Py学习  »  机器学习算法

HA.103 [积雪遥感] 基于机器学习及延时摄影技术的森林积雪遥感反演算法研究

Hydro90 • 2 年前 • 207 次点击  


作者简介|PROFILE

董春雨(通讯作者)

中山大学“百人计划”副教授,2008年和2011年先后在兰州大学获学士和硕士学位,师从王乃昂教授;2016年在德国海德堡大学获博士学位,师从Lucas Menzel教授;2016 -2019年在美国加州大学洛杉矶分校(UCLA)从事博士后研究,师从 Glen MacDonald 院士。




主要从事气候变化与生态水文响应、环境遥感理论与方法等领域的研究。相关成果发表在Nature旗下Communications Earth & Environment, Geophysical Research Letters, Remote Sensing of Environment, Journal of Hydrology等本领域权威期刊上。曾受邀担任美国航空航天局地表水文基金会评专家。

个人主页:

http://civil.sysu.edu.cn/teacher/617


罗剑锋(第一作者)

中山大学水利工程专业硕士研究生,导师为林凯荣教授和董春雨副教授。主要研究兴趣包括遥感水文、气候变化下水文过程响应。




相关成果发表于Remote Sensing of Environment、Journal of Hydrology期刊。

联系方式:

luojf23@mail2.sysu.edu.cn


引文链接|CITATION


Luo, J., Dong, C.*, Lin, K.*, Chen, X., Zhao, L., & Menzel, L.. (2022). Mapping snow cover in forests using optical remote sensing, machine learning and time-lapse photography. Remote Sensing of Environment, 275, 113017. 

DOI:https://doi.org/10.1016/j.rse.2022.113017


关键词|KEYWORDS


Forest snow mapping, Random forest, Time-lapse photography, MODIS, NDSI


摘要|ABSTRACT

 

雪过程是全球水文循环的重要组成部分,准确地获取积雪时空分布与动态变化对气候变化研究、水资源管理、旱涝灾害监控与预测等具有重要意义。卫星遥感已成为大尺度积雪监测的主要手段。然而,由于森林冠层的遮挡,几乎所有遥感积雪产品在森林区均存在严重的低估误差。此外,当前针对森林积雪开发的遥感反演算法均存在空间可迁移性差等问题,并且森林积雪地面观测数据的严重匮乏进一步增加了森林积雪遥感反演算法开发与验证的困难。

针对这一研究难题,课题组在我国西北祁连山针叶林地区建成了一个覆盖20个站点的延时摄影积雪观测网络(图1),实现了对森林积雪过程的大范围监测。图2为延时摄影积雪观测方法示意图,截至目前该观测网络已积累了连续3年的森林积雪过程观测数据。通过从延时摄影照片中提取积雪观测真值,结合MODIS卫星遥感数据,利用机器学习方法,开发了一套高精度的森林积雪遥感制图算法。精度验证结果表明,新开发算法的森林积雪识别能力是美国NASA发布的MODIS积雪产品的5~7倍。


图1 研究区域概况图及延时摄影积雪观测站分布图


图2 延时摄影积雪观测方法示意图

 

图3和图4分别展示了新开发算法与目前全球通用的归一化积雪指数(NDSI)阈值法进行森林积雪识别的精度评估,以及典型积雪日的制图效果对比。结果显示,新开发算法能检测出更多的森林积雪像元,且总体精度远高于传统的NDSI阈值法。分析表明,新开发的算法性能会随着森林覆盖度的上升而下降。对于森林覆盖度低于50%的低密度林区,该算法的查全率(RC)高达92.3%,误报率(FAR)为2.7%,总体精度(AC)为92.3%。以70%森林覆盖度阈值划分的中(高)密度林区的查全率、误报率和总体精度分别为75.5%、15.6%和78.8% (55.0%、25.2%和70.6%)。选取0.1、0.29和0.4作为NDSI阈值仅能检测到8~14%的森林积雪像元,而新开发的算法的平均森林积雪识别精度可达到67%,是传统NDSI阈值法的5~7倍。本研究提出的新型森林积雪遥感制图算法对于准确获取森林积雪时空分布特征、雪水资源储量估算、旱涝灾害监测与预警等具有重要意义。


图3 新开发算法与传统的基于NDSI和NDSI7指数阈值法识别森林积雪的精度评估对比。RC查全率代表森林积雪识别能力,AC、FS和CK是三种常用的综合精度评价指标


图4中,黄色像元代表识别出的森林积雪,野外实地考察和地面相机观测显示,当日该地区几乎所有森林内均存在较多积雪。该图对比显示,NDSI阈值法仅能识别出少量森林积雪,而新开发算法能够识别出大部分森林积雪。


图4 传统NDSI阈值法(a-c)与新开发算法(d、e)的森林积雪遥感制图效果对比和精度验证(f)


相关推荐|RECOMMENDATIONS


[1] Dong, C.* & Menzel, L., (2020): Recent snow cover changes over central European low mountain ranges. Hydrological Processes, 34, 321–338. https://doi.org/10.1002/hyp.13586.

[2] Dong, C.*, (2018): Remote sensing, hydrological modeling and in situ observations in snow cover research: a review. Journal of Hydrology, 561, 573–583. https://doi.org/10.1016/j.jhydrol.2018.04.027

[3] Dong, C.* & Menzel, L., (2017): Snow process monitoring in montane forests with time-lapse photography. Hydrological Processes, 31, 2872–2886. https://doi.org/10.1002/hyp.11229.

撰稿: 董春雨、罗剑锋  | 编辑: 王新蕊 | 校稿:周旭东

【下一篇:气候变化】


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/134447
 
207 次点击