基于三维空间混合像元分解模型的东北森林区积雪参数的高精度反演方法研究

The three-dimensional spatial heterogeneity of forest-snow cover system, the self radiation of forest canopy and the absorption and shielding effect of forest on snow microwave signal are the important factors that affect the accuracy of retrieval of main snow parameters (SD, SWE) under forest. On the basis of the research on the passive microwave unmixing model of different underlying surface, we consider the heterogeneity of forest-snow system in horizontal and vertical space, and use multi-source and multi-temporal spectral remote sensing data, active microwave data and passive microwave remote sensing data to carry out three-dimensional space unmixing method, so as to realize the high precision retrieval of snow parameters in forest area of northeast china based on the research of Chang algorithm. The typical forests in Greater Khingan Mountains, Xiao Hinggan Mountains and Changbai Mountain are selected as study area in the project. We choose the experimental plots that are consistent with the passive microwave pixel scales, and effectively carry out the observation experiments of forest-snow system parameters, as well as optical and microwave remote sensing observation experiments based on ground and UAV platforms. These experiments can validate the brightness temperature of snow components with 1km spatial resolution under different forest types (needleleaf forest, broadleaf forest and mixed needle and broadleaf forest) obtained by the proposed three dimensional unmixing method. The research of this project will provide a new method to solve the problem of low precision retrieval of snow parameters under forest.

森林-积雪系统三维空间异质性，以及森林冠层的自身辐射和森林对于积雪微波信号的吸收遮蔽效应是影响森林下主要积雪参数（积雪深度、雪水当量）反演精度的重要因素。本项目在已开展的不同下垫面被动微波混合像元分解模型的研究基础上，以Chang算法为基础，针对森林-积雪系统水平空间和垂直空间的异质性，利用多源、多时相的光谱遥感、主动微波遥感和被动微波遥感数据深入开展三维空间的被动微波混合像元分解方法研究，从而实现东北森林区积雪参数的高精度反演。项目以大兴安岭、小兴安岭、长白山典型森林为研究区，选择被动微波像元尺度的实验样地，通过有效地开展森林-积雪系统参数的观测实验，以及地基、无人机平台的光学与微波遥感观测实验，对通过三维空间解混后获得的1km空间分辨率的不同森林类型（针叶林、阔叶林、针阔叶混交林）下的积雪组分亮温的真实性、有效性进行验证。本项目的研究将为解决林下积雪参数反演精度较低的问题提供新的方法。

提高森林下积雪参数的定量化遥感精度是积雪遥感中需要解决的问题。本项目基于多源、多时相光谱遥感数据、主动微波遥感数据和被动微波遥感数据，通过开展积雪野外调查实验，利用多源遥感数据各自的优势，将森林三维空间信息和森林雪深反演辐射传输模型、深度学习技术有效结合，从而实现中国东北森林区积雪参数的高精度反演。项目主要研究内容包括：基于多源、多时相、多特征光谱遥感数据，获得观测地区不同空间分辨率的森林水平结构信息包括森林分类、森林覆盖度和森林郁闭度信息，以及森林垂直结构信息包括森林高度和森林材积量信息；在获取森林水平、垂直三维信息的基础上，开展了传统半经验森林雪深反演、基于积雪辐射传输模型森林雪深反演和基于深度学习技术的森林雪深反演的深入研究，分别建立了主、被动微波森林积雪反演模型、光学遥感积雪覆盖估测方法等；基于森林三维空间信息和多源卫星遥感影像，最终实现了高时空分辨率、高精度的森林积雪参数反演。其中，利用SAR遥感数据和机器学习方法，实现观测森林地区20m空间分辨率的雪深反演结果，RMSE平均值约为5.07cm。基于AMSRE和MWRI被动微波数据，利用改进的MEMLS雪微波辐射模型获得25km空间分辨率的雪深反演RMSE约为7.79cm；利用改进的HUT积雪微波辐射模型，获得10km空间分辨率的雪深反演RMSE约为6.2cm；基于被动微波超分辨率数据产品和机器学习技术，获得6.25km空间分辨率的雪深反演RMSE约为6.32cm; 结合机器学习技术和雪深下采样模型，获得500m空间分辨率的雪深反演RMSE约为7.58cm。基于时空融合技术，获得具有30m空间分辨率的逐日积雪监测结果，积雪监测结果与验证数据的误差在0.84%以内。本项目在国内外核心期刊和国际会议发表文章27篇，SCI收录8篇，EI收录17篇，中文核心期刊2篇；授权国家发明专利4项，申请国家发明专利2项;培养毕业及在读硕博研究生14名。