1979年—2019年兴凯湖湖冰物候变化的被动微波遥感监测
Monitoring ice phenology variations in Khanka Lake based on passive remote sensing data from 1979 to 2019
- 2022年26卷第1期 页码:201-210
纸质出版日期: 2022-01-07
DOI: 10.11834/jrs.20221267
引用
阅读全文PDF
扫 描 看 全 文
纸质出版日期: 2022-01-07
扫 描 看 全 文
引用
阅读全文PDF
季节性冻结与消融的湖冰是气候变化的重要指示器。本文以兴凯湖为例,基于1979年—2019年的被动微波遥感数据获取了兴凯湖的冻融日期,用2000年—2019年的中等分辨率成像光谱仪MODIS(Moderate-resolution Imaging Spectroradiometer)数据进行了验证,并用气候数据分析了湖冰物候变化的原因。结果表明被动微波与MODIS遥感数据在湖冰物候提取方面具有较好的一致性,也即MODIS的验证结果表明用低频被动微波亮度温度数据获取湖冰物候的方法是可行的,结果也是可靠的。平均而言,兴凯湖湖冰每年11-13左右开始冻结,11-23左右完全冻结,湖冰冻结持续时间9.80 d;次年04-23左右湖冰开始消融,04-30左右湖冰完全消融,消融持续时间8.03 d;湖冰完全封冻时间150.50 d,湖冰覆盖时间168.03 d。过去41 a,兴凯湖开始冻结日期没有明显变化,完全冻结日期平均推后了0.19 d/a,开始消融日期和完全消融日期分别提前了0.16 d/a和0.13 d/a,湖泊完全封冻时间和湖冰覆盖时间分别缩短了12.71 d和2.87 d。湖冰冻结日期推后与风速增大密切相关,消融日期提前和湖冰持续时间缩短与气温升高显著相关。
Seasonal freeze—thaw of lake ice is an important indicator of climate change. As a boundary lake between China and Russia, Khanka Lake has annual ice cover due to its low air temperature. Changes in ice phenology greatly affect the physical, chemical, and biological lake processes. Therefore, this study aims to obtain the ice phenology variations of Khanka Lake and analyze its influencing factors from 1979 to 2019.
An algorithm based on moving t test method is applied to determine the daily status of passive microwave calibrated enhanced resolution passive microwave (CETB) pixels, and then the ice phenology dates can be obtained by the thresholds of 5% and 95% of all the pixels. Subsequently, ice phenology results extracted from moderate-resolution imaging spectroradiometer (MODIS) daily snow product are used to compare with the results from passive microwave data. In addition, the meteorological data from Jixi station are used to analyze the reason for ice phenology variations of Khanka Lake.
The results show that the passive microwave and MODIS remote sensing data have good consistency in the extraction of lake ice phenology. On the average, lake ice begins to freeze on November 13 and completely freezes on November 23 every year, and the freezing duration of lake ice is 9.80 days. On April 23 of the following year, the lake ice begins to melt, and on April 30, the lake ice completely melted, lasting for 8.03 days. The complete freezing duration of lake ice is 150.50 days, and the ice cover duration is 168.03 days. In more than 41 years, the freeze-up start date has no evident change, but the freeze-up end date has been pushed back at 0.19 day/year. In addition, the break-up start date and break-up end date have advanced at 0.16 day/year and 0.13 day/year, respectively. The complete freezing duration and ice cover duration have shortened by 12.71 days and 2.87 days, respectively. The delay of freeze-up dates is closely correlated with wind speed up, whereas the advancement of break-up dates and shortening of the complete freezing duration and ice cover duration are significantly correlated with the increasing air temperature.
The consistency between ice phenology results from CETB dataset and MODIS daily snow product indicates that the extracting lake ice phenology from passive microwave brightness temperature with low frequency is feasible, and the results are reliable. Khanka Lake has experienced subsequent freeze-up end date and earlier break-up dates from 1979 to 2019, thereby shortening the complete freezing duration and ice cover duration. The increasing wind speed may be the main reason for the subsequent freeze-up dates, while the variations in break-up dates and ice cover durations can be explained by the increasing air temperature.
湖冰有很强的季节性,气温变化能够直观地反映在湖冰冻结和消融的时间上,因此湖冰覆盖状况、冻结消融时间等既是良好的气候变化指示器(
利用遥感技术监测湖冰是比较快捷方便的方法,它能获取长时间序列、大范围的湖冰观测数据,弥补了人工观测、以及水文与气象观测站点分布不均匀的缺点,为湖冰监测研究提供了非常有效的技术方法(
与光学遥感技术方法不同,微波遥感不受云雨天气条件的影响,而且被动微波遥感有较高的重访周期,可以获取每日的湖泊表面亮温信息,根据湖冰和湖水显著的亮温差异,即可提取湖泊的冻融日期(
国内利用遥感技术开展湖冰物候变化的监测研究主要集中在青藏高原湖区(
兴凯湖位于黑龙江省东南部的乌苏里江流域,是中国、俄罗斯之间的界湖,介于44°32′N—45°21′N,131°58′E—132°51′E。兴凯湖是由造山运动导致地壳陷落而形成的构造湖,呈椭圆形,南北长(约90 km),东西窄(约50 km)。湖面海拔69 m,正常蓄水位的湖泊面积约为4010 km2,水深为2—10 m。兴凯湖是河流直接补给的湖泊,入湖河流有10余条,而出湖河流仅有唯一的松阿察河。兴凯湖属于湿润半湿润的温带大陆性季风气候,年平均气温2.9—3.1 ℃,年平均降水量750 mm,夏季降水量约占全年的70%。兴凯湖冬季极其寒冷,11月开始结冰,15 d左右湖面全部冻结,湖冰厚度0.8—1.5 m,积雪深度可达20 cm,4月中下旬解冻,湖冰覆盖时间150 d左右。本文设定一个湖冰年周期从09-01开始至下一年的08-31,例如,2018-09-01—2019-08-31称为2019年的湖冰周期。
用美国雪冰中心(https://nsidc.org/data/[2021-04-29])CETB(Calibrated Enhanced Resolution Passive Microwave)产品中的SMMR(Scanning Multi-channel Microwave Radiometer)、SSM/I(Special Sensor Microwave Image)和SSMIS(Special Sensor Microwave Imager/Sounder)数据来提取兴凯湖的湖冰物候。其中美国雨云Nimbus-7卫星搭载的SMMR传感器,共有6.6 GHz、10.7 GHz、18.0 GHz、21.0 GHz和37.0 GHz 5个频段,时间分辨率是1 d,空间分辨率是25 km。SSM/I是搭载在DMSP(Defense Meteorological Satellite Program)系列卫星F8、F10、F11、F13、F14、F15上的传感器,SSMIS搭载在同系列F16、F17、F18、F19等卫星上,其中F15、F16、F17、F18仍在运行,共有19.35 GHz、22.2 GHz、37.0 GHz、85.5 GHz(SMMIS上用91.655 GHz通道代替85.5 GHz)4个频段。各频段时间分辨率均为1 d。
CETB是NASA(National Aeronautics and Space Administration)MEaSUREs(Making Earth System Data Records for Use in Research Environments)计划的一部分,是一种改进的格网地球系统数据记录,用于冰冻圈和水圈动态变化的监测。该数据集根据目前最成熟的星载被动微波二级数据生成,而且经过了跨传感器校准和质量检查,拥有更好的质量控制和改进的投影网格,并进行了本地时间的改进处理。数据集包含所有频段的25 km分辨率产品,同时根据通道频段不同,提供最高可达3.125 km的增强分辨率产品,是目前空间分辨率最高的被动微波亮温数据。本文使用3.125 km分辨率的CETB产品,时间序列为1979-10-26—2019-08-31。由于1986-04-02—06-23的Nimbus-7卫星数据缺失,因此无法获得该时间段兴凯湖的开始消融和完全消融日期。
MODIS每日积雪产品来自美国雪冰中心(https://nsidc.org/data/[2021-04-29])。美国NASA地球观测系统的Terra和Aqua卫星上均搭载有MODIS传感器,共有36个波段,空间分辨率包括250 m、500 m和1 000 m。基于归一化积雪指数NDSI(Normalized Difference Snow Index)方法生成了MODIS每日积雪产品MOD10A1/Terra和MYD10A1/Aqua,提供空间分辨率为500 m的分类后地表覆盖类型数据,包括陆地、云层、积雪等类型。其中MOD10A1产品自2000-02-24起,MYD10A1产品自2002-07-04起。NASA于2017年发布了第6个版本的MODIS积雪产品,提供像元百分比的积雪覆盖。2000-09—2019-08第六版MODIS每日积雪产品也被用于提取兴凯湖的湖冰物候,主要目的是验证CETB数据提取的湖冰物候结果。
使用兴凯湖附近鸡西气象站的数据(http://data.cma.cn/[2021-04-29])分析湖冰物候变化的原因。该站点位于130.57°E,45.17°N,获取了1979-09—2019-08的气温、降水和风速数据。与湖冰物候周期一致,采用9月至次年8月的数据计算年均气温、年均风速和年降水量。
冰和水的介电特性有显著差异,湖冰冻结和融化过程中,微波亮温在多个频段都会发生急剧变化,冰的亮温高于水的亮温,因此可以利用湖泊在有冰和无冰期间显著的亮温差异来获取湖冰日期。滑动t检验MTT(Moving T Test)阈值法在湖冰物候提取的过程中被证明非常有效(
湖泊的冻结和融化是一个变化的过程,在一个年周期内,至少会有两组亮温突变点(冻结和融化过程)。此外,由于湖冰的反复冻结、湖泊表面粗糙度变化等噪声存在,通常存在两组以上的连续突变点。对于一组突变点,第一个时间点前20 d的平均亮温,和最后一个时间点后20 d的平均亮温,分别可以代表变化过程前后的稳定状态。通常大型湖泊在形成湖冰覆盖前,会经历几天至几十天的冷却过程,这段时间湖泊的亮温处于全年最低时期。因此,选取所有突变组中最低的变化前亮温为湖水的亮温参考值,同组的变化后亮温为湖冰的亮温参考值。计算湖冰和湖水亮温参考值的均值作为划分湖冰与湖水状态的阈值。考虑到短期天气变化或传感器观测周期变化都可能引起湖泊亮温发生短暂变化,采用前后10 d的亮温均值代替原始亮温,并与阈值比较,进而判断当日的湖冰/湖水状态。
由于CETB产品原始观测数据的足迹点为25 km,导致靠近湖泊边界的像元很可能包含陆地混合信息,不能真实表现湖泊亮温在水/冰转换时的变化。为了避免陆地的干扰,并尽可能多地获取可用的、纯净像元,设置两个像元大小(6.25 km)的缓冲区,排除严重受陆地影响的像元,进而可以保证湖冰物候的提取精度。对于经过筛选的像元,统计每天湖冰和湖水的像元数量,设置年内湖水像元最大值为湖泊的总像元量,计算5%和95%的阈值,用于提取湖泊冻融日期(
以2018年—2019年兴凯湖的湖冰冻融过程为例,6.25 km的缓冲区可以筛选得到良好的湖泊冻融过程曲线(
图1 2018年—2019年兴凯湖冻融日期的提取过程
Fig. 1 The extraction process of freeze-thaw dates of Khanka Lake from 2018 to 2019
图2 兴凯湖缓冲区范围及2018年、2019年冻融日期结果
Fig. 2 The buffer and the ice phenology results of Khanka Lake from 2018 to 2019
(a) 缓冲区范围 (b) 开始冻结日的原始亮温和像元覆盖结果 (c) 完全冻结日 (d) 开始消融日 (e) 完全消融日
(a) The buffer for khanka lake (b) The brightness temperature and lakeice/water cover results for freeze-up start date (c) Freeze-up end date (d) Break-up start date (e) Break-up end date
由于Terra是上午星,Aqua是下午星,可以通过双星合成法和临近日五天合成法两个步骤完成去云(
由于湖泊面积变化和不可避免的像元分类错误,首先对兴凯湖范围内每年的湖水像元数量取组中值,将其划分为大于组中值和小于组中值的两组,分别计算均值作为开阔水域状态和湖冰覆盖状态的像元数量参考值,利用两个参考值的5%和95%作为阈值提取每年的湖泊冻融日期(
被动微波遥感数据提取湖冰物候的误差来源于两个方面:卫星运行模式导致的周期性数据缺失,以及湖泊冻融日期提取过程产生的误差。理论上被动微波数据的时间分辨率为1 d,但由于存在轨道条带间隔,实际上并非如此。采样间隔在1979年—1987年的数据中产生4—6 d的误差,1988年—2019年的数据中产生1—3 d的误差(
湖泊冻融日期提取过程中的误差主要由混合像元造成。以SSM/I为例,虽然增强分辨率产品的空间分辨率为3.125 km,但原始数据的足迹点约为25 km。因此,单个像元可以获取多种不同地表特征信息(
采用相关系数(r)、平均偏差(bias)和平均绝对误差MAE(Mean Absolute Error)评价被动微波和MODIS数据获取的湖冰物候结果的一致性和差异性。用Mann-Kendall检验评估湖冰物候变化趋势的方向和显著性,用Sen’s斜率法计算湖冰冻融日期和部分气候要素时间序列的变化速率。同时相关系数也被用于评价湖冰物候与气候要素(气温、降水和风速)之间的相关性。
无论是开始冻结日期、完全冻结日期、开始消融日期还是完全消融日期,被动微波和MODIS提取的结果都有较大的相关系数(
图3 被动微波与MODIS数据提取兴凯湖冻融日期的交叉验证
Fig. 3 Cross-validation for ice phenology of Khanka Lake derived from passive microwave remote sensing data and MODIS
由于MODIS和被动微波数据类型不同、分辨率不同、提取湖泊冻融日期的方法不同,两者获取的日期结果有不可避免的差异。MODIS的空间分辨率更高,比被动微波更能反映实际情况,但云的存在增加了数据结果的不确定性;被动微波容易忽略湖面冻融的细节信息,且有周期性的数据缺失,但提取湖泊冻融日期的过程没有额外的干扰信息。尽管有一定的差异,总体上,被动微波和MODIS获取的湖泊冻融日期都呈现显著的相关性,表明基于被动微波数据提取湖泊冻融日期的方法是可行的,其结果也是可靠的。
1979年—2019年,平均而言,兴凯湖大约每年11-13开始冻结,11-23完全冻结,湖冰冻结持续时间9.80 d(
图4 1979年—2019年兴凯湖湖冰物候的变化
Fig. 4 The ice phenology variations of Khanka Lake from1979 to 2019
*表示线性回归系数在95%的置信度上显著
过去41年,平均而言,兴凯湖湖冰完全封冻时间150.50 d,湖冰覆盖时间168.03 d。最短的完全封冻时间发生在2018年/2019年,具体日期为2018-12-03—2019-03-27,完全封冻时间为114 d。最长的完全封冻时间发生在1980年/1981年,也即1980-11-10—1981-04-27,完全封冻时间长达168 d。最短的湖冰覆盖时间也发生在2018年—2019年,具体日期为2018-11-21—2019-04-09,湖冰覆盖时长为139 d。最长的湖冰覆盖时间发生在1984年—1985年,也即1984-11-07—1985-05-14,湖冰覆盖时间超过半年,长达188 d。
1979年—2019年,兴凯湖开始冻结日期没有明显的变化,完全冻结日期平均推后了0.19 d/a,总共推迟了7.79 d (
将1979年—2019年兴凯湖的湖冰冻融日期变化与鸡西气象站的年总降水、年均风速和气温变化进行比较(
湖冰物候 | 降水 | 风速 | 气温 |
---|---|---|---|
开始冻结日 | 0.03 | 0.08 | 0.26 |
完全冻结日 | 0.00 | 0.35* | 0.21 |
开始消融日 | 0.02 | -0.09 | -0.71* |
完全消融日 | 0.01 | -0.09 | -0.69* |
封冻持续时间 | 0.02 | -0.26 | -0.66* |
湖冰覆盖时间 | -0.01 | -0.09 | -0.62* |
注: 带*号的数字表明相关性在95%的置信度上显著。
鸡西气象站的数据表明1979年—2019年兴凯湖流域气温明显升高,升高速率为0.024 ℃/a。气温与冻结日期有一定的正相关关系,与消融日期和湖冰持续时间呈显著的负相关关系(
图5 1979年—2019年兴凯湖湖冰覆盖时间与气温之间的关系
Fig. 5 The relationship between ice cover duration of Khanka Lake and air temperature from 1979 to 2019
利用1979年—2019年的被动微波遥感数据获取了兴凯湖的湖冰物候,与2000年—2019年MODIS遥感数据的结果具有较好的一致性,这表明用被动微波亮温数据获取湖冰物候的方法是可行的,结果也是可靠的。过去41 a,兴凯湖湖冰开始冻结日期没有明显变化,完全冻结日期推迟了7.79 d,开始消融日期和完全消融日期分别提前了6.56 d和5.33 d。湖冰完全封冻时间和湖冰覆盖时间分别缩短了12.71 d和2.87 d。气温升高是湖冰冻结日期推后、消融日期提前以及湖冰持续时间缩短的主要原因。因此湖冰冻结、消融日期以及湖冰持续时间可以作为湖区气候变化的指示器。
湖冰作为气候变化的一种指示器,仅靠地面观测无法满足全方位、多视角湖冰研究的需求。对于兴凯湖这样偏远、跨国界、大面积的湖泊来说,用遥感方法来获取湖泊冰情信息进而分析其对区域气候变化的响应非常有必要。长时间序列、高时间分辨率、免费的被动微波遥感数据在湖泊冰情对气候变暖的响应研究方面发挥了举足轻重的作用。然而被动微波遥感数据空间分辨率低,大大限制了数据的应用范围。在今后的研究中,混合像元的分解可以作为新的研究方向,如能解决这个问题则可以在一定程度上扩大数据的应用范围,分析一些中小湖泊的湖冰物候变化。对亮温曲线不明显的年份,湖冰物候的提取方法也需要进一步优化和调整,寻找一种能够降噪的算法以提高湖冰物候提取结果的精度。此外,湖泊冰情变化的影响因素众多,除了气温之外,还有地形、风向风速、盐度、水深等因素,将高分辨率的多源遥感与气象、水文等观测或模式数据相结合,综合分析湖泊冻结消融状况及其对气候变化的响应也是未来重要的发展方向。
Bennartz R. 1999. On the use of SSM/I measurements in coastal regions. Journal of Atmospheric and Oceanic Technology, 16(4): 417-431 [DOI: 10.1175/1520-0426(1999)016<0417:OTUOSI>2.0.CO;2] [百度学术]
Cai Y, Ke C Q and Duan Z. 2017. Monitoring ice variations in Qinghai Lake from 1979 to 2016 using passive microwave remote sensing data. Science of the Total Environment, 607-608: 120-131 [DOI: 10.1016/j.scitotenv.2017.07.027] [百度学术]
Cai Y, Ke C Q, Li X G, Zhang G Q, Duan Z and Lee H. 2019. Variations of lake ice phenology on the Tibetan Plateau from 2001 to 2017 based on MODIS data. Journal of Geophysical Research: Atmospheres, 124(2): 825-843 [DOI: 10.1029/2018JD028993] [百度学术]
Cai Y, Ke C Q, Yao G H and Shen X Y. 2020. MODIS-observed variations of lake ice phenology in Xinjiang, China. Climatic Change, 158(3/4): 575-592 [DOI: 10.1007/s10584-019-02623-2] [百度学术]
Che T, Li X and Jin R. 2009. Monitoring the frozen duration of Qinghai Lake using satellite passive microwave remote sensing low frequency data. Chinese Science Bulletin, 54(13): 2294-2299 [百度学术]
车涛, 李新, 晋锐. 2009. 利用被动微波遥感低频亮温数据监测青海湖封冻与解冻期. 科学通报, 54(6): 787-791 [DOI: 10.1007/s11434-009-0044-3] [百度学术]
Chen X Z, Wang G Y, Li W J, Zeng Q Z, Jin D H and Wang L H. 1995. Lake ice and its remote sensing monitoring in the Tibetan Plateau. Journal of Glaciology and Geocryology, 17(3): 241-246 [百度学术]
陈贤章, 王光宇, 李文君, 曾群柱, 金德洪, 王丽红. 1995. 青藏高原湖冰及其遥感监测. 冰川冻土, 17(3): 241-246 [百度学术]
Du J Y, Kimball J S, Duguay C, Kim Y and Watts J D. 2017. Satellite microwave assessment of northern hemisphere lake ice phenology from 2002 to 2015. The Cryosphere, 11(1): 47-63 [DOI: 10.5194/tc-11-47-2017] [百度学术]
Gafurov A and Bárdossy A. 2009. Cloud removal methodology from MODIS snow cover product. Hydrology and Earth System Sciences, 13(7): 1361-1373 [DOI: 10.5194/hess-13-1361-2009] [百度学术]
Gould M and Jeffries M. 2005. Temperature variations in lake ice in central Alaska, USA. Annals of Glaciology, 40: 89-94 [DOI: 10.3189/172756405781813825] [百度学术]
Howell S E L, Brown L C, Kang K K and Duguay C R. 2009. Variability in ice phenology on Great Bear Lake and Great Slave Lake, Northwest Territories, Canada, from SeaWinds/QuikSCAT: 2000-2006. Remote Sensing of Environment, 113(4): 816-834 [DOI: 10.1016/j.rse.2008.12.007] [百度学术]
Ke C Q, Tao A Q and Jin X. 2013. Variability in the ice phenology of Nam Co Lake in central Tibet from scanning multichannel microwave radiometer and special sensor microwave/imager: 1978 to 2013. Journal of Applied Remote Sensing, 7(1): 073477 [DOI: 10.1117/1.JRS.7.073477] [百度学术]
Kouraev A, Semovski S, Shimaraev M, Mognard N, Legresy B and Remy F. 2007. Observations of Lake Baikal ice from satellite altimetry and radiometry. Remote Sensing of Environment, 108(3): 240-253 [DOI: 10.1016/j.rse.2006.11.010] [百度学术]
Kropáček J, Maussion F, Chen F, Hoerz S and Hochschild V. 2013. Analysis of ice phenology of lakes on the Tibetan Plateau from MODIS data. The Cryosphere, 7(1): 287-301 [DOI: 10.5194/tc-7-287-2013] [百度学术]
Qi M M, Yao X J, Li X F, An L N, Gong P, Gao Y P and Liu J. 2018. Spatial-temporal characteristics of ice phenology of Qinghai Lake from 2000 to 2016. Acta Geographica Sinica, 73(5): 932-944 [百度学术]
祁苗苗, 姚晓军, 李晓锋, 安丽娜, 宫鹏, 高永鹏, 刘娟. 2018. 2000-2016年青海湖湖冰物候特征变化. 地理学报, 73(5): 932-944 [DOI: 10.11821/dlxb201805012] [百度学术]
Sharma S, Blagrave K, Magnuson J J, O’Reilly C M, Oliver S, Batt R D, Magee M R, Straile D, Weyhenmeyer G A, Winslow L and Woolway R I. 2019. Widespread loss of lake ice around the Northern Hemisphere in a warming world. Nature Climate Change, 9(3): 227-231 [DOI: 10.1038/s41558-018-0393-5] [百度学术]
Sharma S, Meyer M F, Culpepper J, Yang X, Hampton S, Berger S A, Brousil M R, Fradkin S C, Higgins S N, Jankowski K J, Kirillin G, Smits A P, Whitaker E C, Yousef F and Zhang S. 2020. Integrating perspectives to understand lake ice dynamics in a changing world. Journal of Geophysical Research: Biogeosciences, 125(8): [百度学术]
e2020JG005799 [DOI: 10.1029/2020JG005799] [百度学术]
Wang G X, Zhang T J, Li X D, He Z L and Li Y X. 2021. Detecting changes of ice phenology using satellite passive microwave remote sensing data in Qinghai Lake. Journal of Glaciology and Geocryology, 43(1): 296-310 [百度学术]
汪关信, 张廷军, 李晓东, 何灼伦, 李宇星. 2021. 利用被动微波探测青海湖湖冰物候变化特征. 冰川冻土, 43(1): 296-310 [DOI: 10.7522/j.issn.1000-0240.2020.0528] [百度学术]
Wang G X, Zhang T J, Yang R M, Zhong X Y and Li X D. 2020. Lake ice changes in the Third Pole and the Arctic. Journal of Glaciology and Geocryology, 42(1): 124-139 [百度学术]
汪关信, 张廷军, 杨瑞敏, 钟歆玥, 李晓东. 2020. 从第三极到北极: 湖冰研究进展. 冰川冻土, 42(1): 124-139 [DOI: 10.7522/j.issn.1000-0240.2020.0008] [百度学术]
Weber H, Riffler M, Nõges T and Wunderle S. 2016. Lake ice phenology from AVHRR data for European lakes: an automated two-step extraction method. Remote Sensing of Environment, 174: 329-340 [DOI: 10.1016/j.rse.2015.12.014] [百度学术]
Wei Q F and Ye Q H. 2010. Review of lake ice monitoring by remote sensing. Progress in Geography, 29(7): 803-810 [百度学术]
魏秋方, 叶庆华. 2010. 湖冰遥感监测方法综述. 地理科学进展, 29(7): 803-810 [DOI: 10.11820/dlkxjz.2010.07.005] [百度学术]
Wu Y H, Duguay C R and Xu L L. 2021. Assessment of machine learning classifiers for global lake ice cover mapping from MODIS TOA reflectance data. Remote Sensing of Environment, 253: 112206 [DOI: 10.1016/j.rse.2020.112206] [百度学术]
Xiao D and Li J P. 2007. Spatial and temporal characteristics of the decadal abrupt changes of global atmosphere-ocean system in the 1970s. Journal of Geophysical Research: Atmospheres, 112(D24): D24S22 [DOI: 10.1029/2007JD008956] [百度学术]
Yang Q, Song K S, Wen Z D, Hao X H and Fang C. 2019. Recent trends of ice phenology for eight large lakes using MODIS products in Northeast China. International Journal of Remote Sensing, 40(14): 5388-5410 [DOI: 10.1080/01431161.2019.1579939] [百度学术]
Yao X J, Li L, Zhao J, Sun M P, Li J, Gong P and An L N. 2015. Spatial-temporal variations of lake ice in the Hoh Xil region from 2000 to 2011. Acta Geographica Sinica, 70(7): 1114-1124 [百度学术]
姚晓军, 李龙, 赵军, 孙美平, 李净, 宫鹏, 安丽娜. 2015. 近10年来可可西里地区主要湖泊冰情时空变化. 地理学报, 70(7): 1114-1124 [DOI: 10.11821/dlxb201507008] [百度学术]
Yin Q J and Yang Y L. 2005. Remote sensing monitoring of Lake Qinghai based on EOS/MODIS data. Journal of Lake Sciences, 17(4): 356-360 [百度学术]
殷青军, 杨英莲. 2005. 基于EOS/MODIS数据的青海湖遥感监测. 湖泊科学, 17(4): 356-360 [DOI: 10.18307/2005.0413] [百度学术]
相关作者
相关机构