基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目

责编:

一、对数据集的意见

1、“数据库(集)基本信息简介”里面介绍数据格式为shp和xls,但是在数据集里面,除了这两种格式,还有CPG、dbf、prj、sbn、sbx、shx等格式文件,请作者补充完整; 2、“数据库(集)基本信息简介”的“数据库(集)组成” SEQTP_glacier_inventory_extent.zip 与SEQTP_glacier_inventory_attributes.zip的数据量分别为“4KB”“423KB”,与数据集中两者的数据量不相符合,请作者统一二者; 3、在论文中建议作者酌情介绍一下CPG、dbf、prj、sbn、sbx、shx等格式文件的打开方法,如需要什么软件。

二、对数据论文的意见

1. 第1.1节中“影像对”一次是否有误?

2. “Fine-Beam Dual mode(FBD-HH/HV)”建议补充中文,如“日本太空发展署(Japan Aerospace Exploration Agency,JAXA)”。其他类似地方也建议酌情补充。

3. 图1:①图片说明“数据集空间范围和所用的Landsat影像和PALSAR影像轨道覆盖”是否有误?②图片中请补充经纬度标识,如E/N。

4. 图2:DEM处理过程中的“阈值分割”是“25°”,其他的数值后面都没有单位,请检查是否有误。

5. 第1.2.1节中:①第一段“Landsat 7 / ETM+ 影像中由于扫描线校正器故障形成的数据缺失条带掩膜为背景值”句子不完整或不流畅,请修改。②“云掩模”还是“云掩膜”?③“……采用滤波和范围和方位方向上的6×14多视处理……”似乎有误,请确认。

6. 第1.2.2中:①“(<15°)”“(slope <25°)”表述方式略有不同,请考虑是否应统一。②“基于单景影像的冰雪(水体/植被)掩膜通过栅格合并,可以得到……”主语有误,建议改为“通过合并基于……栅格……”或其他。

7. 第1.2.3中:“……以上得到的5个掩膜数据得到……”,建议修改本句。

8. 图5选这4个区域的小图有哪些考虑?建议在文中稍加说明。

9. 第4章中:①建议对本章的表述稍作修改,使得内容更贴近本章标题。②“2000年代”的意思不明确,是2000年还是2000前后或其他?请修改。

10. 图6为什么选这4个区域的小图?请考虑是否需在文中稍加说明。

11. 第5章中最后的句子过长,表意不够清晰,建议修改,并在句中增加“,”“;”分隔符。

 

【2017-02-15】 评论来自:版本 2
作者:

数据集:

1. 所指出的CPG、dbf、prj、sbn、sbx、shx文件均为shapefile矢量文件(主体.shp文件)的辅助文件,这些辅助文件不需要单独打开,用户也无需去查看,但是这些文件是shapefile文件正确打开所必须的,详情请查看shapefile标准文件格式说明。

2. 上传后显示的SEQTP_glacier_inventory_extent.zip 为2.84KB, SEQTP_glacier_inventory_attributes.zip为423.3KB, 文档中分别为2.8, 423.3 3. 这些文件不能单独打开

数据论文:(修改部分在正文用红色字体标识)

1. ‘影像对’ 改为了 ‘影像’

2. 这一名词的中文翻译不统一,常用为‘高分双极化模式’,已经补充。其它的如 ‘DEM’, 'InSAR'在首次出现的时候加了补充。另外一些领域常用的英文(传感器名,数据集名)没有统一的翻译,也经常在中文文献中以英文出现,故没有补充。

3. 图片已经补充经纬度标识。图片说明的表述改为更清晰,但是基本意思无误。

4. 其它数值是针对无量纲,没有单位

5. ①此句已作修改。②掩膜的拼写错误已改正。 ③第三句也已经作了表述修改。

6. 关于坡度的表述已经统一。②此句按照建议已作修改

7. 此句已作修改

8. 针对小图的说明已加,用红色字体标识标出。

9. 因为对数据价值这一节的指导说明为‘本部分应通过和国内外相关数据集的比较,体现数据来源、数据整理加工过程、质量控制等方面的创新性’,所以关注与本数据集与其它数据集的比较。为使创新性的表述更明显,已作修改。② 改为具体的‘2000-2010’

10. 选择四个小图的用意在文中概括出。 11. 此句已做修改。

【2017-02-17】 评论来自:版本 2
责编:

同评专家一:   该文要素齐全,建议作者把题目修改为偏数据论文的形式,并对照数据本身的属性描述作和论文内容做详细的一致性检查后。可建议接收。   

同评专家二:   该论文通过利用可见光遥感结合PalSAR微波遥感数据,编制了青藏高原东南部地区的2013年前后的冰川编目,较有效地克服了该地区云雪遮盖影响严重的问题,为已发布的中国第二次冰川编目提供了一个很好的补充。该论文结构规范合理,用词科学严谨,是一篇合格的数据论文。有以下建议供作者参考和借鉴:   

1)对于基于多光谱遥感的冰川提取方法,当前国际上通行的是用简单的波段比值阈值分割方法。根据本人的测试,NDSI方法在提取冰川时会面临较多的问题(如下面Case 1&2所示,计算基于TOA反射率),势必会对自动提取结果带来很大影响。相对而言,波段比值法在提取冰川有很大的优势。不知作者是基于什么原因选择NDSI方法来提取冰川(或NDSI方法相对于波段比值方法的优势是什么?相关内容在作者发表的JoG论文中也没有见到),并且是如何解决NDSI方法存在的问题的,请做一些补充说明。   (所有图片见邮件)   Case 1:基于TM5/NDSI区分冰川(P133R40,2009-10-14,右侧为NDSI by TOA);   Case 2:基于OLI/NDSI区分冰川(P137R40,2015-12-30,右侧为NDSI by TOA);   NDSI方法面临的问题:1)利用两种数据的TOA反射率值计算的NDSI,在大部分区域都具有0.4以上的值,利用>0.4阈值基本无法区分冰川和非冰川,即便能够应用于特定影像,但方法和阈值的普适性存在较大问题;2)非冰川区部分区域,特别是如图所示红色范围内的阴坡区域(非阴影区),其NDSI值也很高,即便是选取较高的阈值,这些区域也会对自动提取带来很大干扰;3)在两篇文章中作者均没有特别强调使用TOA反射率计算NDSI的重要性,但根据本人的试验,如果简单利用波段DN值来计算NDSI,其结果与TOA反射率全然不同并基本无法用于区分冰川(如下图,NDSI值更倾向于分布在两个极端)。建议作者对这一点特别说明,以免对读者带来一些误导。   Case 3:基于DN值的NDSI区分冰川(左:上图TM5;右:上图OLI);   

2)用NDWI区分水体也存在与冰川相同的问题,即需要特别强调使用TOA反射率的必要性,因为DN值和TOA计算出来的结果截然不同;0.15阈值的选取似乎可推广性也较弱,因为在本人的试验条件下,大部分冰雪表面也都具有0.25以上的NDWI值;此外,阴影对NDWI的影响程度过大,使用地形进行过滤不仅对DEM质量有很高要求,同时最佳方法也应该是基于遥感影像获取日期计算而得的山影图,而非简单的坡度过滤。   

3)利用PALSAR相干系数提取冰川和表碛覆盖区是本文的一个创新点,但通观全文未见到相关方法的示例说明。为保持文章方法部分的完整性,同时避免部分读者不便查询作者JoG文章,建议作者给出一幅插图,来说明PALSAR相干图对冰川和表碛区的指示能力,让读者对这种方法有更直观的了解。   

4)文中对冰川上部边界分冰岭的提取叙述过于简单。冰川分冰岭的提取与传统水文学意义上的流域边界提取不尽相同,如各条冰川下游汇流口的确定(自动?还是手工?)坡面冰川间的分冰岭如何提取?另外,目前30m分辨率的SRTM数据也已经公开,并且与Landsat影像的分辨率更为接近,为何还在用90m分辨率的SRTM数据?(30m SRTM的空洞问题在90m SRTM中解决的也不理想,可同样用30m GDEM进行替换)   

5)文中对于冰川属性信息提取方法的描述过于简单,部分属性的提取不易用通用GIS软件的功能简单实现,如冰川中值面积高度、冰川平均坡向和冰川经纬度坐标等,特别对于冰川平均坡向的计算,应较详细的说明其计算步骤(或提供相应的参考文献),以免读者混淆相关概念。此外,按照国际惯例,冰川编目还需要提供其它一些基本的属性信息,如冰川所属流域、所属行政单元,以及冰川名称等,也建议作者予以补全。   

6)由于冰川是运动的实体,冰川与两侧侧碛垄或基岩的摩擦会导致冰川两侧边界在各种尺度上都具有一定的平滑性。但根据文中给出的样本图(图4和后续诸图),本文提供的冰川边界很大程度上都表现出一种锯齿形的形状。这会导致对冰川的实际代表性出现一定程度的欠缺。   

7)对于冰川编目成果精度的评估,由于人工数字化成果的不确定性,目前国际上较权威的做法,除了与野外实测结果相比较外,是与基于高分辨率遥感影像提取的冰川编目数据相比较来获取成果的精度。文中采用的方法是将人工修订后的自动化提取结果与纯人工数字化的结果相比较,但这两种成果严格来讲没有很明显的差异(特别由于第一条中所描述的NDSI方法存在的问题,势必要求对自动提取结果进行较大规模的人工修订),因而进行这种比较的意义就不是很明确。同时,精度评估不仅需要评估编目数据整体的精度,实际生产应用中更多用到的是每条独立冰川各自的面积,因而还需要对各条冰川的面积精度进行独立的评估。因此,建议作者寻找更合理的方式,来对冰川编目数据整体和各条冰川各自的精度进行评估。   

同评专家三:   此冰川编目,有效地减小了云、季节性冰雪和冰碛覆盖对冰川范围识别的影响,是一个很好的数据集,建议接受!

【2017-03-15】 评论来自:版本 2
作者:

同评专家一:   谢谢专家的建议。数据论文题目要求体现数据集时间、地点、数据类型,综合考虑后目前是比较适合的形式。 

同评专家二:   针对专家的逐条评论的回复请见稿件文件附件(有图)   首先,非常感谢对这篇数据文章的肯定以及提出的宝贵意见。特别是审稿专家对于数据方法的仔细考量,提出了一些对于细节问题的思考。以下是对提出的意见的逐一回复。由于这是一篇数据文章,对于文章结构和主体内容有明确要求,所以本文没有在方法背景知识、创新意义和细节上做过多阐述和讨论,也是为避免与已发表JOG论文的重合。所以这里详细讨论的部分问题,我们没有在文章上相应大幅修改。希望我们对于相关问题的讨论和解释能方便审稿专家对有关问题的理解。   

1)基于NDSI识别冰雪的方法   波段比值法和NDSI方法广泛运用于冰川的识别。其基本原理是基于冰雪在可见光波段(如500-700nm波段, TM band 2(52 0nm~600 nm)/band 3(630 nm~ 690 nm))的高反射和长波红外(>1000 nm, 如TM band 5(1550 nm ~ 1750 nm))的高吸收,如下图。波段比值(如 TM band 3/TM band 5,TM band 2/ TM band 5或TM band 4/ TM band 5)和归一化的波段比值(如NDSI)会强化冰雪的波谱特性,从而利于冰雪的识别。在冰川制图中这两种方法都有被采用,例如,波段比值法(如Paul and Andreassen 2009; Bolch et al. 2010),NDSI方法(如Hall et al. 1995; Racoviteanu et al. 2008; Burns and Nolin 2014),一些研究也指出这两种方法的结果是相当的(Paul and Kääb 2005; Paul and Andreassen 2009)。波段比值法的优势是简单,可以直接利用影像的原始DN值进行计算。值得指出的是基于DN值的波段比值法所得到的值是没有物理意义的。由Haul等人提出NDSI方法来区分冰雪,并指出基于波段反射率计算的归一化的波段比值比基于DN值合理(Hall et al. 1995),计算公式见(1)。类似于广泛使用的NDVI和 NDWI, NDSI的计算是基于具有明确物理意义的量(反射率),因此利于辐射和地形校正,减轻由于不同传感器 、不同区域、不同时间获取的影像造成比值的差异(Burns and Nolin 2014)。这种归一化的参数如NDSI, NDVI,在分类中对于阈值的控制更为简单和稳健,所以有益于大区域、不同时间、传感器获得的影像的自动分割。NDSI还能成功识别在云和 阴影下的冰雪(Racoviteanu et al. 2008)。这是本文选取NDSI方法的背景。   NDSI 计算公式:   NDSI=(ρ_(TM band 2)-ρ_(TM band 5))/(ρ_(TM band 2)+ρ_(TM band 5)) (1)   其中ρ_(TM band 2) 和ρ_(TM band 5) 指的是TM波段2和波段5的反射率(反射率的正常值域范围为[0,1])。在缺乏准确的大气改正模型或者大气影响比较小的情况下,反射率可用顶端反射率(TOA)替代.   图1 不同形态冰雪的反射波谱(来自http://www2.hawaii.edu/~jmaurer/albedo/)   审稿专家所反应的NDSI不能区分冰雪的问题,如示例中植被和阴坡区NDSI很大,引起了我们的注意,因为这种问题没有文献报告过,在我们的经验中也没有存在这种问题。因此我们专门对示例数据进行了测试。我们下载了示例中所用到的两幅影像(获取网站为https://earthexplorer.usgs.gov/),数据名为LT51330402009287BJC00和LC81370402015348LGN00,计算了顶端反射率(TOA)后再计算NDSI, 然后用0.4的阈值进行分类, 得到的结果如图2和图3所示。而根据我们的计算结果,基于NDSI的分类结果是没有问题的,没有误分明显非冰川为冰川的情况。在第二个案例中(图3),由于影像获取时间为冬季,太阳高度角低,地形阴影的影响比较大(部分阴影区NDSI较大),而通过加入可见光反射率阈值,这些阴影可以通过加入可见光波段反射率简单除去(阴影区所有波段的反射率都极低,而冰雪在可见光反射率很高,如果加入一个波段反射率阈值,如TOAOLI_band3 > 0.1, 可掩膜去掉阴影而不影响对冰雪的判断,图3右下所示)。在冰川编目中,冬季影像以及地形阴影影响比较大的影像是不被推荐使用的,因为阴影的存在使得识别冰川很困难(存在阴影之下实地是冰川的情况)。鉴于专家所给案例中的NDSI与我们计算的差别比较大,应该考虑NDSI计算是否准确的问题。我们注意到所给示例中冰川区域存在NDSI>1.0的情况,而根据NDSI计算公式(1),除了小部分噪声和异常值造成NDSI值异常以外,NDSI的正常范围是 [-1,1]。由此我们建议对于TOA的计算公式进行检查。TOA的计算可以参考文献Chander et al. 2009。   图2基于NDSI采用阈值0.4对Landsat P133R40, 2009-10-14影像进行分类   图3基于NDSI采用阈值0.4对Landsat P137R40, 2015-12-30影像进行分类(左下是基于NDSI阈值划分的结果;右下是加入在可见光波段反射率阈值(如OLI band3 > 0.1)后去除地形阴影的效果(阴影在可见光波段反射率极低))   综上所述,NDSI在提出的同时并在后续应用中,默认利用反射率的情况比较常见,所以本文没有对这一点作过多说明,但在数据预处理中说明了要根据MTL文件的参数计算TOA。为强调这一点,我们在后面给出的各指标计算公式中,明确了是利用TOA计算的说明。在TOA计算正确的前提下,采用0.4的阈值进行分类对于本研究区是具有普适应的(基于MODIS卫星的全球冰雪产品也是利用这个阈值)。NDSI分类方法可能存在的问题是地形阴影以及阈值的选取对冰川边界准确度的影响。地形阴影会妨碍对于冰川的识别,所以需要选取太阳高度角比较大,接近正视的影像(在北半球中纬度地区夏季影像太阳高度角比较大,地形阴影少)。阈值选取方面,根据我们的测试,分类结果对于一定范围内NDSI阈值,比如0.39-0.46范围内,并不敏感,所造成的分类面积差异在1%以内。相对于其它问题来说,比如季节性冰雪、云覆盖、阴影、冰碛冰川的识别,由NDSI阈值设定产生的误差是比较小的。   

2)用NDWI区分水体的问题   为相应地突出利用的是TOA, 我们在计算公式中加了说明。值得指出的是,对于归一化的指数如NDSI, NDWI, NDVI, 一般默认都是基于反射率计算,这些指数往往与地表属性相联系(具有一定的物理意义), 而基于DN值计算则丧失了这些指数的优势和物理含义。本文0.15阈值的选取是基于经验的,并参考了水体制图中一般性的阈值选取范围。在冰雪表面有融化的情况下,NDWI有可能很大,但是总体是与水体可分的,主要的误分在于阴影(地形和云)(图4)。当然是要TOA和NDWI计算公式正确的情况下。基于NDWI提取水体最大的问题是阴影 (比NDSI对于阴影更为敏感),所以我们采用坡度进行控制。正如专家指出,基于影像获取日期计算而得的DEM用来计算坡度是最合理的,但是在实际操作上由于数据限制不可行(无法获取如此多的高精度DEM);阴影图能识别哪些地方是阴影但是不能判断阴影下的地表类型。同时必须指出的的是,我们的目的是为了掩膜水体,而不是算出非常准确的水体范围。精确提取水体范围本身比较复杂,自动化解决阴影的影响目前还没有可靠的方案。在冰川制图中水体掩膜主要去除冰前湖、大湖和大河的影响,后续还需要人工检查控制来提高质量。   图4 基于NDWI采用阈值0.15对Landsat P133R40, 2009-10-14影像进行分类(注意冰雪区NDWI一般不超过0.15, 除非有云和地形阴影)   

3)PALSAR相干图问题   在JOG文章中,我们给出了PALSAR相干图在冰川表碛覆盖区的图样,说明在这些地区存在相干性低的问题。相干性是我们辅助判断冰碛冰川的一个因素之一,如要完整阐述方法,则需另外加入很多示例图,这样全文图表数目增多,并且会与已发表论文重复。单独列出相干图在全文的逻辑中有点突兀,而且文中没有合适的地方可以插入这一点。所以考量之后我们并没有加入新的图。相干性是数据处理的一个方面,感兴趣的读者可以参考已发布的文章来参阅。   

4)冰川上部边界分冰岭的提取问题   这个问题是冰川学和水文学的传统问题,在此数据集编译中我们是参考文献资料中(Bolch et al. 2010)的自动化方法,并加以人工编辑(对照地形hill shade图和Landsat影像)而成,这些方法与之前研究文献基本一致。在这一步中我们并没有做过多创新性改进,所以没有详述(在JOG中有所论述)。在这篇数据集完成的时候(2014年年底),30 m SRTM并没有公开,所以是基于90 m SRTM完成。与流域有子流域一样,冰川分水岭的划分也的确涉及到空间尺度问题,具体问题是同一个坡面的冰川要划分到多细致。我们是将原始整体的冰川边界计算一定缓冲范围,在这个范围内进行流域划分计算(自动化watershed analysis in ArcGIS),然后进行编辑,坡面冰川间的分冰岭,一方面是参考冰川的自然空间分离(空隙),另一方面是参考地形做出的hill shade图参考冰水流向和聚集。相对于冰川制图,冰川流域划分本质上一个单独的问题,需要高精度的DEM。 如果有准确的、统一尺度的冰川流域划分数据作参考,可以考虑先将本文的冰川目录数据合并,然后进行重新分割。这部分可以是后续工作或者是使用者作进一步处理的参考。   

5)冰川属性提取问题   冰川属性中关于地形因子的统计,如最大高程、最小高程、平均高程、中值高程可以通过ArcGIS 中的区域统计功能(Zonal statistics),基于冰川边界矢量和DEM实现。将DEM计算坡度后相应地可以提取平均坡度信息。平均坡向的提取稍微复杂一些,我们参考的是http://globglacier.ch/docs/guidelines_inventory.pdf ,需要额外的Fortran 程序对坡度的sin值和cos值进行计算。冰川经纬度坐标可以先将冰川面数据转为点数据(Feature to point, inside the polygon), 这个点代表的是冰川面边界的中心点,并落在冰川面内,然后计算该点的经纬度坐标并计算GLIMS ID。根据专家的建议,我们在文中给出了参考文献。至于冰川其它属性,如所属流域和行政单元、冰川名称,涉及到一些争议问题和详细尺度问题(所属流域和行政单位有级别之分,这部分信息在全球数据集中也并不统一和完整(如EGI);冰川名称如何界定也是一个问题,并不是所有的冰川都有名称,相对来讲GLIMS ID能界定冰川位置和唯一性),所以并 没有加入这些不确定不完整的信息。在我们的冰川目录属性中只录入了已经统一的、规范化的基本属性因子。   

6)冰川实际代表性问题   锯齿形状是所有基于栅格数据自动/半自动提取广泛存在的基本问题,因为栅格数据进行判断的基本单元是单个栅格。无论采用多高分辨率的遥感数据,在不同尺度上都会有锯齿问题。如果希望产生完全平滑的数据,则需要人工编译,对于大区域来说是耗时耗人工的,而且人工编译有本身存在的不确定问题(难以综合多源信息,主观性且需要一定经验)。当然人工编译如果质量控制的好,其精度是最好的。自动化的栅格运算因为加入多种信息的判断,其结果必定不太平滑,虽然本文中的数据已做了平滑运算,但其平滑程度还是受分辨率限制。基于遥感数据提取的冰川边界其详细程度是受分辨率控制的(如Landsat是30m), 除非进行人工编译,锯齿形状也是预期的,其无法满足在各种尺度上平滑的要求,这也目前遥感数据自动半自动化信息提取的限制。   

7)冰川编目成果精度的评估   专家所提出的与野外实测相对比以及与高分数据对比,确实是进行精度验证的理想办法。由于我们缺乏这样的对照数据,所以精度验证上是不足的。实际上大区域的冰川制图都缺乏这样的直接验证,而是采用间接验证的方法,如Bolch et al 2010;Racoviteanu et al. 2010; Burns and Nolin 2014。但是专家所提到的大规模修订,在本数据生产中是不符实的,前面我们也核实了基于NDSI的方法并不存在将非冰川(植被、裸地等 )误判为冰川的严重问题,实际上基于NDSI方法的准确度在之前文献中已有验证,精度与波段比值法相当,而各有优缺点。我们的人工编译主要在于检查一些残留的阴影、水体问题,以及在冰碛覆盖区的平滑程度以及与冰上游区的耦合,其中最后一点是主要方面。另外,评估每条独立冰川的面积精度,目前并没有可行的方案。实际上,如果整体冰川识别是高精度的,影响每条冰川的精度的核心问题应该是冰川分水岭的划分。在冰川分类和冰川分水岭准确的情况下,单条冰川的精度是有保证的。如果需要对单条冰川的准确信息,如在比较单条冰川面积变化的时候,则需要整体冰川的分类可靠,并采用统一的、准确的冰川分水岭。所以核心问题之一还是整体冰川 制图的准确度。当然如果存在   参考文献:   Bolch, T., Menounos, B., & Wheate, R. (2010). Landsat-based inventory of glaciers in western Canada, 1985–2005. Remote Sensing of Environment, 114, 127-137   Burns, P., & Nolin, A. (2014). Using atmospherically-corrected Landsat imagery to measure glacier area change in the Cordillera Blanca, Peru from 1987 to 2010. Remote Sensing of Environment, 140, 165-178   Chander, G., Markham, B.L., & Helder, D.L. (2009). Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM , and EO-1 ALI sensors. Remote Sensing of Environment, 113, 893-903   Hall, D.K., Riggs, G.A., & Salomonson, V.V. (1995). Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data. Remote Sensing of Environment, 54, 127-140   Paul, F., & Andreassen, L.M. (2009). A new glacier inventory for the Svartisen region, Norway, from Landsat ETM data: challenges and change assessment. Journal of Glaciology, 55, 607-618   Paul, F., & Kääb, A. (2005). Perspectives on the production of a glacier inventory from multispectral satellite data in Arctic Canada: Cumberland Peninsula, Baffin Island. Annals of Glaciology, 42, 59-66   Racoviteanu, A.E., Paul, F., Raup, B., Khalsa, S.J.S., & Armstrong, R. (2010). Challenges and recommendations in mapping of glacier parameters from space: results of the 2008 Global Land Ice Measurements from Space (GLIMS) workshop, Boulder, Colorado, USA. Annals of Glaciology, 50, 53-69   Racoviteanu, E.A., Yves, A., Williams, W.M., & Ordonez, J. (2008). Decadal changes in glacier parameters in the Cordillera Blanca, Peru, derived from remote sensing. Journal of Glaciology, 54, 499-510   

同评专家三:   感谢专家的评论和认可。

【2017-03-21】 评论来自:版本 2
责编:

根据编委投票结果,同意在本刊发表该文。

【2017-04-19】 评论来自:版本 2

提交问题或建议:



您还没有登录,请[登录]或[ 注册]!

基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目

浏览下载总计

网页浏览 论文下载
3665 55

基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目

作者发表的论文

很抱歉,没有检索到作者相关论文!

            数据来源:CSCD中国科学引文数据库

基于20092014LandsatPALSAR数据东南冰川编目

柯灵红1*,丁晓利1

1. 香港理工大学,土地测量及地理资讯学系,香港 999077

* 通讯作者(Email: ke.linghong@connect.polyu.hk)

:本数据集是基于2011~2014年多时相Landsat光学影像、2009~2010年的L波段PALSAR雷达影像和改正的SRTM数字高程模型(DEM)得到的最新藏东南冰川目录。大致空间范围在28°N~31°N、93°E~97°E内,包括念青唐古拉山中部和东部,以及横断山西部,覆盖面积达11.5万平方公里。数据集内包括三个文件:1)定义研究区范围的矢量文件;2)冰川目录矢量文件;3)统计每条冰川特征的文档,参数包括GLIMS编号、冰川面积、最大和最小高程、平均高程、平均坡度、平均朝向、有无冰碛覆盖,以及冰碛覆盖面积等。为克服藏东南地区多云雨对光学影像的影响,对无冰碛覆盖冰川的提取采用了一种基于自动识别云和冰雪覆盖的方法,实现多景影像信息半自动融合;并将从光学影像中提取的地面信息和PALSAR雷达影像得到的相干图以及坡度结合起来,实现了冰碛冰川的半自动化单独提取。在后处理阶段,采用人工编辑提高数据精度:比如控制无冰碛覆盖冰川与其冰碛覆盖部分的连接,调整单条冰川界限,以及改正部分阴影、水体的影响。与人工数字化提取的冰川边界相比较,本数据集的冰川面积精度总体在3%以内。此编目为目前最新的冰川编目,有效地减小了云、季节性冰雪和冰碛覆盖对冰川范围识别的影响,可作为基础数据集,应用到各种冰川研究中。

关键词:冰川;藏东南;多源遥感;Landsat;PALSAR

A glacier inventory for the southeastern Qinghai–Tibet Plateau based on Landsat and PALSAR data (2009–2014)

Ke Linghong1*, Ding Xiaoli1

1. Department of Land Surveying and Geo-Informatics, The Hong Kong Polytechnic University, Hong Kong 999077, P. R. China

*Email: ke.linghong@connect.polyu.hk

Abstract: This dataset provides the latest glacier inventory for the southeastern Qinghai–Tibet Plateau based on multi-temporal Landsat images acquired during 2011–2014, L-band PALSAR data obtained during 2009–2010, and the modified SRTM (Shuttle Radar Topography Mission) Digital Elevation Model (DEM). The region within the spatial extent of 28°N–31°N and 92°E–97°E covers the central and eastern Nyainqêntanglha and western Hengduan mountains, with a total area of ~115,000 km2. Three sub-datasets are provided: 1) extent of the study region in shapefile format, 2) glacier outlines in shapefile format, and 3) parameter statistics for each individual glacier. The parameters for each glacier include the glacier area, maximum and minimum elevation, mean elevation, mean slope, mean aspect, flag indicating presence of debris cover or not, and area of debris-covered glaciers. To mitigate influences of cloud cover on optical images, we adopted semi-automated identification of cloud cover and clean snow/ice to combine observations from multi-temporal Landsat images. Debris-covered glaciers were separately determined with a semi-automated method that integrates information derived from Landsat images, coherence information generated from PALSAR (Phased Array type L-band Synthetic Aperture Radar) image pairs, and slope information. In the post-processing stage, we performed manual editing of the glacier outlines to improve the data quality, for example, to ensure seamless shared boundaries between clean-ice glaciers and their debris-covered parts, to adjust the individual ice divides, and to correct the effect of shadow and water bodies. Compared with manually digitized glacier outlines, this dataset has an overall error within 3%. The quality of the latest glacier inventory was improved; it has less uncertainty associated with cloud and seasonal snow cover in glacier maps and is a fundamental dataset for future glacier-related studies.

Keywords: glacier; southeastern Qinghai-Tibet Plateau; multi-source remote sensing; Landsat; PALSAR

数据库(集)基本信息简介

数据库(集)中文名称

基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目

数据库(集)英文名称

A glacier inventory for the southeastern Qinghai–Tibet Plateau based on Landsat and PALSAR data (2009–2014)

数据作者

柯灵红、丁晓利

通讯作者

柯灵红(ke.linghong@connect.polyu.hk)

数据时间范围

2009~2014年

地理区域

中国境内(北纬 28°0′48″~ 31°19′16″,东经92°31′30″~97°12′54″,其中包括念青唐古拉山中部和东部、横断山脉西部)

空间分辨率

30 m

数据量

~3 MB

数据格式

*.shp、*.xls (压缩为zip格式)

数据服务系统网址

http://www.sciencedb.cn/dataSet/handle/376

基金项目

中国香港特别行政区研究资助局(2011–2014年),基于SAR和卫星测高数据的青藏高原山地冰川物质平衡,PolyU5146/11E,PolyU 5147/13E

数据库(集)组成

数据集由3部分数据文件组成:1)研究范围边界数据;2)冰川边界矢量数据;3)冰川属性数据。3个数据文件分别为:

1. SEQTP_glacier_inventory_extent.zip 是定义冰川制图范围的矢量数据,数据量2.8 KB;

2. SEQTP_glacier_inventory.zip 是冰川边界数据,数据量 2.90 MB;

3. SEQTP_glacier_inventory_attributes.zip 是单独的冰川属性统计数据,数据量 423.3 KB。

引 言

冰川变化是气候变化的一个重要指标,并且对区域水资源和水循环有重要影响。青藏高原被称为“第三极”和“亚洲水塔”,冰川是其重要的淡水资源载体,冰川融水影响亚洲许多主要河流上游的补给[1]。高原冰川编目可提供冰川分布范围、地形参数等信息,是冰川和水文学研究中重要的基础数据集。世界各地的研究者们做出了巨大的努力来编制数字化的冰川遥感目录,大部分是基于光学遥感技术[2-5]展开。这一技术的一个关键问题是获取无云、无季节性雪盖的影像以及识别被表碛覆盖的冰川[6]。但是在云活动频繁、有大量冰碛覆盖的高山地区,基于遥感影像实现自动、半自动化的冰川制图仍然是一个有挑战性的问题[7-8]。特别是在青藏高原东南部区域(藏东南),受夏季季风影响的湿润气候,冰川消融期有频繁的云雨活动,加上普遍存在的地形云影响,获得高质量的无云影像非常困难。季节性雪盖和冰碛覆盖也加大了冰川边界识别的难度和不确定性。这些因素是之前基于传统冰川制图技术的冰川目录在一些地区存在质量问题的原因。而这些质量问题,会给后续研究冰川分布和水储量、冰川变化、水文建模、从局部到区域的信息推导,带来很大不确定性。

随着不同遥感平台的丰富和遥感观测数据的增加,多源和多时相遥感数据的综合使用能集合各种技术优势,为有效识别冰川覆盖区提供了可能。研究者们尝试了利用热红外遥感,结合数字高程模型(DEM)的地形分析和干涉合成孔径雷达(InSAR)技术来自动识别被冰碛覆盖的冰川[9-12]。对于异质性较大的大范围区域,需要一个合理的方案来综合这些多源信息实现自动半自动化的处理。我们参考之前学者的研究,发展了一种半自动化、结合多源和多时相遥感数据的方法,对藏东南地区进行了新的冰川编目[13]。在这个方案中,我们利用最近获取的多时相Landsat影像来解决云覆盖的问题,并且将基于Landsat影像得到的地表信息与基于SAR观测得到的相干性信息以及地形因子结合起来,半自动识别被表碛覆盖的冰川部分,并以人工编辑的冰川边界为参考,对这个冰川目录的精度进行评价。这个最新的藏东南冰川编目更新了已有冰川编目的质量和精度,可为将来区域冰川和水文研究提供参考。

1 数据采集和处理方法

1.1 数据收集方法

此冰川编目主要基于3种数据:从Landsat卫星得到的光学影像、基于ALOS PALSAR传感器的SAR影像对以及数字高程模型SRTM DEM。

其中,共选取了14幅于2011~2014年间获取的Landsat影像,它们来自Landsat 8/OLI、Landsat 7/ETM+以及 Landsat 5 TM等系列传感器(表1)。所有Landsat影像均从美国地质勘探局(United States Geological Survey,USGS)获取,并且是经过标准化几何校正的L1T级别产品。

1 数据用到Landsat影像PALSAR影像列表

平台和传感器

影像编号信息(P:行号;R:列T:轨道号;F B:基线)

获取时间(dd/mm/yyyy

Landsat8/OLI

P:134;R:39

13/08/2013

Landsat8/OLI

P:134;R:39

14/09/2013

Landsat8/OLI

P:135;R:39

04/08/2013

Landsat7/ETM+

P:135;R:39

12/08/2013

Landsat7/ETM+

P:135;R:39

23/08/2011

Landsat5/TM

P:135;R:39

31/08/2011

Landsat7/ETM+

P:135;R:39

08/09/2011

Landsat8/OLI

P:136;R:39

11/08/2013

Landsat8/OLI

P:136;R:39

28/09/2013

Landsat8/OLI

P:134;R:40

17/09/2014

Landsat8/OLI

P:134;R:40

13/08/2013

Landsat8/OLI

P:134;R:40

2013/09/14

Landsat8/OLI

P:135;R:40

2013/08/04

Landsat8/OLI

P:136;R:40

28/09/2013

ALOS PALSAR

T:488;F:570~590;B:83m

16/06/2009,16/09/2009

ALOS PALSAR

T:489;F:570;B:183 m

21/08/2010,06/10/2010

ALOS PALSAR

T:490;F:580~590;B:17 m

23/07/2010,07/09/2010

ALOS PALSAR

T:491;F:590~600;B:323 m

09/08/2010,24/09/2010

ALOS PALSAR

T:492;F:580~600;B:408 m

11/07/2010,26/08/2010

ALOS PALSAR

T:493;F:590~600;B: 391m

28/07/2010,28/10/2010

ALOS PALSAR

T:494;F:590~600;B: 234 m

26/06/2009,26/09/2009

我们从日本太空发展署(Japan Aerospace Exploration Agency,JAXA)获得了7组L波段ALOS PALSAR影像,覆盖了绝大部分的冰川区(图1)。所用到的PALSAR数据均是2009~2010年以高分双极化模式(Fine-Beam Dual mode,FBD-HH/HV)获得的降轨数据。每组影像中一幅是在消融期前,一幅在消融期后,时间间隔为46天或者92天,空间基线小于410 m(表1)。

所用到的DEM数据是由美国国际农业研究咨询组织(Consultative Group for International Agricultural Research,CGIAR)发布的、经过缺失值填充处理的SRTM3v4数据,空间分辨率大致为90 m。由于存在系统误差,部分填充区域利用 ASTER GDEM进行了替代。

1.2 数据处理步骤

详尽的数据处理方法可见Ke L等人发表的文献[13]。冰川编目过程主要由3部分组成:提取无表碛覆盖冰川,提取表碛覆盖冰川以及划分单个冰川和统计每个冰川参数。数据处理步骤包括数据预处理、产生各类掩膜参数、冰川分类和后处理等。图2显示了主要的处理步骤和模块。

1 研究区范围以及所用Landsat影像PALSAR影像覆盖范围

2 藏东南冰川目录生成主要流程示意图

1.2.1 数据预处理

1. Landsat影像预处理:包括从多光谱Landsat图像中提取需要的4个波段(ETM+ / TM的波段为2~5;OLI的波段为3~6),以及将原始数值(DN)转换为顶部大气反射率(TOA)。TOA的计算参考的是元数据文件中提供的增益和偏移参数以及Chander G等人[14]总结的参数。后续波段运算中均采用的是TOA而非DN值。Landsat 7 / ETM+ 影像由于扫描线校正器故障形成的数据缺失条带,也在预处理中掩膜为空值。由于大多数Landsat图像都有云覆盖,利用FMASK工具(https://code.google.com/p/fmask/)对每景影像生成了云掩膜[15]

2. PALSAR影像预处理:基于遥感干涉仪工具(GAMMA)将PALSAR 1.0级别的数据处理得到相干系数图。首先生成单视复数(SLC)图像,然后参考地形数据对SLC图像进行配准。在干涉图处理中,我们将DEM模拟的地形相位从观测相位中去除,然后通过滤波以及距离和方位向上的6×14多视处理,以减少噪声并达到输出影像近似正方形像素。为增强高低相干区域的对比,采用了基于相位梯度的自适应相位滤波器[16]。最后,使用3×3到9×9之间的自适应窗口生成相干系数图。

1.2.2 生成掩膜参数

1. 冰雪覆盖掩膜:对NDSI(Normalized Difference Snow Index)影像进行阈值分割,生成冰雪覆盖区(NDSI≥0.4)。NDSI为绿波段和短波红外波段的标准化比值,针对不同传感器的计算公式为:

OLI =(B3−B6)/(B3+B6)

TM/ETM+ =(B2−B5)/(B2+B5)

其中B2、B3、B5、B6 分别指的是第2、3、5、6波段的TOA。

2. 地表水体掩膜:对NDWI(Normalized Difference Water Index)影像进行阈值分割,生成水体区(NDWI>0.15)。NDWI为绿波段和近红外波段的标准化比值,针对不同传感器的计算公式为:

OLI =(B3−B5)/(B3+B5)

TM/ETM+ =(B2−B4)/(B2+B4)

其中B2、B3、B4、B5分别指的是第2、3、4、5波段的TOA。另外利用坡度限制(<15°)来去除由于阴影导致的误分类。

3. 植被覆盖掩膜:对NDVI(Normalized Difference Vegetation Index)影像进行阈值分割,生成植被覆盖区(NDVI>0.2)。NDVI为近红外波段和红波段的标准化比值,针对不同传感器的计算公式为:

OLI =(B5−B4)/(B5+B4)

TM/ETM+ =(B4−B3)/(B4+B3)

其中B3、B4、B5分别指的是第3、4、5波段的TOA。

4. 低相干区掩膜:利用DEM和SAR成像几何,识别阴影和叠掩区,将其从相干影像中去除;利用经验阈值0.15,对相干图进行阈值分割,得到低相干区。经验阈值通过对几个试验的冰碛覆盖区的相干值统计得到。

5. 低坡度掩膜:对DEM生成的坡度图进行分割,得到冰碛覆盖冰川可能存在的低坡度区(<25°)。阈值借鉴关于山地冰川冰舌地形分析的结果[10]

通过将所有的冰雪(水体/植被)掩膜进行栅格合并运算,可以得到整个区域完整的最小冰雪覆盖范围(最大水体/植被范围)。然后采用影像平滑算子去除部分小图斑和噪声,作为后续分类的输入数据。

1.2.3 冰川分类后处理

由于冰雪掩膜中包含了地表水体,如冰湖和河流,因此我们利用水体掩膜将这些因素从冰雪掩膜中去掉,平滑处理后得到最终的无冰碛冰川范围。冰碛覆盖冰川部分由6个约束条件来确定:1)低相干系数;2)低坡度;3)表面非冰雪覆盖;4)非植被覆盖;5)非水体;6)与冰雪区连接。前5个条件对应值通过输入1.2.2中的5类掩膜数据得到,最后1个在GIS支持下通过邻域分析完成。

在后期处理阶段,我们对冰川范围进行人工编辑,以提高数据质量。例如,确保表面冰碛覆盖冰川与相连冰川主体的共享边界,并校正阴影、水体的影响。然后将无冰碛冰川和冰碛冰川进行多边形合并,以形成完整的冰川轮廓,并删除尺寸小于0.02 km2的小多边形。

1.2.4 单条冰川分割和参数统计

编译冰川目录的最后一步是沿着水文流域分隔线,分离单个冰川。这些流域分割线参照基于DEM的流域分析[17]得到,并对照地形图和Landsat影像手动纠正。最后逐个统计冰川属性信息,包括面积、地形信息(最小、最大高程,平均高程,平均坡度和朝向等)、有无冰碛覆盖、冰碛覆盖面积等。地形属性信息的统计方法参照Paul F等人[18]的冰川编目技术文档。此外,为每个冰川分配了内部代号ID,并依据GLIMS技术手册 [19]标明了 GLIMS代号。

2 数据样本描述

本数据集中的冰川范围和冰川目录矢量文件采用UTM投影(UTM 46N)。冰川边界和属性表如图3和图4所示。冰川库中包含每个冰川的属性信息,包括ID(内部ID)、GLIMS_ID、面积、高程统计、平均坡度等,并为属性文件提供了单独的xls格式。表2提供了属性字段的说明。

3 冰川目录空间范围藏东南冰川分布图

4 冰川目录中局部冰川属性示例(右侧显示橄榄绿填充的冰川的属性

2 冰川目录中的属性名称和说明

属性名称

数据类型和范围

属性说明

ID

整型

冰川内部代号

GLIMS_ID

字符型

依据冰川地理位置计算的冰川代号

Area

浮点型(单位:km2

冰川面积

MinEle

浮点型(单位:m)

最小高程

MaxEle

浮点型(单位:m)

最大高程

MeanEle

浮点型(单位:m)

平均高程

MedianEle

浮点型(单位:m)

中值高程

MeanSlp

浮点型(单位:度;0~90)

平均坡度

MeanAsp

浮点型(单位:度;0~360)

平均坡向

Sector

整型(1~8)

根据平均坡向划分的八方位朝向:(1:北, 2:东北,3:东,4:东南,5:南,6:西南,7:西,8:西北)

Debris_flg

整型(0 或1)

是否有冰碛覆盖,0 表示没有,1 表示有

Deb_area

浮点型(单位:km2

冰碛覆盖区面积

3 数据质量控制和评估

我们在GIS环境下,基于Landsat图像和坡度图,人工数字化了55个冰川(约170 km2)的边界,以验证数据集检验精度。验证数据中的冰川分布在不同的Landsat影像中,大小在0.03~66 km2之间,包括无冰碛冰川和表碛覆盖的冰川。图5示例了在不同地形条件下(相对平坦区或地形复杂区),不同大小、形态分布的冰川,以及表碛覆盖冰川和非冰碛冰川的人工数字化结果与本数据集中的比较。结果表明,我们的冰川数据和验证数据集之间存在良好的一致性,尽管前者的边界由于基于像素的自动化处理而不平滑。所有验证冰川在验证数据集中的总面积为176.3 km2,而在我们生成的冰川目录中为171.4 km2,相当于总体−2.9%(总面积差除以总冰川面积)。其中30个中大型冰川(大于0.2 km2)覆盖了总面积的95%,在两个数据集中表现出稳定的差异范围,面积百分比差异在−7%~3%之间(平均为−2.5%);10个最小的冰川(小于0.1 km2)在冰川目录中的面积比人工数字化的面积平均小10%。冰川目录中冰川面积偏小,这是因为它为通过多时相数据提取的最小范围,而人工数字化基于单景Landsat影像。这种效应对于随时间变化比较显著的小冰川尤其明显[20]。基于这一验证,我们估计总映射冰川面积的总体精度为3%。

5 本冰川边界与人工数字化的冰川范围的比较

4 数据价值

图6比较了本数据集与其他冰川目录的最新版本,包括中国第二次冰川目录(CGI2)和世界冰川目录(RGI v5)。3组数据在一些地形比较平缓、冰川较小的区域差异不大,如图6a;但在其他区域中有显著不同,特别是冰碛冰川的识别(图6b)、冰前湖的区分(图6c)以及地形陡峭区冰川和冰川内部边界的划定(图6c、图6d)。总体上,本数据集与CGI2和RGI v5之间的总面积差分别约为−30%和−9.0%。这个差异可以由几个因素解释。首先,本数据集是基于2011~2014年获得的图像,而以前的数据集大多基于2000~2010年获得的影像[2-3]。不同时期的冰川变化,可能部分解释了冰川边界的差异。然而,数据质量问题,如季节性冰雪、冰湖的错误分类和不准确的冰川内边界,可能是差异的主要来源。本数据集通过在数据选取、处理方法和质量控制等方面的改进,降低了这些不确定性,提高了藏东南这一复杂区域的冰川目录数据质量。首先,本数据集利用了多时相影像,而不是仅依靠单景无云影像,显著降低了误分季节性冰雪的概率。其次,相对于CGI2和RGI v5人工数字化的方法,本数据集的半自动化处理能提高效率,减少人工操作,并减轻由于实践者技能和经验的差异造成的不同地区数据质量不一致的问题。最后,本数据集实现了基于多源遥感数据对冰碛冰川的半自动化识别,所以能提供完整准确的冰碛冰川范围的资料,利于针对冰碛冰川分布和变化的研究。

6 数据集与中国第二次冰川目录CGI2)、世界冰川目录RGI v5的比较

5 数据使用方法和建议

本数据集基于多时相和多源数据,更新了藏东南这一多云雨、地形复杂区的冰川目录数据,在半自动处理的基础上进行严格一致的质量控制。本数据集可作为补充文件,与其他冰川数据集合并,以更新全球或区域冰川目录;或作为区域冰川水文学研究的基础数据集,为估算区域冰川水储量,评估和建模冰川变化及其影响,预测冰川变化和冰川湖灾害提供重要参考。冰川目录的结果也为未来发展和评估新的冰川制图技术提供了参考。

致 谢

感谢美国国家地质调查局提供Landsat影像产品,日本宇宙航空勘探局提供PALSAR 数据,以及美国国际农业研究咨询小组提供DEM数据。感谢Zhu Zhe博士分享Fmask工具。

数据作者分工职责

柯灵红(1985—),女,湖北黄石人,博士,助理研究员,研究方向为遥感和GIS技术和应用。主要承担工作:算法设计和实现,数据处理,数据精度验证。

丁晓利(1960—),男,中国香港人,博士,教授,研究方向为GPS、InSAR与大地测量。主要承担工作:算法设计指导,质量和结果评估等。

参考文献

[1]  Immerzeel W, Beek L, Bierkens M. Climate change will affect the Asian water towers[J]. Science, 2010, 328(5984): 1382–1385.

[2]  Arendt A, Bliss A, Bolch T, et al. Randolph Glacier Inventory — a dataset of global glacier outlines: Version 5.0[R]. GLIMS Technical Report, 2015.

[3]  Guo W, Liu S, Xu J, et al. The second chinese glacier inventory: Data, methods and results[J]. Journal of Glaciology, 2015, 61(226): 357.

[4]  Bolch T, Menounos B, Wheate R. Landsat-based inventory of glaciers in western Canada, 1985–2005[J]. Remote Sensing of Environment, 2010, 114(1): 127–137.

[5]  Cogley J. A more complete version of the world glacier inventory[J]. Annals of Glaciology, 2010, 50(53): 32–38.

[6]  Racoviteanu E, Williams W, Barry G. Optical remote sensing of glacier characteristics: A review with focus on the Himalaya[J]. Sensors, 2008, 8(5): 3355–3383.

[7]  Raup B, Kääb A, Kargel J, et al. Remote sensing and GIS technology in the global land ice measurements from space (GLIMS) project[J]. Computers & Geosciences, 2007, 33(1): 104–125.

[8]  Racoviteanu A, Paul F, Raup B, et al. Challenges and recommendations in mapping of glacier parameters from space: Results of the 2008 global land ice measurements from space (glims) workshop, boulder, Colorado, USA[J]. Annals of Glaciology, 2010, 50(53): 53–69.

[9]  Shukla A, Gupta R, Arora M. Delineation of debris-covered glacier boundaries using optical and thermal remote sensing data[J]. Remote Sensing Letters, 2010, 1(1): 11–17.

[10]  Paul F, Huggel C, Kääb A. Combining satellite multispectral image data and a digital elevation model for mapping debris-covered glaciers[J]. Remote Sensing of Environment, 2004, 89(4): 510–518.

[11]  Atwood D, Meyer F, Arendt A. Using L-band SAR coherence to delineate glacier extent[J]. Canadian Journal of Remote Sensing, 2010, 36(S1): S186–S195.

[12]  Frey H, Paul F, Strozzi T. Compilation of a glacier inventory for the western Himalayas from satellite data: Methods, challenges, and results[J]. Remote Sensing of Environment, 2012, 124(124): 832–843.

[13]  Ke L, Ding X, Zhang L, et al. Compiling a new glacier inventory for southeastern Qinghai-Tibet plateau from landsat and palsar data[J].  Journal of Glaciology, 2016, 62(233): 579–592.

[14]  Chander G, Markham B, Helder D. Summary of current radiometric calibration coefficients for landsat mss, TM, ETM, and EO-1 ALI sensors[J]. Remote Sensing of Environment, 2009, 113(5): 893–903.

[15]  Zhu Z, Wang S, Woodcock C. Improvement and expansion of the fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4–7, 8, and Sentinel 2 images[J]. Remote Sensing of Environment, 2015, 159: 269–277.

[16]  Goldstein R, Werner C. Radar interferogram filtering for geophysical applications[J]. Geophysical Research Letters, 1998, 25(21): 4035–4038.

[17]  Bolch T, Menounos B, Wheate R. Landsat-based inventory of glaciers in western Canada, 1985–2005[J]. Remote Sensing of Environment, 2010, 114, 127-137.

[18]  Paul F, Barry R, Cogley J, et al. Guidelines for the compilation of glacier inventory data from digital sources [EB/OL]. (2010-01-01) [2017-02-20]. http://globglacier.ch/docs/guidelines_inventory.pdf.

[19]  Raup B, Jodha S, Khalsa S. GLIMS Analysis Tutorial [EB/OL]. (2010-05-10) [2017-02-20]. https://www.glims.org/MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf.

[20]  Dyurgerov M, Meier M. Twentieth century climate change: Evidence from small glaciers[J]. Proceedings of the National Academy of Sciences, 2000, 97(4): 1406–1411.

引用本文

柯灵红, 丁晓利. 基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目 [J/OL]. 中国科学数据, 2017, 2(2). DOI: 10.11922/csdata.170.2017.0120.

引用数据

柯灵红, 丁晓利. 基于2009~2014年Landsat和PALSAR数据的藏东南冰川编目 [DB/OL]. Science Data Bank. DOI: 10.11922/sciencedb.376.

下载