善了天气滤波器导致的过度滤除现象,提升了在海冰边缘区以及低海冰密集度区域的反演精度。与Landsat-8数据得到的海冰密集度结果进行比较,本申请算法有效降低了由外界因素影响造成的海冰边缘区域海冰密集度的反演误差,在一定程度上提高海冰密集度的反演精度。
本申请采用ASI结合Bootstrap进行海冰密集度反演。与传统ASI算法相比,本申请算法得到的海冰密集度结果更加接近于从Landsat8数据得到的海冰密集度结果,明显提高了海冰密集度反演的精确性。由于基于ASI结合Bootstrap的海冰密集度算法使用了更加可靠的低频数据,减少了云和水汽等外界因素带来的误差,有效的改善了传统ASI算法在海冰边缘区域由于使用天气滤波器而导致的过度滤除现象。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式所记载的技术方案进行修改,或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (1)
1.一种基于天气滤波器筛选数据进行海冰密集度反演的方法,其特征在于,包括:
步骤S1、利用天气滤波器对数据进行筛选,获取不满足天气滤波器的89GHz数据以及满足天气滤波器的19GHz和37GHz数据;所述利用天气滤波器对数据进行筛选,包括:利用天气滤波器(式(1)和式(2))找出海冰密集度反演精度满足天气滤波器的19GHz和37GHz数据和不满足天气滤波器的89GHz数据;
其中,Tbv(37)为37GHz垂直极化亮温,Tbv(19)为19GHz垂直极化亮温,Tbv(23)为23GHz垂直极化亮温;
步骤S2、对不满足天气滤波器的89GHz数据通过ASI算法(式(3))反演得到海冰密集度结果;
SIC=1.64×10-5P3-1.618×10-4P2+1.916×10-2P+0.9710 (3)
其中,P=Tbv-Tbh,Tbv为89GHz垂直极化亮温,Tbh为89GHz水平极化亮温;
步骤S3、对满足天气滤波器的19GHz和37GHz数据进行重采样,使得19GHz和37GHz数据与89GHz数据空间分辨率一致;
步骤S4、基于重采样后的19GHz以及37GHz数据,使用Bootstrap算法(式(5))对满足天气滤波器的19GHz和37GHz数据进行反演,得到海冰密集度结果;
SIC=(TB-TO)/(TI-TO) (5)
其中,TB为观测亮温,TI和TO分别为海冰和海水的参考亮温;
步骤S5、将步骤S2中的海冰密集度结果与步骤S4中的海冰密集度结果相结合,得到南极总的海冰密集度结果;并使用Landsat8数据通过标准化差异雪指数(NDSI)值(式(6))得到海冰分布,对海冰密集度结果进行验证;
其中,R1为可见光通道(波段5)的反射率,R2是短波红外通道(波段6)的反射率;当NDSI值大于0.45且波段5的反射率高于0.08时,则像元被识别为海冰。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667811.6A CN116908939B (zh) | 2023-06-06 | 2023-06-06 | 基于天气滤波器筛选数据进行海冰密集度反演的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310667811.6A CN116908939B (zh) | 2023-06-06 | 2023-06-06 | 基于天气滤波器筛选数据进行海冰密集度反演的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116908939A CN116908939A (zh) | 2023-10-20 |
CN116908939B true CN116908939B (zh) | 2024-05-21 |
Family
ID=88363718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310667811.6A Active CN116908939B (zh) | 2023-06-06 | 2023-06-06 | 基于天气滤波器筛选数据进行海冰密集度反演的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116908939B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563318A (zh) * | 2020-04-15 | 2020-08-21 | 中国科学院国家空间科学中心 | 利用89GHz单频多入射角亮温差反演海冰密集度的方法及系统 |
CN112051221A (zh) * | 2020-08-27 | 2020-12-08 | 武汉大学 | 一种基于时空系点值的海冰密集度获取方法 |
CN112729562A (zh) * | 2021-01-26 | 2021-04-30 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
-
2023
- 2023-06-06 CN CN202310667811.6A patent/CN116908939B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563318A (zh) * | 2020-04-15 | 2020-08-21 | 中国科学院国家空间科学中心 | 利用89GHz单频多入射角亮温差反演海冰密集度的方法及系统 |
CN112051221A (zh) * | 2020-08-27 | 2020-12-08 | 武汉大学 | 一种基于时空系点值的海冰密集度获取方法 |
CN112729562A (zh) * | 2021-01-26 | 2021-04-30 | 河南工业大学 | 基于改进u型卷积神经网络的海冰分布探测方法 |
Non-Patent Citations (4)
Title |
---|
COMPARISON OF REMOTELY SENSED SEA ICE CONCENTRATIONS WITH REANALYSIS DATASET IN POLAR REGIONS;Liang, S (Liang, Shuang);《 2019 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM (IGARSS 2019)》;20200408;4210-4213 * |
shuang Liang.ASSESSMENT OF FOUR PASSIVE MICROWAVE SEA ICE CONCENTRATIONS BY USING AUTOMATIC MODIS SEA ICE CLASSIFICATION.《IEEE International Symposium on Geoscience and Remote Sensing IGARSS》.2020,第3039-3042页. * |
基于改进 FCLS 算法的南极海冰密集度 估算及算法比较;宋翔宇;《极地研究》;20180331;第30卷(第1期);67-75 * |
康健强.基于 FY-3C MWRI 数据的南极海冰密集度反演.《河南科技》.2019,(第676期),第147-149页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116908939A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200059085A (ko) | 해양 표층 표류부이 관측 수온자료와 인공위성 적외영상자료를 활용한 해양 표층 해수면온도 산출 방법 | |
CN102539336A (zh) | 基于环境一号卫星的可吸入颗粒物估算方法及系统 | |
Zhuge et al. | Test of a modified infrared-only ABI cloud mask algorithm for AHI radiance observations | |
Dale et al. | Atmospheric forcing of sea ice anomalies in the Ross Sea polynya region | |
CN115326208B (zh) | 基于被动微波多系点反演海冰厚度的方法及系统 | |
Cao et al. | A new 2010 permafrost distribution map over the Qinghai-Tibet Plateau based on subregion survey maps: a benchmark for regional permafrost modeling | |
CN104635242A (zh) | 一种基于多源卫星遥感数据的沙尘暴监测方法 | |
CN116908939B (zh) | 基于天气滤波器筛选数据进行海冰密集度反演的方法 | |
CN111337531B (zh) | 土壤冻融状态确定方法、装置和电子设备 | |
CN114818386B (zh) | 一种顾及温度滞后性效应的地表温度角度归一化方法 | |
Murakami et al. | Spatiotemporal heatwave risk modeling combining multiple observations | |
Wu et al. | An improved ARTSIST sea ice algorithm based on 19 GHz modified 91 GHz | |
Jin et al. | Validation of global land surface satellite (GLASS) downward shortwave radiation product in the rugged surface | |
Qingkong et al. | Analysis on Topographic Effect of Soil Moisture in Mountainous Areas based on Landsat-8 OLI Images. | |
CN113391376B (zh) | 一种amsu-a资料陆地云检测方法 | |
He et al. | Spatial and Temporal Differences in Surface Albedo over Different Underlying Surfaces in the Badain Fijaran Desert, China | |
Wang et al. | Sea ice concentration inversion based on ASI algorithm combined with Bootstrap algorithm | |
Li et al. | Retrieving leaf area index of forests in red soil hilly region using remote sensing data | |
Dettinger | A long-term (50-yr) historical perspective on the meteorology and hydrology of flood-generating winter storms in the American River basin | |
Pimentel et al. | Snow evolution in a semi-arid mountainous area combining snow modelling and Landsat spectral mixture analysis | |
CN116595753A (zh) | 一种基于热红外遥感反演雪表温度和计算雪表红外辐射量的方法 | |
Yu et al. | Intensity estimation of tropical cyclones over the Western North Pacific with AMSU-A temperature data | |
Fetterer et al. | Melt pond coverage statistics from classified satellite data | |
Ferdiansyah et al. | Thermal Image Velocimetry Application to Satellite Images During Sea-Breeze Event | |
Revuelto et al. | Distributed vs. semi-distributed simulations of snowpack dynamics in alpine areas: case study in the upper Arve catchment, French Alps, 1989–2015 |
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 |