积雪面积比例FSC(Fractional Snow Cover)能在亚像元尺度上定量描述积雪的覆盖程度，相比二值积雪更适合反映复杂山区积雪的分布情况，是山区融雪径流模拟，气候变化预测的重要输入参数。本研究在亚洲高山区HMA(High Mountain Asia)基于分地类特征选择的多元自适应回归样条MARS(Multivariate Adaptive Regression Splines)模型LC-MARS发展了MODIS FSC反演算法，并制备了亚洲高山区FSC产品。以Landsat 8提取的FSC为参考真值验证LC-MARS模型反演FSC精度，对比相同训练样本下LC-MARS模型与线性回归模型反演FSC精度，比较LC-MARS模型制备的FSC与MOD10A1、SnowCCI在亚洲高山区的精度表现。结果表明：（1） LC-MARS模型反演的FSC总Accuracy、Recall分别为93.4%、97.1%，总体RMSE为0.148,MAE为0.093，总体精度较高。（2）相同训练样本下LC-MARS模型在林区、植被和裸地反演FSC精度均高于线性回归模型，表明LC-MARS模型更适用于...
积雪面积比例FSC(Fractional Snow Cover)能在亚像元尺度上定量描述积雪的覆盖程度，相比二值积雪更适合反映复杂山区积雪的分布情况，是山区融雪径流模拟，气候变化预测的重要输入参数。本研究在亚洲高山区HMA(High Mountain Asia)基于分地类特征选择的多元自适应回归样条MARS(Multivariate Adaptive Regression Splines)模型LC-MARS发展了MODIS FSC反演算法，并制备了亚洲高山区FSC产品。以Landsat 8提取的FSC为参考真值验证LC-MARS模型反演FSC精度，对比相同训练样本下LC-MARS模型与线性回归模型反演FSC精度，比较LC-MARS模型制备的FSC与MOD10A1、SnowCCI在亚洲高山区的精度表现。结果表明：（1） LC-MARS模型反演的FSC总Accuracy、Recall分别为93.4%、97.1%，总体RMSE为0.148,MAE为0.093，总体精度较高。（2）相同训练样本下LC-MARS模型在林区、植被和裸地反演FSC精度均高于线性回归模型，表明LC-MARS模型更适用于...
积雪面积比例（Fractional Snow Cover,FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area,SCA）与像元空间范围的比值。本数据集利用Google Earth Engine(GEE)平台，将MODIS全球地表反射率产品MOD09GA作为源数据，建立FSC与归一化植被指数（Normalized Difference Snow Index,NDVI）和归一化积雪指数（Normalized Difference Snow Index,NDSI）的线性回归经验模型BV-BLRM(Based NDVI Bivariate Linear Regression Model,BV-BLRM)。该模型制备的积雪面积比例数据较MOD10A1 V6数据的均方根误差提高了45%。基于该模型制备了泛北极地区（北纬45°至北纬90°）积雪面积比例时序数据。本数据集时间序列为2000年2月24日至2019年11月18日，时间分辨率为1天，空间分辨率为1 km。本数据集可以为区域气候模拟、水文模型等提供积雪分布的定量信息。
积雪面积比例（Fractional Snow Cover,FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area,SCA）与像元空间范围的比值。本数据集利用Google Earth Engine(GEE)平台，将MODIS全球地表反射率产品MOD09GA作为源数据，建立FSC与归一化植被指数（Normalized Difference Snow Index,NDVI）和归一化积雪指数（Normalized Difference Snow Index,NDSI）的线性回归经验模型BV-BLRM(Based NDVI Bivariate Linear Regression Model,BV-BLRM)。该模型制备的积雪面积比例数据较MOD10A1 V6数据的均方根误差提高了45%。基于该模型制备了泛北极地区（北纬45°至北纬90°）积雪面积比例时序数据。本数据集时间序列为2000年2月24日至2019年11月18日，时间分辨率为1天，空间分辨率为1 km。本数据集可以为区域气候模拟、水文模型等提供积雪分布的定量信息。
高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10km空间分辨率的AMSR2 L1B亮度温度数据,结合500m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD)。基于该算法获取了北疆地区500m空间分辨率的雪深数据(SDDsd),并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明:基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R2为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。
高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10km空间分辨率的AMSR2 L1B亮度温度数据,结合500m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD)。基于该算法获取了北疆地区500m空间分辨率的雪深数据(SDDsd),并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明:基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R2为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。
积雪面积比例（Fractional Snow Cover,FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度，相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系，可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor,SE-RFR）模型，用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat8地表反射率数据获取的FSC数据作为参考值，对SE-RFR模型的反演精度进行评估。研究表明，利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104，精度较高。此外，根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知，加入环境信息的随机森林回归模型提高了FSC反演的精度，特别是在受环境信息影响较大的青藏高原地区，RMSE从0.200降低到0.181。最后，将SE-RFR模型与目前使用广泛的MODIS ...
积雪面积比例（Fractional Snow Cover,FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度，相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系，可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor,SE-RFR）模型，用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat8地表反射率数据获取的FSC数据作为参考值，对SE-RFR模型的反演精度进行评估。研究表明，利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104，精度较高。此外，根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知，加入环境信息的随机森林回归模型提高了FSC反演的精度，特别是在受环境信息影响较大的青藏高原地区，RMSE从0.200降低到0.181。最后，将SE-RFR模型与目前使用广泛的MODIS ...
积雪面积比例(Fractional Snow Cover,FSC)是定量描述单位像元内积雪覆盖面积(Snow Cover Area,SCA)与像元空间范围的比值,可为区域气候模拟、水文模型等提供积雪分布的定量信息。MODIS FSC产品是根据经验模型计算得到,并没有考虑地形、植被和地表温度等环境因素的影响,在青藏高原的验证精度低。针对此问题,考虑青藏高原地区环境因素(地形、植被、地表温度)对FSC制备的影响,基于多元自适应回归模型(Multivariate Adaptive Regression Splines,MARS)和线性回归模型分别建立FSC制备的非参数回归模型和经验回归模型。用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集。选取一部分参考数据集作为模型的训练数据集,另一部分作为模型的检验数据集。研究结果表明:MARS方法估计FSC的精度明显高于线性回归模型和原有的MODIS FSC制备方法。MARS的总体R、RMSE、MAE分别为0.791、0.103、0.058。在线性回归模型中精度最高的总体R、RMSE、MAE分别为0.647、0.128、0....
积雪面积比例(Fractional Snow Cover,FSC)是定量描述单位像元内积雪覆盖面积(Snow Cover Area,SCA)与像元空间范围的比值,可为区域气候模拟、水文模型等提供积雪分布的定量信息。MODIS FSC产品是根据经验模型计算得到,并没有考虑地形、植被和地表温度等环境因素的影响,在青藏高原的验证精度低。针对此问题,考虑青藏高原地区环境因素(地形、植被、地表温度)对FSC制备的影响,基于多元自适应回归模型(Multivariate Adaptive Regression Splines,MARS)和线性回归模型分别建立FSC制备的非参数回归模型和经验回归模型。用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集。选取一部分参考数据集作为模型的训练数据集,另一部分作为模型的检验数据集。研究结果表明:MARS方法估计FSC的精度明显高于线性回归模型和原有的MODIS FSC制备方法。MARS的总体R、RMSE、MAE分别为0.791、0.103、0.058。在线性回归模型中精度最高的总体R、RMSE、MAE分别为0.647、0.128、0....