社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

HA.121 [遥感] 应用InSAR观测和机器学习量化大范围积雪深度

Hydro90 • 1 年前 • 213 次点击  


作者简介|PROFILE


于笑


美国休斯顿大学2018级博士研究生,主要从事多源遥感数据监测城市灾害方面的研究。


联系邮箱:

xyu3@central.uh.edu



通讯作者:胡燮,北京大学城市与环境学院研究员,研究方向为地质灾害与浅表过程遥感。

课题组主页:

https://gsprs-pku.github.io/

联系邮箱:

hu.xie@pku.edu.cn


引文链接|CITATION


Yu, X., Hu, X., Wang, G., Wang, K., & Chen, X. (2022).  Machine-learning estimation of snow depth in 2021 Texas statewide winter storm using SAR imagery. Geophysical Research Letters, 49(17), e2022GL099119. https://doi.org/10.1029/2022GL099119


关键词|KEYWORDS


机器学习,InSAR,哨兵一号 (Sentinel-1),积雪深度,地面扰动


摘要|ABSTRACT


 近年来,全球范围内极端天气事件频发。2021年2月14-17日,一场史无前例的暴风雪袭击了美国德克萨斯州(以下简称“德州”),人口聚集的休斯顿、奥斯汀、达拉斯等地区受灾严重。和高纬度地区的常规降雪不同,在本次极寒风暴中,降温打破了德州30年的低温记录,且降雪在德州属罕见且突发性强,超过450万户的家庭失去电力供应,造成246人死亡,被认定为美国国家重大灾害事件Major Disaster。目前,积雪深度测量方法包括实地调查、超声探测、光学遥感反演和微波遥感反演等,但这些方法获取数据困难、易受天气影响、分辨率较低等。如何获取大范围、高分辨率、高精度的积雪深度仍是一个瓶颈问题。

该研究通过分析93景欧空局Sentinel-1 合成孔径雷达(SAR)卫星遥感影像(图1),提取了美国德克萨斯州全区在暴风雪前后的干涉测量(InSAR)中的相干性(Coherence)差值,以此来表征积雪造成的地面扰动。基本思想是,积雪越深则电磁波的穿透和回波距离越长,体散射效应越大,InSAR相干性越低。但积雪深度和InSAR相干性之间并不是简单的线性/非线性关系,受地形、干燥度等多因子影响,这启发了作者通过机器学习集成多源数据估算积雪深度的研究思路。


图1:美国德州人口分布及Sentinel-1影像足迹


研究使用的数据包括土壤湿度、地表高程、SAR幅度影像、降水、温度、地面扰动和地面覆盖,同时为了探索潜在的“热岛效应”,还补充了人口数据(图2)。研究结果显示模型估算积雪深度与气象站点的观测结果高度吻合,德克萨斯州在此次事件中存在四个强地面扰动区,包括北部的东Panhandle区、东北部的Ark-Tex、西南部Middle Rio Grande和东南部的休斯顿地区,积雪深度超过30毫米(图3)的区域占89%,而降水量、地表高程和地面扰动这三个特征在模型估算中最为重要。

图2:机器学习输入特征:(a) 土壤湿度; (b) 地面高程; (c) 暴雪前SAR幅度; (d) 雪前雪中SAR幅度差分; (e) 暴雪前降水; (f) 雪前雪中差分降水差分; (g) 暴雪前气温; (h) 雪前雪中气温差分; (i) 地面扰动量; (j) 地面覆盖类型

图3:2021年2月美国德州积雪深度


该研究为定量分析极端天气事件提供了新思路,论证了SAR数据和InSAR产品在估算大范围地面扰动的可行性,集成土壤湿度、地表高程、SAR幅度影像、降水、温度、地面扰动和地面覆盖等多种因素参与机器学习,展示了大数据和人工智能在自然灾害研究的应用潜力。


相关推荐|RECOMMENDATIONS


[1] Cooley S.W., Ryan J.C. and Smith L.C., 2021. Human alteration of global surface water storage variability. Nature. 591 (7848), 78-81.

[2] Tao S.L., Fang J.Y., Ma S.H. et al., 2020. Changes in China's lakes: climate and human impacts.National Science Review. 7 (1), 132.


撰稿: 于笑  | 编辑: 徐永康  | 校稿: Hrdro90编委

【下一篇:河流与地下水转化】


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147644
 
213 次点击