科研之友
微信
新浪微博
Facebook
分享链接
摘要
为细致刻画地表冻融状态及其年循环特征、长时间序列变化趋势及其与陆地生态系统的相互作用，需要进行高分辨率（1 km）的地表冻融状态识别。被动微波的低空间分辨率，无法精细描述地表冻融状态的空间变化；主动微波（合成孔径雷达）能以较高的分辨率识别地表冻融状态，但其低时间分辨率无法准确捕捉春秋季地表冻融转换。融合主被动微波遥感信息，发展高分辨率地表冻融状态识别算法对细致刻画地表冻融状态、生产高分辨率地表冻融遥感产品具有重要意义。本文以青藏高原中部土壤温湿度观测网为研究区，采用随机森林分类算法，以升/降轨Sentinel-1 ■（垂直极化后向散射）、SMAP TbV（垂直极化亮温）和辅助时空信息为输入，构建融合多源信息的高分辨率（1 km）地表冻融状态识别算法。结果表明：在降轨时，有/无主动微波信息，地表冻结期（每年1—3月）识别精度分别为100.0%/97.8%；地表融化期（每年6—10月）识别精度分别为99.1%/99.4%；地表冻融转换时期（每年4—5月）的识别精度为82.0%/74.1%；地表融冻转换时期（每年11—12月）的识别精度为95.1%/90.0%，精度有所下降。其原因是主要受到海拔、坡向及土壤质地的影响。通过对输入变量重要性排序，分析其在随机森林中的贡献可知，DOY（儒略日）、TbV、LAI（叶面积指数）、LST（地表温度）、■、坡向是必要的输入变量。其中■虽然排在第五位，但去除■，算法在地表冻融转换时期的识别精度下降显著（春/秋季精度分别下降23.7%、9.4%），证明主动微波信息对于提高算法识别精度的重要性，因此在主动微波信息可获取时，应融合主被动微波信息进行地表冻融状态识别。高分辨率的地表冻融状态可准确划分地表的稳定冻结期、稳定融化期及冻融转换期，并反映地表冻融转换时期的空间异质性特征。
- 单位
