共查询到20条相似文献，搜索用时 437 毫秒
1.
基于不同土地覆盖类型NDSI阈值优化下的青藏高原积雪判别 总被引：2，自引：2，他引：0
美国国家雪冰数据中心（NSIDC）发布的MODIS第6版本逐日积雪范围产品（V6）仅提供了归一化积雪指数（NDSI）,而用户往往关心的是积雪范围或积雪覆盖率。NSIDC推荐全球积雪范围最佳的NDSI阈值为0.4,但是青藏高原地形复杂,积雪斑块化特征明显,单一的NDSI阈值并不能精确地判识不同下垫面上的积雪。不同的土地覆盖类型可能影响积雪判别的NDSI阈值。以青藏高原为研究对象,基于高分辨率卫星Landsat-5 TM数据,获取了青藏高原不同土地覆盖类型下判识积雪的最优NDSI阈值。结果表明,在草地和稀疏植被地表类型下,最优NDSI阈值分别为0.33和0.40;在其他下垫面类型下,最优NDSI阈值为0.47。以Landsat 8 OLI数据为"真值"对该NDSI阈值确定的积雪范围进行了精度检验。结果表明,采用新的NDSI阈值获取的MOD10A1 V6积雪范围产品的总体精度OA、错分误差OE和漏分误差UE分别为87.88%、5.20%和6.87%。而采用传统的0.4阈值时,其OA、OE和UE分别为87.36%、3.98%和8.60%。这表明考虑不同土地覆盖类型下的NDSI阈值优化可以有效地提高青藏高原积雪判别精度,特别是对占比面积较大的草地区域,通过NDSI阈值优化可以更加准确地识别积雪范围。 相似文献
2.
MODIS雪盖制图中NDSI阈值的检验——以祁连山中部山区为例 总被引：12，自引：6，他引：6
NSIDC发布的MODIS全球积雪面积产品采用的NDSI阈值为0.40,但在我国并没有验证,在区域积雪制图中仍然需要进行NDSI阈值选取的试验.选择祁连山中部山区常年积雪区作为研究区,利用SNOMAP方法从Landsat-ETM 影像中提取积雪图.通过与目视解译获取的积雪图作比较,该方法提取积雪面积总体精度超过96%,可将其作为地面真实积雪.然后选用MODIS 1B资料,采用NDSI方法得到研究区积雪图,通过改变NDSI阈值得到不同的MODIS积雪图与假设真实值Landsat-ETM 积雪图进行对比.比较结果表明: NSIDC发布的MODIS积雪面积产品采用的NDSI阈值0.40偏高,造成研究区积雪面积的低估;通过对3个子研究区积雪图对比及统计分析,得出该区域的合理阈值为0.33. 相似文献
3.
青藏高原Soumi-NPP和MODIS积雪范围产品的对比分析 总被引：1，自引：1，他引：0
Soumi-NPP（Soumi Polar-orbiting Partnership）卫星作为接替服役超期的Terra、Aqua卫星,其积雪范围产品在青藏高原的精度尚未被评价。以Soumi-NPP积雪范围产品为研究对象,利用气象台站点数据并结合更高分辨率的Landsat-8 OLI数据,评价该产品的精度,并与MODIS（Moderate Resolution Imaging Spectroradiometer）积雪范围产品进行对比分析。结果表明：使用气象台站进行数据验证时,NPP、MOD与MYD三种积雪范围产品的总精度均较高,但三者积雪漏分误差都较大,其中MYD的漏分误差最大,为64.2%;当雪深小于5 cm时,三种积雪范围产品的积雪分类精度都较低,雪深大于等于5 cm时,NPP积雪范围产品的积雪分类精度最高,为82.3%,MOD与MYD的精度分别为77.1%和69.4%;利用Landsat-8 OLI数据验证时,Soumi-NPP积雪范围产品的Kappa系数最高,其均值为0.707,为高度一致性。而MOD10A1与MYD10A1的Kappa系数较低,分别为0.476与0.557,为中等一致性;Soumi-NPP积雪范围产品的Kappa系数大多在0.6以上,精度比较稳定,而MODIS积雪范围产品的Kappa系数波动较大,精度稳定性较差。Soumi-NPP积雪范围产品相较于MODIS积雪范围产品,其精度有了较大的提升,为准确监测青藏高原积雪范围提供了一个更优的选择。 相似文献
4.
东北地区MODIS和AMSR-E积雪产品验证及对比 总被引：3，自引：0，他引：3
通过2002-2008年6个积雪季节的Terra-Aqua/MODIS积雪产品(MOD10A2、MOD10C2)和Aqua/AMSR-E雪水当量产品,分析了东北地区积雪覆盖面积的变化特征,以研究区气象站点观测的积雪数据为真实值来验证两种产品积雪信息的精度,探讨了云覆盖、土地利用类型和雪深对积雪覆盖精度的影响.结果表明:云的存在对微波数据积雪识别的影响较小,在积雪量较多的12月至次年的2月随云量百分比的变化,MOD10A2积雪覆盖面积比例大体出现负变化.因此,在有云情况下AMSR-E数据反演积雪精度最好.对比草地、耕地、林地和居民地4种土地覆盖类型对监测积雪覆盖精度的影响,发现林地对其影响最大,在林区3种积雪产品的积雪识别精度分别为55.8%、81.2%、85.4%;雪深对AMSR-E积雪产品识别精度影响较小,总体精度为97.8%;积雪深度对MOD10A2积雪产品识别精度影响较大,总体精度为57.3%.MOD10A2、MOD10C2和AMSR-E 3种积雪产品的总体反演精度分别为69.3%、76.6%、76.3%.有必要开发适用于东北地区的积雪覆盖算法,提高估算精度,为能量平衡估算、气候模型、农业生产、土壤墒情监测服务. 相似文献
5.
在系统评估青藏高原积雪观测典型气象站历史定位坐标精度基础上,利用站点雪深资料对NOAA IMS 4 km和1 km分辨率雪冰产品在青藏高原的精度和适用性进行了验证和评估,定量分析了IMS 4 km到1 km空间分辨率提高和气象站历史定位与GPS定位坐标之间的差异对青藏高原IMS积雪监测精度的影响。结果表明：青藏高原个别气象站历史坐标与当前GPS接收机定位之间存在较大的差异,如安多气象站经度偏小0.6°,纬度偏大0.08°。IMS 4 km雪冰产品在青藏高原的总精度介于76.4%~83.2%,平均为80.1%,积雪分类精度介于35.8%~60.7%,平均为47.2%,平均误判率为17.1%,平均漏判率为45.5%,总体上呈现地面观测的积雪日数越多、平均雪深越大,其总体监测精度越低,而积雪分类精度越高的特点。IMS分辨率从4 km到1 km总体精度平均提高了2.9%,积雪分类精度平均提高了0.9%,主要是由于个别站点的精度提升较大引起的,对高原多数台站积雪监测精度的改进和提升很小。除个别台站外,目前气象站历史坐标和GPS定位坐标之间的差异,对IMS 4 km积雪监测精度验证结果没有影响。然而,今后随着卫星遥感技术的发展,更高时空分辨率的遥感积雪产品将用于积雪监测和研究,精确的地面观测站坐标信息是对这些遥感数据开展精度验证与实际应用的前提。 相似文献
6.
针对2000年前北半球较高时空分辨率和高精度的历史积雪范围数据缺失问题,利用NOAA-AVHRR地表反射率数据,以Landsat-5 TM生成的积雪范围影像作为参考真值,优化基于多指标的多级决策树积雪识别算法的阈值,并结合云雪混淆区分技术,生成了北半球AVHRR 1981—1999年L1级逐日积雪范围数据集。此外,针对AVHRR在高纬度地区数据完全缺失和低纬度地区数据部分缺失问题,利用微波雪深数据集进行填充,生成了北半球L2级逐日积雪范围数据集。最后,利用北半球1981—1999年间2 546个气象台站记录的雪深数据和939景Landsat-5 TM参考积雪范围影像作为验证数据,对AVHRR积雪范围数据集进行了精度验证。结果表明：L1级和L2级数据集的总体精度分别为81.8%和82.2%,用户精度分别为83.7%和83.8%,生产者精度分别为81.7%和84.2%,说明算法精度较高,错分误差和漏分误差均比较均衡。进一步利用Landsat-5 TM参考积雪范围影像对L2级数据集进行面上精度评估,发现L2级数据集的总体精度为90.3%,用户精度为90.2%,生产者精度为99.1%,L2级数据集精度较高。生成的北半球历史数据集可为全球积雪变化研究提供有效数据补充。 相似文献
7.
IMS雪冰产品由多种光学与微波传感器数据融合而成,提供北半球每日无云的积雪范围,在积雪遥感研究中具有广阔的前景. 以气象站实测雪深数据为真值,检验了2009-2010年IMS雪冰产品在中国三大稳定积雪区北疆、东北、青藏高原地区每月、积雪季以及全年的误判率、漏判率和总体准确率,并分析了IMS雪冰产品的准确率与雪深之间的关系. 结果显示：IMS雪冰产品的年总体准确率在三大积雪区均超过了92%,积雪季总体准确率均超过了88%,利用IMS雪冰产品监测积雪范围是可靠的. 然而,IMS雪冰产品精度具有区域差异性,北疆地区在1月和2月误判率偏高,青藏高原地区积雪季有严重的漏判现象. IMS雪冰产品的准确率在东北地区和北疆地区随着雪深的增加而升高,当东北地区雪深超过6 cm,北疆地区超过13 cm时,准确率接近100%,但是,青藏高原地区两者基本没有关系. 通过在青藏高原地区与同时相的4景MODIS积雪产品对比分析发现,实际上IMS雪冰产品相对地高估了积雪面积,青藏高原地区漏判率高其原因是IMS对零碎积雪的识别能力不足并且气象站分布不均匀. 相似文献
8.
环境减灾卫星是我国于2008年发射的用于环境与灾害监测预报的小卫星星座,相对于气象卫星传感器,其空间分辨率有了较大提高.以祁连山积雪为研究对象,利用环境减灾卫星HJ-1B星开展积雪提取监测研究,分别对不同区域、不同高程的积雪区进行积雪提取,以同时期Landsat ETM+影像中提取的积雪面积为标准,对环境减灾卫星NDSI阈值的选取进行研究分析,以确定适合于HJ-1B提取积雪的阈值;同时利用不同季节的HJ-1B积雪数据进行验证,用Kappa检验阈值的精度.研究表明:HJ-1B积雪制图的阈值为NDSI≥0.24,b2>0.13,b4>0.15;其中,在海拔3 000～4 000m区域NDSI阈值大于0.25,海拔4 001～5 000m区域NDSI阈值大于0.45,海拔5 000m以上区域NDSI阈值大于0.5;利用Kappa检验阈值精度,Khat系数均高于90%,说明该研究确立的HJ-1B数据提取积雪的NDSI阈值合理有效. 相似文献
9.
基于AMSR2被动微波积雪参量高精度反演方法研究 总被引：2，自引：2，他引：0
以新疆为研究区域建立了被动微波遥感积雪深度高精度反演模型,采用高空间和时间分辨率AM SR2被动微波遥感数据(2012年11月-2015年3月逐日数据),结合研究区域海拔高度、坡度、坡向、沙漠,荒漠和地表粗糙度等地形、地貌特征,考虑冰川、水体、林地等地表覆盖类型和不同季节的新雪、干雪和湿雪等积雪属性的微波辐射特征,以决策树阈值法为基础,通过采集样本分类建立起多种雪深判识阈值,在此基础上建立AMSR2高精度积雪深度反演综合模型,分类分析不稳定积雪和冰川信息,从而实现雪深在60 cm以内的积雪深度AMSR2反演的主要原理、思路及方法,并对模型的反演结果跟台站实测或者野外观测积雪值以时间和空间角度进行检验.结果表明:该综合模型能够定量判识研究区域复杂地形地貌条件下的1~60 cm积雪厚度,检验的复相关系数为0.74~0.88,均方根误差为2.92~6.14 cm,平均绝对偏差指数为3~4 cm,雪深误差5 cm的精度为91%~94%,雪深误差2.5cm的精度为81%~87%. 相似文献
10.
目前,被动微波数据是积雪深度反演的主要数据源,受其较粗空间分辨率的影响,反演雪深存在较大的不确定性。激光雷达由于其较高的测高精度,在雪深监测方面具有一定的潜力,基于星载激光雷达ICESat-2数据对北疆地区2018年10月至2019年9月积雪季的雪深进行了提取。由于很难获取ICESat-2轨迹点的雪深观测资料,因此首先利用地面雪深观测数据对目前流行的被动微波雪深反演产品进行验证,获取精度可靠的雪深产品并与发展的ICESat-2监测雪深数据产品进行对比。结果表明：AMSR2雪深产品在北疆地区误差较大,整体存在高估现象,中国雪深长时间序列雪深产品精度相对可靠,以作为对比ICESat-2模拟雪深的参考数据;ICESat-2雪深与中国雪深长时间序列雪深产品在空间上以及变化趋势方面吻合度较高,但ICESat-2雪深变化更加连续,说明ICESat-2激光雷达数据不但可以提取区域积雪的深度,对积雪深度的空间变化也比被动微波数据更加敏感,可以获取更加详细的积雪深度空间变化细节,为精细化的积雪深度空间分布提供数据支撑。 相似文献
11.
MODIS逐日积雪产品去云算法研究 总被引：11，自引：7，他引：4
由于积雪和云的反射特性, 使用光学遥感监测积雪受到天气的严重干扰, 对研究区云量的分析表明, 无论是MOD10A1还是MYD10A1, 云都是影响该产品对研究区积雪进行实时监测的最大影响因素. 综合不同去云方法, 利用MODIS逐日积雪产品和被动微波数据AMSR-E雪水当量产品, 生成了MODIS逐日无云积雪图像, 并利用研究区85个地面气象观测台站提供的雪深数据对合成的单日无云积雪产品进行验证. 结果表明: 当积雪深度>3 cm时, 新产品的积雪分类精度达到91.7%, 该产品对实时监测青藏高原积雪动态变化具有重要的使用价值. 相似文献
12.
积雪深度(雪深)是流域水量平衡、融雪径流模拟等模型的重要输入参数,被动微波雪深遥感产品被广泛用于雪深监测。然而,由于山区积雪时空异质性强,这些空间分辨率较粗的雪深产品受到极大限制。本研究基于MODIS积雪覆盖度数据,根据经验融合规则以及积雪衰退曲线对“中国雪深长时间序列数据集”的两套雪深产品(由SMMR、SSMI和SSMI/S反演的称为Che＿SSMI/S产品;由AMSR-2反演称为Che＿AMSR2产品)进行空间降尺度,最终获得青藏高原500 m降尺度雪深数据(Che＿SSMI/S＿NSD和Che＿AMSR2＿NSD)。利用6景Landsat-8影像对两套降尺度雪深数据进行对比分析,结果发现两套降尺度数据与Landsat-8影像积雪空间分布吻合度均较高。与29个气象站点雪深数据相比,Che＿AMSR2＿NSD与实测雪深更为接近,相关系数(R)达到0.72,均方根误差(RMSE)为3.21 cm;而Che＿SSMI/S＿NSD精度较低(R=0.67,RMSE=4.44 cm),可能是由于采用不同传感器亮温数据的两套原始雪深产品精度不同所致。除此之外,实验表明被动微波雪深产品降尺度精度还... 相似文献
13.
青藏高原积雪对高亚洲地区水和能量循环起着重要的反馈和调节作用,其变化影响着融雪性河流流量,对下游水资源和经济活动具有重要影响。中分辨率成像光谱仪（MODIS）具有较高的时空分辨率,被广泛应用于积雪遥感动态监测,然而光学遥感积雪受云层影响严重,且青藏高原地区水汽分布不均,局地对流活跃,积雪的赋存时间变化快,这给高原地区逐日积雪监测及其气候学制图带来挑战。在考虑青藏高原地形和积雪分布特征情况下,结合现有的云覆盖下积雪判别算法,采用8个不同方法的组合,逐步实现MODIS逐日无云积雪算法。选取2009年10月1日-2011年4月30日两个积雪季为研究期,并采用145个地面台站观测雪深数据对去云算法各步骤过程开展精度验证,结果表明：当积雪深度>3 cm时,逐日无云积雪产品总分类精度达到96.6%,积雪分类精度达83%,积雪判对概率（召回率）达到89.0%,算法可实现青藏高原地区逐日无云积雪动态监测和积雪覆盖气候学数据重建,对高亚洲地区的水、生态和灾害等全球环境变化影响研究具有重要的意义。 相似文献
14.
以天山山区为研究区,利用MODIS 8d最大积雪合成数据MOD10A2,分析天山山区积雪的时间变化和空间变化情况以及不同高程带的积雪覆盖率的变化情况;结合SSM/I亮温数据和站点观测数据建立的雪深反演模型并反演研究区的雪深,根据研究区的地势起伏情况,提取特殊地形进行分析其雪深变化情况,进一步分析整个天山山区的积雪深度的时空特征,并对结果进行验证,并且对不同高程带的积雪深度进行分析.研究结果表明:1)天山山区积雪面积分布的趋势表现为自西向东、自北向南减少,总体是呈波动中减少的趋势,到了2012年天山山区年最大积雪面积为37.69×104 km2.2)积雪覆盖率与高程呈正比,在高山区可达70%以上.积雪深度分布呈自西向东、由北向南减少,深度最大的是在天山北部的博格达峰、河源峰附近,可以达到80 cm以上,最小在哈密地区的托木尔提峰附近积雪深度仅在10 cm左右.积雪深度与海拔呈正相关,最大雪深出现在4500 m以上的高山区.3)对雪深反演结果的精度评价表明,模型在10~30 cm雪深范围内,反演平均误差为-2.47 cm;在雪深<10 cm或>30 cm的局部地区存在较大偏差. 相似文献
15.
基于HJ-1B卫星数据的积雪面积制图算法研究 总被引：2，自引：0，他引：2
积雪是影响气候变化的重要因子, 采用更高时空分辨率的环境减灾卫星遥感数据进行积雪制图算法的研究, 对推进我国自主遥感卫星在积雪监测领域的应用具有重要意义. 采用环境减灾HJ-1B卫星数据, 以青海省果洛藏族自治州达日县为研究区, 应用归一化差值积雪指数(NDSI)法建立了基于HJ-1B卫星数据的积雪面积制图算法, 并比较MODIS与HJ-1B积雪图精度. 结果表明: 研究区HJ-1B积雪制图合理的NDSI阈值为0.37, 总分类精度达到97.97%; 与"真值"影像比较, HJ-1B积雪图Khat系数为0.911, 高于MODIS的0.817. 说明该研究建立的基于HJ-1B积雪制图算法精度可靠, 适合对研究区积雪进行实时动态监测. HJ-1B更高的空间分辨率对提高研究区积雪覆盖面积监测精度具有重要的使用价值, 但是地形因素是影响HJ-1B数据积雪分类精度的一个重要原因, 随着坡度的增加, 分类误差也随之增大, 尤其是多测误差增加比较显著. 相似文献
16.
采用高级微波扫描辐射计(AMSR-E)亮温数据, 选取Chang算法、GSFC 96算法、AMSR-E SWE 算法、青藏高原改进算法和Savoie算法等5种雪深反演算法, 利用2010年2月10-12日3 d的气象站台雪深观测数据, 对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性. 结果表明:总体验证中, 青藏高原改进算法3 d的结果均优于其他算法, 其均方根误差(RMSE)为9.16 cm、9.96 cm和9.63 cm, 平均相对误差(MRE)分别为59.77%、52.79%和48.47%. 分区验证中, 结果最佳的算法分别为:在新疆地区, GSFC 96算法RMSE为6.85~7.48 cm;内蒙古地区, 青藏高原改进算法的RMSE分别为5.9 cm、6.11 cm和5.46 cm;东北地区, 青藏高原改进算法RMSE为6.21~7.83 cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据, 无法得到该区验证统计结果. 相似文献
17.
基于MODIS数据的东北地区积雪覆盖率估算 总被引：1，自引：1，他引：0
东北地区是我国三大积雪区之一,森林覆盖面积占总面积的40%左右。受森林冠层的影响,当前的MODIS雪盖产品（V6）提供的积雪覆盖率标准模型对东北地区积雪覆盖率估算结果存在明显的低估现象。基于此,采用分区建模的方式：在森林地区,计算归一化差值林地积雪指数（NDFSI）,建立像元积雪覆盖率（FSC）与NDFSI及NDVI之间的线性关系;在非森林地区,采用MOD10A1 V6提供的归一化差值积雪指数（NDSI）,建立像元积雪覆盖率（FSC）与NDSI及NDVI之间的线性关系。采用Landsat 8 OLI数据提取的积雪覆盖率（FSC）对分区建模的估算结果与标准模型的估算结果进行对比,发现进行估算的过程中均方根误差和平均绝对误差这两项指标的数值相对于标准模型有了大幅下降,这一结果在林区有更显著的表现。计算得到的决定系数R2,在本文模型也有提高。以T1林区影像为例,本文模型的均方根误差和平均绝对误差分别为0.246、0.055,而标准模型的两项指标则分别为0.420、0.348。本文模型和标准模型的决定系数分别为0.675、0.641。 相似文献
18.
北疆牧区MODIS积雪产品MOD10A1和MOD10A2的精度分析与评价 总被引：19，自引：9，他引：10
以北疆为研究区,结合气象台站记录的雪情数据,利用地理信息系统方法分析了2004年12月1日至2005年2月28日期间北疆地区90个时相的MODIS每日积雪产品MOD10A1和8日合成产品MOD10A2的积雪分类精度.研究表明:1)当积雪深度≤3 cm时,MOD10A1对积雪的识别率非常低,仅为7.5%;积雪深度为4~6 cm时,积雪识别率达到29.3%;积雪深度为15~20 cm,平均积雪识别率达到45.6%.当积雪深度>20 cm时,平均积雪识别率为32.2%;2)MOD10A1产品的积雪分类精度受天气状况的严重影响.在晴空状况下,该产品的最大积雪识别率达到58.2%;但是在多云或阴天时,平均积雪识别率仅为17.8%;3)下垫面对MOD10A1的分类结果也会造成影响,在荒漠区MOD10A1的积雪识别率为39.8%,在草原和稀树草原区的积雪识别率为37.2%,农业用地的积雪识别率最低,为29.1%;4)MOD10A2产品可较好的消除云层对地表积雪分类精度的影响,平均积雪识别率达87.5%,可较好的反映地表积雪的分布状况. 相似文献
19.
通过2007-2011年纳木错站人工积雪观测资料,对西藏纳木错流域MODIS两种积雪产品(MOD10A1和MOD10A2)进行了精度验证,分析了纳木错流域积雪累积和消融的空间差异,以及流域积雪覆盖率的时空变化;利用纳木错站人工积雪观测资料及自动气象站资料,分析了纳木错流域积雪要素(积雪深度、雪水当量、积雪密度)的时间变化及其与气候参数(气温、降水量、风速等)的关系.结果表明：纳木错流域MOD10A2数据的积雪识别精度(67.1%)高于MOD10A1(42.2%),总识别精度(73.0%)略低于MOD10A1数据(78.4%).纳木错流域积雪累积和消融存在空间差异,积雪在流域南部的念青唐古拉山脉最先累积,之后为流域东部,最后为流域西部;积雪消融的空间变化则相反.由此导致流域积雪日数南部最大、东部次之、西部及西北部最小.纳木错流域各积雪要素的年内变化存在双峰值特征,峰值分别出现在10-11月和1月,积雪在10-11月受降水和气温共同作用,12月至次年3月主要受气温影响.纳木错流域的平均积雪覆盖率为21.9%,受湖泊效应影响区域(主要为东部地区)达到50.6%,而其他区域仅为18.3%.同时,受湖泊效应影响,纳木错平均积雪深度、积雪水当量均显著大于周边地区. 相似文献
20.
我国新型自主的极轨气象卫星风云3号A星（简称FY-3A）上搭载的中分辨率光谱成像仪（MERSI）为大面积雪监测提供了新的遥感数据源。以中国西北祁连山区为例,分析FY-3A/MERSI传感器积雪与其它地物的图谱特征差异,建立了适用于FY-3A/MERSI的归一化差分积雪指数（NDSI）,以此为基础,构建了综合利用多光谱判别指标及土地覆盖类型（LULC）定类辅助的积雪判识模型,生成250 m分辨率的日积雪制图产品。模型通过逐步逼近的树状判别结构,去除了易和积雪混淆的部分乔木林、云、云阴影、水体、湖冰、沙（盐）地等地物,并提出应考虑积雪下覆地表特性的影响,调整设定不同LULC类型的积雪判别阈值约束,实时结合区域LULC影像进行积雪的最终判定与优化。对祁连山区2010-2011年积雪季FY-3A/MERSI影像的积雪制图应用结果表明,该资料能够客观精细地反映积雪的空间分布与动态发展过程。同时利用气象台站积雪观测记录及Terra/MODIS积雪判识结果进行对比验证,结果表明基于FY-3A/MERSI建立的积雪判识模型具有较高的精度和稳定性,特别是提高了云雪区分的效能。 相似文献