南极McMurdo Dry Valleys 冰川表面流速遥感后处理产品，基于Antarctic Ice Sheet Velocity and Mapping Project（AIV）数据，通过先进的算法和数值工具后处理得到。该产品利用Sentinel-1/2/Landsat数据绘制，提供了McMurdo Dry Valleys 均匀、高分辨率（60m）的冰流速结果，时间覆盖范围从2015到2020。
2022-11-03
南极冰盖21、22流域分布有松岛冰川、斯维特冰川等，是西南极融化最为剧烈的地区之一。本数据集首先利用Cryosat-2数据（2010年8月至2018年10月），在每个规则格网内，考虑地形项、季节波动、后向散射系数、波形前缘宽度及升降轨等因素建立平面方程，通过最小二乘回归计算格网内冰盖表面高程变化。另外，我们使用了ICESat-2数据（2018年10月至2020年12月），通过在每个规则格网内获取两个时期的卫星升降轨道交叉点处的高程差值，进而计算该时期内冰盖的表面高程变化。两个时期的面高程变化数据空间分辨率为5km×5km，文件格式为GeoTIFF，投影坐标为极地立体投影(EPSG 3031),并由所使用的卫星测高数据名称命名(即CryoSat-2、ICESat-2)。该数据可使用ArcMap、QGIS等软件打开。结果表明，该区域2010-2018年平均高程变化率为-0.34±0.08m/yr，属于融化剧烈地区。2018年10月-2020年11月年平均高程变化率为-0.38±0.06m/yr，相比于CryoSat-2计算结果该区域融化处于加剧状态。
2022-10-19
本数据集包括1995，2000，2005，2010和2015年等5期湖泊透明度数据。数据源为：Landsat 5，Landsat 7和Landsat 8。使用方法：利于实测光谱反射率，在分析光谱反射率与同步测量的透明度之间的关系的基础上，采用半经验方法选择最佳波段组合，建立青藏高原湖泊透明度算法，获得水体透明度。通过实测点的验证表明水体的透明度估算相对误差在35%。
2022-08-25
我们提出利用U-net网络进行冰裂隙识别探测的算法，可以实现格陵兰冰盖典型冰川冰裂隙的自动化探测。基于Sentinel-1 IW每年7、8月的数据，为了抑制SAR图像的相干斑噪声，选择Probabilistic Patch-Based Weights (PPB)算法进行滤波，然后选择具有代表性的样本输入U-net网络进行模型训练，根据训练的模型进行冰裂隙的预测。以格陵兰2个典型冰川（Jakobshavn、Kangerdlussuaq）为例分类结果的平均准确率可达94.5%，其中裂隙区域的局部准确率可达78.6%，召回率为89.4%。
2022-07-29
我们提出利用U-net网络进行冰裂隙识别探测的算法，可以实现南极冰裂隙的自动化探测。基于Sentinel-1 EW 1月、2月的数据，为了抑制SAR图像的相干斑噪声，选择Probabilistic Patch-Based Weights（PPB）算法进行滤波，然后选择具有代表性的样本输入U-net网络进行模型训练，根据训练的模型进行冰裂隙的预测。以南极5个典型冰架（Amery、Fimbul、Nickerson、Shackleton、Thwaiters）为例分类结果的平均准确率可达94.5%，其中裂隙区域的局部准确率可达78.6%，召回率为89.4%。
2022-07-28
积雪面积比例（fractional snow cover， FSC）是单位像元内积雪覆盖面积（Snow Cover Area SCA）与单位像元面积的比值。本数据集的制作方法为BV-BLRM积雪面积比例线性回归经验模型；采用的源数据为MOD09GA 500米全球逐日地表反射率产品，以及MOD09A1 500m的8天合成全球地表反射率产品；制作平台使用的是Google Earth Engine；数据范围为全球范围，数据制备时间为2000至2021年，空间分辨率为500米，时间分辨率为逐年。该套数据可为区域气候模拟、水文模型等提供积雪分布的定量信息。
2022-07-20
针对青藏高原泛三江并流区的17.9万km2的区域，通过Sentinel-1升降轨，以及Palsar-1升轨三种SAR数据进行InSAR变形观测，根据获取的InSAR变形图像，结合地貌和光学影像特征进行综合解译。共识别得到海拔4000m以下的活动性滑坡949处。需要注意的是，因不同SAR数据的观测角度、敏感度和观测时相的差异，同一滑坡用不同数据解译存在一定的差异，在滑坡的范围、边界方面需要借助地面和光学影像进行修正。滑坡InSAR识别比例尺的概念与传统空间分辨率不同，主要依靠变形强度，因此一些规模较小，但与背景相比变形特征突出，整体性强，与地物具有逻辑空间关系的滑坡也能得以解译（配合SAR的强度图、地形阴影图、光学遥感影像为地物参照）。本次最小解译区域可达几个像素，如参考怒江沿江公路解译了一处只有4个像素的公路边坡滑坡。
2022-03-19
本数据为东南亚地区2015年的地表类型数据，空间分辨率为30米，数据类型为NetCDF，变量名为“land cover type”。该数据基于FROM-GLC数据加工而成，通过对原始影像的拼接、裁剪得到覆盖东南亚的地表类型数据，剔除东南亚地区不存在的雪冰等下垫面类型并重新整合图例。修改下垫面类型编码生成包含东南亚的地表类型数据。该数据提供耕地、森林、草地、灌木、湿地、水体、不透水面、及裸地共8种下垫面的信息。数据总体精度为71% （Gong et al., 2019），可为水文模型、区域气候模式等提供东南亚地区的下垫面信息。
2022-01-03
地表蒸散发（Evapotranspiration，ET）是地球系统中水循环和能量传输的重要环节，地表蒸散发的准确获取有助于全球气候变化、作物估产、干旱监测等研究，并且对区域乃至全球水资源规划管理具有重要的指导意义。随着遥感技术的发展，遥感估算地表蒸散发已成为获取区域与全球蒸散发的一个有效途径，目前多种中低分辨率地表蒸散发产品已业务化生产和发布，但遥感估算地表蒸散发模型在模型机理、输入数据、参数化方案等方面仍存在许多不确定性，因此，需要通过真实性检验来定量评价遥感估算地表蒸散发产品的精度。但在真实性检验过程中，存在地表蒸散发遥感估算值与站点观测值的空间尺度不匹配问题，因此卫星像元尺度地表蒸散发的相对真值获取是关键。 以黑河流域综合观测网2012年6-9月中游“非均匀下垫面地表蒸散发的多尺度观测试验”中通量观测矩阵的4（村庄）、5（玉米）、6（玉米）、7（玉米）、8（玉米）、11（玉米）、12（玉米）、13（玉米）、14（玉米）、15（玉米）、17（果园）号站和2014-2015年1-12月下游绿洲胡杨林站（胡杨林）、混合林站（柽柳/胡杨）、裸地站（裸地）、农田站（甜瓜）、四道桥站（柽柳）观测数据（自动气象站、涡动相关仪、大孔径闪烁仪等）为基础，以高分辨率遥感数据(地表温度、植被指数、净辐射等)作为辅助数据，分布图见图1，考虑地表异质性对ET尺度扩展的影响，通过直接检验和交叉检验对6种尺度扩展方法（面积权重法、基于Priestley-Taylor公式的尺度扩展方法、不等权重面到面回归克里格方法、人工神经网络、随机森林、深度信念网络）进行比较和分析，最终优选一种综合的方法(在下垫面均匀时，采用面积权重法；在下垫面中度非均匀时，采用不等权重面到面回归克里格方法；下垫面高度非均匀时采用随机森林方法)分别获取中游和下游通量观测矩阵区域MODIS卫星过境瞬时/日的地表蒸散发像元尺度相对真值(空间分辨率为1km)，并通过与大孔径闪烁仪观测值（参考值）进行验证分析，结果表明：该数据集整体精度良好，中游卫星像元尺度相对真值瞬时和逐日的平均绝对百分误差(MAPE)分别为2.6%和4.5%，下游卫星像元尺度相对真值瞬时和逐日的MAPE分别为9.7%和12.7%，可以用来验证其它遥感产品。该像元地表蒸散发数据既能解决遥感估算值与站点观测值的空间不匹配问题，又能表征验证过程的不确定性。所有站点信息和尺度扩展方法请参考Li et al. (2018)和 Liu et al. (2016)，观测数据处理请参考Liu et al. (2016)。
2019-04-27
地表蒸散发（Evapotranspiration，ET）是连接着陆地能量平衡、水循环以及碳循环等的重要变量，地表蒸散发的准确获取有助于全球气候变化、作物估产、干旱监测等研究，并且对区域与全球的水资源规划管理具有重要的意义。地表蒸散发的获取方法主要包括地面观测、遥感估算、模式模拟与同化等。地面观测可以获得高精度的地表蒸散发数据，但观测站点的空间代表性十分有限；遥感估算、模式模拟与同化方法可以获得空间连续的地表蒸散发，但存在精度与时空分布格局合理性的验证问题。因此，本研究充分利用众多的高精度站点观测数据，结合多源遥感信息，将地面站点观测尺度扩展至区域上，获得高精度、时空分布连续的地表蒸散发量。 基于近年来开展的“黑河综合遥感联合试验”（WATER）、“黑河流域生态-水文过程综合遥感观测联合试验”（HiWATER）、所积累的站点观测数据（自动气象站、涡动相关仪、大孔径闪烁仪等），共选用36个站点（65个站年，分布图见图1），结合多源遥感数据（土地覆盖与植被类型图，叶面积指数、地表温度等）和大气驱动数据等，运用五种机器学习方法（回归树、随机森林、人工神经网络、支持向量机、深度信念网络）分别构建了不同的地表蒸散发尺度扩展模型，对各尺度扩展模型进行了全面的对比分析，结果表明：相比于其他四种方法，随机森林方法更适合于黑河流域由站点到区域的地表蒸散发尺度扩展研究。基于优选出的随机森林尺度扩展模型，以遥感及大气驱动数据作为输入，生产了2012~2016年生长季（5~9月）黑河流域地表蒸散发时空分布图（ETMap，时间分辨率为逐日，空间分辨率为1km）。以LAS观测值为真值进行验证，结果表明：ETMap整体精度良好，上游 (LAS1)、中游 (LAS2-LAS5)和下游 (LAS6 - LAS8)的RMSE (MAPE)分别为0.65 mm/day(18.86%)、0.99 mm/day (19.13%)和0.91 mm/day (22.82%)。总之，ETMap是基于站点观测数据运用随机森林算法进行尺度扩展得到的精度较高的黑河流域地表蒸散发产品。所有站点信息和尺度扩展方法请参考Xu et al. (2018)，观测数据处理请参考Liu et al. (2018)。
2019-04-25
联系方式
中国科学院西北生态环境资源研究院
0931-4967287
poles@itpcas.ac.cn
关注我们
时空三极环境大数据平台 © 2018-2020 陇ICP备05000491号 | All Rights Reserved
｜ 
京公网安备11010502040845号
数据中心技术支持: 数云软件
