深水地平线 (DWH) 大规模和持续性漏油事件对应急响应能力提出了挑战,需要在天气和操作层面进行准确、定量的石油评估。尽管经验丰富的观察员是溢油应急响应的中流砥柱,但训练有素的观察员人数很少,而且天气、石油乳化和场景照明几何等混杂因素也带来了挑战。广泛的机载和星载被动和主动遥感技术辅助了 DWH 溢油和影响监测。油膜厚度和油水乳化比是控制/清理的关键溢油响应参数,对于厚 (>0.1 毫米) 油膜,这些参数是从 AVIRIS(机载可见光/红外成像光谱仪)数据中定量得出的,使用基于近红外光谱吸收特征的形状和深度的光谱库方法。MODIS(中分辨率成像光谱仪)卫星,可见光谱宽带数据,表面浮油对太阳反射的调制,允许推断总浮油。多光谱专家系统使用神经网络方法提供快速响应厚度类别图。机载和卫星合成孔径雷达(SAR)提供全天空条件下的天气数据;然而,SAR 通常无法区分厚(>100 μ m)的油膜和薄油膜(至 0.1 μ m)。UAVSAR(无人驾驶飞行器 SAR)的信噪比显著提高,空间分辨率更高,可以成功区分与油膜厚度、表面覆盖率和乳化程度相结合的模式。使用 AVIRIS 研究了现场燃烧和烟羽,并证实了星载 CALIPSO(云气溶胶激光雷达和红外路径探测卫星观测)对燃烧气溶胶的观测。CALIPSO 和水深测量激光雷达数据记录了浅层地下石油,尽管需要辅助数据进行确认。机载高光谱、热红外数据具有夜间和阴天收集优势,并且与 MODIS 热数据一样被收集。然而,解释挑战和缺乏快速反应产品阻碍了其大量使用。快速反应产品是响应利用的关键——数据需求对时间至关重要;因此,高技术准备水平对于遥感产品的运营使用至关重要。DWH 的经验表明,开发和投入使用新的溢油应急遥感工具必须先于下一次重大石油泄漏事件发生。© 2012 Elsevier Inc. 保留所有权利。
茶是印度最重要的饮料之一。它是第一大外汇收入来源。印度是世界上最大的茶叶生产国。印度的阿萨姆邦、梅加拉亚邦、特里普拉邦、北孟加拉邦(大吉岭)和锡金邦对该国的茶叶总产量贡献巨大。除此之外,印度南部的泰米尔纳德邦、卡纳塔克邦和喀拉拉邦也为茶叶生产做出了贡献。过去几年,人们发现茶产业正在失去立足之地。这主要是因为生产结构错误、由于生产成本高而无法与其他茶叶生产国竞争、小农户组织化、加工阶段的质量控制不佳以及更重要的害虫和疾病侵扰。遥感和 GIS 技术已被有效用于监测水稻、小麦等多种一年生作物。因此,开发一种使用遥感和 GIS 监测茶园的方法已成为迫切需要。之前缺乏使用遥感监测茶叶的研究,这为开发一种方法提供了想法,该方法可以帮助监测种植园的生长并在需要时采取有效措施。在本研究中,尝试使用遥感图像的纹理和色调变化来评估茶树的健康状况。应用灰度共生矩阵 (GLCM) 技术将茶斑分为健康、中度健康和患病茶。使用纹理和分类图像来描绘患病斑块。得出了健康、中度健康和患病茶的百分比。观察发现,2001 年 12 月的 LANDSAT 图像显示健康茶树的面积为 60.4%,中度感染茶树的面积为 23.6%,患病茶树的面积为 16.2%。对于 2004 年 2 月的 LISS III 图像,发现健康茶树的面积为 43.9%,中度感染茶树的面积为 36.8%,患病茶树的面积为 19.3%。同样,对于 2004 年 6 月的 ASTER 图像,发现健康茶树的面积为 24.9%,中度健康茶树的面积为 50.1%,患病茶树的面积为 25.1%。最后将结果与地面叶面积指数 (LAI) 和产量进行了比较。因此,这里尝试的纹理分析和色调变化可以在识别和检测茶园中的病斑方面发挥重要作用。这项研究表明,4 月、6 月和 8 月基于 MODIS 的 NDVI 与庄园层面的茶叶产量有显著相关性。为进一步检验 MODIS 得出的 NDVI 是否与 LAI 相关,建立了一个经验方程,结果表明茶叶的 LAI 与 NDVI 具有显著的线性关系 (R 2 =0.36)。然而,研究发现,仅凭不同时间段的 NDVI 观测结果无法解释茶叶产量的差异。这表明茶叶产量的统计模型似乎并不令人鼓舞。
Rajashankar K, Anderson KS, HR Baxter, Blacklow SC, TJ Boggon, Bonvin AM, Borek D, Brett TJ, Chaflisch A, Chazin WJ, KD Corbet, Fan, Fan QR, Ferré-D'Amare AR, Christopher From J, Garcia KC, Golden R, Gong P, Harrison SC, Heldwein EE, Jia Z, the RJ Cruise,Cross AC,Kvansakul M,McLellan JS,Modidi和Nam,Otwinski Z,Pai EF,Pereira PJ,CS Raman CS,Rapport CS,Rapport CS,报告。 TA,Roll-Mecak A,Rosen MK,Redrone G,Schwartz TU,Shamoo Y,Sandermann H,Tao YJ,NH Tolia,Tsodikov OV,Westover KD,Wu H,P。数据出版(2016)NAT。公社。7,10882
温度和天气模式的长期变化提供了行星正在经历全球变暖的证据。全球变暖对生态系统的有害后果影响了人,植物和动物。一个区域中的土地表面温度上升已成为确定特定气候变化策略的关键指标。马来西亚分为马来西亚半岛和位于婆罗洲岛上的沙巴砂岩,包括四个超级区域和36个子区域。以纬度和纵向测量的子区域之间的距离为150像素(相当于95公里),覆盖了整个国家。本研究使用了NASA Terra卫星的中等分辨率成像谱仪(MODIS)的数据,覆盖2000-2022。在立方样条方程中部署了八个,四个和三个结,以分析2022年至2030年的周期性数据,变化和LST预测。从[0.377,0.507]°C的置信区间,每十年的LST变化的全球平均升高为0.445°C,显着性水平为5%。LST的平均预测波动表明每十年的显着上升为0.383°C。马来西亚尚未显示出LST加速度的显着下降
土壤水分和植被生长是干旱事件最直接、最重要的指标,因此,了解植被和土壤的光谱行为对于干旱评估至关重要。最近,Ghulam 等人 [Ghulam, A., Qin, Q., Zhan, Z., 2006. Designing of the vertical dirt index. Environmental Geology, doi:10.1007/s00254-006-0544-2 (accessed March 8, 2007).] 建立了垂直干旱指数 (PDI),该指数基于对 NIR-Red 光谱空间中土壤水分空间分布特征的广泛分析。本文提出了一种改进的干旱监测方法,即改进的垂直干旱指数 (MPDI),引入了植被分数,同时考虑了土壤水分和植被生长。为了验证本文提出的干旱指数的有效性,利用不同时刻、不同干旱条件下不同生态系统的增强型专题制图仪 (ETM+) 和中分辨率成像光谱仪 (MODIS) 影像,计算了地面测点的 PDI 和 MPDI。然后将 PDI 和 MPDI 与通过卫星同步进行的田间测量获得的现场干旱指数进行比较,该指数包括不同土壤深度的土壤总含水量、田间持水量、萎蔫系数等。从结果可以看出,PDI 和 MPDI 与现场干旱值高度一致,相关性最高 ( R 2 =0.
摘要我们通过将近地表的近表面空气温度与行星边界层高度进行聚类,从而引入了新的方法论进步,以表征分析的城市内群集。为了说明这种方法,我们分析了三个热浪(HWS):2019年在巴黎,2018年的HW,蒙特利尔的2018 HW和Zurich的2017 HW。我们在热波事件发生之前,期间和之后评估基于群集的特征。,尽管该聚类通过中等分辨率成像光谱仪(MODIS)土地覆盖数据获得的建筑区域确定的城市群集与内置区域保持一致,但也可以识别出跨越几公里的其他当地热点,并扩展到建筑区域之外。使用客观的滞后模型,我们进一步确定了地面存储通量和全波向下辐射通量之间的磁滞循环的总体强度系数,在热浪期间,农村簇的城市群集的范围从0.414到0.457,从0.126到0.126到0.157。在所有城市中,随着热浪的进展,我们观察到累积的地面热通量中的加油率模式。这种提出的两组分聚类方法的未来发展,并将更具影响力的物理学和空间和时间分辨率的进步整合在一起,将为城市气候分析的城市提供更全面的特征。
摘要:长波下行辐射(LWDR)是气候与水文模型中的重要驱动参数。与传统地面测量相比,遥感在估算全球 LWDR 方面具有独特的优势。然而,对于目前的遥感任务而言,与典型的具有全球覆盖和小时时间分辨率的卫星 LWDR 产品一样,云和地球辐射能量系统-天气图(CERES-SYN)大气顶部和地表通量以及云的空间分辨率较低(1°×1°)。现有的遥感 LWDR 产品在精度、时空分辨率以及解释和量化不同尺度上长波辐射变化的能力方面仍有很大改进空间。为了克服这些限制,本文基于中分辨率成像光谱仪(MODIS)测量,开发了一种新的全球 LWDR 产品,该产品具有更高的精度(全球 RMSE < 30 W m −2)、高时间分辨率(小时)和空间分辨率(5 km)。它是长期地球系统时空无缝辐射收支数据集(简称LessRad)中的一个LWDR产品,作为第一个长期高分辨率时空连续的LWDR产品(2002-22,1小时,5公里),LessRad在研究更精细尺度上的LWDR时空变异性方面显示出优势,并为分析陆气相互作用、量化气候反馈等各种应用提供了宝贵的数据源,对理解地球能量收支和动态具有潜在的帮助。
4AOP 自动大气吸收图集操作版本 6SV1 太阳光谱中卫星信号的第二次模拟,版本 1 ASCII 美国信息交换标准代码 ANOVA 方差分析 ASTER 先进星载热发射和反射辐射计 BRDF 双向反射分布函数 CASI 紧凑型机载光谱成像仪 CDOM 有色溶解有机物 CRTM 社区辐射传输模型 CNES 法国国家空间研究中心 CRTM 社区辐射传输模型 CRTM 社区辐射传输模型 CZCS 沿海区彩色扫描仪 ENVISAT 环境卫星 ESA 欧洲空间局 FOV 视场 GDAL 地理空间数据抽象库 GIS 地理信息系统 GPS 全球定位系统 GRASS 地理资源分析支持系统 GRETL GNU 回归、计量经济学和时间序列库 HCMR 希腊海洋研究中心 GUI 图形用户界面HyMap 高光谱测绘仪 ILWIS 综合陆地和水域信息系统 iPAQ internet CompAQ 出品的掌上电脑 KOPRA Karlsruhe 优化和精确辐射传输算法 LAD 最小绝对偏差 LAI 叶面积指数 Landsat TM Landsat 专题测绘仪 Landsat ETM+ Landsat 增强专题测绘仪 Plus MERIS 中分辨率成像光谱仪 MIPAS 用于被动大气探测的迈克尔逊干涉仪 MODIS 中分辨率成像光谱辐射计 NASA 美国国家航空航天局
4AOP 自动大气吸收图集业务版本 6SV1 太阳光谱中卫星信号的第二次模拟,版本 1 ASCII 美国信息交换标准代码 ANOVA 方差分析 ASTER 先进星载热发射和反射辐射计 BRDF 双向反射分布函数 CASI 紧凑型机载光谱成像仪 CDOM 有色溶解有机物 CRTM 社区辐射传输模型 CNES 法国国家空间研究中心 CRTM 社区辐射传输模型 CRTM 社区辐射传输模型 CZCS 沿海区彩色扫描仪 ENVISAT 环境卫星 ESA 欧洲航天局 FOV 视场 GDAL 地理空间数据抽象库 GIS 地理信息系统 GPS 全球定位系统 GRASS 地理资源分析支持系统 GRETL GNU 回归、计量经济学和时间序列库 HCMR 希腊海洋研究中心 GUI 图形用户界面 HyMap高光谱测绘仪 ILWIS 综合陆地和水域信息系统 iPAQ internet CompAQ 出品的掌上电脑 KOPRA Karlsruhe 优化和精确辐射传输算法 LAD 最小绝对偏差 LAI 叶面积指数 Landsat TM Landsat 专题测绘仪 Landsat ETM+ Landsat 增强专题测绘仪 Plus MERIS 中等分辨率成像光谱仪 MIPAS 用于被动大气探测的迈克尔逊干涉仪 MODIS 中分辨率成像光谱辐射计 NASA 美国国家航空航天局
摘要。在时间和时间上估计总生产率(GPP)对于理解陆地生物圈对气候变化的反应至关重要。eddy covari-ance塔塔在生态系统量表上提供了GPP的原位估计,但是它们稀疏的地理分布限制了更大尺度的推断。机器学习(ML)技术已用于通过使用卫星遥感数据在空间上推出本地GPP测量来解决此问题。但是,重新设备模型的准确性可能会受到模型选择,参数化和解释特征的选择等不确定性的影响。自动化ML(AUTOML)的最新进展提供了一种新型的自动化方法,可以选择和合成不同的ML模型。在这项工作中,我们通过培训有关GPP在243个全球分布地点的GPP测量的三个主要汽车框架来探索汽车的潜力。我们根据不同的遥感解释变量集,比较了他们预见GPP及其空间和时间变异的能力。例外变量仅来自中等分辨率的光谱仪(MODIS)表面反射数据和光合作用的辐射,该变量在GPP中每月可变性的70%以上,而卫星衍生的Prox-ees,而范围衍生的Prox-IES用于冠层结构,光合作用,环境和环境,并将其流动性地层和ERANIALIAD RARIA raria rariacy(ERAL)变体(erean)。框架的预测能力。我们发现,自动框架的自动框架始终优于其他自动框架,以及预测GPP的经典随机森林回归器,但具有较小的性能差异,达到了