предыдущий|следующий

Восстановление площади снежного покрова с высокой пространственно-временной разрешающей способностью на основе модели U-Net++ с использованием многоресурсных данных — на примере района гор Цилинь

  • role： First author第一作者
  • Affiliation：

    College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China

  • Email：gaobo1125@link.tyut.edu.cn
  • Introduction：高博，研究方向为积雪遥感。E-mail：gaobo1125@link.tyut.edu.cn
GAO Bo1,  
  • role： Corresponding author通信作者
  • Affiliation：

    Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

    Heihe Remote Sensing Experimental Research Station, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

  • Email：haoxh@lzb.ac.cn
  • Introduction：郝晓华，研究方向为积雪遥感、积雪与气候变化。E-mail：haoxh@lzb.ac.cn
HAO Xiaohua23*,  
  • Affiliation：

    College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China

HE Dongcai1,  
  • Affiliation：

    Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

ZHAO Qin2,  
  • Affiliation：

    Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

JI Wenzheng2,  
  • Affiliation：

    College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China

REN Hongrui1,  
  • Affiliation：

    Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

    Heihe Remote Sensing Experimental Research Station, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000, China

LI Hongyi23,  
  • Affiliation：

    Institute of Desert Meteorology, China Meteorological Administration, Urumqi 830002, China

    Xinjiang Taklamakan Desert Meteorological National Field Scientific Observation and Research Station, Urumqi 830002, China

LIU Yan45,  
  • Affiliation：

    College of Electronic Engineering, Chengdu University of Information Technology, Chengdu 610225, China

ZHU Ping6

реферат

Понимание пространственно-временных изменений сезонного снежного покрова в горных районах имеет решающее значение для управления водными ресурсами, гидрологических процессов и экологической защиты в горной среде. Данные о площади снежного покрова с высокой пространственно-временной разрешающей способностью являются важным инструментом для мониторинга изменений снежного покрова в горах. Однако из-за ограничений в производительности датчиков существующих продуктов дистанционного зондирования площадь снежного покрова не может одновременно обеспечивать высокую временную и пространственную разрешающую способность, что затрудняет точное выявление мелких изменений сильно неоднородного пятнистого снежного покрова в горах. Для мониторинга пространственно-временной динамики площади снежного покрова в данном исследовании выбран северный склон гор Цилинь в качестве объекта исследования. Используя данные спутников MODIS и Landsat 8, разработан метод получения площади снежного покрова с высокой пространственно-временной разрешающей способностью на основе многоресурсных данных и сети U-Net++. Разработанный метод верифицирован с использованием высокоразрешающих данных Landsat и Sentinel. Проведено сравнение и верификация с алгоритмами пространственно-временного слияния STARFM и DMNet, которые косвенно восстанавливают площадь снежного покрова на основе интеграции данных отражательной способности с высокой пространственно-временной разрешающей способностью. Результаты показали, что: (1) Алгоритм восстановления площади снежного покрова с пространственным разрешением 30 м на базе сети U-Net++ эффективно восстановил детали снежного покрова в горных районах. Точность алгоритма была высокой, общая точность составила 90,4%, точность картографирования — 89,9%, пользовательская точность — 88,4%, коэффициент Каппа — 0,80. Восстановленные результаты были достаточно устойчивы, при различных условиях снежного покрова, подстилающей поверхности и облачности общая точность отличалась менее чем на 3% и оставалась выше 88%. (2) По сравнению с методами косвенного восстановления площади снежного покрова на основе пространственно-временного слияния STARFM и DMNet общая точность улучшилась на 8,7% и 5,2%, точность картографирования — на 24,1% и 18,4%, коэффициент Каппа — на 0,20 и 0,12. В целом, разработанный в данном исследовании алгоритм восстановления ежедневной площади снежного покрова с пространственным разрешением 30 м на базе сети U-Net++ показал эффективность в восстановлении высокоточных данных с высокой пространственно-временной разрешающей способностью, что имеет важное значение для моделирования горного стока, оценки запасов снега и предотвращения бедствий.

ключеви́че слова́

площадь снежного покрова; глубокое обучение; мультифьюжн; MODIS; Landsat

References

  1. 1.
    Beria H, Larsen J R, Ceperley N C, Michelon A, Vennemann T and Schaefli B. 2018. Understanding snow hydrological processes through the lens of stable water isotopes. WIREs Water, 5(6): e1311
  2. 2.
    Bourque C P A and Mir M A. 2012. Seasonal snow cover in the Qilian Mountains of Northwest China: its dependence on oasis seasonal evolution and lowland production of water vapour. Journal of Hydrology, 454-455: 141-151
  3. 3.
    Chen S Y, Wang X Y, Guo H, Xie P Y, Wang J and Hao X H. 2020. A conditional probability interpolation method based on a space-time cube for MODIS snow cover products gap filling. Remote Sensing, 12(21): 3577
  4. 4.
    Choi G, Robinson D A and Kang S. 2010. Changing northern hemisphere snow seasons. Journal of Climate, 23(19): 5305-5310
  5. 5.
    Demir A, Yilmaz F and Kose O. 2019. Early detection of skin cancer using deep learning architectures: resnet-101 and inception-V3//2019 Medical Technologies Congress (TIPTEKNO). Izmir: IEEE: 1-4
  6. 6.
    Dietz A J, Kuenzer C, Gessner U and Dech S. 2012. Remote sensing of snow-a review of available methods. International Journal of Remote Sensing, 33(13): 4094-4134
  7. 7.
    Drozdzal M, Vorontsov E, Chartrand G, Kadoury S and Pal C. 2016. The importance of skip connections in biomedical image segmentation//First International Workshop, and Second International Workshop on Deep Learning and Data Labeling for Medical Applications. Athens: Springer: 179-187
  8. 8.
    Gao F, Masek J, Schwaller M and Hall F. 2006. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance. IEEE Transactions on Geoscience and Remote Sensing, 44(8): 2207-2218
  9. 9.
    Gao W Q. 2023. Research on the Preparation of Daily Cloudless Fractional Snow Cover Products in High Mountains Asia Based on MODIS. Taiyuan: Taiyuan University of Technology
  10. 10.
    Han P F, Long D, Han Z Y, Du M D, Dai L Y and Hao X H. 2019. Improved understanding of snowmelt runoff from the headwaters of China's Yangtze River using remotely sensed snow products and hydrological modeling. Remote Sensing of Environment, 224: 44-59
  11. 11.
    He G J, Feng X Z, Xiao P F, Xia Z H, Wang Z, Chen H, Li H and Guo J J. 2017. Dry and wet snow cover mapping in mountain areas using SAR and optical remote sensing data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10(6): 2575-2588 [DIO: ]
  12. 12.
    Li H Y, He Y Q, Hao X H, Che T, Wang J and Huang X D. 2015. Downscaling snow cover fraction data in mountainous regions based on simulated inhomogeneous snow ablation. Remote Sensing, 7(7): 8995-9019
  13. 13.
    Li H Y, Li X, Yang D W, Wang J, Gao B, Pan X D, Zhang Y L and Hao X H. 2019. Tracing snowmelt paths in an integrated hydrological model for understanding seasonal snowmelt contribution at basin scale. Journal of Geophysical Research: Atmospheres, 124(16): 8874-8895
  14. 14.
    Li W S, Zhang X Y, Peng Y D and Dong M L. 2020. DMNet: a network architecture using dilated convolution and multiscale mechanisms for spatiotemporal fusion of remote sensing images. IEEE Sensors Journal, 20(20): 12190-12202
  15. 15.
    Li X, Che T, Li X W. 2020. Remote Sensing of Cryosphere. Beijing: Science Press: 50-51
  16. 16.
    Li X, Feng M, Ran Y H, Su Y, Liu F, Huang C L, Shen H F, Xiao Q, Su J B, Yuan S W and Guo H D. 2023. Big Data in Earth system science and progress towards a digital twin. Nature Reviews Earth and Environment, 4(5): 319-332
  17. 17.
    Liu Q and Zhang Y. 2022. Study on snow cover change based on the fusion of sentinel-2 and modis images. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-3-2022: 333-338
  18. 18.
    Rittger K, Krock M, Kleiber W, Bair E H, Brodzik M J, Stephenson T R, Rajagopalan B, Bormann K J and Painter T H. 2021. Multi-sensor fusion using random forests for daily fractional snow cover at 30 m. Remote Sensing of Environment, 264: 112608
  19. 19.
    Roy A G, Navab N and Wachinger C. 2019. Recalibrating fully convolutional networks with spatial and channel “Squeeze and Excitation” blocks. IEEE Transactions on Medical Imaging, 38(2): 540-549
  20. 20.
    Sun X L, Hao X H, Wang J, Zhao H Y and Ji W Z. 2022. Research on retrieval of MODIS fraction snow cover based on spectral environmental random forest regression model. Journal of Glaciology and Geocryology, 44(1): 147-158
  21. 21.
    Tian X, Wang L and Ding Q. 2019. Review of image semantic segmentation based on deep learning. Journal of Software, 30(2): 440-468
  22. 22.
    Walters R D, Watson K A, Marshall H P, McNamara J P and Flores A N. 2014. A physiographic approach to downscaling fractional snow cover data in mountainous regions. Remote Sensing of Environment, 152: 413-425
  23. 23.
    Wang J, Che T, Dai L Y, Yue S N and Zhang Z J. 2023. Spatio-temporal comparison of snow depth between passive microwave remote sensing inversion data and meteorological station observation data. National Remote Sensing Bulletin, 27(9): 2060-2071
  24. 24.
    Wang J, Li H X, Hao X H, Huang X D, Hou J L, Che T, Dai L Y, Liang T G, Huang C L, Li H Y, Tang Z G and Wang Z Y. 2014. Remote sensing for snow hydrology in China: challenges and perspectives. Journal of Applied Remote Sensing, 8(1): 084687
  25. 25.
    Wang X Y, Wang J, Che T, Huang X D, Hao X H and Li H Y. 2018. Snow cover mapping for complex mountainous forested environments based on a multi-index technique. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 11(5): 1433-1441
  26. 26.
    Wang Y H, Gu L J, Li X F, Gao F, Jiang T and Ren R Z. 2022. An improved spatiotemporal fusion algorithm for monitoring daily snow cover changes with high spatial resolution. IEEE Transactions on Geoscience and Remote Sensing, 60: 5413617
  27. 27.
    Yang G Q, Liu H, Zhong X W, Chen L, Qian Y R. 2022. Temporal and spatial fusion of remote sensing images: a review. Computer Engineering and Applications, 58(10): 27-40
  28. 28.
    Zhang C J, Zhu L and Yu L. 2021. Review of attention mechanism in convolutional neural networks. Computer Engineering and Applications, 57(20): 64-72
  29. 29.
    Zhou Z W, Siddiquee M M R, Tajbakhsh N and Liang J M. 2018. UNet++: a nested U-net architecture for medical image segmentation//4th International Workshop on Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Granada: Springer: 3-11

Читать полностью

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website