基于MODIS数据的积雪提取方法

基于MODIS数据的积雪提取方法（精选4篇）

1.基于MODIS数据的积雪提取方法 篇一

MODIS积雪遥感监测系统的研制

利用MODIS高光谱、多波段资料和气象台站观测资料,以逐步判别与Bayes判别等数学统计的方法结合不同目标物的光谱特性,同时考虑下垫面条件和季节等对积雪深度分布的影响,建立MODIS积雪深度回归模型;以面向对象的`编程技术,采用Microsoft Visual C + +. NET软件开发工具,通过“类”概念的设计方法,建立MODIS积雪遥感监测业务系统,计算出积雪面积、覆盖度、各层雪深、雪水当量等多个反映测区积雪总量的物理参数,制作出各类积雪产品.该系统投入业务试运行后,系统运行稳定可靠并在冬季北疆地区雪灾监测服务和新疆春季洪涝灾害决策服务中发挥了重大作用.

作 者：傅华 沙依然 黄镇 李聪 王蕾 Fu Hua Sha Yiran Huang Zhen Li Cong Wang Lei 作者单位：傅华,沙依然,李聪,王蕾,Fu Hua,Sha Yiran,Li Cong,Wang Lei(新疆维吾尔自治区气候中心,乌鲁木齐,830002)

黄镇,Huang Zhen(新疆维吾尔自治区气象台)

刊 名：气象 ISTIC PKU英文刊名：METEOROLOGICAL MONTHLY年，卷(期)：33(3)分类号：P4关键词：MODIS 积雪监测 积雪产品 雪深反演 地理信息系统

2.基于MODIS数据的积雪提取方法 篇二

1 试验区选择

为比较方便, 两幅图像均由2008年8月16日的数据合成, 使用WGS84椭球体, 投影方式采用横轴麦卡托投影, 有效像元尺度250m, 影像大小为200行×200列。成像范围北纬41.654 433°~42.105 168°, 东经123.097 636°~123.702 364°。使用前向映射方法进行重定位后的图像会有重复或空缺, 对图像进行5次滤波。使用最近邻点法对图像进行重采样。重采样后的图像如图1、图2。试验区主要位于中国东北地区南部、辽宁省中部, 地形主要以平原为主, 浑河在图中穿过。

2 训练样本选择

对于监督分类而言, 训练区的选择是否准确合理对分类精度有着很大的影响。特别是对于大尺度的土地覆盖分类来说, 通过实地考察选取训练区是非常困难的。在进行宏观土地覆盖分类研究时通常采用从TM等高分辨率遥感影像提取训练区的方法[4,5], 根据唐根年 (2002) 在区域土地利用/土地覆被变化动态监测与生态影响评价研究中指出, 在TM图像中, TM5、4、3三波段为试验区彩色合成最佳波段组合[6], 使用2001年8月11日Landsat7的TM图像作为辅助数据判读各类别的所在位置 (TM图像如图3) 。因图像为8月采集, 为有植被覆盖时期, 可将类别设置为建筑用地、水田、旱田、林地、水体5类, 各类别判读标志如表1所示, 从图像中可以很好地辨别出各类地物的分布情况。

通过鼠标直接在TM图像中获得训练样本数据, 训练样本数据的选择对分类结果有很大的影响, 为保证分类结果有较高精度, 首先要保证有足够的训练样本。实践表明, 如果对n个类别的数据进行分类, 训练样本的数目至少不要少于10n, 最好达到100n。同时, 所选训练样本数据应该具有很好的代表性, 同一地物因所处的地区、环境和时间不同, 光谱特征会产生很大差异。因此, 选择训练样本应尽可能选择与该地物分布相一致的区域, 避免集中在局部位置。根据TM图像中各类别地物所处的地理坐标在MERSI和MODIS相应位置选取训练样本, 通过筛选对于2种数据每个类别选择103个训练样本, 一共选择515个训练样本。

3 分类及精度检验

3.1 分类

3.1.1 最小距离法分类。

最小距离法利用训练样本中各类别在各波段的均值, 根据各像元离训练样本平均值距离的大小决定其类别。最小距离分类器常采用的距离测度为马氏距离、欧式距离等。本文选取欧式距离作为距离测度, 此方法分类速度快且对样本概率分布特征没有特别要求。根据所选的训练样本可计算出MERSI和MODIS数据的各通道的聚类中心如表2、表3。

3.1.2 最大似然法分类。

最大似然法是一种传统的统计分类方法, 属于参数分类方法, 有其严密的统计理论基础, 是在分类方法应用中使用最为广泛的分类器。其假定训练区地物的光谱特征近似服从正态分布, 利用贝叶斯公式进行后验概率的计算, 根据其最大值原则判定类别归属。在有足够多的训练样本、一定的类别先验概率分布的知识, 且样本接近正态分布的条件下, 此方法被认为是分类精度最高的分类方法。最大似然法中判别函数的建立是关键, 它关系到分类的精确程度。根据所选训练样本建立判别函数如下:

MODIS数据判别函数建立:

水田=0.067 788×ch1+0.016 352×ch2-107.176 002

旱田=0.057 645×ch1+0.020 445×ch2-140.493 322

建筑用地=0.191 692×ch1+0.004 137×ch2-201.098 397

林地=0.068 658×ch1+0.011 001×ch2-65.272 925

水体=0.068 368×ch1+0.000 565×ch2-24.258 233

MERSI数据判别函数建立:

水田=12.492 916×ch1-3.422 869×ch2-3.358 740×ch3+0.263 570×ch4+0.442 469×ch5-4 586.573 450

旱田=12.618 129×ch1-3.420 806×ch2-3.453 945×ch3+0.276 384×ch4+0.437 091×ch5-4 568.209 020

建筑用地=12.819 125×ch1-3.610 229×ch2-3.464 880×ch3+0.159 504×ch4-0.492 442×ch5-5 168.843 767

林地=11.976 816×ch1-3.050 169×ch2-3.459 295×ch3+0.189 754×ch4+0.450 023×ch5-4 483.491 869

水体=11.753 161×ch1-2.957 765×ch2-3.437 992×ch3+0.169 203×ch4+0.451 089×ch5-4 421.636 392

3.2 分类结果图

由图4、图5、图6、图7可看出, MODIS数据在2种方法下分类图像在一致性方面要好于MERSI数据。在使用2种方法对2类图像进行分类后发现4幅图像中林地和水体的识别比较一致, 对于大面积水体的识别还是比较正确的, 与同时期的TM图像对比发现微小水系和小面积建筑用地的识别比较困难, 特别是两者与田地相混合的部分识别是困难的。使用MERSI数据分类时, 对于分布在田地之间的建筑用地的识别不如使用MODIS数据。但是对于旱地的识别要大大好于使用MODIS数据。MERSI和MODIS图像的空间分辨率要远远低于TM图像, 因此其中的混合像元要多于TM图像, 而田地与建筑用地的混合相对比较严重, 在较低空间分辨率的条件下, 建筑用地与田地的区分比较困难。

3.3 分类精度检验

目前对分类精度的主要检验方法是建立误差矩阵。对角线上的元素为被正确分类的样本数, 非对角线上的元素为被混分类的样本数, 总体分类精度是所有分类正确的像元数即主对角线上数据之合与总抽样数的百分比。Kappa系数利用不连续多变量统计分析原理, 充分体现了误差矩阵的信息, 也是进行精度检验的重要指标, 其计算公式如下:

其中, r为误差矩阵中总列数 (即总的类别数) ;xii是误差矩阵中第i行和第i列上像元数量 (即正确分类的数目) ;xi+和x+i分别是第i行和第i列的总像元数量;N是总的用于精度评估的像元数量[6]。使用以上2个指数对分类后的图像做精度检验。为方便比较在分类图像上各类别均取100个数据与TM图像进行对比建立混淆矩阵, 求算分类精度及Kappa系数 (见表4~7) 。

由以上4个精度分析表可看出, 2种方法对于MERSI数据的分类精度均要高于MODIS数据, MERSI数据中水田和旱地的分类精度均高于MODIS, 而建筑用地和林地的分类精度不如MODIS数据。2种方法对2幅图中的大面积水体都很高的分类精度。最小距离法分类效果不如最大似然法分类精度高。

4 各类地物面积统计

土地利用面积统计是使用计算机对图像分类的重要应用, 对于不同图像来说, 各类别面积的统计也会有很大的差别, 使用分类后的各类别的像元数占所选图像总像元数的百分比表征各类别所占的面积比例。通过计算得出统计数据 (见表8、表9) , 从中可看出, 使用2种方法对同一种图像分类得出的面积所占百分比基本上比较一致, 只是在建筑用地和水田的统计上差异较大。而对于2种图像各类别统计面积, 面积差别很大, 由上面的精度分析可得知, 2种方法对于MERSI的分类精度要高于对MODIS分类, 与TM图像对比后可看出, 对于旱田和水田的分类效果显然是MERSI数据要好于MODIS数据。

5 结语

遥感数据分类是图像应用的前提, 图像分类的效果直接影响着对于图像的分析效果。使用传统的分类方法对MERSI增加到5通道的250m空间分辨率数据进行分类达到了一定分类精度的要求, 其分类精度要高于同等情况下的MODIS数据。在实际分类应用中, 可以使用这2种分类方法对MERSI数据进行分类。

摘要：在VC++6.0环境下实现2种监督分类方法, 即最小距离法和最大似然法对250m MERSI和MODIS数据进行分类, 并对分类结果进行分析。通过分析可看出, 将250m分辨率数据增加到5通道的MERSI数据在2种分类方法下分类效果都要好于MODIS数据。

关键词：MERSI数据,MODIS数据,分类,精度检验

参考文献

[1]范天赐.风云三号气象卫星的特点和作用[J].气象科技, 2002, 30 (6) :321-327.

[2]徐晓桃, 韩涛, 頡耀文.基于单时相Modis数据的土地覆盖三种分类方法比较[J].干旱地区农业研究, 2008, 26 (3) :253-258.

[3]刘勇洪, 牛铮.基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究[J].遥感技术与应用, 2004, 19 (4) :217-224.

[4]DEFRIES R S, HANSEN M, TOWNSHEND J R G, et al.Global landcover classifications at 8km spatial resolution;The use of training dataderived from imagery in decision tree classifiers[J].International Journal ofRemote Sensing, 1998, 19 (16) :3141-3168.

[5]FRIEDL M A, MCLVER D K, HODGES J C F, et al.Global land covermapping from MODIS:Algorithms and early results[J].Remote Sensingof Environment, 2002, 83 (1/2) ;287-302.

3.基于MODIS数据的积雪提取方法 篇三

关键词：渭南市；MODIS数据；气溶胶光学厚度；反演方法

Abstract： The haze weather in Weinan area has become increasingly serious since entering the winter. Therefore， it is the key to find the method of detecting and inverting the optical thickness of atmospheric aerosol in Weinan area. In this paper， the inversion method of Lanzhou area， Beijing area and Hangzhou area And the results as an example， the most suitable inversion method in Weinan area is theoretically summarized as the inversion method of dark image method combined with 6S model. And the thickness of aerosol in western China is obviously larger than that in the east. The difference of aerosol thickness in winter and summer is very obvious， which is the most significant in winter.

Key words： Weinan； MODIS data； aerosol optics thickness； Inversion method

1引言

近年来，陕西省渭南市由于高新区的日益发展、交通建设、市政改善建设和周围生态环境的破坏以及人为因素的影响，市区内以及周边地区空气质量受到非常大的影响，空气的污染情况比较严重。为了控制污染，对渭南城区的大气环境质量的监测就成为了一项刻不容缓的任务，其中对气溶胶粒子的监测成为监测渭南城区的大气污染的中心环节和关键任务。

大气及悬浮在其中的固体和液体微粒共同组成的多相体系，称为大气气溶胶，且胶体粒子的直径一般在 0.001～10?m 之间[1]，粒子中包含很多对人体有害的因子，如致癌物质多环芳香烃（PAHs）.经研究，颗粒物小于10?m可进入鼻腔，颗粒物小于7?m可进入咽喉，而小于2.5?m的颗粒物可被吸入肺部，进入肺泡并不断沉积，从而参与到血液循环系统中[2-4].直接伤害人类健康，迫使肺功能下降、呼吸道疾病增多，并有数据显示死亡率的逐年增加与上升的气溶胶粒子的浓度存在着很强的相关关系。[5]

本文通过总结李晓静、范娇[10-13]等人的基于MODIS数据对兰州地区、北京地区、杭州地区的气溶胶厚度的反演方法进而总结出对于渭南地区最为适宜的反演方法。

2城市地区常见的反演方法

城市地区由于市政建设、基础设施建设、工农业的发展成为大气悬浮颗粒物的汇集地区，因此若想对城市地区大气环境质量的实时监测及规律的总结，对其光学厚度的反演成为了首要任务，那么反演气溶胶光学厚度的常用方法有暗像元法、扩展暗像元法、结构函数法、高反差地表法以及多星协同法等，不同方法的优点不一，使用的范围也不同。对于城市地区的大气气溶胶的反演，暗像元法与结构函数法较为突出，具体的反演方法与区域实例的结合如下：

2.1以兰州地区为代表的反演方法及結果

兰州地区位于中国甘肃省，反演兰州地区气溶胶，对于我国的西北部地区重要城市大气环境质量监测具有重要意义。总结赵秀娟等人的研究显示，在6S模式的基础上对气溶胶光学厚度的反演具有十分优良的效果。具体的反演方法及反演结果如下：

2.1.1反演方法

首先借助 6S 模式对 MODIS 的蓝光（0. 46μ m）、红光（0. 66μ m）和中红外（2. 1μ m）通道进行反演，其反演的过程中是需要利用一个查算表来完成，此时蓝光通道的地表反射率的获得是利用2.1μ m的行星反照率与0.46μ m的地表反射率的关系来确定的。在“清洁日”的条件下，利用结构函数法得出：当内插行星反照率与0.46μ m处实际测量的反照率相同时所对应的光学厚度即为所求厚度。 [7-8]

2.1.2反演结果

兰州市区出现气溶胶大值区，且西固区气溶胶厚度比城关区大，在临夏市的东部出现极值，最大值所在地为临兆康乐和广河三县，因此得出在兰州城市及其周围地区利用 MODIS 蓝光通道进行反演的方法较好 ， 但对于水面和雪面，用此方法误差较大，则可以利用 MODIS 其他通道或者基于MODIS资料外的其他资料进行反演[6，8]。

2.2以北京地区为代表的反演方法及结果

北京地区位于我国国土的中部，加之北京地区近年来由于市政建设、工业发展以及人为因素等因素使悬浮颗粒物的范围和厚度不断扩大，因此对北京及其周边地区的反演对监测河北省等的气溶胶分布及查出颗粒物来源有着重要意义。结合李晓静等人的研究，我们可以得知反演北京市大气气溶胶利用结构函数法以及暗像元法较为合适，因此具体的反演方法及结果如下：

nlc202309090540

2.2.1反演方法

在6S 辐射传输模式的基础上， 结合暗像元法和结构函数法并建立了反演陆地气溶胶光学厚度的遥感模型， 用于反演京津地区的气溶胶厚度值情况。同时，将反演结果利用地基太阳光度计其与卫星观测同步的观测资料预计的气溶胶光学厚度数据进行对比。[10]

2.2.2反演结果

根据以上方法，李晓静等人认为： 在实际观测结果的配合下 ，需选取气溶胶确定的类型，在冬半年 ， 植被凋零，城市地表为亮底地表条件下，则适宜采用“结构函数法 + 红通道数据”反演气溶胶光学厚度能够达到较好的反演精度[11]；夏半年， 植被繁茂，适宜采用“暗像元法 +蓝通道数据”反演。将冬夏半年的的气溶胶厚度进行结合，得出北京地区的气溶胶合理分布图，在石家庄-北京-天津出现气溶胶的极大值。[10-11].

2.3以杭州地区为代表的反演方法及结果

杭州地区位于浙江省，是我国东南沿海地区，对杭州地区的气溶胶厚度反演是对我国经济发达的东部江浙地区及重要人口密集区大气环境质量评价的重要指标。利用范娇等人的研究可知，对于杭州地区的反演方法以扩展暗像元法为主，则具体的方法和结果如下：

2.3.1反演方法

结合中分辨率成像光谱仪的数据， 提出一种确定气溶胶各组分体积百分比的数学模型， 利用这种数学模型得到自定义的杭州地区气溶胶类型， 结合改进的暗像元法并基于 6S大气辐射传输模式可以反演得到气溶胶光学厚度[12]。

2.3.2反演结果

通过对杭州地区9月份的反演结果显示， 杭州地区该月气溶胶光学厚度值整体略偏大， 因气溶胶有其自身的吸湿性又因该地区气候湿润，则在江浙地区雨季来临时，该地区的气溶胶厚度值有明显增大的迹象。[12-13]

2.4渭南地区为代表的反演方法及结果

渭南市位于中国陕西省东部，是一座以第一产业为主的城市[14]，经济主要来源多为农业收入以及高新技术产业园区的发展，随着经济的进步，换来了环境的日益恶化，近年来渭南地区的冬季多次出现强雾霾天气，给市民的生产生活带来极大的不便。因此在卫星数据的基础上对渭南市区的大气环境质量的重要指标气溶胶光学厚度的反演是十分必要的，在总结以上三个城市地区反演的实例后得出的方法如下：

2.4.1反演方法

渭南地区处于关中平原，瀕临渭河且农田与植被较多，结合以上城市的例子，我们主要采用暗像元法并借助6S大气辐射传输模型利用ENVI对渭南城区进行光学厚度的反演。

2.4.2 反演结果

该地区的反演结果以东经109.1°为界限，位于界线以东的大气气溶胶明显小于西部，这与渭南地区的工业分布及盛行风向有着密不可分的联系，且夏季气溶胶厚度值较低，这与渭南地区的地形及气候条件有关。

3结论与建议

综上，分析兰州地区，京津地区，江浙地区的气溶胶厚度的反演方法和结果，进而我们得出渭南地区适用的一些方法：

（1）以暗像元法为主的反演方法，要求反演地区以城区为主，并且反演步骤明确可以迅速得出气溶胶的分布，但存在着较大的误差。因此，需要结合基于6S模型下的查找表才能对渭南地区进行完整且较准确的反演。

（2）渭南地区处于关中平原，气候类型为暖温带下的大陆性季风型半湿润气候，且渭南市的西部地区有工业发展，人口过于集中，因此渭南市大气气溶胶的光学厚度是以东经109.1°为分界线的。

3.1建议

（1）在反演出结果后需要对渭南地区的反演结果进行精度计算，需要利用AERONET的太阳光度计来校验精确度。

（2）渭南地区冬夏两季的反演方法不能都以暗像元法为主要方法，可以采用类似于北京地区的反演方法。因夏季天气晴朗，植被茂盛，结合这一特点，夏季可以采用暗像元法为主的反演方法；冬季植被稀疏，少有阴雨天气则将结构函数法作为主要方法并结合暗像元法与6S模型即可。

参考文献

[1]肖钟湧，江洪，陈健，张秀英，彭少麟. 利用MODIS遥感数据反演广州市气溶胶光学厚度[J]. 中国环境科学，2010，（05）：577-584.

[2] Suess D T， Prather K A. Mass spectrometry of aerosol [J].Chemical Reviews， 1999，99：3007-3035.

[3] 任丽新，游荣高，吕位秀，等.城市大气气溶胶的物理化学特性及其对人体健康的影响 [J]. 气候与环境研究， 1999，4（1）：67-73.

[4] 罗云峰，周秀骥，李维亮.大气气溶胶辐射强迫及气候效应的研究现状 [J]. 地球科学进展， 1998，13（6）：572-581.

[5]肖钟湧，江洪，余树全，周国模，陈然，宋晓东，焦荔，洪盛茂，常杰，江波. 杭州地区大气气溶胶光学特性高光谱研究[J]. 环境科学学报，2008，（09）：1894-1903.

[6]赵秀娟，陈长和，张武，郭铌. 利用MODIS资料反演兰州地区气溶胶光学厚度[J]. 高原气象，2005，（01）：97-103.

[7]黄艇，陈长和，陈勇航，张武，张镭. 利用MODIS卫星资料对比反演兰州地区气溶胶光学厚度[J]. 高原气象，2006，（05）：886-892.

[8]Hall D K ， G A Rigg s， V V Salomonson. Development of

methods fo r mapping global snow cover using moderate resolu-tion imagining ， spectroradiometer data[ J] . Remote Sens Env ，1995， 28： 23 - 31

[9] 郭铌， 杨兰芳， 王涓力. 黑河流域生态环境气象卫星遥感监测研究[ J] . 高原气象， 2002， 21（3）： 267 - 273

[10] 李晓静，刘玉洁，邱红，张玉香. 利用MODIS资料反演北京及其周边地区气溶胶光学厚度的方法研究[J]. 气象学报，2003，（05）：580-591+644.

[11]李晓静. 利用MODIS资料遥感北京及其周边地区气溶胶光学厚度研究[D].中国气象科学研究院，2003.

[12] 范娇，郭宝峰，何宏昌. 基于MODIS数据的杭州地区气溶胶光学厚度反演[J]. 光学学报，2015，（01）：9-17.

[13]范娇. 大气气溶胶光学厚度反演及其在雾霾检测中的应用[D].杭州电子科技大学，2015.

[14]胡明. 渭南市土壤微量元素铷、锶、锆含量的分布[J]. 湖北农业科学，2012，（15）：3198-3200+3203.

4.基于MODIS数据的积雪提取方法 篇四

艾比湖是中国四大沙尘暴策源地之一,MODIS数据以其时效性强,运行周期短,数据获取快,成本低的特点,适宜进行湖泊水域面积的监测.本文通过MODIS数据获取艾比湖湖面变化信息,同时从影响湖泊水量的`主要因素入手分析了艾比湖面积变化的原因.

作 者：李永生 武鹏飞 LI Yong-sheng WU Peng-fei 作者单位：李永生,LI Yong-sheng(新疆师范大学,地理科学与旅游学院,新疆,乌鲁木齐,830054)

武鹏飞,WU Peng-fei(国家气象卫星中心乌鲁木齐气象卫星地面站,新疆,乌鲁木齐,830011)