摘要：在全球变暖背景下，以青藏高原为核心的“亚洲水塔”区域呈现变暖变湿的趋势，利用卫星遥感可对亚洲水塔区地表水体进行有效的时空变化监测。为研究青藏高原水体受气候等因素的长期影响，及水体高度动态特性，本文利用1982–2020年AVHRR逐日反射率时间序列，生产了青藏高原39年超长期逐日水体制图产品（包含水体结冰信息）。基于同时刻30米Landsat图像的水体分类结果进行精度验证，总体精度可以达到88.18%。本产品可为青藏高原水体遥感监测提供数据支撑。
关键词：水体；青藏高原；AVHRR；逐日
Abstract: Under the background of global warming, the Tibet Plateau shows a trend of warming and wetting. Remote sensing data can be used to effectively monitor the spatial and temporal changes of the surface water on the Tibet Plateau. Due to the dynamic characteristics of the water, and in order to study the long-term impact of climate and other factors on the water of the Qinghai-Tibet Plateau, we used the AVHRR daily reflectance time series from 1982 to 2020 to produce the 39-year daily water body mapping product (including water freezing information) on the Qinghai-Tibet Plateau. The overall accuracy of our product is up to 88.18% based on validation samples selected from 30m Landsat images. This product can provide fundamental data support for long-term water monitoring on the Qinghai Tibet Plateau.
Keywords: water mapping; Qinghai-Tibet Plateau; AVHRR; daily.
| 数据库（集）名称 | 1982–2020年青藏高原0.05°逐日水体制图数据集 |
| 数据作者 | 计璐艳、唐海蓉、于凯、赵钦裕、白玉琪、施建成 |
| 数据通信作者 | 计璐艳（jily@mail.ustc.edu.cn） |
| 数据时间范围 | 1982–2020年 |
| 地理区域 | 地理范围为67.15–107.10°E，23.30–42.25°N，包含整个青藏高原 |
| 空间分辨率 | 0.05° |
| 数据量 | 526 MB |
| 数据格式 | *.tif |
| 数据服务系统网址 | https://doi.org/10.11888/Terre.tpdc.272811 |
| 基金项目 | 第二次青藏高原综合科学考察研究项目（2019QZKK0206）；高分辨率对地观测系统重大专项(民用部分)二期课题（01-Y30F05-9001-20/22-03） |
| 数据库（集）组成 | 数据集共包括以年份命名的39个数据文件夹（1982–2020年），每个文件夹下有365/366个命名为TPWater_YYYY_DDD.tif文件，每个tif文件包含两个波段，WaterLayer是水体制图波段，QC是质量控制信息波段。 |
| Title | A dataset of daily surface water mapping products with a resolution of 0.05° on the Qinghai–Tibet Plateau during 1982–2020 |
| Data authors | JI Luyan, TANG Hairong, YU Kai, ZHAO Qinyu, BAI Yuqi, SHI Jiancheng |
| Data corresponding author | JI Luyan (jily@mail.ustc.edu.cn) |
| Time range | 1982 – 2020 |
| Geographical scope | The whole Qinghai-Tibet Plateau (67.15-107.10E，23.30-42.25N) |
| Spatial resolution | 0.05° |
| Data volume | 526 MB |
| Data format | *.tif |
| Data service system | <https://doi.org/10.11888/Terre.tpdc.272811> |
| Sources of funding | The Second Tibetan Plateau Scientific Expedition and Research Program (STEP) (2019QZKK0206); High-resolution Earth Observation System Major Project (Civil Part) Phase II Project (01-Y30F05-9001-20/22-03) |
| Dataset composition | The dataset consists of 39 subsets in total (named after corresponding years). Each subset contains 365/366 files, named “TPWater_YYYY_DDD.tif”. Each TIF file comprises two bands: WaterLay and QC band. |
近年来，由于全球气候变化，加之人类活动影响，青藏高原及周边区域冰川退化、冻土退化，以青藏高原为核心的“亚洲水塔”区域呈现变暖、变湿的趋势，导致青藏高原水体（尤其是湖泊）分布、面积均发生变化[1-3]。诸多研究表明，不同时期青藏高原水体的时空变化以及主要影响因素并不相同[1]，因此需要对青藏高原地区进行长时间跨度的水体制图。另一方面，水体高度动态主要体现在：（1）因降水、蒸发等引起的水体年内扩张和萎缩；（2）因气温变化导致的水面结冰、化冰[3]。所以为有效抓捕水体动态特性，应对该区域进行高频次监测。综上，为全面了解青藏高原水体变化时空表现及其变化规律，必须对青藏高原开展长时间、高频次动态水体监测。
目前，基于遥感卫星数据得到的覆盖整个青藏高原的主要水体制图产品如表1所示，可以看到：（1）长时间跨度连续水体制图主要有产品6、14和16，均以Landsat数据为基础生产。由于Landsat回访周期为16天，其时间分辨率相对较低（通常为逐月）。（2）高频次连续水体制图主要有产品15和17，均以MODIS数据为基础生产。由于MODIS卫星发射时间较晚，因此时间跨度相对较短。此外，由于水体高度动态，可以发现研究者并没有因为空间分辨率的限制而放弃粗分辨率水体产品的研制与发展，如产品13，虽然空间分辨率较低（25 km），但从2010到2020年一直在更新。鉴于此，本文以空间分辨率相对较粗（0.05°），但时间跨度长、且能对地实现逐日监测的AVHRR卫星遥感数据为基础，生产青藏高原地区的长时间跨度（1982–2020年）、高时间分辨率（逐日）的动态水体制图产品。相比基于Landsat的水体产品，本产品的时间分辨率更高，更能捕捉到水体的动态变化（如湖泊最大、最小面积）；相较于基于MODIS的水体产品，本产品的时间范围更长，因此更加有利于研究湖泊随着气候等因素的变化规律。
| 范围 | 序号 | 参考文献 | 时间范围 | 时间分辨率 | 空间分辨率 | 数据来源 |
|---|---|---|---|---|---|---|
| 青藏高原 | 1 | [4] | 1970、1990、2000、2010 | 单时相（四期） | 1970: 80m 1990: 28.5m 2000: 14.25m 2010: 30m | Landsat MSS/ETM+、GeoCover circa 1990/2000 |
| 2 | [5] | 2005–2006 | 单时相（一期） | 19.5m | CBERS CCD、Landsat ETM+ | |
| 3 | [6] | 2000–2013 | 逐月（14年） | 500m | MODIS（MOD09A1） | |
| 4 | [7] | 1960、2005、2014 | 单时相（三期） | 1960: 1:250000 2005: 19.5m 2014: 16m | 历史调查数据、CBERS CCD、Landsat TM/ETM+/OLI、GF-1 WFV/PMS | |
| 5 | [8] | 2015–2017 | 逐月（3年） | 40m | Sentinel-1 SAR | |
| 6 | [9] | 1991–2018 | 逐年（18年） | 30m | Landsat TM/ETM+/OLI | |
| 全国 | 7 | [10] | 1960–1980 | 单时相（一期） | 1:250000 | 历史调查数据 |
| 8 | [11] | 1990–2000 | 单时相（二期） | 30m | Landsat TM/ETM+ | |
| 9 | [12] | 2005–2006 | 丰水期、枯水期（一期） | 20~30m | CBERS CCD、Landsat TM/ETM+ | |
| 10 | [13] | 2005–2008 | 单时相（一期） | 30m | Landsat TM/ETM+ | |
| 全球 | 11 | [14] | 2004 | 单时相（一期） | 200m 1000m 5000m 25000m | MGLD、LRs、WRD、DCW、ArcWorld、WCMC， GLCC |
| 12 | [15] | 2000–2015 | 逐年（16年） | 250m | MODIS (MOD44C) | |
| 13 | [16-18] | 1992–2015 | 逐月（24年） | 25km | SSMI、ERS | |
| 14 | [19] | 1984–2015 | 逐月（32年） | 30m | Landsat TM/ETM+/OLI | |
| 15 | [20] | 2001–2016 | 逐日（17年） | 500m | MODIS (MOD09GA) | |
| 16 | [21] | 1992–2018 | 逐月/双月（27年，结冰期除外） | 30m | Landsat TM/ETM+/OLI | |
| 17 | [22] | 2000–2018 | 8天（19年） | 250m | MODIS (MOD09Q1) |
1.1
数据源
本产品采用的数据源主要是NOAA-AVHRR的逐日反射率时间序列（AVH09C1）[23]，其采用经纬度投影，空间分辨率为0.05°，空间覆盖范围为全球，时间分辨率为逐日，共包含5个波段，如表2所示。需要注意的是，波段3是中红外波段，存在两个数据层。此外，该产品还包含一个质量波段（含有云标志信息）。由于搭载在NOAA-19卫星的AVHRR传感器数据严重退化，因此2019和2020年采用MetOp AVHRR数据（M1_AVH09C1）[24]代替。
除此之外，本数据还使用全球高精度地形高程（Global Multi-resolution Terrain Elevation Data，GMTED2010，30弧秒）[25]，用来计算青藏高原地区的坡度信息。
1.2
数据预处理
1.2.1
云标志提取
1.2.2
云阴影标志提取
遥感影像上，云阴影的反射率通常较低，因此容易被误分为水体[28]。为降低将云阴影误分为水体的概率，需进行云阴影识别。本文主要基于云阴影以下两个特征进行识别：一是在遥感影像上，云阴影处的地物反射率会降低，二是云阴影出现在云附近。具体步骤如下：
（1）针对红波段，根据对前后N（N=5）年的无云反射率值计算中值，生成红波段背景逐日反射率时间序列，记为反射率时间序列
；
；（2）对云周边像素，如果满足下列条件，则认为是云阴影像素：
其中，
为红波段反射率，为该像元对应的背景波段。根据经验，阈值设置为
。
为红波段反射率，为该像元对应的背景波段。根据经验，阈值设置为。1.2.3
水体结冰标志提取
青藏高原上大部分湖泊冬天均会发生冻结。根据前人对湖泊结冰经验[29]，本文首先对青藏高原每个水体像素生成两个关键日期：结冰起始日期和化冰终结日期，判断依据如下：
（1）在结冰阶段，如果某天未来连续10天范围内温度低于0℃的概率大于70%，则在认为该天为结冰起始日期；
（2）在化冰阶段，如果某天过去10天温度大于2℃的概率大于70%，则认为该天为化冰终结日期。
然后，在结冰起始日期–化冰终结日期内，如果像素反射率满足如下条件，则认为是结冰状态：
其中，
为近红外波段反射率。由于不同水体的反射率会有差异，因此
利用大津法自动确定当年无云的反射率序列。
为近红外波段反射率。由于不同水体的反射率会有差异，因此利用大津法自动确定当年无云的反射率序列。1.3
数据处理
基于AVH09C1时间序列的水体提取流程如图1所示，主要包括单景影像水体提取和时间序列处理，其中基于时刻ti（i=1, 2, … , n，其中n表示总的影像数目，在本文中n=366×10+365×29=14245）AVH09C1影像的水体提取包括：图像分割、水体信息提取、阴影提取、水体综合判定等步骤，下文将逐一详细展开。
1.3.1
图像分割
由于噪声原因，单水体像素提取往往容易被漏提现象，因此根据水体的空间紧致性，本文拟采用面向对象的水体提取方法：首先利用聚类方法对单景影像进行图像分割，然后统计每个对象特性并进行综合判定。
1.3.2
逐对象水体信息提取
水体在可见–短波红外的反射率光谱特性通常呈现“前高后低”的特点，即可见光波段的反射率要大于近红外，远大于短波红外。由于AVH09C1数据没有短波红外数据，因此本文采用基于红、近红外波段的波段比较水体指数（Band Compared Water Index，BCWI）[20]来判断某个像素是否为水体：
如果某个像素BCWI=1，则认为该像素为水体；然而对于反射率较低的水体，由于数据质量问题，往往很难满足上述条件，因此采用以下判断标准：
根据经验，阈值设置为
，
。如果某个像素同时满足条件（5）和（6），则认为该像素为水体。
，。如果某个像素同时满足条件（5）和（6），则认为该像素为水体。基于KCCE的分割结果，统计每个对象水体像素含量比例pw ：
其中，
为该像素中判断为水体的像素个数，N为该对象总像素个数。
为该像素中判断为水体的像素个数，N为该对象总像素个数。此外，由于冬季湖泊存在结冰现象，基于第1.2.3节提取的水体结冰标志，统计每个对象的结冰像素含量比例pi ：
其中，
为该像素中判断为结冰的像素个数。
为该像素中判断为结冰的像素个数。1.3.3
逐对象阴影信息提取
通常情况下，遥感影像上阴影反射率值往往也较低，同样容易被误认为水体，所以需统计每个对象的阴影信息，以便剔除阴影对象。遥感影像上的阴影主要分为三类：云阴影，山体阴影和建筑物阴影。由于AVH09C1的空间分辨率较低，影像上基本不存在建筑物阴影，因此本文只提取前两种阴影信息。
对于云阴影，根据1.2.2小节的云阴影提取结果，统计每个对象的云阴影像素含量比例pcs ：
其中
表示该对象中被判断为云阴影的像素个数。
表示该对象中被判断为云阴影的像素个数。此外，统计每个对象中非平地的像素比例pms ：
其中
示该对象中坡度大于8°的像素个数。
示该对象中坡度大于8°的像素个数。1.3.4
面向对象的水体综合判定
在得到单景影像逐对象的水体、阴影信息后，如果同时满足以下两个条件：（1）
（2）
，则认为该对象为水体。如果同时满足以下两个条件：（1）
，（2），则认为该对象为结冰。根据经验，
，
。
（2），则认为该对象为水体。如果同时满足以下两个条件：（1），（2），则认为该对象为结冰。根据经验，，。1.3.5
时间序列处理
由于AVH09C1影像中存在大量云及无效数据，为得到逐日连续的水体制图，需进行时间维处理，本文采用的是时间维最近邻插值。假设某个像素被判定为云或无效数据，则在前后 天范围内，选择时间上最近的非云、非无效数据进行插值。由于水体具有高度动态特性，因此 为动态阈值，依水体动态特性进行动态调整。在这里，使用红波段的年变化率来描述水体动态特性（D）定义如下：
其中，\(\sigma \)为红波段反射率的年标准差，\(\mu \)为相应的年均值。动态阈值T的设置规则如下：
（1）当D=[0, 0.1)，则为低动态水体，T=180，如果前后T天内依然没有有效数据，则用年尺度结果进行填充；
（2）当D=[0.1, 0.2)，则为中动态水体，T=30，如果前后T天内依然没有有效数据，则用季尺度结果进行填充；
（3）当D=[0.2,∞)，则为高动态水体，T=15，如果前后T天内依然没有有效数据，则用月尺度结果进行填充。
2.1
数据信息及结构描述
1982–2020年青藏高原0.05°逐日水体制图数据集39个文件夹，以年份命名（从1982年到2020年），每个文件夹包含365/366个GeoTiff文件，命名规则为TPWater_YYYY_DDD.tif（YYYY表示年份，DDD表示一年中的第几天，起始值为001），包含两个波段：（1）水体制图波段（WaterLayer）；（2）质量控制信息波段（QC），基本信息和数据结构描述详见表3。
为验证本数据产品精度，本文采用基于混淆矩阵得到的召回率、准确率和总体精度进行定量评估[32]。本文的验证数据主要来自两方面：
基于同时刻的更高分辨率遥感图像的水体分类值。在1982–2020年随机选择15景云覆盖低于30%的Landsat影像（图5），采用阈值分割+目视检查结合的方式进行Landsat图像水体提取；
基于更高分辨率的水体时间序列制图产品。本文选择表1中序号为14的30m逐月水体产品[19]和序号为17的250m逐8天水体制图产品[22]。为保持一致，这里仍以上述15景影像时间及地点为基础，但由于该两个产品均非逐日产品，因此选择与上述15景影像最相近时间的水体分类结果进行精度比照。
为计算混淆矩阵，通过聚合方式将高分辨率水体分类图/制图产品重采样得到5km空间分辨率水体丰度图像，在计算混淆矩阵时，参考水体比例≥0.65认为是水体，否则为非水体。由于在整个青藏高原，水体属于小目标，精度指标——“准确率”受负样本数量影响较大，因此为公平起见，本文在非水区域随机选择与水体样本相当数目的非水像素计算混淆矩阵[28]。
表4给出了本产品在不同尺寸湖泊上的精度评价。可以看到，本产品的精度大致上随着水体尺寸的增加而增加，特别是召回率。当湖泊面积≤500km2（即湖泊像元个数≤20）时，本产品的召回率低于50%，表明漏提了较多的水体像元，但随着水体尺寸的增加，召回率逐渐上升。总体来说，对于大型湖泊（≥3000 km2），本产品精度较高，但对于小型湖泊（≤1000 km2），精度相对较低。主要是因为本文采用的数据源——AVHRR反射率时间序列的空间分辨率较粗，因此在小型湖泊，尤其是狭长水体上的精度较低。
| Landsat 30m同步分类 | 30m逐月产品 | 250m 逐8天产品 | |||||||
|---|---|---|---|---|---|---|---|---|---|
| 水体尺寸 | 召回率 | 准确率 | 总体精度 | 召回率 | 准确率 | 总体精度 | 召回率 | 准确率 | 总体精度 |
| ≥3000km2 | 0.8628 | 0.8445 | 0.8698 | 0.8582 | 0.8551 | 0.8732 | 0.8271 | 0.8622 | 0.8632 |
| 2000~3000km2 | 0.8052 | 0.8611 | 0.8837 | 0.7949 | 0.8611 | 0.8796 | 0.8158 | 0.8611 | 0.8788 |
| 1000~2000km2 | 0.6596 | 0.8455 | 0.8575 | 0.7593 | 0.7664 | 0.8460 | 0.7745 | 0.7383 | 0.8440 |
| 500~1000km2 | 0.5978 | 0.7429 | 0.8602 | 0.7431 | 0.7039 | 0.8615 | 0.6953 | 0.7946 | 0.8953 |
| ≤500 km2 | 0.3284 | 0.7097 | 0.8985 | 0.4197 | 0.7968 | 0.9040 | 0.4727 | 0.7903 | 0.9097 |
| 所有 | 0.7056 | 0.7629 | 0.8818 | 0.7155 | 0.7637 | 0.8887 | 0.7436 | 0.7507 | 0.8885 |
此外，本文还对基于Landsat和AVHRR影像提取的湖泊面积进行了比较，如图6所示，可以看到两者相关性较高、误差较低（R2=0.9041，RMSE=79.0015km2）。综上，本产品对于大型湖泊的面积变化监测满足应用需求，对于小型湖泊能够反映一定程度上的面积变化趋势。用户可以根据实际应用需求筛选数据。
陆表水体是水循环、能量平衡的基本参数之一，为准确理解“亚洲水塔”的水循环机制，需要对青藏高原进行长时间、高频次水体监测，但当前覆盖青藏高原的水体制图产品均无法同时满足上述要求（表1）。为弥补这一空缺，本文提供了1982–2020年整个青藏高原逐日水体制图数据集，包括了水体、结冰信息及质量标志，可为作为陆面过程、大气模式、水文和生态模型的基础输入参数，改进模型精度，进而加强对青藏高原区域大气过程和水循环过程机制的认识。
本数据为标准GeoTiff格式，可用ArcGIS、ENVI等遥感软件查阅使用。研究人员可以根据需要选择区域及时间范围；也可以根据需要进一步得到逐月、逐旬或逐年水体覆盖度、水体动态变化时空分布、湖泊面积变化速率等衍生产品或信息。
[1]
朱立平, 张国庆, 杨瑞敏, 等. 青藏高原最近40年湖泊变化的主要表现与发展趋势[J]. 中国科学院院刊, 2019, 34(11):1254-1263. [ ZHU L, ZHANG G, YANG R, et al. Lake Variations on Tibetan Plateau of Recent 40 Years and Future Changing Tendency[J]. Bulletin of the Chinese Academy of Sciences, 2019, 34(11):1254-1263.]
[2]
张国庆. 青藏高原湖泊变化遥感监测及其对气候变化的响应研究进展[J].地理科学进展, 2018,37(2):214-223. [Zhang G. Changes in lakes on the Tibetan Plateau observed from satellite data and their responses to climate variations[J]. Progress in Geography, 2018, 37(2): 214-223.]
[3]
CAI Y, KE C Q, LI X, ZHANG G, et al. Variations of Lake Ice Phenology on the Tibetan Plateau From 2001 to 2017 Based on MODIS Data[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(2):825-843.
[4]
ZHANG G, YAO T, XIE H, et al. Lakes’ state and abundance across the Tibetan Plateau[J]. Chinese Science Bulletin, 2014, 59(24):3010-3021.
[5]
万玮, 肖鹏峰, 冯学智, 等.卫星遥感监测近30年来青藏高原湖泊变化[J]. 科学通报, 2014, 8(8):701-714. [WANG W, XIAO P, FENG X, et al. Monitoring lake changes of Qinghai-Tibetan Plateau over the past 30 years using satellite remote sensing data [J]. Chinese Science Bulletin, 2014, 8(8):701-714.]
[6]
王昌佐, 冯敏, 姜浩, 等. 2000-2013年青藏高原湖泊面积MODIS遥感监测分析[J]. 地球信息科学学报, 2015, 17(1):99-107. [WANG C, FENG M, JIANG H, et al. Detection and Analysis of Qinghai-Tibet Plateau Lake Area from 2000 to 2013 [J]. Journal of Geo-Information Science, 2015, 17(1):99-107.]
[7]
WAN W, DI L, YANG H, et al. A lake data set for the Tibetan Plateau from the 1960s, 2005, and 2014[J]. Scientific Data, 2016, 3:160039.
[8]
ZHANG Y, ZHANG G, ZHU T. Seasonal cycles of lakes on the Tibetan Plateau detected by Sentinel-1 SAR data[J]. Science of the Total Environment, 2020, 703:135563.
[9]
ZHAO R, PING F, YAN Z, et al. Annual 30-m big Lake Maps of the Tibetan Plateau in 1991–2018[J]. Scientific Data, 2022, 9:164.
[10]
王苏民, 窦鸿身.中国湖泊志[M]. 北京: 科学出版社, 1989. [WANG S, DOU H. Lakes in China[M]. Beijing: Science Press, 1989.]
[11]
宫鹏,牛振国,程晓,等. 中国1990和2000基准年湿地变化遥感[J]. 中国科学:地球科学, 2010, 6(8) : 768-775. [ GONG P, NIU Z, CHEN X, et al. China’s wetland change (1990-2000) determined by remote sensing[J]. SCIENTIA SINICA (TERRAE), 2010, 6(8): 768-775.]
[12]
马荣华,杨桂山,段洪涛,等.中国湖泊的数量、面积与空间分布[J]. 中国科学:地球科学, 2011, 41(3):394-401. [MA R, YANG G, DUAN H, et al. China’s lakes at present: Number, are and spatial distribution [J]. SCIENTIA SINICA (TERRAE), 2011, 41(3):394-401.]
[13]
YANG X, LU X. Drastic change in China's lakes and reservoirs over the past decades[J]. Scientific Reports, 2014, 4: 6041.
[14]
LEHNER B, DOLL P. Development and validation of a global database of lakes, reservoirs and wetlands[J]. Journal of Hydrology, 2004(1-4):1-22.
[15]
CARROLL M, TOWNSHEND J, DIMICELI C, et al. A new global raster water mask at 250 m resolution[J]. International Journal of Digital Earth, 2009, 2(4): 291-308.
[16]
PRIGENT C, JIMENEZ C, BOUSQUET P. Satellite-Derived Global Surface Water Extent and Dynamics Over the Last 25 Years (GIEMS-2) [J]. Journal of Geophysical Research: Atmospheres, 2020, 125(3):1-18.
[17]
PAPA F, PRIGENT C, AIRES F, et al. Interannual variability of surface water extent at the global scale, 1993–2004[J]. Journal of Geophysical Research: Atmospheres, 2010, 115(D12111):1-17.
[18]
PRIGENT C, PAPA F, AIRES F, et al. Changes in land surface water dynamics since the 1990s and relation to population pressure[J]. Geophysical Research Letters, 2012, 39(L08403):1-5.
[19]
PEKEL J, COTTAM A, GORELICK N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633):418-422.
[20]
JI L, GONG P, WANG J, et al. Construction of the 500-m Resolution Daily Global Surface Water Change Database (2001–2016) [J]. Water Resources Research, 2018, 54(10):270-292.
[21]
YAO F, WANG J, WANG C, et al. Constructing long-term high-frequency time series of global lake and reservoir areas using Landsat imagery[J]. Remote Sensing of Environment, 2019, 232:111210.
[22]
HAN Q, NIU Z. Construction of the Long-Term Global Surface Water Extent Dataset Based on Water-NDVI Spatio-Temporal Parameter Set[J]. Remote Sensing, 2020, 12(17): 2675.
[23]
美国国家航空航天局.N07_AVH09C1[EB/OL]. (2021–11–08) [2022–09–20]. https://ladsweb.modaps.eosdis.nasa.gov/archive/allData/465/N07_AVH09C1/.
[24]
美国国家航空航天局.M1_AVH09C[EB/OL]. (2021–11–08) [2022–09–20]. https://ladsweb.modaps.eosdis.nasa.gov/archive/allData/465/M1_AVH09C1/.
[25]
美国地质勘探局. 2010年全球高精度地形高程[EB/OL]. (2018–07–13) [2022–09–20]. https://www.usgs.gov/coastal-changes-and-impacts/gmted2010?qt-science_support_page_related_ con=0
[26]
TURNER J, MARSHALL G, LADKIN R. An operational, real-time cloud detection scheme for use in the Antarctic based on AVHRR data[J]. International Journal of Remote Sensing, 2010, 22(15): 3027-3046.
[27]
ZHU J, SHUANG G, CAO S, et al. Elimination of clouds in AVHRR/2 images of Qinghai-Tibet Plateau[J]. International Journal of Remote Sensing, 2018, 40(5-6): 2427-2434.
[28]
JI L, GONG P, GENG X, et al. Improving the Accuracy of the Water Surface Cover Type in the 30 m FROM-GLC Product[J]. Remote Sensing, 2015,7(10):13507-13527.
[29]
LATIFOVIC R, POULIOT D. Analysis of climate change impacts on lake ice phenology in Canada using the historical satellite data record[J]. Remote Sensing of Environment, 2007, 106(4): 492-507.
[30]
GENG X, TANG H. Clustering by connection center evolution[J]. Pattern Recognition, 2019,107063, 2019/09/24/ 2019.
[31]
ZHANG S, GENG X, JI L, et al. Hyperspectral image unsupervised classification using improved connection center evolution[J]. Infrared Physics & Technology, 2022, 125:104241.
