一种提取积雪层相关长度的方法技术

本发明专利技术公开了一种提取积雪层相关长度的方法，包括以下步骤：数据获取；对获取的数据进行预处理；站点积雪层相关长度最优迭代法反演，所述最优迭代法反演包括：将气象站点积雪深度输入到MEMLS模型中去，然后将相关长度的值在一定的范围内以一定的步长进行遍历，以垂直极化差(18.7‑36.5)GHz为反演算子，当模型模拟与卫星数据误差最小时，输出此时的相关长度的结果作为该站点的反演值；通过克里金插值，得到相关长度的空间分布值；采用Kelly积雪判识算法识别干雪像元，然后对插值的结果进行掩膜，使得每一个积雪像元都有一个相关长度值。本发明专利技术通过模型模拟匹配野外积雪剖面观测反演积雪相关长度，可以动态的计算积雪变质所带来的影响。

【技术实现步骤摘要】
一种提取积雪层相关长度的方法
本专利技术涉及遥感
，尤其涉及一种提取积雪层相关长度的方法。
技术介绍
雪深/雪水当量的反演已经发展了三十多年，但目前仍然存在很多挑战。其中最主要的挑战是如何将积雪量(深度)与其他积雪特性参数(密度、粒径等结构特性参数)带来的影响分开。在反演算法中，积雪结构参数的先验信息对于雪深反演至关重要，并且积雪微结构参数会随之时间的演化逐渐变化。而目前广泛使用的各种区域线性统计经验方法将这些参数置为固定值，如经典的Chang算法(及西北院车涛研究员重新拟合系数的中国地区雪深WESTDC产品)、风云算法(国家气象局风云雪深产品)、NCIDC产品、美国雪冰数据中心的产品都是没有考虑积雪微结构变化，无法解决结构参数演化对积雪深度反演的影响。
技术实现思路
本专利技术通过模型模拟匹配野外积雪剖面观测反演积雪相关长度，可以动态的计算积雪变质所带来的影响。通过动态地反演相关长度，再结合被动微波辐射计亮度温度梯度，建立新的反演算法，从而可以动态的确定积雪粒径演化的程度，查找对应阶段的反演模型，进而提高雪深反演的精度，并且可以大区域实现。本专利技术提出了一种提取积雪层相关长度的方法，提高了雪深反演的精度。为了达到上述目的，本专利技术采用了如下的技术方案：一种提取积雪层相关长度的方法，包括以下步骤：步骤1、数据获取；步骤2、对获取的数据进行预处理；步骤3、站点积雪层相关长度最优迭代法反演，所述最优迭代法反演包括：将气象站点积雪深度输入到MEMLS模型中去，然后将相关长度的值在一定的范围内以一定的步长进行遍历，以垂直极化差(18.7-36.5)GHz为反演算子，当模型模拟与卫星数据误差最小时，输出此时的相关长度的结果作为该站点的反演值；步骤4、通过克里金插值，得到相关长度的空间分布值；步骤5、采用Kelly积雪判识算法识别干雪像元，然后对插值的结果进行掩膜，使得每一个积雪像元都有一个相关长度值。所述相关长度的一定范围具体选择为(0mm，0.6mm)，步长选择为0.005mm。所述数据获取包括：获取AMSR2辐射计数据、地面气象站点雪深、经纬度数据、MODIS地表覆被数据MOD12Q1。所述对获取的数据进行预处理包括：对获取的AMSR2数据进行预处理，所述对获取的AMSR2数据进行预处理分为辐射校正和陆地掩膜，所述辐射校正包括：利用辐射校正公式L＝Gain*DN+Bias，其中L为辐射校正后的亮度温度值，Gain以及Bias为辐射校正参数，DN为AMSR2提供的数据中像元值，根据AMSR2提供的科学数据集可知Gain＝0.01，Bias＝0；将获取的AMSR2数据代入辐射校正公式中获得到校正后的亮度温度数据；所述陆地掩膜包括：通过陆地标识码对陆地掩膜进行处理；对获取的气象站数据进行预处理，剔除掉积雪深度小于3cm的气象站点数据。本专利技术通过积雪站点或野外实验实际获取的雪深数据，利用积雪微波辐射MEMLS模型构造的代价函数进行最优拟合，得到观测点上最优的积雪相关长度(CL)数据；对观测点上的有限CL数据进行克里金插值，辅以Kelly积雪判识算法，使空间范围内每个积雪像元都可以得到CL数据。最终达到可以动态描述积雪变质所引起的积雪结构等特性参数的变化的目的，可为后续的积雪深度反演提供每个积雪像元的CL值，有效提高积雪深度反演精度。附图说明图1为EFAST方法全局敏感性分析过程示意图；图2为森林地区微波辐射传输过程示意图；图3(a)为V极化积雪特性参数敏感性结果，图3(b)为H极化积雪特性参数敏感性结果；图4(a)为V极化积雪特性参数积雪超级站与野外观测积雪季时域敏感性结果，图4(b)为H极化积雪特性参数积雪超级站与野外观测积雪季时域敏感性结果；图5为有效相关长度反演精度验证结果；图6为积雪深度反演算法精度验证结果，采用2018年站点验证结果，其中图6(a)为新算法验证结果，图6(b)-(e)为其他算法验证结果，其中图6(b)为Chang算法验证结果，图6(c)为Foster算法验证结果，图6(d)为NSIDC算法验证结果，图6(e)WESTDC算法验证结果。具体实施方式下面将结合附图，对本申请的技术方案进行清楚、完整的描述。所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。被动微波辐射计亮度温度：高性能微波辐射计-2(TheAdvancedMicrowaveScanningRadiometer2，AMSR2)是搭载于全球环境变化观测卫星(GlobalChangeObservationMission–Water1，GCOM-W1)的一颗被动微波辐射计，GCOM-W1，用于观测海面温度和叶绿素浓度，降水和水蒸汽，如植被、土壤水分含量，通过对陆，海，空的全面观测，更好地了解这种现象。GCOM-W1主要由太阳能板和AMSR2组成。太阳能板，将轨道上的太阳光转换为电池能量，提供卫星所需的必要电力。高性能微波辐射计2(AMSR2)是观测来自地表、海面、大气等的自然辐射的微波观测传感器。AMSR2接收来自地面微波的天线部分，以1.5秒旋转1次的频率所扫描的弧形地表，可观测约1450公里宽的范围。利用这种扫描方法，AMSR2可以在短短两昼夜观察一次地球上超过99％的场所。AMSR2具有卫星搭载用观测传感器最大的天线直径(约2米)，旋转部分高约2.7米，重约250公斤。其他传感参数见表1：表1AMSR2辐射计参数设置LandcoverModis地表覆被数据：根据IGBP0.05deg地表分类数据，计算得到微波亮温格网内的森林、农田、裸土、草地、水体等下垫面的覆盖度，以便发展算法(消除大面积水域影响、消除森林的影响以及与其他算法作精度比较)。积雪站点数据以及野外观测数据：2953个积雪气象站点数据、两个积雪超级站(含时序的积雪剖面信息)、2017-2018以及2018-2019两个积雪季的野外线路观测数据(含积雪剖面信息)。基于EFAST方法的积雪微结构参数全局敏感性分析：分析遥感物理模型参数的敏感性是反演的前提。EFAST(ExtendedFourierAmplitudeSensitivityTest)全局敏感性分析方法不仅可以分析单个参数的敏感性，还考虑了参数间的耦合影响，适用于分析高维非线性模型的参数敏感性。遥感物理模型往往是高维非线性模型，而且模型参数有可能是非独立的，因此参数敏感性分析显得相对复杂。目前对模型参数进行敏感性分析的方法较多，没有统一的标准。目前积雪的研究均采用局部敏感性分析方法，即控制变量方法，来认识各参数的作用影响，这类方法只考虑了单个参数对模型结果的影响。但是模型参数的敏感性还会受到模型中其他参数的影响，即参数间的相互耦合作用对模型结果的间接影响。近几年发展起来的全局敏感性分析方法本文档来自技高网...

【技术保护点】
1.一种提取积雪层相关长度的方法，包括以下步骤：/n步骤1、数据获取；/n步骤2、对获取的数据进行预处理；/n步骤3、站点积雪层相关长度最优迭代法反演，所述最优迭代法反演包括：将气象站点积雪深度输入到MEMLS模型中去，然后将相关长度的值在一定的范围内以一定的步长进行遍历，以垂直极化差(18.7-36.5)GHz为反演算子，当模型模拟与卫星数据误差最小时，输出此时的相关长度的结果作为该站点的反演值；/n步骤4、通过克里金插值，得到相关长度的空间分布值；/n步骤5、采用Kelly积雪判识算法识别干雪像元，然后对插值的结果进行掩膜，使得每一个积雪像元都有一个相关长度值。/n

【技术特征摘要】
1.一种提取积雪层相关长度的方法，包括以下步骤：
步骤1、数据获取；
步骤2、对获取的数据进行预处理；
步骤3、站点积雪层相关长度最优迭代法反演，所述最优迭代法反演包括：将气象站点积雪深度输入到MEMLS模型中去，然后将相关长度的值在一定的范围内以一定的步长进行遍历，以垂直极化差(18.7-36.5)GHz为反演算子，当模型模拟与卫星数据误差最小时，输出此时的相关长度的结果作为该站点的反演值；
步骤4、通过克里金插值，得到相关长度的空间分布值；
步骤5、采用Kelly积雪判识算法识别干雪像元，然后对插值的结果进行掩膜，使得每一个积雪像元都有一个相关长度值。


2.根据权利要求1所述的基于MEMLS模型的积雪层相关长度反演算法，其特征在于，所述相关长度的一定范围具体选择为(0mm，0.6mm)，步长选择为0.005mm。


3....

【专利技术属性】
技术研发人员：陈权，高硕，张平，李震，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：北京;11