1 福州大学环境与安全工程学院, 遥感信息工程研究所, 福建 福州 350116
2 福建省水土流失遥感监测评估与灾害防治重点实验室, 福建 福州 350116
美国地质调查局(USGS) 2020年12月正式发布了基于Landsat热红外光谱数据生产的2级地表温度产品(Landsat Collection 2 Level-2 surface temperature, LC2L2ST), 但目前还鲜有该地表温度产品的相关研究报道。 由于美国地质调查局已宣布自2022年开始将不提供除该产品之外的其他地表温度数据, 因此有必要对该产品进行适时的评估。 在同类遥感卫星产品中, MODIS地表温度产品的质量最被广大用户认可, 应用也最为广泛, 因此首次将Landsat新型热红外地表温度产品与MODIS地表温度产品进行交互对比, 以评估新产品与MODIS地表温度产品的一致性。 分别选取了我国的不同地区(福州、 太湖、 银川、 敦煌)作为试验区, 以20对同日过空的LC2L2ST与MODIS地表温度影像为数据源进行交互对比。 影像涵盖植被、 水体、 建筑、 荒漠等地物以及不同的季节。 在试验区影像上选取一系列均质样区(ROI), 通过各样区的地表温度均值散点进行拟合回归分析, 研究二者地表温度间的差异及定量关系, 并提出彼此转换的模型。 结果表明, Landsat地表温度新产品与MODIS地表温度产品具有很高的相关性, 4个试验区的决定系数(R2)皆大于0.98, 集成4个试验区的总R2也接近0.98; 但LC2L2ST比MODIS的地表温度平均高0.90 ℃(RMSE=2.29 ℃)。 分析发现, 二者地表温度数据间的差异与其在空间分辨率、 观测角度、 地物类型和季节的不同有关。 从不同地物和季节来看, LC2L2ST在晚秋和冬季略低于MODIS的地表温度, 而在夏季极端高温的城镇、 荒漠地区则明显高于MODIS的地表温度, 且偏差可近7 ℃。 总的看来, Landsat新型地表温度产品与MODIS同类产品的相关性显著, 但在夏季的城市和沙漠地区的差异较大, 因此, LC2L2ST新产品在夏季高温季节的适用性仍有待进一步基于地面实测温度的验证。 鉴于两种地表温度数据产品仍存在着一定差距, 因此二者如要协同使用, 需要进行转换。 本研究基于4个试验区的560个ROI样区构建了二者地表温度间的转换方程, 并通过验证发现, 经转换后的两数据差异性得到大幅缩小。 因此, 必要的数据转换有利于二者数据的协同使用, 可为长时间序列的地表温度变化监测提供连续的遥感数据。
热红外光谱数据 地表温度 交互对比 Landsat Collection 2 Level-2 Landsat Collection 2 Level-2 MODIS MODIS Thermal infrared spectral data Land surface temperature Cross comparison
1 中国科学院 空天信息创新研究院，数字地球重点实验室，北京00094
2 可持续发展大数据国际研究中心，北京100094
3 中国科学院 空天信息创新研究院，北京100094
4 中国科学院大学，北京10009
5 陆军勤务学院，重庆401311
青藏高原地表反射率在自然资源监测、生态环境保护和地球科学研究等方面有着重要应用。MOD09A1反射率数据由于云等因素的影响产生了大量异常像元，使得数据存在信息损失不完整的问题。考虑到邻近时序遥感影像具有高相关性，同类地物光谱具备高相似性，本文针对青藏高原地区提出了一种基于残缺多时相数据与地表覆盖分类信息的地表反射率深度学习重建方法。首先，以多时相MOD09A1反射率数据和MCD12Q1地表覆盖分类数据为基础，通过异常像元去除、有效图层提取、投影转换与拼接，得到目标区域基础反射率图像及辅助数据；其次，根据残差网络基本原理，构建了基于多时相数据与地表覆盖分类信息融合的深度学习网络模型；然后，利用MOD09A1数据完整区域裁剪的云掩膜样本、基于地表覆盖分类和K-means聚类算法生成的增广样本对模型进行训练；最后，将训练好的模型用于缺失数据区域地表反射率重建。通过两组对比试验表明，本文方法降低了对多时相辅助影像数据量和完整性的要求，在多时相数据残缺情况下，结合地表覆盖分类信息可实现对青藏高原大范围地表反射率的修复与重建。
地表反射率 青藏高原 深度学习 MODIS数据 缺失数据重建 surface reflectance Tibetan Plateau deep learning MODIS data reconstruction of missing data 程亮亮 1,2,3,4谢晨波 1,3,*杨昊 1,2,3方志远 1,2,3[ ... ]邢昆明 1,3
1 中国科学院合肥物质科学研究院 安徽光学精密机械研究所 中国科学院大气光学重点实验室，合肥 230031
2 中国科学技术大学研究生院科学岛分院，合肥 230026
3 先进激光技术安徽省实验室，合肥 230037
4 合肥师范学院 电子信息系统仿真设计安徽省重点实验室，合肥 230601
以北京市2015年1月11-17日发生的连续灰霾污染过程为例，采用地基和星载激光雷达联合观测，反演得到气溶胶的垂直分布特征。由MODIS卫星遥感数据和HYSPLIT后向轨迹模式分析得出污染来源和传输路径，结合地面空气质量和气象观测数据揭示了本次污染的成因。结果发现，根据激光雷达数据反演的近地面气溶胶消光系数与地面PM2.5浓度变化总体较为一致，而气溶胶边界层高度与PM2.5浓度呈相反变化趋势，且最低边界层高度为500 m。污染期间为小风高湿天气，地面平均风速和相对湿度分别为1.35 m/s和66%，连续多日逆温层的出现抑制了污染物在垂向空间的扩散传输，逆温强度高达5℃，这两方面因素导致污染物的持续积累，最终，在16日凌晨，PM2.5浓度达到448 μg/m3。污染最后在16日偏南风的作用下得以解除，PM2.5浓度的下降速度达到82 μg/（m3·h）。观测期间，PM2.5与NO2、CO的相关系数分别为0.766和0.901，呈显著正相关，可见NO2等气态前体污染物转化而来的二次气溶胶是霾的重要来源。综合分析表明，本次污染以灰霾为主，由区域传输和局地排放的气溶胶叠加、累积而成，河北南部及河南、山西等地的污染物随高空气团传输到北京地区，与本地排放的污染气溶胶混合在一起，导致污染加重。
污染 激光雷达 边界层 CALIPSO MODIS 后向轨迹 Pollution Lidar Aerosol boundary layer CALIPSO MODIS Backward trajectory
1 北京环境特性研究所，北京 100039
2 光学辐射重点实验室，北京 100854
建立了一种星载吸收波段红外传感器连续观测助推段火箭飞行的场景生成模型。提出了一种基于神经网络生成MODIS数据中第22、23波段高分辨率地表发射率图像的方法，生成了分辨率达到百米量级的地表发射率图像，并利用谱段关联计算了4.18~4.5 μm的地表光谱发射率；同时采用Runge-Kutta法生成火箭助推段的飞行轨迹，利用LOS方法计算尾喷焰气体的辐射传输，生成火箭尾喷焰图像。建立了尾喷焰、地表点和传感器的几何关系，对尾喷焰和背景投影成像，合成了卫星观测火箭尾喷焰的动态场景。对辐亮度图像序列进行分析发现，地面背景的辐亮度得到了压制，同时结合轨迹数据对不同时刻的目标辐亮度对比度和所占像元数进行了分析。此外，分析了不同场景下尾喷焰总辐射强度曲线的差异。结果表明，场景生成方法准确可靠，可为基于卫星图像序列的目标检测跟踪等研究提供数据基础和目标特性支撑。
红外辐射 场景仿真 火箭尾喷焰 MODIS infrared radiation scene simulation rocket plume MODIS 红外与激光工程
2021, 50(7): 20200519
1 集美大学港口与环境工程学院, 福建 厦门 361021
2 集美大学遥感与地理信息研究中心, 福建 厦门 361021
3 厦门市环境监测中心站, 福建 厦门 361012
基于 MODIS 气溶胶光学厚度 (Aerosol optical depth, AOD) 产品、PM2.5 地面监测数据以及气象数据, 运用空间分析和统计回归分析, 采用总体与局部、一元与多元相结合的方式, 对厦门市 AOD 与 PM2.5 的时空特征及其相关性进行了研究。结果表明: AOD 时空变化明显, 月均值最高 1.133、 最低 0.635, 分别出现在 4 月和 1 月, 季均值呈春、夏、秋、冬递减趋势, 年均值呈缓慢上升趋稳再略微下降态势; 沿海和厦门岛 AOD 整体较高, 较低值主要分布在西北、北部和东北区域。PM2.5 总体上呈现与 AOD 相似的时空特征, 时序上具有明显季节特征, 空间分布上季均值的较大值主要分布在中部沿海, 较低值则多出现在西北部和东部。AOD 与 PM2.5 一元线性回归总体上呈中度正相关, 相关系数为 0.575; 局部相关系数间存在明显差异, 整体上比总体相关性略低, 平均相关系数为 0.432; 引入气象因子的 AOD 与 PM2.5 多元线性回归平均相关系数为 0.625, 其中的三元线性回归模型的拟合相对最好, 且拟合效果不随因子数量的增加而变优。
气溶胶光学厚度 时空特征 相关性 厦门市 MODIS MODIS aerosol optical depth PM2.5 PM2.5 spatio-temporal characteristics correlation Xiamen City 大气与环境光学学报
2020, 15(5): 334
1 北京大学地球与空间科学学院遥感与地理信息系统研究所, 北京 100871
2 地理信息基础软件与应用工程技术研究中心, 北京 100871
3 空间信息集成与3S工程应用北京市重点实验室, 北京 100871
连续时序的叶面积指数（LAI）可反映冬小麦长势的变化情况, 预测冬小麦未来时段的LAI对指导田间管理决策具有重要作用。 以WOFOST（World Food Studies）为代表的作物生长模型可通过模拟冬小麦的生长发育过程对未来LAI曲线进行预测, 但其预测过程依赖于未来的气象数据等难以获取的输入参数。 由于冬小麦的LAI时序变化具有连续性和规律性的特点, 可通过深度学习方法仅以历史LAI为输入参数对未来LAI进行预测, 但深度学习方法需要大量样本参与训练, 训练样本的稀缺性限制了其在LAI预测方面的实际应用。 针对上述问题, 通过数据同化方法将遥感数据与WOFOST模型相结合, 采用SCE（Shuffled Complex Evolution）算法最小化校正后的MODIS LAI产品与模型模拟LAI之间差值来优化作物模型初始参数, 从而构建出京津冀地区15年的逐日冬小麦LAI数据集。 在该数据集基础上, 利用长短期记忆网络（LSTM）分别建立了不同输入历史LAI天数的多个冬小麦预测模型, 探究了不同预测模型表达冬小麦生育期中LAI变化规律的能力。 结果表明: 基于LSTM网络的预测模型都能较好进行冬小麦LAI未来曲线变化的预测, 其中当模型输入LAI长度为20时, 预测冬小麦从返青到成熟阶段的LAI精度最高, 其决定系数（R2）、 均方根误差（RMSE）值分别为0.986 5和0.183 6。 对于冬小麦生长各个阶段, 预测模型对于返青至开花期的预测精度高, 开花至成熟期的预测精度稍有降低。 总体而言, 构建训练数据集的方法对于深度学习方法在相似问题中的应用具有借鉴意义, 建立的预测模型验证了LSTM网络对于冬小麦时序LAI曲线具有较好的预测能力, 为预测作物未来时序LAI提供了一种有效的方法。
叶面积指数 长短期记忆网络 WOFOST模型 数据同化 MODIS LAI遥感影像 Leaf area index Long short-term memory World food studies Data assimilation MODIS LAI remote sensing image
1 国防科技大学 气象海洋学院, 江苏 南京 211101
2 中国人民解放军31110部队, 江苏 南京 210016
云的定量识别在卫星数据反演中非常重要。云检测结果的质量直接影响各种反演产品的准确性。云检测实际上是一种目标识别和分类的过程, 检测的目的是为了特征提取, 因此,大量信号与系统中的新兴算法都被运用于云检测的技术研究中来。匹配追踪算法是近年来发展起来的非常有效的特征提取算法, 而正交匹配追踪算法更能有效提高信噪比。因此文中利用正交匹配追踪算法与多通道阈值法相结合, 进行了卫星云图云检测的相关研究。通过MODIS的云检测试验表明, 将正交匹配追踪算法应用到多光谱云图的信息处理中可以有效提高云检测的精度。
多光谱 特征提取 云检测 正交匹配追踪 MODIS MODIS multi-spectral feature extraction cloud detection Orthogonal Matching Pursuit 红外与激光工程
2019, 48(12): 1203003
1 西北大学城市与环境学院,陕西 西安 710127
2 陕西省地表系统与环境承载力重点实验室,陕西 西安 710127
利用2008年3月～2018年2月中分辨率成像光谱仪(Moderate resolution imaging spectroradiometer, MODIS) MOD08M3遥感 反演气溶胶光学厚度(Aerosol optical depth, AOD)产品数据,结合K-means聚类分析方法,对中国中部和东部的气溶胶光学厚度 时间序列进行分析。结果表明: 1)从像元尺度分析气溶胶光学厚度的时间序列变化特征,避免了规律混杂问题,得到了准确的变化 规律和波动尺度。2)在年际间变化尺度上得到4个分区结果, AOD长期变化情况受人口分布的因素影响较大。3)在季节间变化尺度 上得到9种变化类型区,分别是:华北平原区、长江中下游区、高原山脉区、云贵区、兰州-银川-阿拉善盟区、四川盆地区、关中 陕南区、两广-湖南南部-江西南部区、东南沿海区,同时由一些变化分区的地理位置得到了该区AOD季节性波动的主导影响因素。 这些结果有助于研究AOD时间序列的准确变化和东部地区的气候环境。
气溶胶光学厚度 聚类分析 时变特征 中国东部 MODIS MODIS aerosol optical depth cluster analysis temporal characteristics East China 大气与环境光学学报
2019, 14(6): 411
1 中国海洋大学信息科学与工程学院,山东 青岛 266100
2 青岛海洋科学与技术国家实验室区域海洋动力学与数值模拟功能实验室,山东 青岛 266200
云和气溶胶探测激光雷达(Cloud-aerosol lidar with orthogonal polarization, CALIOP)能够发射532 nm 和 1064 nm 两种波长激光脉冲,主要用于大气中云和气溶胶的探测。532 nm激光脉冲在海洋表面有很好的穿透性,能获得海表以下的 后向散射信号。利用CALIOP数据对直接提取水下信号和瞬态响应校正提取水下信号两种方法进行对比研究。首先,反演 得到海洋次表层水下信号,进而反演海洋颗粒物后向散射,并与中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer, MODIS)反演的颗粒物后向散射进行对比。颗粒物后向散射差值的均值分别为0.0035、0.0027; 标准偏差分别为0.4004、0.0042。表明校正方法反演的颗粒物后向散射与MODIS反演颗粒物后向散射更为接近。
颗粒物后向散射 海洋次表层信号 CALIOP CALIOP particulate backscattering coefficient MODIS MODIS subsurface signal 大气与环境光学学报
2019, 14(5): 367
1 西安理工大学机械与精密仪器工程学院, 陕西 西安 710048
2 西安理工大学数控机床及机械制造装备集成教育部重点实验室, 陕西 西安 710048
利用西安地区太阳光度计(POM-02)的观测数据,根据比尔-朗伯-布格定律计算了西安地区的大气气溶胶光学厚度(AODs),将其作为真值与NASA Terra卫星的MODIS C061产品中气溶胶光学厚度的三种反演结果进行了对比,探讨了三种反演算法在西安地区的精确度及适用性,并结合MODIS气溶胶产品统计分析了西安及周边地区气溶胶光学厚度的空间分布和季节变化特征。结果表明: Terra卫星MODIS三种反演算法中DT&DB产品与太阳光度计反演的气溶胶光学厚度相关系数最高(0.92),故MODIS中的DT&DB产品最适用于西安地区,可用于西安地区气候变化以及大气污染等研究。分析关中地区AOD的时空分布特征及其可能原因可知:关中地区气溶胶主要包括人类活动产生的气溶胶和沙尘气溶胶,关中地区气溶胶光学厚度整体呈东高西低的分布趋势,高值中心主要分布在西安、渭南和咸阳等地区;气溶胶光学厚度在西安、咸阳地区春季最大、秋季最小,而在关中其他地区整体呈现春夏高、秋冬低的季节变化趋势。
大气光学 太阳光度计 MODIS 气溶胶光学厚度 西安地区 光学学报
2019, 39(10): 1001004
