排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
归一化差值积雪指数NDSI (Normalized Difference Snow Index)是积雪识别中最常用的指数,但由于云的遮挡限制了MODIS NDSI产品的应用。本文提出了一种基于邻近相似像元的MODIS NDSI产品去云方法,并分析了无云NDSI序列在积雪识别中的最优阈值。对于NDSI影像上某一个云遮挡的目标像元,选取目标像元的n个邻近相似像元进行加权平均来预测该目标像元的NDSI值。以东北积雪区2017年10月1日—2018年4月31日一个积雪季的NDSI产品进行去云实验,并采用“云假设”的方法进行了检验,所预测到的云覆盖像元NDSI值与实际值的相关系数达到0.95,均方根误差为0.08。将逐日无云NDSI序列与气象站点测量的雪深序列进行对比,二者具有很好的一致性。气象站点的测量雪深大于等于1 cm时,假定该站点所在的像元为有雪像元,并以此为真值,分析无云NDSI序列在积雪识别中的最优阈值。结果表明,非森林地区NDSI阈值为0.1时积雪提取的精度最高,可以达到95.6%;森林地区的NDSI最优阈值为0,对应的积雪提取精度为93.5%。 相似文献
2.
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
1