论文部分内容阅读
积雪是地球表面重要的组成部分之一，精确监测积雪覆盖及其动态变化是地球科学的一个重要研究方向。本文以我国主要积雪区之一的青藏高原作为研究区域，基于MODIS(Moderate Resolution Imaging Spectroradiometer)和AMSR-E(Advanced Microwave Scanning Radiometer-EOS)数据，对遥感技术在积雪参数反演中的理论与方法进行了系统的研究，提出了针对青臧高原地区的遥感雪盖识别方法与雪水当量反演算法。
本文主要包括两方面的内容：遥感雪盖识别算法研究以及遥感雪水当量反演算法研究。在遥感雪盖识别算法研究中，重点分析了积雪在可见光波段内光谱反射率特征，采用以MODIS积雪指数(NDSI)阈值法为主的多参数方法来进行积雪像元识别。考虑到光学传感器受云层覆盖的影响，对于云层下方的积雪监测使用AMSR-E数据来实现。在Grody决策树的基础上，针对AMSR-E传感器波段设置特点，根据青藏高原冻土区域的分布情况，建立了适用于AMSR-E数据的积雪像元识别算法。考虑到浓密植被(如森林)对MODIS信号的影响，使用GeoSail模型模拟了NDSI与NDVI、雪盖率、成像条件等参数之间的关系，确定了林区的积雪像元判定阈值。为了满足小区域积雪监测的需要，提出了限制性的混和像元分解算法，使用该算法可以获得亚像元尺度上的积雪覆盖信息。对MODIS NDSI雪盖识别算法的误差分析表明，其对积雪的识别精度在85％以上，而混和像元是引起误差的主要来源。相对来说，AMSR-E数据用于雪盖识别的精度较差，通常情况下其会高估积雪覆盖范围，这主要是由于青藏高原较浅的积雪难以与冻土地表精确地区分开来而造成的。由于MODIS与AMSR-E数据有各自的优点，将两者结合起来进行雪盖识别可以明显提高积雪监测的能力。
虽然AMSR-E数据进行积雪像元识别的精度不高，但其优势在于可用于积雪物理参数的反演，如雪深、雪水当量等。针对目前青藏高原雪水当量反演中存在的难点，如反演模型参数动态变化以及混和像元问题等，提出了相应的解决方法。考虑到AMSR-E数据较低的空间分辨率，本文以MODIS雪盖识别结果为基础，使用线性分解方法来计算AMSR-E像元内积雪组分的亮度温度。在积雪密度、积雪粒径方程的基础上，以Kelly等提出的模型为原型，提出了适用于青臧高原雪水当量反演的动态模型。另外，鉴于人工神经网络技术在非线性科学中的广泛应用，文中使用了具有三层结构的B-P网络来进行青藏高原雪水当量的反演。对这两种模型反演结果的精度分析表明，动态模型与B-P网络模型的反演精度都在80％以上。动态模型对于新雪的雪水当量反演精度较高，而对成熟雪盖的雪水当量反演精度较差，这主要是由于随着积雪的累积，雪盖结构变得非常复杂，难以使用指数模型来准确表达积雪密度、积雪粒径等物理参数的变化规律。而B-P网络模型的反演精度强烈依靠于训练样本的质量，当有大量的实测雪水当量数据以及采样点规则分布的情况下，该模型能较为准确地估算雪水当量。从应用的角度来讲，动态模型需要实时计算模型参数，这增加了使用复杂度，而B-P网络模型只需要一次性确定网络连接权等参数，因此更适用于大范围雪水当量反演的业务运行系统。
本研究中青藏高原遥感雪盖识别方法与雪水当量反演算法的提出，对于青藏高原积雪制图以及实现对积雪水资源量的动态监测具有较高的理论意义与现实应用价值。