论文部分内容阅读
在地形复杂和积雪分布破碎化的青藏高原地区,大范围的积雪对全球气候变化、能量平衡、生态系统等影响显著。由于当前基于MODIS数据的积雪面积比例遥感监测模型大多是基于单一的雪被指数模型,其监测精度受地形、地理位置、地表温度以及植被指数等因子的影响显著,在青藏高原存在一些诸如精度低、适应性差等缺点。因此,本研究以青藏高原不同地表覆盖类型区域为研究对象,基于实测的UAV积雪范围数据和卫星遥感数据(Landsat 8 OLI和MODIS),结合雪被指数和其他辅助变量,构建了3种基于不同算法的MODIS积雪面积比例监测模型,用高分辨率的遥感资料Landsat 8 OLI对三类算法(9个模型)进行精度验证,并与全球标准MODIS积雪面积比例产品进行对比。主要探讨地形、地理位置、温度以及植被等因子对研究区积雪分布以及对积雪面积比例反演模型精度的影响;验证UAV技术在青藏高原积雪面积比例监测方面的适应性和应用能力;比较基于不同思路和方法的MODIS积雪面积比例反演模型(线性回归模型、混合像元分解模型和机器学习模型)在研究区各子区域的反演精度和适应性,从而选择一种适合整个青藏高原的最优积雪面积比例反演模型,为准确评估研究区积雪分布、变化以及水资源利用奠定理论基础。研究结果表明:(1)对研究区积雪面积比例反演有贡献的因子按贡献程度从大到小依次排列,分别为:雪被指数(NDSI)、地表反射率第3波段值(R3)、植被指数(NDVI)、地表温度(LST)、海拔(DEM)、地表反射率第7波段值(R7)、纬度(Latitude)、经度(Longtitude)和地表反射率第5波段值(R5)。其中,NDSI、R3、DEM、Latitude与积雪面积比例呈正相关关系,而R5、R7、NDVI、LST、Longtitude则分别与积雪面积比例呈负相关关系。(2)UAV技术的运用获得了空间分辨率高达厘米级的高空实测积雪范围数据,其与卫星遥感数据的结合,使得所构建的基于经验算法的一元指数回归模型(EXP_FSC)的精度不仅高于仅基于卫星遥感数据Landsat 8 OLI(Landsat_FSC)构建的一元线性回归模型,而且也高于基于光谱分解算法的线性混合像元分解模型(MIX_FSC)。另外,基于UAV数据(UAV_FSC)构建的3种机器学习模型(UAV_RF、UAV_SVM、UAV_ANN)的精度也高于MIX_FSC模型,且高于回归模型(EXP_FSC和M6_FSC)。总之,UAV技术的引入对MODIS积雪面积比例的反演精度有较高的提升作用。(3)积雪、裸地、植被、水体、土壤和云分别为利用PPI和n维可视化工具提取的研究区内纯净像元对应的地物类型。基于大样本量的Landsat 8 OLI数据(Landsat_FSC)构建的线性回归模型(M6_FSC)、随机森林模型(Landsat_RF)、支持向量机模型(Landsat_SVM)和BP神经网络模型(Landsat_ANN)均高于基于小样本量的UAV数据(UAV_FSC)所构建的同类模型(EXP_FSC、UAV_RF、UAV_SVM、UAV_ANN)。机器学习模型的反演精度高于线性回归模型,线性混合像元分解模型(MIX_FSC)是本研究所构建的精度最差的模型,但仍高于MODIS V005版本的标准积雪产品(Standard FSC)。各模型在草地、灌丛、裸地区域的反演精度高于森林、农田和其他区域,但在森林、农田等区域的精度提升程度要高于草地等平坦区域。(4)本研究中,各MODIS积雪面积比例反演模型的精度由高到低依次为Landsat_RF(模型精度ACC介于72.49%~78.49%之间)、Landsat_SVM(71.00%~77.13%)、Landsat_ANN(70.50%~76.59%)、UAV_RF(69.49%~76.30%)、UAV_SVM(68.94%~76.26%)、UAV_ANN(67.83%~76.09%)、M6_FSC(66.86%~75.27%)、EXP_FSC(65.87%~73.66%)、MIX_FSC(64.83%~72.92%)、Standard FSC(46.60%~65.33%)。基于NDSI、R3、R5、R7、NDVI、LST、DEM、Longtitude、Latitude等因子和Landsat 8 OLI数据所构建的随机森林模型(Landsat_RF)无论是精度和稳定性,还是运行效率和可操作性,均是整个研究区相对最优的MODIS积雪面积比例反演模型,适合青藏高原地区大范围的积雪监测。