一、中国地区冬季积雪遥感监测方法改进（论文文献综述）
高会然[1]（2021）在《基于遥感与数值模型的冻土监测与模拟方法体系研究》文中进行了进一步梳理冻土作为冰冻圈的重要组成因素,对气候变化具有高度的敏感性和强烈的反馈作用。全球变暖的背景下,季节性冻土和多年冻土环境的变化已成为与区域环境和人类生产生活息息相关的重要问题。冻土时空分布动态信息的获取是进行寒区水文过程、气候以及生态环境、地质变化领域的重要基础研究内容,遥感对地观测和数值模拟技术是当前大空间尺度下冻土研究的重要手段。经过数十年的发展,冻土遥感监测与数值模型模拟研究均取得了重大进展,尤其在全球变化的背景下的冻土时空监测、水热过程机理、数值模拟等研究,无论在方法手段创新上,还是应用评估方面,均取得了许多重要成果。但是,目前冻土遥感监测与数值模拟等研究仍然处于不断探索之中,距离完善冻土及冻土水热过程的刻画与表达以及利用新技术手段进行系统性的寒区冻土研究尚有待进一步发展。例如,目前大多数冻土遥感监测研究缺乏对多类型冻土之间相互联系的考虑,无法形成完整统一的冻土分布遥感监测方法体系。在当前流域尺度分布式冻土过程模拟研究中,冻土水热过程数值模型的进展主要集中在模型集成上,由于其发展大多针对某一具体研究对象或目标,导致其在某一方面考虑的较为详细,而在冻土水热传输过程本身的描述上有所简化甚至略有欠缺。冻土水热过程数值模拟的不确定性一直是当前研究的一个关键问题,冻土遥感监测信息作为重要的冻土数据源,目前还未在冻土水热过程数值模拟中得到充分利用,两种冻土监测与模拟手段的耦合研究尚未发展。因此,本研究首先利用被动微波遥感数据,进行季节性冻土和多年冻土识别与监测的算法、方法和应用研究,然后基于水热耦合原理,建立分布式冻土水热传输过程数值模型FFIMS模型（Fully Distributed Frozen Soil Processes Integrated Modeling System）;通过空间降尺度、数据融合等方法,联立冻土遥感监测方法和冻土过程数值模型两种技术手段,实现冻土时空监测与模拟综合方法体系的构建;最后通过构建冻土水文过程模块,耦合分布式流域过程模型ESSI-3模型,在我国东北地区典型流域进行方法体系的综合应用,主要得到以下研究结论:（1）提出一种利用土壤水分特征参数改进的DIA算法（Dual-index Algorithm）,显着提高了基于被动微波遥感的地表土壤冻融状态判别准确率。在我国东北地区的地表土壤冻融判别研究中,改进的DIA算法平均判别准确率达到91.6%。利用本研究提出的基于地表冻融状态的多年冻土识别与监测方法,获取了研究区25 km格网尺度上的逐年的多年冻土空间分布序列,通过与现有的多年冻土区划图进行对比验证,证明了本研究提出的多年冻土监测与分类方法具有较为可靠的准确度（误差小于3%）。经过统计分析,发现我国东北地区多年冻土南界在研究期间（2002年至2017年）普遍北移约25 km～75 km,研究区内的多年冻土始终呈现退化的趋势。（2）利用频谱分析的方法,对中国典型的高纬度冻土区地表土壤冻结天数进行空间降尺度研究。研究结果表明,频谱降尺度图像既包含原始低分辨率图像的空间分布特征,又包含普通统计降尺度图像的部分空间分布细节,表明了频谱降尺度方法在地表土壤冻融状态遥感判别中应用的合理性;通过站点实测数据的精度验证和对比,发现通过频谱分析方法进行降尺度后,由于融合了高分辨率相位信息,降尺度结果的精度亦有显着提升,表明了频谱降尺度方法在地表土壤冻融状态遥感判别中应用的有效性。（3）FFIMS模型能够较好地刻画各个冻土过程水热参量的时间变化特征和空间分布规律。在冻土过程数值模型中融合冻土遥感反演信息,通过对比融合冻土遥感反演信息前后的冻土数值模拟结果和多变量、多角度的验证,发现遥感反演信息有效的引导和修正了模型模拟过程,明显提高了模拟结果的精度。耦合冻土过程的流域水文过程模型（ESSI-3模型）模拟结果表明,冻土水热过程对流域水文的影响几乎贯穿整个水循环过程,但是冻土水热过程影响的流域径流量对流域总径流的贡献率较小。但是,在季节性冻土发生融化的时期,冻土过程对水文径流的影响尤为明显,该时段的平均Nash效率系数从近乎为0提高到0.67,显着提高了水文径流的模拟精度,表明了在寒区流域水文过程模拟研究中考虑冻土过程影响的必要性。本研究在冻土遥感监测方法、冻土过程数值模拟等等关键科学问题和难点上重点突破,通过建立基于遥感和数值模型的冻土监测与模拟方法体系,以期显着提升寒区冻土过程及其与气候变化关系的研究能力,为区域生态环境安全、水资源安全、寒区工程建设与社会经济发展等一系列重大问题提供科技支撑。
梁爽[2]（2021）在《极地海冰密集度和厚度遥感反演方法研究》文中研究表明海冰不仅是冰冻圈重要的组成要素,同时也是极区气候系统的重要调节器和全球气候变化的敏感因子。诸多研究表明,海冰对大气、生态、环境、海洋以及人类活动等各个方面都具有重要影响。因此,监测极区海冰参数并获取其时空分布信息具有重要的科学价值和实际意义。海冰密集度和海冰厚度是分别表征海冰在“水平方向”和“垂直方向”变化特征的两个重要海冰参量。相比传统海冰密集度和海冰厚度测量方法,遥感覆盖范围广,可实现大范围的持续观测,是进行海冰密集度和海冰厚度时空监测的有效手段。因此,开展海冰密集度和海冰厚遥感反演方法研究对于获取和理解极区海冰时空分布特征及变化趋势具有重要意义。本论文以南北极为研究区域,针对目前被动微波遥感海冰密集度反演方法的不足以及最新发射的ICESat-2激光高度计,分别开展海冰密集度和海冰厚度遥感反演方法研究工作,并应用其进行极地区域海冰密集度及海冰范围的时空变化研究。论文的主要研究内容和结论包括以下四个方面:（1）对国际上主流的被动微波海冰密集度产品进行了全面的精度评价和一致性评估。首先利用高分辨率遥感影像（MODIS）对主流的被动微波海冰密集度算法（NT2、BT、ASI算法）生产的海冰密集度产品（SSMIS/ASI、AMSR2/BT及我国的FY3B/NT2和FY3C/NT2产品）进行了精度评价。其次,选择与被动微波海冰密集度时空分辨率相近的ERA-Interim再分析海冰密集度数据集,对不同算法的海冰密集度产品进行了长时序、全极区的一致性评估。最后,总结了各种主流的海冰密集度产品（算法）在极区的表现与误差时空分布特征,并提出相应的解决方案,为后续新发展的海冰密集度融合算法打下了基础。（2）针对不同被动微波海冰密集度算法的误差特征,提出了被动微波海冰密集度融合新方法。通过对目前国际主流的被动微波海冰密集度产品在南北极地区的一致性评估发现,现有海冰密集度产品在南北极海冰边缘区和夏季时期误差较大,其中ASI算法和BT算法整体表现最优且分别在北极与南极地区表现最好。因此选择以ASI算法与BT算法为基准算法,针对两者在南北极海冰边缘区和夏季时期具有相反的低高估偏差特征,对两者进行有效融合,消除偏差的影响,形成新的海冰密集度融合算法。利用2012-2014年中国雪龙号南北极科考的船基观测数据验证表明新算法反演的海冰密集度精度优于ASI和BT算法,在北极的均方根误差（RMSE）为9.55%,南极的RMSE为11.37%,同时新算法反演的海冰密集度能够很好的捕捉海冰密集度的动态变化趋势,在南北极的决定系数R2值均在0.8以上,可实现高精度、长时序的极区海冰密集度产品生产。（3）系统分析了近20年南北极地区海冰密集度、海冰面积和范围的时空变化。基于本论文发展的新的海冰密集度融合算法,结合AMSR-E和AMSR2多通道辐射计亮温数据,生成了2002-2020年的长时序日尺度海冰密集度产品。在此基础上从不同的时间尺度（年、季、月）分析了南北极及其子区域海冰密集度、海冰面积和范围的时空分布及变化趋势。结果表明整体上南北极地区年均海冰密集度在21世纪均表现出减少趋势。其中北极海冰减少趋势较南极更为明显,尤其以巴伦支海和卡拉海海冰减少最为显着。研究结果进一步揭示了极地区域海冰变化的特征,有助于进一步理解全球变暖大背景下,极地海冰的变化规律以及南极和北极海冰变化的异同。（4）探讨了不同参数组合方案对基于ICESat-2激光高度计的北极地区海冰厚度反演结果的影响。现有基于高度计的海冰厚度获取方法主要基于静力平衡方程,在估算过程中,不同的积雪厚度、积雪密度及海冰密度输入方案对海冰厚度反演结果的不确定性具有较大影响。论文首先分析了ICESat-2激光高度计2018-2019年及2019-2020年两个冬季获取的北极地区海冰干舷空间分布及月均海冰干舷的时间变化。然后,开展了不同积雪厚度、积雪密度和海冰密度总计18种参数组合方案对ICESat-2激光高度计海冰厚度反演结果的比较工作,分析了一年冰和多年冰区域的参数化方案反演结果的差异。最后,基于ICEBird航空观测数据对不同方案的ICESat-2轨道海冰厚度反演结果进行了对比,采取优选方案,绘制了2020年冬季北极地区ICESat-2海冰厚度空间分布,并与三种公开发布的Cryo Sat-2海冰厚度（AWI、CMOP和GSFC）进行了对比分析,结果表明ICESat-2反演的海冰厚度与AWI、CMOP和GSFC海冰厚度的平均偏差分别为-0.15 m、-0.26 m和-0.13 m。
范传宇[3]（2021）在《冰雪反照率反演以及冰雪下垫面下的北极云辐射强迫研究》文中研究说明积雪、冰盖以及冰川在地球广泛覆盖,为人类提供宝贵的淡水资源,同时影响着地球的区域气候以及生态环境。随着全球气温不断升高,气候变暖对人与大自然均产生巨大影响:水资源变少、物种迁移、农业生产条件改变、冰川融化、北极快速增温与海冰融化以及极端天气气候事件如高温热浪、暴雨洪水、干旱、频率和强度的增加。积雪由于其高反照率的特性,其微小的变化就可以对地气系统的能量收支形成正反馈作用,进一步加强地球变暖。积雪的时空分布变化以及对于各种关键参数的遥感监测如积雪粒径以及积雪反照率一直是冰雪研究中的重点。人类日趋频繁的活动产生了大量气溶胶,这些气溶胶包括很多吸光性杂质通过长距离的输送,沉降到积雪中对地气系统的反照率以及辐射收支造成大的影响。云在地气系统中扮演重要角色,积雪的高反照率与北极地区云的存在使得该地区的辐射收支计算尤为重要。论文介绍了研究背景与意义,调研了国内外积雪研究的研究进展以及面临的问题,对于遥感反演中常见的辐射传输模型进行了介绍。论文提出新的反演方法反演宽波段积雪反照率,利用反演的积雪反照率计算北极地区云的辐射强迫,具体的主要内容如下:1.提出一种渐进辐射传输理论与离散纵标法相结合的方法反演宽波段积雪反照率,渐进辐射传输理论反演雪粒径,离散纵标法计算宽波段积雪反照率,雪粒的光学参数利用MIE散射程序完成;对于不同卫星数据反演积雪粒径的差异性进行了分析,对于吸光性杂质引起的积雪反照率减小进行了修正。2.利用C++语言,编写了积雪粒径与积雪反照率查询系统,输入经纬度以及时间,可以查询该区域的积雪有无以及积雪粒径的大小,同时该区域的积雪光谱反照率与该时刻北极地区的积雪粒径的空间分布可以被下载保存。3.利用MODIS传感器数据,分析了 2003～2019年的云参数的时空分布特征,云的类型主要是冰云、水云以及不确定相态的云,云参数主要包括云顶高度、云光学厚度、云滴有效粒径以及云相态概率。利用卫星数据获取了北极地区不同月份的平均地表温度以及北极地区不同相态的云的平均概率。4.改进了 SBDART模型的光谱,太阳光谱和常见气体的吸收光谱由MODTRAN4的10cm-1替换成MODTRAN5的1cm-1,模式中的积雪反照率由固定值改变成为反演的积雪反照率输入。5.对北极的各种云参数进行平均,利用SBDART模型计算不同种类型的云的辐射强迫以及云的平均辐射强迫,比较了入射角的不同对积雪反照率造成的影响以及对云辐射强迫的影响,分析了不确定相态的云分别假设为冰云以及水云对于云辐射强迫的影响。
王云龙[4]（2020）在《中国典型区积雪遥感监测及其时空变化特征研究》文中提出政府间气候变化专门委员会（Intergovernmental Panel on Climate Change,IPCC）第五次评估报告表明,近年来全球出现加速升温趋势毋庸置疑。积雪作为地球表面最为活跃的自然要素之一,对气候变化具有最为敏感的反馈。中国疆域辽阔,积雪覆盖范围广,在全球逐年升温的大背景下,深入研究中国区域积雪时空变化以及积雪对气候变化的动态响应,对于我国雪水资源可持续利用、生态环境保护、区域气候变化以及自然灾害预测等具有重要的研究意义。结合光学遥感具有较高的时间和空间分辨率,且被动微波遥感可穿透云层、不受不良天气的影响等特点,本研究基于多源遥感数据,利用MODIS逐日积雪标准产品、AMSR-E雪水当量产品以及IMS雪冰产品,发展了一套逐日无云积雪制图算法,生成了2000-2018年中国区域逐日无云积雪范围产品。同时,基于被动微波AMSR2亮度温度数据和光学Landsat数据,分别提出了多因素雪深降尺度算法和林区积雪制图算法。在此基础上,基于中国区域气象台站的气候数据,生成了2000-2018年间中国区域气温和降水栅格数据集,并系统分析了2000-2018年不同时空尺度下中国区域的积雪、气温和降水的时空分布特征,以及年际和各季节的动态变化趋势,最后采用Person相关分析法研究了积雪对气温和降水变化的动态响应关系。本研究结果表明:（1）MODIS逐日积雪标准产品受到云的影响较为严重,无法直接使用该产品进行积雪监测,利用本研究去云算法可以达到了完全去除云像素的目的。但不同的地表覆盖类型条件对本研究合成的逐日无云积雪产品的精度影响不同。整体上,本研究得到的中国区逐日无云积雪产品整体精度较高,Kappa均值达到0.570,接近高度一致性,在完全去除云干扰的条件下有效提高了大尺度准确监测积雪覆盖范围的能力。（2）我国青藏高原地区积雪深度受到多种因素的影响,包括地理位置,积雪覆盖日数,地形和地表亮度温度因素。通过输入多个变量,雪深降尺度模型的精度得到了极大的改善,其中表现最好的雪深降尺度模型是乘幂模型。整体上,本研究提出的降尺度雪深数据集的均方根误差和平均绝对误差分别为2.00 cm和0.25 cm,均优于其他已存在的青藏高原雪深数据集。在雪深小于3 cm的浅雪区,本研究降尺度雪深数据集精度较高,均方根误差仅为0.58 cm,这是非常有意义的,总体上达到了理想的雪深降尺度效果。（3）利用NDVI和NDFSI指数对森林地区的积雪有很好的探测潜力,设置NDFSI和NDVI的阈值分别为0.35和0.25。与landsat8 OLI二值积雪图像相比,改进后的林区积雪制图算法的平均偏差为1.24,虚警率为14.34%,分别降低了2.09和33.72%。整体平均精度达到80.67%,提高了22.89%。基于MODIS数据的积雪分类方案综合了NDFSI,NDVI和NDSI多种指数,算法简单有效,在改善我国东北典型森林地区的积雪自动化监测方面作用显着。（4）2000-2018年中国区域平均年积雪覆盖日数和年均积雪深度的分布具有一定的纬度和海拔地带性特征,即年积雪覆盖日数和积雪深度较大的区域则纬度和海拔相对较高。在2000-2018年间,中国在春季和夏季平均积雪覆盖日数呈减少趋势,而秋季和冬季平均积雪覆盖日数呈增加趋势。积雪深度年际变化略有不同,中国在春季、秋季和冬季平均积雪深度呈增加趋势。整体而言,在多数季节性积雪区的年积雪日数和积雪深度逐年增加,而分布在高纬度地区和高海拔山区的多年积雪区的年积雪日数和积雪深度逐年减少。2000-2018年中国区域平均气温在空间分布上具有明显的海拔地带性,即海拔越高的区域偏向于越低的气温。而中国区域的年降水量在我国南、北方分布差异较大,整体呈现出由东南沿海向西北内陆递减的分布格局。2000-2018年间,中国区气温和降水均呈波动上升趋势,趋势倾向率分别为-0.024℃/year和4.065 mm/year。（5）2000-2018年间,中国范围内积雪变化对气温和降水变化的响应存在明显的区域差异。整体而言,在中国东北地区,降水量是该地区积雪增多的主导性因子。在中国南方部分地区,气温是该地区积雪增多的主导性因子,结合气温的季节变化特征可知,是因为中国南方地区在冬季和春季气温的逐年降低趋势造成了积雪呈现增加趋势的主要原因。在中国新疆北部地区,逐年减少的降水量是积雪表现减少趋势的主导性因子。在青藏高原东部地区,逐年增加的降水量是积雪表现增加趋势的主导性因子,青藏高原东部气候朝暖湿化趋势发展。而在青藏高原南部地区,积雪减少是气温升高和降水量减少的综合作用结果,降水量的减少造成水汽来源不足、积雪累积量减少,逐年的升温导致积雪消融的进一步加快,进而造成积雪的逐年减少趋势,使得该地区气候朝着暖干化趋势发展。
乔德京[5]（2020）在《多源雪深数据不确定性分析及其融合研究》文中指出积雪作为重要的地球表层要素,在全球陆地生态系统、气候变化、水循环和能量循环中起着重要作用。积雪存储着丰富的淡水资源,雪融水成为干旱-半干旱地区地表径流和地下水的重要补给水源。积雪的异常变化也会引发雪崩、融雪洪水、风吹雪等自然灾害,对区域生态、经济和社会的可持续发展产生重要的影响。积雪深度（雪深）提供积雪覆盖的空间分布信息及物质能量信息,是表征积雪特征的重要参数之一,也是研究积雪气候效应、流域水量平衡和融雪径流模拟以及监测和评估雪灾等级的重要参数。雪深数据成为多学科领域研究中不可或缺的基础支撑数据,然而目前现有的雪深数据完整性和一致性相对较差,无法满足相关科学研究和行业应用的需求。随着大数据时代的到来,多源雪深数据的数量呈爆炸式增长,如何充分地融合和利用多源雪深数据中蕴含的丰富信息,发挥各数据源的优势,提高雪深数据精度,具有重要的研究意义和价值。以中国全境为研究区,选取目前主流的11套雪深数据作为研究对象,包括4种微波遥感雪深数据和7种再分析数据,在对多源雪深不确定性分析的基础上,分别采用机器学习和Triple Collocation方法构建多源雪深数据的融合模型,并基于最优融合模型生成一套中国长时间序列雪深数据集,最后基于生成的雪深数据分析了我国积雪时空变化特征及其对植被生长的影响,通过以上研究可以得到了一些有价值的认识和结论。（1）综合分析了多源雪深数据在中国的不确性。①多源雪深数据较大的不确定性主要分布在内蒙古-东北地区、新疆北部地区和青藏高原地区。②多源雪深数据与地面观测在青藏高原的相关性较低。③美国雪冰中心的AMSR-E、中国风云3B和日本宇航局AMSR2雪深数据在中国大部分地区呈现高估,加拿大气象中心的雪深数据在青藏高原呈现明显的高估。（2）系统讨论了多源雪深数据在多种因素下的表现。①微波遥感雪深数据在雪深小于45cm时表现较好,随着积雪深度的增加,微波遥感反演雪深值出现饱和现象。相比而言,加拿大气象中心的雪深数据和MERRA2再分析雪深数据在雪深大于45cm时仍能够与地面观测雪深保持较好的一致性。②微波遥感雪深数据在森林覆盖地区具有较大的不确定性,且随着森林覆盖度的增加而增大,而再分析雪深资料的精度主要取决于模型设计与驱动数据,森林覆盖对其的影响并不一致。③随着地表粗糙度的增加,多源雪深数据的不确定性呈增大趋势。④微波遥感雪深数据在苔原型和泰加林型积雪区存在较大的不确定性,再分析雪深资料中的加拿大气象中心的雪深数据、GLDAS-NOAH和ERA5数据在瞬时型积雪区具有较大的偏差,其余雪深数据在泰加林型积雪区存在较大的不确定性。（3）构建了多源雪深数据融合模型。基于不确定性分析结果,以地面观测值作为参考真值,选取精度较高的中国西部数据中心的雪深数据、GLDAS-NOAH、ERA-Interim、ERA5和MERRA2五种雪深产品作为输入变量,同时考虑了多种环境参量,使用支持向量机（Support Vector Machine,SVM）、BP神经网络（Back Propagation Neural Networks,BPNN）和随机森林（Random Forest,RF）三种机器学习算法及Triple Collocation方法对多源雪深数据进行融合。结果表明三种机器学习方法融合后的雪深均能够提高数据质量,改善微波遥感数据的饱和效应,Triple Collocation的改进效果不显着。RF融合模型在所有算法中表现最好,相关系数（R）达到0.87,均方根误差（Root Mean Square Error,RMSE）为5.1cm;其次为BPNN和SVM融合模型,其R值分别为0.80和0.82,RMSE值分别为 6.38cm 和 6.1cm;Triple Collocation 方法的 R 和 RMSE 值分别为 0.7 和 8.63cm。（4）分析了中国积雪和植被生长状况在1982-2015年的时空变化特征。①中国积雪在1982-2015年间,年均雪深整体呈现减少的趋势,减少速率为0.21cm/10a;积雪开始时间（Snowcoveronsetdate,SCOD）表现出显着的推迟趋势,推迟速率为0.2d/a;积雪持续时间（Snowcovered days,SCD）呈现出不显着的减少趋势,减少速率仅为0.09d/a;积雪结束时间（Snow cover ending date,SCED）为不显着的推迟趋势,推迟速率仅为0.2d/a。②植被生长季开始时间（Start of the growing season,SOS）呈现出推迟提前趋势,推迟速率为0.3d/a,植被在生长季的生长状况指数（Vegetation Condition Index,VCI）呈现出增加趋势,增加速率为0.5/a。（5）揭示了不同类型植被生长对积雪变化的响应特征。寒温带和温带山地针叶林植被的SOS与积雪深度呈现明显的负相关,而VCI与积雪深度呈现显着的正相关。温带落叶阔叶林的SOS与SCOD呈现出显着的负相关,SOS与其他积雪参数呈现正相关。温带草甸的植被受积雪变化的影响较大,随着积雪深度的增加,SCD增加,SCOD和SCED提前,植被的SOS呈现出推迟趋势,而该区域的植被VCI与积雪深度呈现出正相关。温带草原的SOS与SCOD和SCD呈现明显的负相关性,且冬季丰富的积雪有助于改善该地区来年的植被生长状况。高寒草原和高寒草甸对积雪变化呈现出相反的响应特征。
梁顺林,白瑞,陈晓娜,程洁,范闻捷,何涛,贾坤,江波,蒋玲梅,焦子锑,刘元波,倪文俭,邱凤,宋柳霖,孙林,唐伯惠,闻建光,吴桂平,谢东辉,姚云军,袁文平,张永光,张玉珍,张云腾,张晓通,赵天杰,赵祥[6]（2020）在《2019年中国陆表定量遥感发展综述》文中提出为了更好地了解中国定量遥感的发展态势和加强同行之间的信息交流,根据中国学者2019年发表的SCI检索论文和部分中文论文,对陆表定量遥感的核心进展进行了总结,涉及数据预处理（云及其阴影识别,大气与地形校正）、陆表辐射传输建模、不同变量的反演方法、产品生产评价与精度验证,以及相关应用等内容。陆表变量产品较多,本文概要介绍了反射率、下行太阳辐射、反照率、地表温度、长波辐射、总净辐射、荧光遥感、植被生化参数、叶面积指数、光合有效辐射比、植被覆盖度、森林高度、森林生物量、植被生产力、土壤水分、雪水当量、雪盖、蒸散发、地表与地下水量等最新进展,也一并介绍了2019年与定量遥感相关的科研项目、学术交流会与暑假培训班等内容。
孙玉燕[7]（2020）在《多源协同的逐日积雪遥感监测方法研究》文中认为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R2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R2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阈值显着降低了错分误差,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R2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。
王亚洁[8]（2020）在《融合GPS和光学遥感探测格林兰岛积雪状态研究》文中提出积雪作为地球上重要的淡水资源,同时也是水文系统中关键的组成部分之一,它影响着水循环和大气循环,其时空变化在大气环流也中扮演着关键的角色。有关数据表明,整个地球表面被常年性积雪或者厚冰川覆盖的区域有近10%,季节性降雪分布区域所占比例为33%,瞬时性积雪的分布则较为分散且随机。在半干旱、干旱区域,积雪融化后产生的融水对当地生态资源起着重要作用,在一定程度上促进了农业及畜牧业的发展。本文以格林兰岛为研究区域,在前期研究基础上,利用GNSS-MR技术的基础机理,获取格林兰岛三个典型GPS站点积雪深度,重点对地基GNSS技术用于极地冰雪环境监测的可行性进行研究;同时结合Landsat及MODIS产品数据对格林兰岛积雪分布范围的年际变化和年内季节性变化进行研究及分析。本文的主要内容及成果如下:1.首先由对GNSS多路径效应入手,阐述了GNSS-MR技术提取积雪参数的基本原理。以格林兰岛GPS监测站为研究对象,选取站点间距较大,数据跨度较长的3个站点,基于GNSS-MR技术提取3个GPS站点的积雪深度。由于岛内特殊气候和地势的影响,GNSS-MR结果与实测雪深差异较大。通过分析格林兰岛GPS速度场分布及3个站点的U方向分量的时间序列,对GNSS-MR雪深值进行改正后,较之前结果有大幅改进。实验结果表明地基GPS可用于格林兰岛的极地冰雪环境监测,并具有较大的应用前景。2.利用Landsat数据对格林兰岛的积雪分布面积进行年际变化分析。研究结果表明,格林兰岛的积雪面积在不断减小,且不同海拔积雪的变化情况不同,低山区的积雪变化趋势更为快速,而平原区和高山区的变化则更为缓慢。3.通过对MODIS产品数据获取格林兰岛的积雪面积分布的年内季节变化情况进行分析,格林兰岛的积雪变化在季节性上呈双峰型,即增加-减少-增加的变化规律,秋季的积雪覆盖面积最小,春天的积雪覆盖面积最大,气温是影响低山区和高山区积雪面积变化双峰型的主要原因。
陆小琳[9]（2020）在《基于MODIS的黑龙江流域积雪时空动态变化研究》文中指出积雪作为重要的地表覆盖类型之一,其变化对当地的水文循环、生态环境都有重要的反馈和调节作用,在全球气候逐渐变暖的大背景下,积雪的时空变化研究已成为冰冻圈研究中的热点话题之一。MODIS积雪产品具有约500米的空间分辨率、高时间分辨率以及较好的产品制作团队等优势,成为大范围积雪时空变化研究的重要数据源。因此本研究选择近14年的MODIS逐日积雪覆盖数据（MOD10A1MYD10A1）作为数据源,以黑龙江流域作为研究区,对现有的去云算法进行综合和改进,基于改进后的去云算法制作逐日无云积雪覆盖数据集;并在此数据集的基础上提取积雪覆盖率（SCR）、积雪覆盖天数（SCD）、积雪初日（SCS）以及融雪终日（SCM）等积雪参数,根据这四个积雪参数开展黑龙江流域的积雪时空动态变化研究,并结合气象数据,探讨积雪覆盖率以及积雪覆盖天数与气候因子的相关关系。这将对黑龙江流域的气候变化研究、灾害防治以及社会生产和经济发展提供有效参考。本文研究主要得出以下结论:（1）基于改进后的连续六步去云算法制作的逐日无云积雪覆盖数据集的整体精度达到90%以上,积雪分类精度为82%以上,F值为83%以上。云像元被重分类的整体精度为89.39%,积雪分类精度为83.27%,陆地分类精度为95.51%。（2）黑龙江流域的积雪覆盖率在年内表现为“单峰”分布特征。其中积雪覆盖率最高出现在1月份,占流域面积约85%,最低为7月,占比约5%,年内积雪分布呈明显的季节性差异。年平均积雪覆盖率在年际间表现为微弱的增加趋势,从季节性上看,春季的积雪覆盖率无明显的增减变化,夏季和冬季的积雪覆盖率呈微弱的增加,秋季的积雪覆盖率有轻微的减少迹象。从月份上看,年际间积雪覆盖率波动性较大的月份有春季3、4月份,秋季的11月份以及冬季的12月和2月。（3）黑龙江流域的积雪覆盖天数在空间上表现为“东西部高中部低”、“南部低北部高”的分布特征,与纬度呈明显正相关性,同纬度条件下,与海拔的相关性也较好。在时间上,积雪覆盖天数高值区（>180d）和低值区（<60d）有减少的趋势,而91d150d分段的区域呈微弱的增加趋势。就整个流域而言,积雪覆盖天数呈增加趋势的面积比呈减少趋势的面积要多,海拔较高的区域的积雪覆盖天数呈减少趋势,而海拔较低的区域呈增加趋势。（4）黑龙江流域的积雪初日大约从10月份开始,一直持续到次年1月份;融雪终日大约从3月初开始,整个过程持续至夏季。在空间上具有明显的空间异质性,与海拔、纬度等有密切的关系。在时间上,积雪初日和融雪终日年际间波动性较大,无明显的线性变化趋势。（5）积雪的异常变化与气候的变化密切相关,在季节上,春季积雪覆盖率与不同温度指标呈明显负相关性（P<0.01）,与降水无明显相关性。夏季和冬季的积雪覆盖率与降水呈明显的正相关关系（P<0.01）,秋季的积雪覆盖率仅与最高温度有较好的负相关关系（P<0.05）。不同月份的积雪覆盖率与不同的气候因子的相关性也不一致。在空间上,积雪覆盖天数与降水呈明显正相关的区域占比为11.8%,与平均温度呈明显负相关的区域占比为38%。总体来看,温度对积雪覆盖天数的影响程度更加突出。
丁炜[10]（2020）在《基于Google Earth Engine的青藏高原典型流域积雪动态分析》文中研究指明积雪是地球表面极其重要的组成部分并广泛的存在于高寒地区,同时也是地表中最为活跃的自然因素。在全球气候加速变暖的大背景之下,因青藏高原在全世界同一纬度的地区中海拔最高,所以其积雪所受影响最为显着和直接。积雪增多和消融交替的过程不仅对整体和局部的气候变化、能量收支的平衡、水文水资源有着不可忽视的深刻影响,还对土壤环境、微生物活动、植被的生长和动物的生存起到了极其关键的作用。除此之外,过多的积雪引起的雪灾、洪水等一系列自然灾害使得牲畜死亡、交通中断,严重影响着当地的经济发展、牧民的收入以及生活水平。因此研究青藏高原积雪动态变化对减少自然灾害、保护生态环境、合理适度调配和开发水资源大有裨益。本文首先确定青藏高原内的纳木错流域和佩枯错流域为研究区域,基于Google Earth Engine遥感大数据平台提出了改进积雪提取算法,将MOD10A1积雪产品和改进积雪提取算法的结果进行对比,结果表明改进积雪提取算法提取精度比MOD10A1高3.1%;将Landsat 7高分辨率图像作为真值,对改进积雪提取算法进行验证,结果表明在佩枯错流域和纳木错流域,改进积雪提取算法的积雪提取精度为89.27%和85.58%。后续使用改进算法对827张MODIS图像进行了积雪的提取,获得了佩枯错流域和纳木错流域的积雪图像数据集。其次利用Google Earth Engine平台海量的数据资源以及其超强的云计算能力,在线处理了三十多万张GPM图像、781张地表温度图像以及Landsat 7图像,获得了2000-2017年的年均降水量、地表温度以及湖泊面积数据集。然后通过生成的积雪图像数据分析了纳木错流域和佩枯错流域积雪面积的年内和年际特征以及积雪日数的时空变化,结果表明不同流域的积雪时空变化既有相同之处,也存在一定的差异,制定相关措施需因地制宜,不可一概而论。结合温度、降水和积雪因素分析佩枯错和纳木错的主要影响因子,结果表明佩枯错湖水补给主要依赖于积雪融水,纳木错湖水补给受积雪融水的影响极小。最后使用Java Script对Google Earth Engine进行二次开发,完成了青藏高原典型流域积雪提取系统。该应用程序数据处理速度快、可视化效果好、界面简单易用,降低了遥感数据处理的门槛,有利于卫星遥感技术的普及以及相关研究成果的产出。
二、中国地区冬季积雪遥感监测方法改进（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、中国地区冬季积雪遥感监测方法改进（论文提纲范文）
（1）基于遥感与数值模型的冻土监测与模拟方法体系研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 全球变化与冻土变化研究现状 |
| 1.2.2 冻土遥感监测研究现状 |
| 1.2.3 冻土水热传输过程与数值模拟研究现状 |
| 1.3 现有研究的趋势与不足 |
| 第2章 科学问题与研究内容 |
| 2.1 科学问题 |
| 2.2 研究思路 |
| 2.3 研究内容 |
| 2.4 研究区概况 |
| 2.5 数据来源 |
| 2.5.1 被动微波遥感数据 |
| 2.5.2 MODIS遥感数据产品 |
| 2.5.3 土壤温湿度监测数据 |
| 2.5.4 气象观测数据 |
| 2.5.5 下垫面参数数据 |
| 2.5.6 多年冻土区划图 |
| 第3章 基于被动微波遥感的地表冻融状态判别研究 |
| 3.1 研究背景 |
| 3.2 地表冻融状态判别方法 |
| 3.2.1 原始DIA算法及其不足之处 |
| 3.2.2 土壤水分特征指标(LVSM)提取 |
| 3.2.3 利用LVSM指标对DIA算法的改进 |
| 3.3 改进DIA算法的判别结果及精度验证 |
| 3.4 改进的DIA算法在东北地区的应用 |
| 3.4.1 东北地区地表土壤冻融状态判别结果 |
| 3.4.2 地表土壤冻融循环对气候变化的响应 |
| 3.5 本章小结 |
| 第4章 多年冻土空间分布遥感反演与分类研究 |
| 4.1 研究背景 |
| 4.2 多年冻土空间分布遥感监测与分类方法 |
| 4.2.1 冻结指数方法及其适用性改进 |
| 4.2.2 多年冻土热学稳定性分区方法 |
| 4.3 东北地区多年冻土识别与分类结果 |
| 4.3.1 东北地区多年冻土识别结果 |
| 4.3.2 东北地区多年冻土分类结果 |
| 4.4 本章小结 |
| 第5章 基于频谱分析的冻土指标空间降尺度研究 |
| 5.1 研究背景 |
| 5.2 基于频谱分析的空间降尺度研究方法 |
| 5.2.1 基于频谱分析的空间降尺度方法 |
| 5.2.2 用于获取高分辨率相位的GWR方法 |
| 5.3 基于频谱分析的空间降尺度结果与分析 |
| 5.3.1 用于频谱分析的地表土壤冻融信息 |
| 5.3.2 冻结天数指标的频率域特征 |
| 5.3.3 频谱降尺度结果与讨论 |
| 5.4 本章小结 |
| 第6章 分布式冻土水热传输过程数值模型研发 |
| 6.1 冻土水热传输过程与水热耦合原理 |
| 6.2 冻土水热过程数值模型的建立 |
| 6.2.1 冻土系统的大气边界条件 |
| 6.2.2 冻土系统的能量传递理论 |
| 6.2.3 冻土系统的水分迁移理论 |
| 6.3 FFIMS模型的求解 |
| 6.3.1 模型结构框架与运行流程 |
| 6.3.2 模型参数配置与输入输出 |
| 6.4 FFIMS模型在研究区的应用 |
| 6.4.1 FFIMS模型的应用示范区概况 |
| 6.4.2 模型输入数据与预处理 |
| 6.4.3 冻土水热过程数值模型模拟结果 |
| 6.5 本章小结 |
| 第7章 融合遥感监测信息的冻土水热过程模拟研究 |
| 7.1 冻土遥感监测信息与FFIMS模型的融合 |
| 7.1.1 DIA算法与FFIMS模型的融合方法 |
| 7.1.2 模拟结果与对比验证 |
| 7.2 融合遥感监测信息的FFIMS模型在东北地区的模拟与验证 |
| 7.2.1 地表温度模拟精度验证 |
| 7.2.2 积雪模拟精度验证 |
| 7.2.3 实际蒸散发模拟精度验证 |
| 7.3 气候变化背景下东北地区冻土变化响应分析 |
| 7.3.1 冻土水热参量时空演变特征分析方法 |
| 7.3.2 冻土水热参量时空演变特征分析结果 |
| 7.4 本章小结 |
| 第8章 FFIMS模型在流域水文过程模拟中的应用研究 |
| 8.1 空间分布式流域水文过程模型——ESSI-3 模型 |
| 8.1.1 ESSI-3 模型的发展历程 |
| 8.1.2 ESSI-3 模型水文过程的参数化方法 |
| 8.2 FFIMS模型与ESSI-3 模型的耦合方案 |
| 8.2.1 冻土水文过程原理 |
| 8.2.2 冻土水热过程与ESSI-3 模型的耦合方案 |
| 8.3 耦合冻土过程的流域水文过程模拟研究 |
| 8.3.1 ESSI-3 模型输入数据预处理 |
| 8.3.2 ESSI-3 模型率定与验证 |
| 8.3.3 耦合冻土过程的流域水文过程模拟 |
| 8.4 本章小结 |
| 第9章 结论与展望 |
| 9.1 主要研究结论 |
| 9.2 主要创新点 |
| 9.3 进一步研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）极地海冰密集度和厚度遥感反演方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 被动微波海冰密集度研究现状 |
| 1.2.2 基于高度计的海冰厚度研究现状 |
| 1.2.3 极区海冰密集度时空变化研究现状 |
| 1.3 研究内容与技术路线 |
| 1.4 论文结构 |
| 第2章 海冰密集度和厚度遥感反演的理论基础与方法 |
| 2.1 微波辐射传输模型 |
| 2.2 海冰的微波辐射特性 |
| 2.3 被动微波海冰密集度反演方法 |
| 2.3.1 低频算法 |
| 2.3.2 高频算法 |
| 2.3.3 系点亮温 |
| 2.3.4 天气滤波 |
| 2.4 被动微波辐射计及海冰密集度产品 |
| 2.5 基于高度计的海冰厚度估算方法 |
| 2.5.1 卫星高度计工作原理 |
| 2.5.2 基于静力平衡方程的海冰厚度估算方法 |
| 2.6 ICESat系列星载激光高度计及ICESat-2 海冰干舷产品 |
| 2.7 本章小结 |
| 第3章 被动微波海冰密集度产品对比及评价 |
| 3.1 待评估被动微波海冰密集度产品及辅助数据 |
| 3.2 评估方法及误差指标 |
| 3.3 基于高分辨率影像的海冰密集度产品精度评估 |
| 3.4 被动微波海冰密集度产品一致性对比 |
| 3.4.1 日均海冰密集度对比 |
| 3.4.2 月均海冰密集度对比 |
| 3.4.3 年均海冰密集度对比 |
| 3.4.4 海冰范围和面积对比 |
| 3.5 算法偏差来源分析与讨论 |
| 3.6 本章小结 |
| 第4章 基于融合算法的海冰密集度反演 |
| 4.1 算法融合方案 |
| 4.2 系点亮温和天气滤波处理 |
| 4.3 基于融合算法的海冰密集度反演及精度验证 |
| 4.4 本章小结 |
| 第5章 被动微波海冰密集度产品的应用分析 |
| 5.1 研究区及数据情况介绍 |
| 5.2 北极地区海冰密集度时空分析 |
| 5.2.1 海冰密集度年均空间分布格局 |
| 5.2.2 海冰密集度季均空间分布格局 |
| 5.2.3 海冰密集度月均空间分布格局 |
| 5.2.4 海冰密集度年际变化趋势分析 |
| 5.3 南极地区海冰密集度时空分析 |
| 5.3.1 海冰密集度年均空间分布格局 |
| 5.3.2 海冰密集度季均空间分布格局 |
| 5.3.3 海冰密集度月均空间分布格局 |
| 5.3.4 海冰密集度年际变化趋势分析 |
| 5.4 极区海冰面积和范围变化分析 |
| 5.4.1 北极海冰面积和范围变化分析 |
| 5.4.2 南极海冰面积和范围变化分析 |
| 5.5 本章小结 |
| 第6章 基于ICESat-2 激光高度计的海冰厚度反演研究 |
| 6.1 海冰厚度反演参数方案和数据介绍 |
| 6.2 ICESat-2 海冰干舷的时空变化分析 |
| 6.3 基于不同参数方案的海冰厚度反演 |
| 6.4 海冰厚度精度评价及敏感性分析 |
| 6.5 ICESat-2与CryoSat-2 海冰厚度对比 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文的主要研究工作与结论 |
| 7.2 主要创新点 |
| 7.3 存在问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）冰雪反照率反演以及冰雪下垫面下的北极云辐射强迫研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 论文内容与结构 |
| 第2章 积雪与云的研究进展 |
| 2.1 积雪时空分布研究现状 |
| 2.2 积雪反照率研究进展 |
| 2.2.1 积雪反照率测量 |
| 2.2.2 卫星反照率反演 |
| 2.2.3 积雪反照率模型 |
| 2.2.4 积雪中杂质对反照率影响 |
| 2.2.5 积雪粒径反演 |
| 2.3 云的研究进展 |
| 2.3.1 云的时空分布 |
| 2.3.2 云辐射强迫 |
| 第3章 冰雪粒径以及宽波段光谱反照率反演 |
| 3.1 渐进辐射传输(ART)理论 |
| 3.2 离散纵标法(DISORT)辐射传输模型 |
| 3.3 MODIS与HEPERION数据 |
| 3.4 积雪粒径反演 |
| 3.5 积雪反照率反演 |
| 3.5.1 冰晶复折射率与MIE散射 |
| 3.5.2 积雪反照率性质模拟 |
| 3.5.3 积雪反照率计算及验证 |
| 3.5.4 含杂质积雪反照率修正 |
| 3.6 总结 |
| 第4章 北极冰雪粒径与反照率查询系统 |
| 4.1 北极冰雪粒径与反照率反演 |
| 4.2 冰雪粒径与反照率查询系统 |
| 4.3 总结 |
| 第5章 积雪时空分布特征 |
| 5.1 冬季积雪空间分布 |
| 5.2 夏季积雪空间分布 |
| 5.3 全年积雪变化特征 |
| 5.4 总结 |
| 第6章 云参数的时空分布 |
| 6.1 云顶高度 |
| 6.2 冰云光学厚度 |
| 6.3 冰云有效粒径 |
| 6.4 水云光学厚度 |
| 6.5 水云有效半径 |
| 6.6 云相态分布 |
| 6.7 总结 |
| 第7章 下垫面为冰雪的北极云辐射强迫 |
| 7.1 北极地表温度 |
| 7.2 北极地区积雪粒径与反照率 |
| 7.3 SBDART模型及改进 |
| 7.4 北极云辐射计算方法 |
| 7.5 不同相态的云的短波辐射强迫 |
| 7.6 不同相态的云的长波辐射强迫 |
| 7.7 云的平均辐射强迫 |
| 7.8 云相态假设对平均辐射强迫影响 |
| 7.9 总结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 创新 |
| 8.3 展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（4）中国典型区积雪遥感监测及其时空变化特征研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 积雪范围遥感监测研究进展 |
| 1.2.2 积雪深度降尺度研究进展 |
| 1.2.3 林区积雪制图研究进展 |
| 1.2.4 积雪时空变化及对气候变化响应研究进展 |
| 1.3 研究目的及内容 |
| 第二章 MODIS积雪范围产品去云算法研究 |
| 2.1 研究数据及预处理 |
| 2.1.1 MODIS逐日积雪标准产品数据 |
| 2.1.2 AMSR-E/Aqua每日雪水当量产品数据 |
| 2.1.3 IGBP土地覆盖类型产品数据 |
| 2.1.4 IMS雪冰产品数据 |
| 2.1.5 Landsat-TM、ETM+及OLI产品数据 |
| 2.2 研究方法 |
| 2.2.1 积雪图像去云算法 |
| 2.2.2 Landsat数据积雪判识 |
| 2.2.3 积雪分类精度评价方法 |
| 2.3 结果与分析 |
| 2.3.1 去云效果 |
| 2.3.2 无云积雪产品精度评价 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 山区积雪深度产品降尺度算法研究 |
| 3.1 研究区概况 |
| 3.2 研究数据 |
| 3.2.1 AMSR2雪深及亮温数据 |
| 3.2.2 地面气象台站雪深数据 |
| 3.2.3 SRTM DEM数字高程模型 |
| 3.2.4 中国雪深长时间序列数据集 |
| 3.2.5 IGBP土地覆盖类型数据 |
| 3.2.6 逐日无云积雪范围产品 |
| 3.3 研究方法 |
| 3.3.1 积雪判识 |
| 3.3.2 雪深降尺度模型 |
| 3.3.3 初始模型精度评价 |
| 3.3.4 站点验证 |
| 3.4 结果与分析 |
| 3.4.1 因子筛选 |
| 3.4.2 多因素降尺度模型 |
| 3.4.3 降尺度雪深产品精度评价 |
| 3.5 讨论 |
| 3.5.1 模型表现性 |
| 3.5.2 影响雪深降尺度模型的因素分析 |
| 3.5.3 雪深降尺度模型的优势与不足 |
| 3.6 小结 |
| 第四章 林区积雪制图算法研究 |
| 4.1 研究区概况 |
| 4.2 研究数据及预处理 |
| 4.2.1 Landsat8 OLI数据 |
| 4.2.2 MODIS遥感产品 |
| 4.2.3 IGBP土地覆盖类型产品数据 |
| 4.3 研究方法 |
| 4.3.1 Landsat数据积雪识别 |
| 4.3.2 基于NDSI,NDFSI和 NDVI多指数MODIS积雪制图 |
| 4.3.3 MODIS逐日无云积雪产品 |
| 4.3.4 精度评价方法 |
| 4.4 结果与分析 |
| 4.4.1 基于NDSI,NDFSI和 NDVI多指数MODIS积雪制图方案 |
| 4.4.2 积雪制图效果 |
| 4.4.3 精度评价 |
| 4.5 讨论 |
| 4.6 小结 |
| 第五章 中国区积雪时空动态变化特征 |
| 5.1 研究数据与方法 |
| 5.1.1 研究数据及预处理 |
| 5.1.2 趋势分析方法 |
| 5.2 结果与分析 |
| 5.2.1 中国区积雪范围及积雪深度基本分布特征 |
| 5.2.2 中国区积雪范围及积雪深度空间变化特征 |
| 5.2.3 中国区积雪范围及积雪深度时间变化特征 |
| 5.3 讨论 |
| 5.4 小结 |
| 第六章 中国区域气候变化特征及积雪对气候变化的响应研究 |
| 6.1 研究数据与方法 |
| 6.1.1 研究数据及预处理 |
| 6.1.2 空间插值方法 |
| 6.1.3 趋势分析方法 |
| 6.1.4 Person相关分析方法 |
| 6.2 结果与分析 |
| 6.2.1 中国区气温和降水基本分布特征 |
| 6.2.2 中国区气温和降水空间变化特征 |
| 6.2.3 中国区气温和降水时间变化特征 |
| 6.2.4 中国区积雪对气温和降水的响应 |
| 6.3 讨论 |
| 6.4 小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 存在问题及展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）多源雪深数据不确定性分析及其融合研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内外雪深数据获取的研究现状 |
| 1.2.2 国内外多源雪深数据的不确定性分析研究现状 |
| 1.2.3 国内外多源雪深数据的融合算法研究现状 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 2 研究区概况及数据资料 |
| 2.1 中国及主要积雪区介绍 |
| 2.2 多源雪深数据 |
| 2.2.1 被动微波遥感雪深数据 |
| 2.2.2 模型及再分析雪深数据 |
| 2.2.3 数据预处理 |
| 2.3 地面观测数据 |
| 2.4 辅助数据 |
| 2.4.1 数字高程模型 |
| 2.4.2 土地覆盖类型数据 |
| 2.4.3 植被指数数据 |
| 2.4.4 积雪分类数据 |
| 2.4.5 其他数据 |
| 2.5 精度评价及趋势分析方法 |
| 2.5.1 定量精度评价指标 |
| 2.5.2 趋势分析 |
| 2.6 本章小结 |
| 3 积雪的物理特性与雪深估算基本理论 |
| 3.1 积雪的物理特性 |
| 3.1.1 积雪密度 |
| 3.1.2 液态水含量 |
| 3.1.3 积雪粒径 |
| 3.2 被动微波辐射传输模型 |
| 3.3 积雪物理过程模型 |
| 3.4 常用雪深估算方法 |
| 3.5 本章小结 |
| 4 多源雪深数据的不确定性分析 |
| 4.1 多源雪深数据的空间分布对比 |
| 4.2 多源雪深数据的时间序列分析 |
| 4.3 多源雪深产品精度评估 |
| 4.3.1 相关系数空间分布 |
| 4.3.2 平均偏差空间分布 |
| 4.3.3 均方根误差空间分布 |
| 4.3.4 总体精度 |
| 4.4 多源雪深数据的不确定性来源分析 |
| 4.4.1 不同的积雪深度 |
| 4.4.2 不同的土地覆盖类型 |
| 4.4.3 不同的森林覆盖度 |
| 4.4.4 不同的地表粗糙度 |
| 4.4.5 不同的积雪类型 |
| 4.5 本章小结 |
| 5 多源雪深数据的融合算法研究 |
| 5.1 基于机器学习的雪深产品融合算法 |
| 5.1.1 基于支持向量机的多源雪深数据融合模型 |
| 5.1.2 基于BP神经网络的多源雪深数据融合模型 |
| 5.1.3 基于随机森林的多源雪深数据融合模型 |
| 5.2 基于Triple Collocation的多源雪深数据融合方法 |
| 5.2.1 Triple Collocation原理 |
| 5.2.2 基于Triple Collocation方法的融合结果 |
| 5.3 不同融合方法的对比分析 |
| 5.3.1 精度评价及分析 |
| 5.3.2 不同环境因素下的融合结果分析 |
| 5.4 本章小结 |
| 6 中国全境积雪时空变化及其对植被生长的影响 |
| 6.1 积雪参数和植被参数提取 |
| 6.1.1 积雪关键参数的计算 |
| 6.1.2 植被生长状况参数计算 |
| 6.2 积雪参数分布格局与变化趋势 |
| 6.2.1 积雪深度及积雪物候的空间分布格局 |
| 6.2.2 积雪深度及积雪物候的变化趋势 |
| 6.3 植被生长参数的空间分布格局与变化趋势 |
| 6.3.1 植被生长参数的时空分布特征 |
| 6.3.2 植被生长参数的变化趋势 |
| 6.4 积雪变化对植被生长的影响机制分析 |
| 6.4.1 植被返青期与积雪关键参数的相关性分析 |
| 6.4.2 植被状态指数与积雪关键参数的相关性分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（6）2019年中国陆表定量遥感发展综述（论文提纲范文）
| 1 引言 |
| 2 定量遥感相关的数据处理方法 |
| 2.1 云与阴影识别 |
| 2.2 大气校正 |
| 2.3 地形校正 |
| 3 辐射传输建模 |
| 4 陆表特征变量：估算，验证与应用 |
| 4.1 地表反射率/BRDF |
| 4.2 下行太阳辐射 |
| 4.2.1 地表下行短波辐射遥感估算算法的发展与改进 |
| 4.2.2 地表下行短波辐射数据产品评价与分析 |
| 4.2.3 全球变亮和变暗分析 |
| 4.3 地表反照率 |
| 4.3.1 反照率反演与验证方法 |
| 4.3.2 地表反照率在气候环境变化中的应用 |
| 4.4 地表温度 |
| 4.5 地表长波辐射 |
| 4.5.1 地表长波下行辐射 |
| 4.5.2 地表长波上行辐射 |
| 4.5.3 地表长波净辐射产品 |
| 4.6 总净辐射 |
| 4.7 日光诱导叶绿素荧光（SIF) |
| 4.7.1 SIF遥感信号机理解释 |
| 4.7.2 基于SIF遥感的生态系统关键参数监测 |
| 4.8 植被生化参数 |
| 4.9 叶面积指数 |
| 4.1 0 光合有效辐射吸收比 |
| 4.1 1 植被覆盖度 |
| 4.1 1. 1 植被覆盖度算法发展 |
| 4.1 1. 2 植被覆盖度产品及算法验证 |
| 4.1 1. 3 植被覆盖度的应用 |
| 4.1 2 森林高度 |
| 4.1 3 森林生物量 |
| 4.1 4 植被生产力 |
| 4.1 5 土壤水分 |
| 4.16雪水当量 |
| 4.17积雪面积 |
| 4.18蒸散发 |
| 4.19地表与地下水量 |
| 4.19.1地表水量 |
| 4.19.2地下水量 |
| 4.19.3研究展望 |
| 5 科研项目 |
| 6 学术研讨会与培训班 |
| 7 结语 |
（7）多源协同的逐日积雪遥感监测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 非林区积雪识别研究现状 |
| 1.2.2 林区积雪识别研究现状 |
| 1.2.3 积雪深度反演研究现状 |
| 1.3 研究内容和技术流程 |
| 1.3.1 研究内容 |
| 1.3.2 技术流程 |
| 1.4 文章结构 |
| 第2章 研究区概况与实验数据 |
| 2.1 研究区概况 |
| 2.2 实验数据及预处理 |
| 2.2.1 Landsat-8 OLI数据 |
| 2.2.2 MODIS地表反射率产品 |
| 2.2.3 MWRI亮温数据 |
| 2.2.4 Google Earth影像 |
| 2.2.5 土地覆盖数据 |
| 2.2.6 气象站点数据 |
| 2.3 本章小结 |
| 第3章 基于动态NDSI阈值的非林区逐日积雪识别方法研究 |
| 3.1 基于动态NDSI阈值的非林区逐日积雪识别模型 |
| 3.1.1 基于OLI样本数据的积雪识别 |
| 3.1.2 基于OLI积雪识别结果标定的MODIS积雪识别最佳NDSI阈值 |
| 3.1.3 永久积雪纯像元逐日平均MODIS NDSI值的统计 |
| 3.1.4 动态NDSI阈值回归模型的建立 |
| 3.2 基于动态NDSI阈值识别方法的评价 |
| 3.2.1 基于动态NDSI阈值识别方法的精度评价 |
| 3.2.2 基于动态NDSI阈值识别方法的空间分析 |
| 3.3 本章小结 |
| 第4章 基于动态NDFSI阈值的林区逐日积雪识别方法研究 |
| 4.1 基于动态NDFSI阈值的林区积雪识别模型 |
| 4.1.1 基于Google Earth影像的林区积雪样本的选取 |
| 4.1.2 基于MODIS数据的林区积雪样本的光谱特征 |
| 4.1.3 动态NDFSI阈值与森林覆盖度的函数模型 |
| 4.2 基于动态NDFSI阈值识别方法的评价 |
| 4.2.1 基于动态NDFSI阈值识别方法的精度评价 |
| 4.2.2 基于动态NDFSI阈值识别方法的空间分析 |
| 4.3 本章小结 |
| 第5章 积雪覆盖度和粒径共同影响下的逐日积雪深度反演方法研究 |
| 5.1 积雪覆盖度和粒径共同影响下的25km尺度的积雪深度反演模型 |
| 5.1.1 25km尺度积雪覆盖度的监测 |
| 5.1.2 25km尺度积雪粒径的反演 |
| 5.1.3 积雪覆盖度和粒径共同影响下的25km尺度的积雪深度反演模型 |
| 5.2 积雪覆盖度和粒径共同影响下的25km尺度积雪深度反演模型的精度验证 |
| 5.3 积雪覆盖度和粒径共同影响下的500m尺度的积雪深度反演模型 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（8）融合GPS和光学遥感探测格林兰岛积雪状态研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 研究背景 |
| 1.2.1 积雪探测手段 |
| 1.2.2 国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 第二章 地基GPS提取积雪深度基本理论 |
| 2.1 基本原理 |
| 2.1.1 多路径误差 |
| 2.1.2 多路径和信噪比的关系 |
| 2.1.3 GNSS-MR技术基本原理 |
| 2.2 雪深获取流程 |
| 2.3 小结 |
| 第三章 GPS数据处理获取雪深 |
| 3.1 数据来源 |
| 3.2 数据处理 |
| 3.3 小结 |
| 第四章 卫星遥感解译格林兰岛雪盖分布 |
| 4.1 Landsat数据及其数据处理 |
| 4.1.1 Landsat传感器 |
| 4.1.2 数据来源 |
| 4.1.3 数据处理 |
| 4.1.4 实验结果及分析 |
| 4.2 MODIS产品数据及数据处理 |
| 4.2.1 MODIS传感器 |
| 4.2.2 MODIS数据产品来源 |
| 4.2.3 MODIS数据处理 |
| 4.2.4 实验结果分析 |
| 4.3 小结 |
| 第五章 结论与展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（9）基于MODIS的黑龙江流域积雪时空动态变化研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 积雪遥感研究国内外现状 |
| 1.2.2 积雪变化研究国内外发展现状 |
| 1.3 研究内容以及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 1.3.3 技术路线 |
| 第二章 研究区概况及数据 |
| 2.1 黑龙江流域概况 |
| 2.1.1 地理位置概况 |
| 2.1.2 地形地貌特征 |
| 2.1.3 气候特征 |
| 2.2 数据简介 |
| 2.2.1 MODIS逐日积雪数据 |
| 2.2.2 数字高程模型(DEM) |
| 2.2.3 气候站点数据 |
| 2.2.4 站点实测雪深数据 |
| 2.3 本章小结 |
| 第三章 MODIS积雪信息提取 |
| 3.1 MODIS积雪产品预处理 |
| 3.2 MODIS积雪产品去云算法 |
| 3.3 去云算法精度验证 |
| 3.4 积雪参数提取 |
| 3.4.1 积雪覆盖率(SCR) |
| 3.4.2 积雪覆盖天数(SCD) |
| 3.4.3 积雪初日(SCS)和融雪终日(SCM) |
| 3.5 逐日积雪覆盖产品数据集合成 |
| 3.5.1 去云算法效率分析 |
| 3.5.2 逐日积雪覆盖产品精度验证 |
| 3.6 小结 |
| 第四章 黑龙江流域积雪时空变化 |
| 4.1 分析方法 |
| 4.2 积雪覆盖率(SCR)变化特征 |
| 4.2.1 积雪覆盖率年内分布 |
| 4.2.2 积雪覆盖率年际变化 |
| 4.3 积雪覆盖天数(SCD)时空分布及变化 |
| 4.3.1 积雪覆盖天数空间分布 |
| 4.3.2 积雪覆盖天数时间变化 |
| 4.4 积雪初日及积雪终日时空分布及变化 |
| 4.4.1 积雪初日及积雪终日空间分布特征 |
| 4.4.2 积雪初日及积雪终日时间变化 |
| 4.5 本章小结 |
| 第五章 黑龙江流域积雪变化与气候因子的相关性 |
| 5.1 积雪覆盖率与气候因子的关系 |
| 5.2 积雪覆盖天数与气候因子的关系 |
| 5.3 本章小结 |
| 第六章 研究结论及展望 |
| 6.1 结论 |
| 6.2 存在问题以及展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读学位期间所发表的学术论文目录 |
| 附录 B 攻读学位期间所参与的项目基金及项目 |
（10）基于Google Earth Engine的青藏高原典型流域积雪动态分析（论文提纲范文）
| 摘要 |
| Abstract |
| 英文名词缩写 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 青藏高原积雪遥感研究进展 |
| 1.2.2 基于Google Earth Engine的遥感应用研究进展 |
| 1.3 本文创新点及主要研究内容 |
| 1.3.1 主要创新点 |
| 1.3.2 主要研究内容及各个章节安排 |
| 1.3.3 研究路线 |
| 第二章 研究区域概况、研究平台及数据 |
| 2.1 研究区域概况 |
| 2.2 研究平台 |
| 2.3 研究数据 |
| 2.3.1 遥感数据资料 |
| 2.4 本章小结 |
| 第三章 积雪判识方法研究 |
| 3.1 积雪制图方法 |
| 3.2 改进积雪提取算法 |
| 3.3 精度评价 |
| 3.3.1 评价方法 |
| 3.3.2 去云效果 |
| 3.3.3 改进积雪提取算法效果实例对比 |
| 3.4 本章小结 |
| 第四章 典型流域积雪时空变化 |
| 4.1 积雪面积年内变化特征 |
| 4.1.1 积雪面积的月变化 |
| 4.1.2 积雪面积的季节变化 |
| 4.2 积雪面积年际变化特征 |
| 4.2.1 年均积雪面积在18年内的变化 |
| 4.2.2 季均积雪面积在18年内的变化 |
| 4.2.3 月均积雪面积在18年内的变化 |
| 4.3 积雪日数变化 |
| 4.3.1 积雪日数的年际变化 |
| 4.3.2 积雪日数的空间变化 |
| 4.3.3 积雪日数随海拔的变化 |
| 4.4 本章小结 |
| 第五章 典型流域积雪对湖泊的影响分析 |
| 5.1 佩枯错流域积雪对湖泊的影响 |
| 5.2 纳木错流域积雪对湖泊的影响 |
| 5.3 本章小结 |
| 第六章 流域积雪提取系统 |
| 6.1 系统开发环境 |
| 6.2 系统设计目的与框架 |
| 6.3 主要功能模块实现 |
| 6.3.1 主要界面以及关键功能介绍 |
| 6.3.2 图像预处理模块 |
| 6.3.3 积雪提取模块 |
| 6.3.4 批处理模块和其他功能模块 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
四、中国地区冬季积雪遥感监测方法改进（论文参考文献）
- [1]基于遥感与数值模型的冻土监测与模拟方法体系研究[D]. 高会然. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [2]极地海冰密集度和厚度遥感反演方法研究[D]. 梁爽. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [3]冰雪反照率反演以及冰雪下垫面下的北极云辐射强迫研究[D]. 范传宇. 中国科学技术大学, 2021(09)
- [4]中国典型区积雪遥感监测及其时空变化特征研究[D]. 王云龙. 兰州大学, 2020(04)
- [5]多源雪深数据不确定性分析及其融合研究[D]. 乔德京. 西安科技大学, 2020(01)
- [6]2019年中国陆表定量遥感发展综述[J]. 梁顺林,白瑞,陈晓娜,程洁,范闻捷,何涛,贾坤,江波,蒋玲梅,焦子锑,刘元波,倪文俭,邱凤,宋柳霖,孙林,唐伯惠,闻建光,吴桂平,谢东辉,姚云军,袁文平,张永光,张玉珍,张云腾,张晓通,赵天杰,赵祥. 遥感学报, 2020(06)
- [7]多源协同的逐日积雪遥感监测方法研究[D]. 孙玉燕. 中国科学院大学(中国科学院空天信息创新研究院), 2020(06)
- [8]融合GPS和光学遥感探测格林兰岛积雪状态研究[D]. 王亚洁. 长安大学, 2020(06)
- [9]基于MODIS的黑龙江流域积雪时空动态变化研究[D]. 陆小琳. 兰州理工大学, 2020(12)
- [10]基于Google Earth Engine的青藏高原典型流域积雪动态分析[D]. 丁炜. 南京信息工程大学, 2020(02)