基于我国高分一号及二号数据,采用深度学习分类方法,结合人工目视解译修正,生产出青藏工程走廊冻融灾害分布数据。数据地理范围为青藏公路西大滩至安多段沿线40km范围。数据包括热融湖塘分布数据及热融滑坡分布数据。该数据集可为青藏工程走廊冻融灾害的研究工作及工程防灾减灾提供数据基础。青藏公路西大滩至安多段沿线40km范围冻融灾害空间分布基于国产高分二号影像数据自制。首先,利用深度学习方法从高分二号数据中提取泥流阶地区块;然后,利用ArcGIS进行人工编辑,将数据解译后合在一张图上可现实。
牛富俊, 罗京
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%。
李新武, 梁爽, 杨博锦, 赵京京
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%。
李新武, 梁爽, 杨博锦, 赵京京
植被覆盖度(Fractional vegetation cover, FVC)表示植被地面垂直投影面积与研究区总面积的百分比,是衡量生态保护和生态恢复有效性的重要指标,被广泛应用于气候、生态和土壤侵蚀等领域。FVC不仅是反映植被生产能力的理想参数,而且在评估地形差异、气候变化和区域生态环境质量时也能发挥较好的作用。本研究工作主要是对两套GLASS FVC数据进行后处理,通过数据融合、剔除异常值和剪裁后给出较为可靠的2013年和2018年的环北极圈(范围为北纬66°以北)和青藏高原(范围为北纬26°到39.85°,东经73.45°到104.65°)的植被覆盖度情况。
叶爱中
NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯叶、粗糙度等,且与植被覆盖有关。是反映农作物长势和营养信息的重要参数之一。根据该参数,可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。植被修正指数Correct NDVI (C-NDVI) 是剔除气候要素(气温、降水等)对NDVI的影响后的NDVI的值。以降水为例,降水对植被生长影响的滞后效应的研究表明,不同地区由于植被组成和土壤类型的差异,降水影响的滞后时间不同。本研究工作主要是对MODIS NDVI数据进行后处理,首先将当月NDVI值与本月的降水量、本月与上月的降水量的平均值、本月与上两个月的降水量的平均值等分别进行相关分析,确定最优的滞后时间。将NDVI与降水和气温做回归分析,得到相关的系数,然后通过MODIS NDVI与气候因子回归的NDVI的差值计算出校正的NDVI值。我们利用气候数据对NDVI进行修正后给出可靠的2013年和2018年的环北极圈(范围为北纬66°以北)和青藏高原(范围为北纬26°到39.85°,东经73.45°到104.65°)的植被修正指数。数据空间分辨率为0.5度,时间分辨率为月度值。
叶爱中
本数据集包含:(1)基于测高卫星提取的北半球16个大型湖泊水库冰厚数据,时间跨度为1992-2019年,时间分辨率10天,文件名为Altimetric LIT for 16 large lakes.xlsx;(2)基于遥感湖冰模型的北半球1,313个面积50km^2以上湖泊的逐日湖冰厚度和湖泊表面积雪深度数据,时间跨度为2003-2018年,文件格式为nc格式;(3)未来湖冰厚度变化的预测情况,时间跨度2071-2099年,文件为table S1.xlsx;(4)一个用于查找湖泊的对照表,包含湖泊ID,名称,地理坐标和面积等信息。本数据集可以为全球湖冰和湖面积雪研究提供基础信息,便于深入理解在变化环境下湖冰的演变规律及其对湖泊生态环境和区域社会经济的影响。
李兴东, 龙笛, 黄琦, 赵凡玉
“亚洲水塔”青藏高原(TP)的降水在区域水和能源循环中发挥着关键作用,对下游国家的水资源供应有重要影响。气象站点所获取的降水信息通常被认为是最准确的,但在地形复杂、环境恶劣的青藏高原中,气象站数据却十分有限。卫星和再分析降水产品可以为地面测量提供补充信息,特别是在大面积测量不足的区域。在这里,我们通过使用人工神经网络 (ANN) 和环境变量(包括海拔、地表压力和风速)确定各种数据源的权重来最优地融合站点、卫星和再分析数据。在 1998-2017 年期间,以每日时间尺度和 0.1° 的空间分辨率生成了一个多源降水 (MSP) 数据集横跨青藏高原。与其他四颗卫星产品相比,MSP与标准观测的日降水相关系数(CC)最高(0.74),均方根误差第二低,表明MSP的质量和数据合并的有效性方法。我们使用分布式水文模型进一步评估了青藏高原长江和黄河源头测量不佳的不同降水产品的水文效用。在 2004-2014 年期间,MSP 实现了每日流量模拟的最佳 Nash-Sutcliffe 效率系数(超过 0.8)和 CC(超过 0.9)。此外,基于多重搭配评估,MSP 在未测量的西部 TP 上表现最好。该合并方法可应用于全球其他数据稀缺地区,为水文研究提供高质量的降水数据。整个 TP 的左下角的经纬度、行数和列数以及网格单元信息都包含在每个 ASCII 文件中。
洪仲坤, 龙笛
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。
姚鑫
本数据集为TCA(Triple Collocation Analysis)算法代码集,用于生成2011-2018年全球日尺度土壤水分融合数据。
谢秋霞, 贾立, 胡光成
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。
刘俊国
本数据集是一个包含接近35年(1984-2018)的全球高分辨率光合有效辐射数据集,其分辨率为3小时/逐日/逐月,10公里,数据单位为W/㎡,瞬时值。该数据集可用于生态过程模拟和全球碳循环的理解。该数据集是基于改进的物理参数化方案并以ISCCP-HXG云产品、ERA5再分析数据、MERRA-2气溶胶数据以及MODIS反照率产品为输入而生成的。验证并和其他全球卫星辐射产品比较表明,该数据集的精度通常比CERES全球卫星辐射产品的精度要高。该全球辐射数据集将有助于未来生态过程模拟的研究和全球二氧化碳通量的估算。
唐文君
此数据包含1992年-2020年时间段的中亚,南亚和中南半岛地区的空间分辨率为300m土地覆盖数据,包含10个一级类别,由原数据的二级类别合并而来。数据基于欧空局的1992年-2020年时间段地表覆盖产品 CCI-LC,对耕地、建设用地和水体等地类进行修正。基于清华大学全球土地覆被数据(FROM-GLC,30m栅格)、美国NASA的MODIS全球土地覆被数据(MCD12Q1,500m栅格)、美国地质调查局USGS的全球耕地数据(GFSAD30,30m)、日本全球林地数据的(PALSAR/PALSAR-2,25m)的一致区获取训练样本,应用谷歌地球数字引擎及其随机森林算法,对研究区待修正区域进行机器判别,获得修正的土地覆被产品。应用2019年和2020年的谷歌地球高清影像,对耕地、建设用地和水体变化区域的精度进行分层随机抽样验证,三种地类分别抽取了1200个、共计3600个,相比 CCI-LC数据,本修正产品在该变化区域的精度提升了11%到26%。
许尔琪
本数据集包含由卫星重力测量数据得到的2002年4月至2019年12月南极冰盖质量变化数据。所采用的卫星重力数据来自于美国宇航局NASA与德国宇航局DLR合作的重力场恢复与气候学实验双星星座(GRACE,2002年4月至2017年6月)及其后续任务GRACE-FO (2018年六月至今)。由于GRACE和GRACE-FO之间有一年左右数据间断,我们额外采用了由欧洲空间局ESA的Swarm星座GPS数据反演得到的重力场数据(2013年12月至2019年12月)。所采用GRACE重力场数据为德州大学奥斯丁空间研究中心(CSR)、德国地学研究中心(GFZ)、美国宇航局喷气推进实验室(JPL)以及俄亥俄州立大学(OSU)四家机构发布产品的加权平均模型。GRACE数据后处理包括:用SLR数据解算结果替换GRACE低阶重力场参数(degree-1, C20和C30),去条带滤波,300公里高斯平滑,ICE6-G_D(VM5a)GIA模型,信号泄露误差改正,椭球误差改正等。
张宇, 沈嗣钧
青藏高原多源遥感合成1km积雪覆盖数据集(1995-2018)基于国家卫星气象中心的青藏高原光学仪器遥感1km积雪覆盖数据集(1989-2018)和美国雪冰中心的25km近实时逐日全球冰密集度与积雪范围NISE产品数据集(1995-2019)合成得到,覆盖时间从1995年到2018年(每年1-4月和10-12月两个时段),时间分辨率为逐日,覆盖范围为青藏高原(17°N -41°N,65°E -106°E),采用等经纬度投影,空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻的地面是否为积雪所覆盖。输入数据源为NOAA或MetOp卫星AVHRR逐日积雪覆盖产品,TERRA卫星MODIS替代AVHRR对应观测通道生成的逐日积雪覆盖产品,以及DMSP卫星SSM/I或SSMIS逐日全球冰密集度和积雪范围NISE产品。数据集合成方法:以青藏高原光学仪器遥感1km积雪覆盖产品为基础,完全信任其积雪和晴空无雪信息,对有云覆盖、无法判识、缺少卫星观测等区域,在相对高空间分辨率海陆模板的辅助下,利用NISE的陆地有效判识结果进行替换。对于部分水陆边界,因NISE产品空间分辨率较低,合成结果有可能仍存在极少量的云覆盖或者无观测数据区域。基于多年地面气象台站雪深观测资料验证表明,本数据集对晴空条件下地面有无积雪的总体判识准确率在91%以上。数据采用标准的HDF4格式存储,内部有积雪覆盖和质量码两个SDS,维度均为4100列×2400行,且文件内部有完备的属性描述。
郑照军, 曹广真
青藏高原光学仪器遥感1km积雪覆盖数据集(1989-2018)基于星载光学仪器观测数据云雪判识方法制作,覆盖时间从1989年到2018年(每年1-4月和10-12月两个时段),时间分辨率为逐日,覆盖范围为青藏高原(17°N -41°N,65°E -106°E),采用等经纬度投影,空间分辨率为0.01°×0.01°。数据集以日产品表征了卫星观测时刻晴空无云或透明薄云下的地面是否为积雪所覆盖。输入数据源为NOAA与MetOp卫星的AVHRR L1数据,以及从TERRA/MODIS对应于AVHRR通道的L1数据。产品处理方法为独立于云掩模产品的动态阈值决策树算法(DT),即算法同时判别云雪,且其云检测强调保留雪信息,特别是透明卷云下的雪。DT算法针对不同情况,考虑了多种判识手段,如水云上的冰云,森林和沙地的积雪,薄雪或融雪等;根据地表类型、DEM和季节设定动态阈值;采用多种质量控制手段,如在重度气溶胶或烟尘覆盖的低纬度森林中剔除伪雪,参考最大月雪线和最小雪面亮度温度剔除伪雪;优化不同种类型云雪和晴空无雪陆地的判识流程。DT算法在正常情况下能区分大部分云雪,但会低估10月份青藏高原的积雪。基于多年地面气象台站雪深观测资料验证表明,本数据集对晴空条件下地面有无积雪的总体判识准确率在95%以上。数据采用标准的HDF4格式存储,内部有积雪覆盖和质量码两个SDS,维度均为4100列×2400行,且文件内部有完备的属性描述。
郑照军, 除多
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