Spatial and Temporal Adaptive Gap-Filling Method Producing Daily Cloud-Free NDSI Time Series
Spatial and Temporal Adaptive Gap-Filling Method Producing Daily Cloud-Free NDSI Time Series
复制标题
生成每日无云 NDSI 时间序列的时空自适应间隙填充方法
DOI：
10.1109/jstars.2020.2993037
复制
发表时间：
2020
影响因子：
5.5
通讯作者：
Sirelkhatim Abuobaida M.
中科院分区：
文献类型：
--
作者：
Chen Siyong;Wang Xiaoyan;Guo Hui;Xie Peiyao;Sirelkhatim Abuobaida M.
归一化差分雪指数（NDSI）是最常用的积雪检测指标。由于云层覆盖，很难产生完整和无间隙的NDSI数据集。在这项研究中，空间和时间的自适应间隙填充方法（STAGFM）的发展，从而建立一个加权的无云相似像元函数NDSI预测。云覆盖的NDSI间隙通过合并每日MOD10A1和MYD10A1来填充，并应用相邻时间合成。STAGFM使用长时间间隔数据实现，以完全恢复NDSI间隙。以中国东北地区中分辨率成像光谱仪NDSI产品资料（2017年11月1日至2018年3月31日）为例，制作了这一时期逐日无云NDSI时间序列。云假设和雪深数据验证了该方法的有效性，结果表明，STAGFM完全去除云，并实现了平均相关系数（r），均方根误差和平均绝对误差分别为0.95，0.08和0.06，分别。
The normalized difference snow index (NDSI) is the most popular snow detection index. Due to cloud cover, it is difficult to produce complete and gap-free NDSI datasets. In this study, a spatial and temporal adaptive gap-filling method (STAGFM) is developed, whereby a weighted cloud-free similar pixel function is established for NDSI prediction. Cloud-covered NDSI gaps are filled by combining daily MOD10A1 and MYD10A1, and adjacent temporal composite is applied. STAGFM is implemented with long-time interval data to completely recover NDSI gaps. Moderate Resolution Imaging Spectroradiometer NDSI product data (from November 1, 2017 to March 31, 2018) of Northeast China are chosen as an example, and daily cloud-free NDSI time series over this period are produced. The method effectiveness was validated by cloud assumption and snow depth data, and the results show that STAGFM completely removes clouds and achieves an average correlation coefficient (r), root-mean-square error, and mean absolute error of 0.95, 0.08, and 0.06, respectively.
登录
查看更多内容
基于机器学习技术的非局部时空过滤 MODIS 分数积雪产品的间隙填充
影响因子：
5
作者：
Hou Jinliang;Huang Chunlin;Zhang Ying;Guo Jifu;Gu Juan
通讯作者：
Gu Juan
影响因子：
1.7
作者：
Zhiguang Tang;Jian Wang;Hongyi Li;Lili Yan
通讯作者：
Zhiguang Tang;Jian Wang;Hongyi Li;Lili Yan
影响因子：
5.4
作者：
J. Parajka;Günter Blöschl
通讯作者：
J. Parajka;Günter Blöschl
DOI：
10.1109/tgrs.2017.2692802
发表时间：
2017-08-01
影响因子：
8.2
作者：
Cheng, Qing;Liu, Huiqing;Zhang, Liangpei
通讯作者：
Zhang, Liangpei
影响因子：
13.5
作者：
K. Paudel;Peter Andersen
通讯作者：
K. Paudel;Peter Andersen