自然资源遥感, 2024, 36(3): 13-27 doi: 10.6046/zrzyyg.2023065

综述

积雪遥感监测产品研究与应用进展

孙禧勇,1,2, 刘稼丰1, 范景辉,1, 张文凯1, 石利娟3, 邱玉宝3, 朱发容4

1.中国自然资源航空物探遥感中心,北京 100083

2.中国地质大学(武汉)地理与信息工程学院,武汉 430074

3.中国科学院空天信息创新研究院,北京 100094

4.中国地质大学(北京)土地科学技术学院,北京 100083

Advances in research and application of remote sensing-based snow monitoring products

SUN Xiyong,1,2, LIU Jiafeng1, FAN Jinghui,1, ZHANG Wenkai1, SHI Lijuan3, QIU Yubao3, ZHU Farong4

1. China Aero Geophysical Survey & Remote Sensing Center for Natural Resources,Beijing 100083,China

2. School of Geography and Information Engineering,China University of Geoscience(Wuhan),Wuhan 430074, China

3. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094,China

4. School of Land Science and Technology,China University of Geoscience(Beijing),Beijing 100083, China

通讯作者: 范景辉(1978-),男,博士,正高级工程师,主要从事环境遥感研究。Email:fanjinghui@mail.cgs.gov.cn。

责任编辑: 张仙

收稿日期: 2023-03-15   修回日期: 2024-01-24  

基金资助: 国家重点研发计划项目“高亚洲和北极积雪—冰川与地质灾害监测技术及示范应用”(2021YFE0116800)

Received: 2023-03-15   Revised: 2024-01-24  

作者简介 About authors

孙禧勇(1984-),男,博士研究生,正高级工程师,主要从事自然资源遥感研究。Email: sunxiyong@mail.cgs.gov.cn。

摘要

积雪是表征地表冰冻圈的重要因子,也是重要的天气、水文现象的参数。借助遥感技术对积雪形态及变化进行长时序、大范围监测,在全球气候变化研究、水文水资源调查和地质灾害预防等领域有重要作用。经过数十年的发展,国内外积雪遥感监测技术领域取得了很大进展,积雪遥感监测产品种类不断丰富,积雪反演的算法也在不断改进。文章对现有应用比较广泛的积雪产品按照积雪范围产品、积雪覆盖率产品和雪深/雪水当量产品3类进行归纳总结,梳理当前典型积雪范围及覆盖率产品和雪深/雪水当量产品的业务化遥感反演算法。文章指出,随着国内外高时间和空间分辨率传感器的不断出现,在光学和微波新数据源、新技术支持下,研究人员逐渐针对区域特点优化积雪反演算法,使得反演精度不断提高,为未来积雪遥感监测产品的不断改进提供更多支持。

关键词： 积雪遥感监测产品; 积雪覆盖; 雪水当量; 积雪反演算法

Abstract

Snow proves to be both an important factor in characterizing the surface cryosphere and a critical parameter for weather and hydrological phenomena. Employing remote sensing to conduct long-term and large-scale monitoring of snow morphologies and their changes plays a vital role in research into global climate change, investigations into hydrology and water resources, and geological disaster prevention. After decades of development, significant progress has been made in the field of remote sensing-based snow monitoring technology both in China and abroad. Accordingly, the products for remote sensing-based snow monitoring have become increasingly abundant, and the snow-orientated inversion algorithms have been continuously improved. This paper provides a summary of the existing, widely applied products after categorizing them into three types: snow-cover extent (SEC), snow coverage, and snow depth/snow water equivalent (SWE) products. Furthermore, this study organizes the commercialized remote sensing inversion algorithms used in existing, typical SEC and SWE products. The review of advances in the relevant scientific research reveals that, with the constant presence of sensors with high temporal and spatial resolutions in China and abroad and the support of both novel optical and microwave data sources and new technologies, researchers have gradually improved the accuracy of snow-orientated inversion algorithms by optimizing these algorithms based on regional characteristics. This will provide more support for continuously improving remote sensing-based snow monitoring products in the future.

Keywords： remote sensing-based snow monitoring product; snow cover; SWE; snow-orientated inversion algorithm

PDF (1281KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

孙禧勇, 刘稼丰, 范景辉, 张文凯, 石利娟, 邱玉宝, 朱发容. 积雪遥感监测产品研究与应用进展[J]. 自然资源遥感, 2024, 36(3): 13-27 doi:10.6046/zrzyyg.2023065

SUN Xiyong, LIU Jiafeng, FAN Jinghui, ZHANG Wenkai, SHI Lijuan, QIU Yubao, ZHU Farong. Advances in research and application of remote sensing-based snow monitoring products[J]. Remote Sensing for Land & Resources, 2024, 36(3): 13-27 doi:10.6046/zrzyyg.2023065

0 引言

积雪在地球表面分布面积广泛,陆地表面的淡水资源有3/4以冰雪的形式存在,在北半球每年冬季平均有超过4 700万km2陆地被季节性积雪覆盖[1]。作为冰冻圈最活跃、对气候变化响应最敏感的要素之一,积雪的覆盖和季节性变化影响着地球的水文、能量及碳循环等。积雪是地表的一种动态景观要素,影响着工程、农业、旅游等各种人类活动[2],并且其高反照率和低导热率特性强烈地影响着地表能量收支和辐射平衡[3]。开展积雪面积、雪深以及雪水当量等的监测对于融雪径流预报、水资源管理以及洪水控制方面都具有重要的作用[4]。积雪在累积和融化过程中的时空变化与气候之间联系紧密,并且具有显著的生态和经济效应[5]。因此,开展积雪范围和雪量的精确监测,具有十分重要的科学意义和应用价值。

遥感监测技术可以提供长时间序列、大范围的积雪监测数据,一定程度解决了传统积雪参数实地测量的难题。自20世纪70年代以来, 国内外学者已经对积雪的相关研究做了大量工作, 研发了多种反演方法,并生成了许多积雪范围/覆盖率和雪水当量产品。目前在国际上开发出的积雪遥感监测算法及产品类别丰富,但是由于算法原理的差异、精度对比验证时所用的指标差异以及验证方法不同等原因,导致积雪产品的种类多样,但缺乏统一系统的分类介绍。本文梳理了可支撑监测产品的主要传感器参数,围绕积雪范围及积雪覆盖率和雪深/雪水当量两类产品阐述主流反演算法的研究进展,探究当前主流积雪产品总结国内外典型积雪遥感监测产品(包括积雪范围产品、积雪覆盖率产品和雪深/雪水当量系列产品)特点并且对未来更高精度积雪产品的反演算法改进方向,及积雪产品的进一步应用提出研究展望。

1 支撑积雪遥感监测产品的主要传感器与算法

国内外学者以卫星遥感监测、野外实测、站台观测数据为基础,根据积雪的物理特征构建积雪辐散射传输模型,研发了多种反演积雪覆盖面积/覆盖率和雪水当量/雪深的算法[6]。

1.1 主要传感器

各类卫星传感器是实现积雪遥感监测的基础。按传感器采用波段的不同,目前观测地表参数的遥感技术可分为光学/热红外遥感监测和微波遥感,微波遥感又分为主动和被动微波遥感2类[7]。光学遥感传感器主要进行积雪面积、积雪反射率等的遥感监测,但是不能有效地估算积雪深度、雪水当量等参数,而且光学遥感容易受到天气的影响。微波遥感传感器能够穿透云层、积雪和大气进行全天候、全天时地工作,在估算积雪深度、雪水当量等积雪参数上有很大优势。常用传感器参数见表1。

表1   积雪遥感常用传感器

Tab.1  Snow remote sensing commonly used sensors

传感器名称传感器类型波长(频率)空间分辨率/km观测幅度/km搭载卫星
TM光学传感器0.45~0.52 μm185Landsat5
(1984—2011年)
美国
0.52~0.60 μm
0.63~0.69 μm
0.03
0.75~0.90 μm
1.55~1.75 μm
2.08~2.35 μm
10.40~12.50 μm0.12
ETM+光学传感器0.52~0.90 μm0.015185Landsat7
(1999年至今)
美国
0.45~0.52 μm
0.525~0.605 μm
0.63~0.69 μm0.03
0.75~0.90 μm
1.55~1.75 μm
2.09~2.35 μm
10.40~12.50 μm0.06
OLI光学传感器0.433~0.453 μm185Landsat8
(2013年至今)
美国
0.450~0.515 μm
0.525~0.600 μm
0.630~0.680 μm0.03
0.845~0.885 μm
1.560~1.660 μm
2.100~2.300 μm
1.360~1.390 μm
0.500~0.680 μm0.015
MODIS光学传感器0.620~0.876 μm0.252 330EOS Terra
(1999年至今)
美国/日本/加拿大
0.459~2.155 μm0.5
0.405~0.877 μm1
0.890~0.965 μm1
3.660~14.385 μm1
NOAA/AVHRR光学传感器0.58~0.68 μm1.092 800TIROS-N
(1979年至今)
美国
0.725~1.00 μm
1.58~1.64 μm
3.55~3.93 μm
10.30~11.30 μm
11.50~12.50 μm
MODIS光学传感器0.620~0.876 μm0.252 330EOS Aqua
(2001年至今)
美国
0.459~2.155 μm0.5
0.405~0.877 μm1
0.890~0.965 μm1
3.660~14.385 μm1
AMSR-E被动微波传感器6.925 GHz1 445EOS Aqua
(2001年至今)
美国
10.65 GHz10
18.7 GHz
23.8 GHz
36.5 GHz5
89.0 GHz
SMMR被动微波传感6.33 GHz
10.69 GHz
18.00 GHz
21.00 GHz
37.00 GHz		96×153
59×91
41×55
30×46
18×27		地平线
|
地平线		NIMBUS-7
MWRI被动微波传感器10.65 GHz
18.70 GHz
23.80 GHz
36.50 GHz
89.00 GHz		85×51
50×30
45×27
30×18
15×9		1 400FY-3B/3C/3D
(2008年至今/2010年
至今/2013年至今)
中国
SMM/I被动微波传感器19.30 GHz
22.20 V
37.00 GHz
85.50 GHz		70×45
60×40
38×30
16×14
1 394		DMSP-F8/ F11/ F13
(1987—1991年/1991—
2000年/1995—2009年)
美国
SSMIS被动微波传感器19.30 GHz
22.20 V
37.00 GHz
85.50 GHz		70×45
60×40
38×30
16×13		1 700DMSP-F17
(2006—2017年)
美国
DMSP-F18
(2009年至今)
美国
Sentinel-1A主动微波传感器C波段: 5.405 GHz0.025>80Sentinel
(2014—2016年)
欧洲太空局
0.1>250
Sentinel-1B1>400
0.025400

新窗口打开| 下载CSV


光学传感器利用积雪在可见光波段反射率高、在短波红外波段吸收率高的光谱特性,借助已有积雪判别指数法识别积雪信息、反演特征参数。NOAA/AVHRR,EOS/MODIS,Landsat5 TM,Landsat7 ETM+,Landsat8 OLI是在积雪覆盖反演中应用最为广泛光学传感器[8]。NOAA系列卫星最早被应用于遥感积雪判识,AVHRR是NOAA系列卫星的主要探测仪器,重访周期为12 h,双星运行使得同一地区每天4次过境扫描。EOS/MODIS的时间分辨率高于Landsat系列,光谱和空间分辨率又高于AVHRR,优越的时空分辨率使其已成为全球大尺度积雪监测的最佳数据源[9-10],但是地表覆盖类型和云雪混淆等问题对MODIS积雪产品精度有较大影响[11]。Landsat系列传感器获取的数据空间分辨率高、图像信息清晰,可见光和短波红外波段均适用于积雪的判识分类[12],且基于光学遥感对积雪判识已有较为成熟的算法,因此其遥感数据通常作为积雪监测的“真值”,被广泛用于较低空间分辨率积雪遥感产品在区域积雪遥感监测的精度验证[13-14]。

相较光学传感器,微波传感器具备更强的探测穿透能力,可穿透云层、植被层和积雪层反演雪密度和雪深等积雪信息[15]。应用广泛被动微波传感器有DMSP卫星搭载的SSM/I和SSMIS传感器、EOS Aqua卫星搭载的AMSR-E传感器、NIMBUS-7搭载的SMMR传感器、GCOM-W1卫星上的AMSR-2传感器以及风云三号(FY-3)系列卫星上搭载的MWRI传感器[16]等。MWRI是一款10通道、5频率的水平/垂直双极化圆锥扫描星载被动微波辐射计,相比于FY-3A/C/D和FY-2B搭载的MWRI,解决了动态平衡问题并具备更稳定的灵敏度,被广泛用于积雪研究中[17⇓⇓-20]。

主动微波传感器是主动向地面发射微波辐射且捕获地面反射或散射到传感器的辐射信号来识别地物信息,空间分辨率相对被动微波遥感较高。目前该系列常用传感器主要为高分辨率合成孔径雷达,根据积雪与其他地物特性的明显差异识别反演积雪信息[21]。

TM,ETM+和OLI优势为空间分辨率高而主要不足在于幅宽窄、重访周期长; AVHRR优势为扫幅宽、重访周期短,积累的数据序列年代长,最大不足为空间分辨率低且没有短波红外波段; MODIS扫幅宽、重访周期短,监测积雪有明显优势,只是空间分辨率低于Landsat的传感器系列。

1.2 支撑积雪范围及覆盖率产品的主要算法

从20世纪60年代起,光学遥感逐渐开始被应用到大范围的积雪监测,如Landsat,NOAA,Aqua和Terra卫星搭载的光学热红外传感器获取到的光学积雪遥感数据,通过各种积雪范围制图算法得到许多雪盖产品。目前,积雪覆盖制图算法按照原理可以被分为2类: 二值分类算法和亚像元制图算法。

利用积雪在可见光波段有高反射率,而在短波红外段的反射率骤低的光谱特征,发展有监督分类[22]、非监督分类[23]和归一化积雪指数(normalized difference snow index, NDSI)阈值法[24-25]等方法可以自动识别积雪像元,判识地物为雪和非雪2类。NDSI是Dozier[24]基于积雪的光谱特征用Landsat5 TM数据提出的积雪判别算法,公式为:

NDSI=RVIS-RSWIRRVIS+RSWIR

式中RVIS和RSWIR分别为可见光和短红外波段反射率,在不同的卫星传感器有对应通道。通过在北美地区的验证,确定NDSI的标准阈值为0.4[26],即当NDSI≥0.4时,该像元被判别为积雪。Klein等[27]和Hall等[28]基于NDSI提出全球逐日积雪自动化制图算法(SNOMAP算法)进行逐像元积雪二值判别,被美国国家冰雪数据中心(National Snow and Ice Data Center,NSIDC)列为MODIS积雪产品(MOD10和MYD10)中二值积雪范围数据的标准算法。

由于地表覆盖的破碎性、多样性及时空变异性,对于空间分辨率较低的遥感数据,通常存在混合像元的问题,这使得在积雪混合像元区域地表积雪二值反演信息会存在较大不确定性和偏差。因此从亚像元尺度反演积雪覆盖率逐渐取代了二值积雪信息。在亚像元尺度反演积雪覆盖度的方法主要有监督分类法、基于NDSI的经验统计法、插值法和混合像元分解法。基于积雪的光谱反射特征,Salomonson等[29]采用MODIS09GA数据计算得出NDSI,并分析得出利用Landsat7 ETM+卫星数据得到的积雪覆盖率与NDSI存在很好的线性统计关系,公式为:

FSC=0.06+1.21NDSIM

式中: FSC为积雪覆盖率; NDSIM为MOD09GA某一像元(500 m)内的NDSI值。NSIDC生产的全球逐日积雪覆盖率产品MOD10A1 FSC就是基于此关系建立的积雪覆盖率经验算法计算得出的。但是此经验算法应用于全球尺度,难以消除成像几何关系、地表覆盖类型等因素的复杂变化带来的较大误差[30]。因此,在植被覆盖区提出有如归一化差值林地积雪指数(normalized difference forest snow index,NDFSI)[31]、通用比率积雪指数(universal ration snow index,URSI)等其他积雪指数用于植被覆盖区积雪覆盖率的估算[32-33]。Masiokas等[34]和Metsämäki等[35]基于光学数据提出估算寒带森林地区和冻土带积雪覆盖率的方法,从“双层透过率”来量化森林冠层对森林区积雪反射率的影响,通过构造森林地区积雪反射率模型并对其反向解算获取积雪覆盖度。欧洲空间局将沿轨扫描辐射计(Along-Track Scanning Radiometer,ERS-2/ATSR-2)与先进沿轨扫描辐射计(Advanced Along-Track Scanning Radiometer,Envisat/AATSR)数据生产的GlobSnow积雪覆盖率产品就是使用此方法得到的。

目前学术领域开展较广的研究是利用MODIS积雪产品进行积雪制图并验证精度,除了官方采用经验回归类算法制作积雪产品外,还有大量研究针对MODIS观测数据提出反演积雪覆盖率的新方法。基于线性光谱模型的混合像元分解算法是一种物理方法,是目前大多数研究者的一项重要方法。Painter等[36]根据实验室和野外现场实测光谱数据,提出一种基于辐射传输模型和多端元光谱线性混合模型来估算MODIS积雪覆盖率和雪粒径反演的算法——MODSCAG算法,该模型是目前精度较高的MODIS积雪覆盖面积估算方法,但易产生大量无意义的负值,且依赖模型模拟其运算量很大[37]。近年,国内亦有许多基于混合像元分解理论的研究。施建成[38]提出一种通过对MOD09GA数据进行自动端元提取算法,并利用多端元光谱混合分析实现积雪覆盖率反演; Hao等[39]发现在青藏高原地区,基于自动端元提取的混合像元分解算法与MODSCAG算法精度要高于MODIS官方积雪覆盖度产品(MOD10Al); 赵宏宇等[40]基于空间光谱端元提取方法自动提取端元,全约束最小二乘法求解线性混合模型,发展了国产FY-3D卫星MERSI-II资料积雪覆盖率提取算法。

目前应用广泛的中分辨率亚像元雪填图算法都不能用于实现AVHRR数据亚像元雪填图。因此, 当前也有开展针对AVHRR数据亚像元雪填图研究, 并开发相应的算法[41]。Allen等[42]利用AVHRR提出了地面积雪识别算法,可以有效地区分云、积雪以及无雪地区; Slater等[43]采用AVHRR数据,计算研究区冬季积雪区和非积雪区的NDVI值得不同进而估计积雪覆盖度; 2017年朱骥等[41]利用AVHRR的10 d合成数据资料,提出亚像元积雪填图算法,在青藏高原地区的实验结果表明该算法可以满足水文和气象模型对长时序积雪数据集的需求。由于NOAA-7卫星发射年份较早(1981年),相比于MODIS数据,AVHRR可以将中分辨率遥感数据延伸到30 a以前,并提供高时间分辨率数据。但目前针对AVHRR数据还未形成有业务化的算法。除了上述方法,还有其他算法如小波-人工智能算法、隐性马尔可夫随机场(hidden Markov random field,HMRF)、时空插值方法等用来估算积雪覆盖率。Huang等[44]将HMRF技术应用于过去20 a的原始MODIS积雪产品,通过在HMRF框架内优化整合光谱、时空和环境信息,充分填补了原有MODIS积雪产品的数据空白并且大大提高了积雪估计精度,生成了青藏高原500 m分辨率的长期每日无间隙积雪产品,与现场观测相比,准确度达到98.29%; Moosavi等[45]利用小波-人工智能混合方法反演积雪覆盖率,发现结合小波变换的预处理技可以提高人工神经网络和自适应神经模糊推理系统模型(adaptive-network-based fuzzy inference system,ANFIS)反演积雪覆盖率的精度; Dozier 等[46]以二维自适应维纳滤波技术检测MODIS积雪覆盖率数据噪声,并借助MOD09和MODSCAG的积雪信息对多云条件下的MODSCAG的积雪重新进行云雪判别,然后以16 d至一个雪季的时间长度做样条插值平滑,获取时空连续的积雪覆盖率。

1.3 支撑雪深/雪水当量产品的主要算法

对于雪深和雪水当量的反演研究已经有大量的成果。积雪深度和雪水当量是2个不同的积雪物理参数,两者计算关系为:

SWE=SD×ρsnow

式中: SWE为雪水当量; SD为积雪深度; ρsnow为积雪密度,其取值有常数值0.24 g/cm3,也有研究采用空间分布静态积雪密度或动态积雪密度[47]。GlobSnow雪深产品乘以积雪密度常数得到GlobSnow雪水当量产品; 美国国家航空航天局(National Aeronautics and Space Administration,NASA)发布的雪水当量标准产品则是用反演的雪深产品乘以空间分布的静态积雪密度[48]。

光学热红外遥感的可见光对积雪的穿透深度只有几厘米,并且容易受到天气、云层的影响。由于微波遥感对云层和积雪层的穿透能力强和对积雪参数的敏感性高,并且可以全天候、大范围对积雪进行监测[49],被广泛应用于获取地表雪深和雪水当量。被动微波传感器相比主动微波传感器具有监测区域较大、受地表粗糙度影响小等优势[50-51]。微波传感器主要接收来源于大气、雪层表面及其覆盖下地表的辐射能量,由于地表积雪层能散射微波辐射,因此地表雪深值与微波散射率呈正比关系; 被动微波传感器接收到辐射能量用亮度温度值表示,则雪深值与亮温值呈反比关系[52]。

在对积雪的物理特征和积雪辐射传输模型研究的基础上,采用被动微波技术对雪深和雪水当量反演的算法目前主要有基于亮温梯度的半经验算法、基于积雪辐散射模型的迭代算法和查找表算法以及同化算法、基于数据驱动的机器学习算法。

半经验线性模型是应用最为广泛的积雪雪深反演算法,是在积雪理论模型分析的基础上,通过足够的先验知识建立雪深和亮温梯度之间的线性统计关系。根据系数获取方式分为静态反演算法和动态反演算法,基本形式为:

SWE = A + B·ΔTB,

式中: A和B分别为雪水当量与亮温差之间经验关系式的截距(mm)和斜率(mm/K),不同研究者在不同区域以及传感器数据差异,会得到不同的A和B值; ΔTB为一个高频(37 GHz或85 GHz)和低频(18 GHz或19 GHz)的亮温差。

雪水当量静态反演算法是国际上应用最早的积雪反演算法, Chang等[53]基于均质积雪的辐射传输模型,将亮温与雪当量参数代入式(4),得到SMMR的雪水当量产品反演算法,算法公式为:

SWE=4.8TB,18H-TB,37H

式中TB,18H和TB,37H分别为18 GHz和37 GHz水平极化亮温。Chang算法是半经验算法中最早用于生产雪水当量和雪深产品的经典算法之一。但Chang算法只适用于雪水当量小于300 mm的情况,否则会出现亮温差饱和。由于在建立算法时将雪粒径假设为0.3 mm,因此在粒径增大时会高估雪水当量。但是目前此算法的应用最为广泛,很多学者[54-55]基于Chang算法开展了区域研究修正以适应不同地域尺度的雪深反演。Foster等[56-57]考虑到植被层的存在,其影响了下层积雪的微波辐射并将自身辐射叠加到总的辐射亮温中,于是引入森林覆盖度f,对早期Chang等[53]经验算法发展建立了NASA96算法,应用于SSM/I和SSMI/S全球雪深/雪水当量产品的反演算法,算法公式为:

SWE=4.8(TB,18H-TB,37H)1-f 。

国内学者对积雪遥感反演算法已有大量探索,曹梅盛等[58-59]最先开始探究积雪的光谱反射特征与积雪遥感反演结合,将中国西部分为高山、高原、低山、丘陵及盆地5个单元,利用实用型扫描计(OSL)可见光积雪数据对SMMR反演的积雪深度数据进行订正并提高可靠性[60]。车涛等[61]在中国地区对Chang算法进行修正进行雪深反演,结合气象站点观察数据,分别修正了中国区域的SMMR(1980和1981年气象站点观测雪深数据)、SMM/I(2003年气象站雪深观测数据)雪深算法系数,得到SMMR和SMM/I的雪深反演算法,并生成了中国长时间序列雪深数据产品。孙知文等[62]将中国分为三大积雪区(新疆,东北、内蒙古和华北平原地区,青藏高原),分别建立各区的雪深反演算法; 蒋玲梅等[19]利用AMSR-E获取的2002—2009年间亮温数据和气象台站的常规观测资料,建立不同地表覆被类型对雪深反演影响的半经验统计雪深反演模型,针对像元中存在多种地表覆盖类型的混合情况,将下垫面分为草地、农田、裸地和森林4种地物类,利用AMSR-E亮温数据和气象站点数据构建纯像元雪深半经验反演公式,基于混合像元分解原理建立反演模型。目前该算法已作为我国的FY3B-MWRI雪深/雪水当量产品的业务化算法,算法公式为:

SD=fgrass×SDgrass+fbarren×SDbarren+fforest×SDforest+ffarmland×SDfarmland

式中: fgrass,fbarren,fforest和ffarmland分别为每个像元内草地、裸地、森林和农田的覆盖度; SDgrass,SDbarren,SDforest和SDfarmland分别为相对“纯”像元内建立的雪深统计反演算法(纯像元指主要地物覆盖度≥85%)。

与静态雪深算法相比,动态雪深算法会考虑积雪密度和雪粒径等积雪物理性质对雪深反演的影响来建立动态雪深反演模型。Kelly等[63]一种结合致密介质辐射传输模型(dense media radiative transfer model,DMRT)将粒径、雪密度半经验动态变化算法参数化,首先根据时间计算雪粒径和积雪密度的变化,然后代入回归方程计算雪深,之后通过DMRT模型模拟亮温差与雪深的关系。后来,Kelly[64]使用每日亮温计测得亮温梯度与雪水当量关系式(4)中的系数B,考虑了不同频率对不同厚度积雪的敏感性以及森林覆盖像元的影响,该算法被用于AMSR-E和AMSR-2雪深及雪水当量产品生产,算法公式为:

SD=f×SDf+(1-f)×SD0

式中: f为森林覆盖率; SDf为森林区域积雪深度反演公式计算得到的积雪深度; SD0为根据非森林区域的积雪深度反演公式得到的积雪深度。

由于亮度温度与雪深之间存在复杂的非线性关系,这些因素使得雪水当量反演变得复杂。并且使用被动微波方法反演雪水当量受到粗空间分辨率、积雪饱和效应以及对不同雪参数(如雪密度、温度、晶粒尺寸和雪层)的敏感性的影响。因此,迭代算法、查找表算法、机器学习算法和数据同化方法等反演方法被广泛应用于提高雪水当量估算精度和被动微波亮度温度与积雪特性非线性关系的表示。

迭代算法基于正向模型开发,通过迭代调整雪水当量以使观测到的和模拟的亮度温度之间的代价函数最小化。该方法的计算量非常高,能够模拟亮度温度与雪水当量之间的非线性关系。为了降低计算复杂度,通常假设雪粒尺寸和深度是可变的,其他参数是固定的[65]。利用卫星观测的亮温,利用持续的迭代过程估算雪水当量。该方法的一个成熟模型是HUT模型,该模型通过最小二乘法和约束条件将模拟的亮度温度与观测值迭代拟合,以实现成本最小的雪水当量[66]。

查找表算法通常使用HUT和DMRT-QCACP作为观测模型,通过寻找与亮温观测相似的估计亮度和温度组合得出估计雪水当量的雪参数。此算法可以是有先验知识(如雪粒大小、雪深、雪密度和雪层)的搜索方法[48],也可以是没有先验知识的简单搜索方法[67]。Dai等[68]基于具有先验知识的MEMLS模型,通过亮度温度分别为10 GHz,18 GHz和36 GHz频率的雪层来构建查找表,并且通过纳入与森林相关的积雪透射率特性,建立了中国东北森林区域的修正查找表, RMSE为4.5 cm。但目前查找表算法在大区域的应用还比较受限。

机器学习算法,如人工神经网络(artificial neural network,ANN)、支持向量机(support vector machines,SVM)和具有先验信息的随机森林(random forest,RF),可以模拟被动微波亮度温度与积雪参数之间的复杂关系。人工神经网络模型是应用很广泛的一种求解非线性关系的方法,如BP神经网络算法,可以模拟双极化亮度温度、多频率和地表参数之间的非线性关系,而不需要先验知识。因此,这些模型可以克服典型方法(如经验和半经验模型)的雪深数据获取问题,成为估算雪水当量的强大工具[69]。SVM在模拟多频亮度温度方面表现更好[70-71] 。Xiao等[72]研究表明,SVM雪深算法表现出优于ANN方法、Chang模型、线性回归算法和光谱偏振差算法的性能,并且该模型可用于模拟深层积雪。RF不需要不相关的输入、代表性变量和复杂的数学运算,因此它被称为高速算法[73]。机器学习算法在一定程度上提高了雪水当量的检索精度。然而,机器学习算法都是基于数据驱动进行,无法很好的提取地表参数特征。因此,有学者将机器学习算法和积雪辐射传输模型[74]、数据同化算法[33]结合来反演雪水当量。

数据同化时将观测引入过程模型的技术方法。GlobSnow的雪水当量产品[48]就使用了HUT模型观测算子下的贝叶斯方法同化了地面雪深数据。在其他研究中,Kim等[75]使用粒子滤波方法证明,使用高分辨率的多频率被动辐射的航空观测数据可以提高雪水当量精度。也有学者通过平滑器通过积雪覆盖范围数据进行的雪水当量再分析,将积雪覆盖范围与批量平滑[76-77]相结合,估计了长期的雪水当量再分析数据。

目前学者还开发出了很多新方法来估算雪水当量。如Wallbank等[78]通过宇宙射线中子传感器估算了英国地区的雪水当量,并使用COSMOS-UK网络的数据进行了评估; Dagurov等[79]提出了一种基于微摄动法的干涉传感近似模型,利用ALOS-2/PALSAR-2,在俄罗斯贝加尔湖附近的试验场首次采用雷达干涉测量法确定了雪水当量,不同于普遍的干涉模型,此模型考虑了来自积雪表面的微波后向散射来估计雪面散射对振幅和干涉相位值的贡献; Zhu等[80]利用19 GHz和37 GHz的被动微波观测数据确定雪的散射反照率,结合三通道(9.6 GHz,13.3 GHz和17.2 GHz)雷达算法降低背景散射对雪土界面的影响,实现了一种新的主被动联合反演雪水当量的算法; Cheng等[81]基于栅格分割和特征向量空间滤波回归模型的青藏高原中部雪水当量估算方法; Yang等[82] 通过对积雪下垫面分类和极化分解对EQeau模型进行了改进,并利用新的数据源GF-3输入模型完成了雪水当量高分辨率反演; Steiner等[83] 选取阿尔卑斯山研究了使用开源GNSS处理软件RTKLIB和基于偏置坐标Up分量的GNSS折射仪在后处理和(接近)实时中进行原位雪水当量测定,实现了近乎实时地提供连续的雪水当量估算方法。

2 国内外主流积雪遥感监测产品

在国际上,积雪遥感监测由最初针对单一传感器的反演算法研发,转向多种传感器数据的产品业务化生产[84]。如今利用卫星遥感技术监测积雪已达50余年的历史, 积累了长时间序列全球及区域尺度的多种积雪遥感监测产品[1]。根据积雪遥感监测产品的表征含义,将其分为积雪范围(积雪面积)产品、积雪覆盖率产品和雪深/雪水当量产品。全面系统地梳理掌握积雪范围、积雪覆盖率和雪深/雪水当量积雪遥感监测产品,对了解当前积雪遥感反演的进展及开展更高精度的积雪反演研究有着关键作用[6]。

2.1 积雪范围遥感监测产品

积雪范围产品采用一组阈值判定的二值分类算法,将像元分为有雪或无雪来反映积雪覆盖范围(面积)[85],因此亦叫做积雪二值数据产品。根据主要使用的传感器来看,有仅采用光学传感器生成的AVHRR Pathfinder,MDS10C GHRM5C等; 也有多种光学与微波传感器数据融合而成的MEaSUREs,CryoClim,NOAA IMS等积雪范围产品,这类产品具有多尺度、多时相、多谱段等优势,能够削弱云层干扰,能将代表性有限的数据信息提升为更能符合区域客观规律的积雪遥感数据信息。主要积雪范围产品见表2。

表2   主要的积雪范围产品

Tab.2  Major snow cover products

产品覆盖范围空间
分辨率/km		时间
分辨率/d		时间范围传感器来源
NOAA IMS全球112014年至今NOAA,
AVHRR,MODIS,ASCAT		美国国家海洋和大气管理局
http://www.natice.noaa.gov/ims/
42004年至今
241997—2004年
CryoClim全球511982年至今AVHRR,SMMR/SSMI挪威航天中心,欧洲航天局
http://www.cryoclim.net/cryoclim/subsites/data_portal/
MDS10C
GHRM5C		全球511979—2013年MODIS,AVHRR日本宇航局
http://kuroshio.eorc.jaxa.jp/JASMES/index.html
MEaSUREs北半球2511999—2012年MODIS,AVHRR,AMS-
R-E,
VIIRS,SSMI		NSIDC
ftp://sidads.colorado.edu/pub/DATASETS/nsidc0530_MEASURES_nhsnow_daily25/
青藏高原MODIS逐日无云积雪产品青藏高原0.512002—2010年MODIS国家青藏高原科学数据中心
http://data.tpdc.ac.cn
青藏高原MODIS逐日无云积雪面积数据集青藏高原0.512002—2015年MODIS中国科学院空天信息创新研究院
https://www.scidb.cn/en/detail?dataSetId=533223505102110720
青藏高原逐日无云积雪数据集青藏高原0.512002—2021年MODIS国家青藏高原科学数据中心
http://data.tpdc.ac.cn
FY-1&AVHRR积雪范围产品全球5101996—2010年MVISR,AVHRR中国气象局
http://satellite.cma.gov.cn
Daily cloud-free snow cover products for Tibetan Plateau from 2002 to 2021Qinghai-Tibetan
Plateau		0.512002— 2021年MODIShttps://doi.org/10.11888/Cryos.tpdc.272204

新窗口打开| 下载CSV


NOAA IMS产品由美国国家海洋和大气管理局提供,由极地轨道和地球静止轨道环境卫星等多种微波和可见光传感器的遥感数据融合反演而成,能够在各种天气环境下提供积雪监测信息,具有较高的时空分辨率和较好的精度,且不受云层的干扰,因此在全球对雪冰遥感监测领域的应用越来越广泛,是多源传感器数据融合的最具代表性产品之一 [86-87]。它可提供北半球逐日积雪、海冰和湖冰范围的数据信息,采用以北极点为中心的极地方位投影,产品拥有ASCII格式和TIFF格式2种,不同的像元值代表不同的地物信息,但在森林和山区会出现积雪范围面积高估现象[88]。

中国的风云系列卫星数据也广泛应用在积雪面覆盖制图中,中国气象局已经制备了业务化的中国区域和全球积雪面积产品并投入使用,如1996—2010年中国区域FY-1/MVISR & NOAA/AVHRR积雪面积旬产品,全球FY-3&MULSS日/旬/月积雪范围产品是用FY-3的MERSI和VIRR积雪产品融合生成的。也有学者基于MODIS研发了青藏高原积雪范围产品[89-90]。华东师范大学的学者在ESSD发布了青藏高原逐日无云积雪产品,该产品基于长时间序列MODIS积雪产品,采用HMRF建模框架,制备了青藏高原2002—2021年的逐日无云积雪数据集[89-90]。该建模框架将MODIS积雪产品的光谱信息、时空背景信息,以及环境相关信息以最优形式进行整合,不仅填补了云层遮挡引起的数据空缺,而且提高了原始MODIS积雪产品的精度。

积雪指数产品是指积雪监测产品中利用积雪指数来识别积雪。MODIS的积雪指数产品主要使用SNOMAP算法进行积雪制图[24]。主要包括使用NDSI和一些辅助的决策策略来识别积雪。积雪在可见光波段具有高反射率而在短波红外波段反射率较低,从而对应较高的NDSI值,基于NDSI制作的MODIS积雪指数产品在晴空下具有较高的精度[91]。

2.2 积雪覆盖率遥感监测产品

积雪覆盖率表示指定区域内的积雪覆盖比例,在亚像元尺度上即单位像元内积雪覆盖面积与单位像元面积的比值[92]。监测区域积雪覆盖率是遥感在积雪水文中的一个重要应用。当前己存在多种卫星遥感监测技术实现对区域积雪覆盖率的监测,并且形成了长时间序列的全球/区域尺度上的多种积雪覆盖率遥感产品。主要产品见表3。

表3   主要积雪覆盖率产品

Tab.3  Major fractional snow cover products

数据产品名称覆盖范围时间范围空间分辨率时间分辨率传感器来源
GlobSnow v2.1北半球1996—2012年0.01°×0.01°逐日/8 dATSR-2,AATSR欧洲航天局
http://www.globsnow.info
SCAG北半球2000—2013年500 m逐日MODIS,VIRRSNASA
http://snow.jpl.nasa.gov/portal/browse/dataset/urn:snow: MODSCAG
CryoLand泛欧亚2000年至今500 m逐日MODIS欧洲航天局
http://cryoland.eu
Terra积雪产品
(MOD10A1/A2)		全球2000年至今500 m/0.05°逐日/8 dMODISNSIDC
https://nsidc.org
Aqua积雪产品
(MYD10A1/A2)		全球2002年至今500 m/0.05°逐日/8 dMODISNSIDC
https://nsidc.org
高亚洲逐日积雪
覆盖度数据集		亚洲2002—2018年500 m逐日MODIS中国科学院空天信息创新研究院
https://www.scidb.cn/en/detail?dataSetId=633694460970008576
全球年均积雪面
积比例数据		全球2000—2021年500 m逐年MODIS国家青藏高原科学数据中心
http://data.tpdc.ac.cn

新窗口打开| 下载CSV


NSIDC自2000年开始发布全球范围内的MODIS积雪产品数据,该产品的研发是基于Terra卫星制作的逐日积雪标准产品(MOD10A1/A2)和Aqua卫星的逐日积雪标准产品(MYD10A1/A2)所生成的[93],目前已有V004版本、V005版本和V006版本3种全球积雪监测产品投入使用,后两者包括积雪覆盖范围、积雪覆盖率、积雪反照率和质量评估4种数据集[94]。由于MODIS是光学传感器, MODIS积雪范围产品在晴空状态下具有较高的精度,为全球积雪范围的变化提供了不错的识别,但大量云像元的存在严重影响了MODIS积雪产品的应用[95]。目前,中国学者如邱玉宝等[90]已研发了一系列融合去云算法,来消除MODIS积雪产品中的云污染,如青藏高原MODIS逐日无云积雪面积比例数据集(2000—2015年)、青藏高原MODIS逐日无云积雪面积数据集(2002—2015年)、高亚洲逐日积雪覆盖率数据集(2002—2016年)都使用去云算法来降低云层带来的影响。

欧洲航天局资助的GlobSnow v2.1产品基于ATSR-2和AATSR传感器生成了一系列自1995年以来的近实时北半球0.01°×0.01°分辨率的积雪覆盖率产品。但是由于AATSR的条带宽度较窄,无法实现全球每日覆盖; 并且由于低反射率动力学原理,在非常密集的森林中,积雪覆盖率存在被高估现象[96]。因此2.1版本改进了积雪覆盖率和雪水当量产品的反演方法,并利用改进的反演算法重新处理长时间序列数据集。

全球年均积雪面积比例数据集(2000—2021年)的制作方法为BV-BLRM积雪面积比例线性回归经验模型,其采用的源数据为MOD09GA 500 m全球逐日地表反射率产品,以及MOD09A1 500 m的8 d合成全球地表反射率产品,该数据集利用Google Earth Engine平台进行制作。

2.3 雪深/雪水当量遥感监测产品

雪深是重要的积雪参数之一,是衡量积雪变化的重要特征量。遥感反演得出雪深可以进一步推算出雪水当量。雪水当量表示单位横截面积的柱体雪完全融化后的液态水高度,单位为cm或者mm[97]。它既是地球物质系统中不可缺少的成分,在积雪遥感监测中亦是重要的变量,其时空分布特点对全球变化、水资源利用和循环起着重要作用[98]。目前国内外已发布多种相关的雪深/雪水当量产品,主要基于被动微波传感器生产,并大多采取所使用传感器来命名。典型产品见表4。

表4   典型的雪深/雪水当量产品

Tab.4  Major snow depth/water equivalent products

数据产品空间范围时间范围空间分辨率时间分辨率数据源
SMMR积雪雪深产品全球1978—1987年0.5°逐月NSIDC
https://nsidc.org
SSM/I雪深产品全球1987年至今25 km逐日NSIDC
https://nsidc.org
SSMI/S雪深产品全球2003年至今25 km逐日NSIDC
https://nsidc.org
GlobSnow
雪水当量产品		北半球1979年至今25 km逐日/周/月欧洲航天局
http://www.globsnow.info
AMSR-E雪水当量产品全球2002—2011年25 km逐日/5 d/月NASA
http://nsidc.org/data/docs/daac/ae_swe_ease-grids.gd.html
AMSR-2雪水当量/雪深产品全球2015年至今10 km/25 km/Swath逐日日本宇航局
https://suzaku.eorc.jaxa.jp/
FY-3B/C雪深/雪水当量产品全球2011/2014年至今25 km逐日/旬/月中国气象局
http://satellite.cma.gov.cn
中国雪深长时间序列数据集(1979—2016年)中国1979—2016年0.25°逐日国家青藏高原科学数据中心
https://data.tpdc.ac.cn/zh-hans/
高亚洲地区被动微波遥感雪水当量数据集亚洲2002—2011年0.25°/500 m逐日/周/月中国科学院空天信息创新研究院
https://www.scidb.cn/en/detail?dataSetId=633694461121003524
2003—2011年

新窗口打开| 下载CSV


1978年NSIDC在利用SMMR的基础上发布了全球首个空间分辨率为0.5°的逐月积雪雪深产品。1987年由性能更优的SSM/I取代了SMMR进行监测(SSMI/S于2003年开始提供监测数据),提供了全球尺度或半球的遥感监测雪深变化数据。

2002年,发布了基于Aqua卫星所搭载的AMSR-E数据的逐日雪深产品, AMSR-E雪水当量产品的空间分辨率为25 km,所以常用于大尺度的积雪范围、雪深和雪水当量等方面的监测。

欧洲航天局支持的GlobSnow项目,基于SMMR,SSMI,SSMI/S数据及气象站点长时间序列观测数据,利用数据同化方法生成了自1979年以来北半球的逐日/周/月雪水当量产品,产品监测范围覆盖了除山区和格陵兰岛的北半球所有陆地。

最初NSIDC发布了搭载在Aqua卫星上的AMSR-E数据的逐日雪深产品,该产品因为传感器的损坏而停用,随之日本宇航局基于AMSR-2的微波亮度温度数据发布了全球范围的逐日雪深/雪水当量产品。

我国典型的雪深/雪水当量产品主要包括近年来中国气象局基于FY-3B搭载的MWRI研发的逐日雪深/雪水当量产品以及基于FY-3C/MWRI研发的逐日/旬/月雪深/雪水当量产品。另外有利用SMMR,SSM/I和AMSR-E所制作的中国雪深长时间序列数据集(1978—2012年)[61],该产品升级后为中国雪深长时间序列数据集(1979—2016年)以及高亚洲地区被动微波遥感雪水当量数据集[99]。

3 总结与展望

本文综述了3大类主流积雪产品及其算法基础,以及积雪产品的业务化应用和精度验证研究。根据获取的积雪参数信息不同,主要分有积雪范围产品、积雪覆盖率产品和雪深/雪水当量产品,前两者的数据源是光学/热红外传感器,后者的数据源一般是被动微波传感器,亦有个别将2类传感器数据源融合生成的产品,如IMS雪冰产品。积雪产品的典型算法发展久远。基于NDSI的阈值判别法是积雪范围产品的最主流算法,NASA算法和NASA96算法等半经验算法是当前应用最广泛的雪深/雪水当量产品基本算法。随着遥感监测传感器的性能不断提升,国内外研究者基于对上述算法模型的经验系数和反演结果修正改进,提高在各自研究区域的积雪参数反演精度。国内基于我国FY-3系列卫星传感器,将算法模型结合中国的积雪特点进行订正改进,已生成反演精度较高的国内积雪业务产品。当前积雪产品的业务化应用广泛,如在水文遥感、融雪径流模拟和雪灾监测等方面有重要作用。然而积雪性质的动态改变、地表覆被、地形变化和传感器技术等因素对积雪遥感反演精度有很大影响,如何突破这些限制,仍是目前研究亟需解决的问题。综合当前积雪遥感反演进展,提出以下几点展望:

1)全球或半球尺度的积雪产品因为空间分辨率低,在区域尺度上的反演精度有待提高。当前遥感技术对积雪粒径、积雪密度和含水量等积雪物理特性变化敏感,但是对于植被对微波辐射的影响以及地形和山体阴影等对积雪遥感反演的影响还有待进一步的探索研究。比如在青藏高原这种地形复杂险要的地区,在构建积雪反演模型要充分考虑地形、山体阴影、云雾等因素的影响。如GlobSnow不提供像青藏高原这种地形复杂的山区积雪产品,AMSR-E雪深产品在青藏高原也存在严重高估的现象。

2)被动微波是当前雪深反演应用最广泛的技术,但是地表覆被复杂及传感器低空间分辨率,使得微波遥感雪深反演面临混合像元现象突出[100]。当前针对被动微波混合像元的亮温响应特征和算法改进机制的研究尚不充分。当前的算法采用的微波频率主要是18 GHz,19 GHz和37 GHz,雪深大于50 cm后会出现亮温差饱和现象,可以探索使用其他频率的波段来监测获取积雪亮温数据,解决混合像元内的植被和土壤等干扰因素的问题。

3)促进多源数据融合提高产品反演精度。被动微波传感器的空间分辨率低而时间分辨率高且覆盖范围广,光学/热红外传感器却恰恰相反,因此将两类遥感数据进行融合处理,可以更好地处理像元尺度内的地表异质性信息,获取更高反演精度的数据。除此之外,近年来主动微波遥感也已经成为监测积雪覆盖率和雪深反演的重要方法,并且其具有不受云雾影响、空间分辨率高的特点,可以有效弥补光学热红外遥感和被动微波遥感数据的不足。可以大力发展星载雷达数据与被动微波数据融合产品,提升机器学习算法,促进全球化应用尺度的积雪产品反演精度。

参考文献

Estilow T W, Young A H, Robinson D A.

A long-term Northern Hemisphere snow cover extent data record for climate studies and monitoring

[J]. Earth System Science Data, 2015, 7(1):137-142.

[本文引用: 2]

沙依然·外力, 毛炜峄.

基于AMSR2被动微波积雪参量高精度反演方法研究

[J]. 冰川冻土, 2016, 38(1):145-158.

[本文引用: 1]

Sayran W, Mao W Y.

A research on the method of deriving high-precision snow parameters from AMSR2 passive microwave remote sensing data

[J]. Journal of Glaciology and Geocryology, 2016, 38(1):145-158.

[本文引用: 1]

王芝兰, 张飞民, 王澄海, 等.

1980—2019年青藏高原积雪深度时空差异性分析

[J]. 冰川冻土, 2022, 44(3):810-821.

DOI:10.7522/j.issn.1000-0240.2022.0079      [本文引用: 1]

积雪是地表特征的重要参数，其对辐射收支、能量平衡及天气和气候变化有重要影响。利用1980—2019年被动微波遥感积雪深度资料对青藏高原积雪时空特征进行分析，在此基础上将高原划分为东部、南部、西部及中部4个区域，并分区域讨论了多时间尺度积雪的变化特征及其与气温、降水的相关关系。结果表明：不同区域积雪深度在不同时间尺度的变化特征存在差异，高原东部积雪深度累积和消融的速率比西部快，南部积雪深度累积和消融速率比中部快。季节尺度上，冬季积雪高原东部最大，中部最小；春季积雪高原东部消融速率最大，西部积雪消融较慢但积雪深度最大；夏季高原西部仍有积雪存在。年际尺度上，各区域积雪深度在1980—2019年均呈现缓慢下降趋势，但东部积雪减少不显著；高原东部积雪深度在1980—2019年呈现出增加—减少—增加—减少的变化，其余3区均呈现出减少—增加—减少—增加—减少的变化。不同区域积雪深度对气温、降水的响应不同，高原东部和中部积雪深度与气温相关性较好；各区域积雪深度与降水呈不显著的正相关关系。

Wang Z L, Zhang F M, Wang C H, et al.

Analysis on spatial and temporal difference of snow depth over the Tibetan Plateau from 1980 to 2019

[J]. Journal of Glaciology and Geocryology, 2022, 44(3):810-821.

DOI:10.7522/j.issn.1000-0240.2022.0079      [本文引用: 1]

Snow depth is an important parameter of surface characteristics， which has a significant impact on radiation budget， energy balance， weather and climate change. Based on the data of passive microwave remote sensing snow depth over the Tibetan Plateau （TP） from 1980 to 2019， temporal and spatial characteristics of snow depth are analyzed. The TP is divided into four regions： eastern， southern， western and central parts. The results show that the variation characteristics of snow depth in different regions at different time scales are different. The rate of snow depth accumulation and melting in eastern part is faster than that in western part， while in southern part is faster than in central part. On seasonal scale， winter snow depth in eastern part is the more， and that in central part is the less. In spring， the melting rate of snow in eastern part is the faster， while that in western part is slow， but snow depth in western part is the most. Snow still exists in western part of the TP in summer. On interannual scale， snow depth in each part decreased slowly from 1980 to 2019， but was not significant in eastern part. The interdecadal variation of snow depth in eastern part is different from the other three parts. The response of snow depth to air temperature and precipitation is different in different parts. There is significant negative correlation between snow depth and air temperature in eastern and central parts， while no significant positive correlation between snow depth and precipitation in all parts.

王顺久.

青藏高原积雪变化及其对中国水资源系统影响研究进展

[J]. 高原气象, 2017, 36(5):1153-1164.

DOI:10.7522/j.issn.1000-0534.2016.00117      [本文引用: 1]

回顾了青藏高原（下称高原）积雪变化及其对中国水资源系统影响研究进展, 探讨了开展高原积雪异常对中国水资源系统影响研究存在的不足和未来趋势。高原积雪分布极不均匀, 呈四周山区多、腹地少, 两侧多、中间少的空间分布特征。高原东部积雪变化最显著且主导了整个高原积雪的年际变化, 因此该地区积雪异常更值得关注。自20世纪60年代以来高原积雪总体呈缓慢增加趋势, 21世纪初期春季和冬季积雪略有减少。目前, 关于高原积雪变化对我国水资源系统影响的研究主要集中在高原积雪异常对降水和旱涝影响及其预测指示性研究两方面。高原积雪主要通过季风影响我国的降水时空分布, 进而影响水资源系统。高原积雪异常对我国降水影响大, 且范围广, 可作为降水预测的一个重要信号, 同时其对我国旱涝分布具有重要影响, 并且对旱涝预测具有指示意义。

Wang S J.

Progresses in variability of snow cover over the Qinghai-Tibetan Plateau and its impact on water resources in China

[J]. Plateau Meteorology, 2017, 36(5):1153-1164.

DOI:10.7522/j.issn.1000-0534.2016.00117      [本文引用: 1]

The major advances in the researches on the variability of snow cover over the Qinghai-Tibetan Plateau (QTP) and its impact on water resources in China are summarized.Some existing problems in the related studies and the researches needing further investigation are also discussed.The distribution of the snow cover over the QTP is far from uniformity.In the peripheral high mountains snow cover distributes extensively and has a long duration, but in the vast interior it is rare or even thin.The snow cover region in the east of QTP is the most significant region of the interannual variation of snow cover on the QTP, and dominates the interannual variation of snow cover in the whole plateau.So the snow anomalies over the eastern QTP should be paid more attention.The snow cover on the QTP increased from 1960s to 1990s, and its extent slowly increased in summer and autumn but decreased in winter and spring in the early 21st century.The research progresses on the impact of snow cover over the QTP on water resources are focused on precipitation and drought-flood.The abnormal snow cover over the QTP can affect the atmospheric circulation and Asian summer monsoon precipitation in terms of changing ground surface albedo, temperature and thermal conditions.The impact of abnormal snow cover over the QTP on precipitation is high consequence and wide areas.The abnormality of snow cover over the QTP has certain influences on droughts and floods of China.The snow cover abnormality could be applied in drought and flood forecast, too.

刘一静, 孙燕华, 钟歆玥, 等.

从第三极到北极:积雪变化研究进展

[J]. 冰川冻土, 2020, 42(1):140-156.

DOI:10.7522/j.issn.1000-0240.2020.0007      [本文引用: 1]

在全球气候变化背景下， 第三极和北极地区积雪是地表最活跃的自然要素之一， 其动态变化对气候环境和人类生活产生重要影响。通过回顾第三极和北极积雪研究进展， 阐述了降雪、 积雪范围、 积雪日数、 积雪深度和雪水当量在第三极和北极地区的时空分布特征和变化趋势。结果表明： 近50年， 特别是进入21世纪以来， 第三极和北极地区降雪比率均呈下降趋势； 积雪范围、 积雪日数、 积雪深度、 雪水当量总体均呈减小趋势， 融雪首日有所提前。同时就积雪变化对生态系统与气候系统的影响进行了论述， 评估了积雪的反馈作用。通过总结第三极和北极积雪变化研究进展， 凝练研究中存在的不足和未来发展趋势， 为提升积雪对气候变化及经济社会发展影响的认识提供重要科学支撑。

Liu Y J, Sun Y H, Zhong X Y, et al.

Changes of snow cover in the Third Pole and the Arctic

[J]. Journal of Glaciology and Geocryology, 2020, 42(1):140-156.

DOI:10.7522/j.issn.1000-0240.2020.0007      [本文引用: 1]

In the context of global climate change, snow cover in the Third Pole and Arctic region is one of the most active natural elements on the surface, and its dynamic changes have an important impact on the climate and human life. This paper reviewed the research progress of snow cover changes, and describes the distribution characteristics and trends of snowfall, Snow Covered Extent (SCE), Snow Covered Days (SCD), Snow Depth (SD) and Snow Water Equivalent (SWE) in the Third Pole and Arctic region. The results show that in the past few decades, especially since the beginning of the 21st century, the snowfall ratio had a downward trend; SCE, SCD, SD and SWE all showed a decreasing trend, and the snowmelt onset was earlier in the Third Pole and Arctic. At the same time, this paper discussed the impact of snow cover on ecosystems and climate systems, and then evaluated the feedback effect of snow cover. By summarizing the research progress of the Third Pole and Arctic region snow cover changes and compacting the shortcomings in the research and the future development trend, this paper provides important scientific support for further enhancing the understanding of snow cover on climate change and social and economic development.

王泽坤, 甘甫平, 闫柏琨, 等.

雪深和雪水当量被动微波反演及应用进展

[J]. 自然资源遥感, 2022, 34(3):1-9.doi:10.6046/zrzyyg.2021322.

[本文引用: 2]

Wang Z K, Gan F P, Yan B K, et al.

Inversion of snow depth and snow water equivalent based on passive microwave remote sensing and its application progress

[J]. Remote Sensing for Natural Resources, 2022, 34(3):1-9.doi:10.6046/zrzyyg.2021322.

[本文引用: 2]

蒋玲梅, 崔慧珍, 王功雪, 等.

积雪、土壤冻融与土壤水分遥感监测研究进展

[J]. 遥感技术与应用, 2020, 35(6):1237-1262.

DOI:10.11873/j.issn.1004-0323.2020.6.1237      [本文引用: 1]

积雪、土壤冻融与土壤水分是陆表能量与水分以及碳交换过程研究中的重要因子，为了更好地了解积雪覆盖、雪深/雪水当量、土壤冻融状态和土壤水分等参数的遥感监测领域的发展动态，对这些参数遥感监测方法的研究进展进行了梳理，总结了利用光学与微波遥感，以及多源遥感融合的监测方法，并对该研究领域的发展趋势进行了展望。积雪、土壤冻融与土壤水分的遥感监测能力不断提升，监测算法从单一传感器向多传感器、单波段单一模式向多波段多模式集成，以及卫星虚拟星座综合观测概念的提出，均促进了现有卫星观测地表参数能力的提升；长时间序列产品的开发，对于研究和掌握全球变化大背景下对气候的响应提供了很好的数据基础；同时有助于促进遥感在水文、气象、气候、生态等领域的应用。以上的研究综述，有望对陆表水循环遥感参数反演领域，以及水循环遥感关键参数的应用领域有一定的借鉴作用。

Jiang L M, Cui H Z, Wang G X, et al.

Progress on remote sensing of snow,surface soil frozen/thaw state and soil moisture

[J]. Remote Sensing Technology and Application, 2020, 35(6):1237-1262.

[本文引用: 1]

Yang J, Jiang L, Shi J, et al.

Monitoring snow cover using Chinese meteorological satellite data over China

[J]. Remote Sensing of Environment, 2014, 143:192-203.

[本文引用: 1]

Marchane A, Jarlan L, Hanich L, et al.

Assessment of daily MODIS snow cover products to monitor snow cover dynamics over the Moroccan Atlas Mountain range

[J]. Remote Sensing of Environment, 2015, 160:72-86.

[本文引用: 1]

韩琛惠. 新一代静止气象卫星积雪判识算法的改进与应用研究[D]. 南京: 南京信息工程大学, 2018.

[本文引用: 1]

Han C H. Improvement and application of snow detection algorithm using the new generation of geostationary meteorological satellite[D]. Nanjing: Nanjing University of Information Science & Technology, 2018.

[本文引用: 1]

曹海啸. 基于深度学习的新疆地区遥感积雪判识研究[D]. 南京: 南京信息工程大学, 2021.

[本文引用: 1]

Cao H X. Study on remote sensing snow identification in Xinjiang based on deep learning[D]. Nanjing: Nanjing University of Information Science & Technology, 2021.

[本文引用: 1]

沙依然. 外力. 基于新一代先进卫星遥感AMSR2、VIIRS数据融合积雪监测模型及应用研究[D]. 南京: 南京信息工程大学, 2017.

[本文引用: 1]

Sayran W. Study on the snow cover inversion model and its application based on the new generation advanced satellite AMSR2 and VIIRS data fusion[D]. Nanjing: Nanjing University of Information Science & Technology, 2017.

[本文引用: 1]

除多, 郑照军, 拉巴卓玛, 等.

基于Landsat-8 OLI的青藏高原IMS 4 km雪冰产品精度评价

[J]. 遥感技术与应用, 2021, 36(6):1223-1235.

DOI:10.11873/j.issn.1004-0323.2021.6.1223      [本文引用: 1]

IMS雪冰产品是多源数据的融合产品，提供北半球逐日无云的雪冰覆盖范围，在青藏高原积雪遥感监测和研究中具有广阔的应用前景。利用Landsat-8 OLI积雪覆盖数据对IMS 4 km分辨率雪冰产品在青藏高原积雪监测中的精度进行了评估验证。研究结果表明：①IMS 4 km雪冰产品的平均总精度为76.0%，平均制图和无雪分类精度分别是88.3%和84.9%，利用IMS 4 km雪冰产品监测青藏高原积雪具有较好的精度，可以用于青藏高原大尺度积雪覆盖监测；②平均多测率为45.4%，漏测率11.7%，IMS 4 km雪冰产品高估了实际积雪面积，且积雪面积比例越高，IMS的积雪判识能力越强，同时出现误判几率越高，而漏判几率越低；③IMS 4 km积雪监测精度在青藏高原总体上呈现海拔较高地段积雪的制图精度较高，随着海拔的降低，积雪监测的漏测和多测呈增加趋势；④相比地面观测数据的区域代表性不足问题，基于高分辨率遥感数据的地面积雪分布特征更为详细，得到更为准确可靠的验证结果。

Chu D, Zheng Z J, Labazhuoma, et al.

Accuracy assessment of IMS 4 km snow and ice products on the Tibetan Plateau based on Landsat-8 OLI images

[J]. Remote Sensing Technology and Application, 2021, 36(6):1223-1235.

[本文引用: 1]

马光义. 基于高时空分辨率卫星遥感影像的积雪判识算法研究与应用[D]. 南京: 南京信息工程大学, 2020.

[本文引用: 1]

Ma G Y. Research and application of snow recognition algorithm using high temporal-spatial resolution remote sensing imageries[D]. Nanjing: Nanjing University of Information Science and Technology. 2020.

[本文引用: 1]

吴杨, 张佳华, 徐海明, 等.

卫星反演积雪信息的研究进展

[J]. 气象, 2007, 33(6):3-10.

[本文引用: 1]

Wu Y, Zhang J H, Xu H M, et al.

Advances in study of snow-cover from remote sensing data

[J]. Meteorological Monthly, 2007, 33(6):3-10.

[本文引用: 1]

肖雄新, 张廷军.

基于被动微波遥感的积雪深度和雪水当量反演研究进展

[J]. 地球科学进展, 2018, 33(6):590-605.

DOI:10.11867/j.issn.1001-8166.2018.06.0590      [本文引用: 1]

积雪是冰冻圈重要组成要素之一,也是对天气和气候响应最为敏感的自然要素。被动微波能够穿透云层、积雪和大气进行全天候、全天时地工作,在估算积雪深度、雪水当量等积雪参数上有很大优势。综述了国内外基于被动微波遥感的积雪参数反演研究的进展,首先介绍了被动微波遥感监测积雪的基本理论,以及被动微波遥感数据;然后将当前的积雪深度和雪水当量反演算法总结为4类:①基于统计的线性反演算法;②基于微波积雪模型的反演算法;③基于先验知识的非线性反演算法;④数据融合与数据同化。随后介绍了常用的7种积雪数据产品,并讨论了影响积雪深度和雪水当量反演精度的几个因素,最后对未来积雪参数反演研究方向做出了展望。

Xiao X X, Zhang T J.

Passive microwave remote sensing of snow depth and snow water equivalent:Overview

[J]. Advances in Earth Science, 2018, 33(6):590-605.

[本文引用: 1]

李长春, 徐轩, 包安明, 等.

基于FY3B-MWRI数据新疆区域积雪深度反演

[J]. 遥感技术与应用, 2018, 33(6):1030-1036.

[本文引用: 1]

Li C C, Xu X, Bao A M, et al.

The Study on snow depth retrieval in Xinjiang region based on FY3B-MWRI data

[J]. Remote Sensing Technology and Application, 2018, 33(6):1030-1036.

[本文引用: 1]

朱淑珍, 黄法融, 冯挺, 等.

1979—2020年天山地区积雪量估算及其特征分析

[J]. 冰川冻土, 2022, 44(3):984-997.

DOI:10.7522/j.issn.1000-0240.2022.0093      [本文引用: 1]

积雪作为干旱区的重要水源，深刻影响区域水资源及经济发展。决定积雪量的积雪深度、积雪面积和积雪密度在时空分布上存在不确定性，尤其是积雪密度难以获取。本文利用FY-3B/MWRI（Fengyun 3B Microwave Radiation Imager）数据反演积雪密度，结合1979—2020年长时间序列遥感雪深数据集，对天山地区40多年来积雪期（11月—次年3月）及其不同时期（积累期、稳定期、消融期）的积雪量进行估算，并分析其时空分布及与地形、气象等因子之间的关系。结果表明：1979—2020年，天山地区积雪期不同时期积雪量存在差异，稳定期积雪量最大，消融期次之，积累期最小。研究时段内，积雪期积雪量最大值出现在1979年，最小值出现在1998年，积雪期积雪量呈微弱的下降趋势，消融期积雪量下降趋势显著。多年平均积雪量空间格局与积雪深度和积雪密度基本一致，主要呈现为西北多东南少的特点。天山地区积雪量空间分布主要受海拔、坡度影响，积雪量与海拔正相关，海拔越高，积雪量越丰富；在15°以下时，坡度对积雪的影响较大，且坡度越大，积雪量越大。不同时期积雪量的多年变化与气温关系密切，在一定温度范围内，气温越低，积雪量越大；稳定期积雪量变化同时受积累期降水影响，积累期降水越多，稳定期积雪量越大。本文基于遥感积雪深度和密度的天山积雪量研究结果，可供气候变化条件下新疆水资源利用和经济发展参考。

Zhu S Z, Huang F R, Feng T, et al.

Estimation of snow mass and its distribution characteristics from 1979 to 2020 in Tianshan Mountains,China

[J]. Journal of Glaciology and Geocryology,2022, 44(3):984-997.

[本文引用: 1]

蒋玲梅, 王培, 张立新, 等.

FY3B-MWRI中国区域雪深反演算法改进

[J]. 中国科学:地球科学, 2014, 44(3):531-547.

[本文引用: 2]

Jiang L M, Wang P, Zhang L X, et al.

Improvement of FY3B-MWRI snow depth inversion algorithm in China region

[J]. Scientia Sinica (Terrae), 2014, 44(3):531-547.

[本文引用: 2]

王功雪, 蒋玲梅, 武胜利, 等.

FY-3B与FY-3C/MWRI交叉定标及雪深算法应用

[J]. 遥感技术与应用, 2017, 32(1):49-56.

DOI:10.11873/j.issn.1004-0323.2017.1.0049      [本文引用: 1]

FY-3C/MWRI于2015年7月30日开始业务运行,与FY-3B/MWRI对地表微波辐射进行联合观测。为保证MWRI亮温数据的可靠性\,一致性以及综合双星MWRI观测数据应用雪深业务算法,利用地面近似稳定目标格陵兰岛冰盖与亚马逊热带雨林,对双星MWRI亮温数据进行交叉定标。分析了交叉定标前后FY\|3B与FY\|3C/MWRI雪盖面积及雪深反演结果的一致性,并以2013~2014年冬季气象站点的雪深观测数据评价了交叉定标对雪深反演精度的影响。结果表明:FY\|3C/MWRI亮温数据与FY\|3B/MWRI数据一致性较好,二者各通道的亮温平均偏差介于-0.87~2.05 K之间,前者多数通道略偏“暖”;绝对值大于3 K的偏差比例在18H、36V、86H及86V等通道略高(10%~18%),其他通道比例均较低;FY\|3B与FY\|3C/MWRI雪盖面积及雪深估算结果一致性较好,交叉定标对雪盖面积反演影响较小,交叉定标后FY\|3C/MWRI雪深反演误差(RMSE)略微降低,MWRI雪深反演结果更加稳定。

Wang G X, Jiang L M, Wu S L, et al.

Intercalibrating FY-3B and FY-3C/MWRI for synergistic implementing to snow depth retrieval algorithm

[J]. Remote Sensing Technology and Application, 2017, 32(1):49-56.

[本文引用: 1]

李震, 曾群柱.

合成孔径雷达影象提取雪盖信息研究

[J]. 环境遥感, 1996(3):200-205.

[本文引用: 1]

Li Z, Zeng Q Z.

Study on extracting snow cover information from synthetic aperture Radar images

[J]. National Remote Sensing Bulletin, 1996(3):200-205.

[本文引用: 1]

Dozier J, Marks D.

Snow mapping and classification from Landsat thematic mapper data

[J]. Annals of Glaciology, 1987, 9:97-103.

[本文引用: 1]

Martinec J, Rango A.

Interpretation and utilization of areal snow-cover data from satellites

[J]. Annals of Glaciology, 1987, 9:166-169.

[本文引用: 1]

Dozier J.

Spectral signature of alpine snow cover from the Landsat thematic mapper

[J]. Remote Sensing of Environment, 1989, 28:9-22.

[本文引用: 3]

Hall D K, Riggs G A, Salomonson V V.

Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data

[J]. Remote Sensing of Environment, 1995, 54(2):127-140.

[本文引用: 1]

Hall D K, Foster J L, Verbyla D L, et al.

Assessment of snow-cover mapping accuracy in a variety of vegetation-cover densities in central Alaska

[J]. Remote Sensing of Environment, 1998, 66(2):129-137.

[本文引用: 1]

Klein A G, Hall D K, Riggs G A.

Improving snow cover mapping in forests through the use of a canopy reflectance model

[J]. Hydrological Processes, 1998, 12(1011):1723-1744.

[本文引用: 1]

Hall D K, Riggs G A, Salomonson V V, et al.

MODIS snow-cover products

[J]. Remote Sensing of Environment, 2002, 83(1/2):181-194.

[本文引用: 1]

Salomonson V V, Appel I.

Estimating fractional snow cover from MODIS using the normalized difference snow index

[J]. Remote Sensing of Environment, 2004, 89(3):351-360.

[本文引用: 1]

Hori M, Sugiura K, Kobayashi K, et al.

A 38-year (1978—2015) northern hemisphere daily snow cover extent product derived using consistent objective criteria from satellite-borne optical sensors

[J]. Remote Sensing of Environment, 2017, 191:402-418.

[本文引用: 1]

Wang X, Wang J.

Retrieving snow cover in forests of Qilian Mountains from Landsat optional land imager(OLI)

[C]// 2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS).Milan,Italy.IEEE, 2015:751-753.

[本文引用: 1]

Wang G, Jiang L, Shi J, et al.

Snow-covered area retrieval from Himawari-8 AHI imagery of the Tibetan Plateau

[J]. Remote Sensing, 2019, 11(20):2391.

[本文引用: 1]

Kwon Y, Yang Z L, Hoar T J, et al.

Improving the radiance assimilation performance in estimating snow water storage across snow and land-cover types in North America

[J]. Journal of Hydrometeorology, 2017, 18(3):651-668.

[本文引用: 2]

Masiokas M H, Villalba R, Luckman B H, et al.

Snowpack variations in the central Andes of Argentina and Chile,1951—2005:Large-scale atmospheric influences and implications for water resources in the region

[J]. Journal of Climate, 2006, 19(24):6334-6352.

[本文引用: 1]

Metsämäki S J, Anttila S T, Markus H J, et al.

A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model

[J]. Remote Sensing of Environment, 2005, 95(1):77-95.

[本文引用: 1]

Painter T H, Rittger K, McKenzie C, et al.

Retrieval of subpixel snow covered area,grain size,and albedo from MODIS

[J]. Remote Sensing of Environment, 2009, 113(4):868-879.

[本文引用: 1]

Rittger K, Painter T H, Dozier J.

Assessment of methods for mapping snow cover from MODIS

[J]. Advances in Water Resources, 2013, 51:367-380.

[本文引用: 1]

施建成.

MODIS亚像元积雪覆盖反演算法研究——纪念杰出的地理学家、冰川学家施雅风先生逝世一周年

[J]. 第四纪研究, 2012, 32(1):6-15.

[本文引用: 1]

Shi J C.

An automatic algorithm on estimating sub-pixel snow cover from modis

[J]. Quaternary Sciences, 2012, 32(1):6-15.

[本文引用: 1]

Hao S, Jiang L, Shi J, et al.

Assessment of MODIS-based fractional snow cover products over the Tibetan Plateau

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(2):533-548.

[本文引用: 1]

赵宏宇, 郝晓华, 郑照军, 等.

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法

[J]. 遥感技术与应用, 2018, 33(6):1004-1016.

[本文引用: 1]

Zhao H Y, Hao X H, Zheng Z J, et al.

A new algorithm of fractional snow cover basing on FY-3D/MERSI-Ⅱ

[J]. Remote Sensing Technology and Application, 2018, 33(6):1004-1016.

[本文引用: 1]

朱骥, 施建成, 张祥信, 等.

基于AVHRR/210d合成数据的青藏高原亚像元雪填图

[J]. 武汉大学学报(信息科学版), 2017, 42(12):1725-1730.

[本文引用: 2]

Zhu J, Shi J C, Zhang X X, et al.

Subpixel snow mapping using AVHRR/2 10-day compositing data of Qinghai-Tibet Plateau

[J]. Geomatics and Information Science of Wuhan University, 2017, 42(12):1725-1730.

[本文引用: 2]

Allen R C Jr, Durkee P A, Wash C H.

Snow/cloud discrimination with multispectral satellite measurements

[J]. American Meteorological Society, 1990.

[本文引用: 1]

Slater M T, Sloggett D R, Rees W G, et al.

Potential operational multi-satellite sensor mapping of snow cover in maritime sub-polar regions

[J]. International Journal of Remote Sensing, 1999, 20(15/16):3019-3030.

[本文引用: 1]

Huang Y, Xu J, Xu J, et al.

HMRFS-TP:Long-term daily gap-free snow cover products over the Tibetan Plateau from 2002 to 2021 based on hidden Markov random field model

[J]. Earth System Science Data, 2022, 14(9):4445-4462.

[本文引用: 1]

Moosavi V, Malekinezhad H, Shirmohammadi B.

Fractional snow cover mapping from MODIS data using wavelet-artificial intelligence hybrid models

[J]. Journal of Hydrology, 2014, 511:160-170.

[本文引用: 1]

Dozier J, Painter T H, Rittger K, et al.

Time-space continuity of daily maps of fractional snow cover and albedo from MODIS

[J]. Advances in Water Resources, 2008, 31(11):1515-1526.

[本文引用: 1]

McCreight J L, Small E E.

Modeling bulk density and snow water equivalent using daily snow depth observations

[J]. The Cryosphere, 2014, 8(2):521-536.

[本文引用: 1]

Takala M, Luojus K, Pulliainen J, et al.

Estimating Northern Hemisphere snow water equivalent for climate research through assimilation of space-borne radiometer data and ground-based measurements

[J]. Remote Sensing of Environment, 2011, 115(12):3517-3529.

[本文引用: 3]

施建成, 熊川, 蒋玲梅.

雪水当量主被动微波遥感研究进展

[J]. 中国科学:地球科学, 2016, 46(4):529-543.

[本文引用: 1]

Shi J C, Xiong C, Jiang L M.

Review of snow water equivalent microwave remote sensing

[J]. Scientia Sinica (Terrae), 2016, 46(4):529-543.

[本文引用: 1]

黄新宇, 冯筠.

冰雪微波遥感研究进展

[J]. 遥感技术与应用, 2004, 19(6):533-536.

[本文引用: 1]

Huang X Y, Feng Y.

The development of study on the snow ice using microwave remote sensing data

[J]. Remote Sensing Technology and Application, 2004, 19(6):533-536.

[本文引用: 1]

赵亮, 朱玉祥, 程亮, 等.

遥感-测站相结合的动态雪深反演方法初探

[J]. 应用气象学报, 2010, 21(6):685-697.

[本文引用: 1]

Zhao L, Zhu Y X, Cheng L, et al.

A dynamic approach to retrieving snow depth based on integration of remote sensing and observed data

[J]. Journal of Applied Meteorological Science, 2010, 21(6):685-697.

[本文引用: 1]

Mätzler C.

Applications of the interaction of microwaves with the natural snow cover

[J]. Remote Sensing Reviews, 1987, 2(2):259-387.

[本文引用: 1]

Chang A T C, Foster J L, Hall D K.

Nimbus-7 SMMR derived global snow cover parameters

[J]. Annals of Glaciology, 1987, 9:39-44.

[本文引用: 2]

Gladkova I, Grossberg M, Bonev G, et al.

Increasing the accuracy of MODIS/aqua snow product using quantitative image restoration technique

[J]. IEEE Geoscience and Remote Sensing Letters, 2012, 9(4):740-743.

[本文引用: 1]

Lee Y K, Kongoli C, Key J.

An in-depth evaluation of heritage algorithms for snow cover and snow depth using AMSR-E and AMSR2 measurements

[J]. Journal of Atmospheric and Oceanic Technology, 2015, 32(12):2319-2336.

[本文引用: 1]

Foster J L, Chang A T C, Hall D K.

Comparison of snow mass estimates from a prototype passive microwave snow algorithm,a revised algorithm and a snow depth climatology

[J]. Remote Sensing of Environment, 1997, 62(2):132-142.

[本文引用: 1]

Foster J L, Sun C, Walker J P, et al.

Quantifying the uncertainty in passive microwave snow water equivalent observations

[J]. Remote Sensing of Environment, 2005, 94(2):187-203.

[本文引用: 1]

曹梅盛, 冯学智, 金德洪.

积雪的若干光谱反射特征

[J]. 科学通报, 1982, 27(20):1259-1261.

[本文引用: 1]

Cao M S, Feng X Z, Jin D H.

Some spectral reflection characteristics of snow cover

[J]. Chinese Science Bulletin, 1982, 27(20):1259-1261.

[本文引用: 1]

曹梅盛, 冯学智, 金德洪.

积雪若干光谱反射特征的初步研究

[J]. 冰川冻土, 1984, 6(3):15-26,99-102.

[本文引用: 1]

融雪的研究推动了积雪反射特性的测量。据融雪热量平衡方程,雪的积分反射率减少1%,将使积雪消融每昼夜增加0.5-0.6毫米的深度。故要求测量误差小于0.05。早期反射特性的测量不分波段,直至1928年Hulbert E.O.才开始分400-800nm与800-2600nm二波段测量。

Cao M S, Feng X Z, Jin D H.

Preliminary research on some characteristics of the spectral reflection of snow cover

[J]. Journal of Glaciology and Geocryology, 1984, 6(3):15-26,99-102.

[本文引用: 1]

According to measured data of spectral reflection curves within the range from 380 to 1180 nm in field, analysis showed how snow parameters affected them and that the spectral reflectance was always in a simple declining way as time goes on, in spite of the difference of variation mode of snow parameters. Regression analysis further showed a good relationship between snow density and spectral reflectance with the best at 1020-1030 nm i.e. a characteristic wave valley of spectral reflection curve. Based on T test and considered the magnitude of reflection energy,420-450, 840-910, 950-1110 nm were selected as the optimum bands for distinguishing snow cover with different grain sizes. According to the analysis of two dimension cluster pictures, it was clear that the combination of Landsat-Ⅰ、Ⅱ、Ⅲ,and MSS-4, 7 band images was suitable for interpretation of snow cover at different grain sizes.

曹梅盛, 李培基, Robinson D A, 等.

中国西部积雪SMMR微波遥感的评价与初步应用

[J]. 环境遥感, 1993(4):260-269.

[本文引用: 1]

Cao M S, Li P J, Robinson D A, et al.

Evaluation and primary application of microwave remote sensing smmr-derived snow cover in western China

[J]. National Remote Sensing Bulletin, 1993(4):260-269.

[本文引用: 1]

车涛, 李新, 高峰.

青藏高原积雪深度和雪水当量的被动微波遥感反演

[J]. 冰川冻土, 2004, 26(3):363-368.

[本文引用: 2]

利用1993年1月份的SSM/I亮度温度数据反演了青藏高原的雪水当量,首先使用被动微波SSM/I数据19和37GHz的水平极化数据来反演雪深,根据积雪时间的函数来计算实时的雪密度,由雪的深度和密度计算出雪水当量.最后,利用SSM/I数据的19和37GHz的垂直极化亮度温度梯度对计算出的雪水当量进行回归分析,得到了利用SSM/I数据直接反演雪水当量的算法.

Che T, Li X, Gao F.

Estimation of snow water equivalent in the Tibetan Plateau using passive microwave remote sensing data (SSM/I)

[J]. Journal of Glaciology and Geocryology, 2004, 26(3):363-368.

[本文引用: 2]

Snow depth and snow water equivalent are the most import factors in the hydrologic model and climate model. So far, there is not an operational algorithm to estimate the snow water equivalent from passive microwave remote sensing data (SSM/I) in the Tibetan Plateau. In this study the SSM/I brightness temperature data in January 1993 are used to estimate the snow water equivalent SWE in the plateau. The frequencies of SSM/I data used to retrieve snow depth are 19 and 37 GHz in horizontal polarization. The results show that all available algorithms overestimate the snow depth in the Tibetan Plateau. In this paper the reasons of overestimation of snow depth from several aspects are analyzed, such as the water content of snow pack, large water bodies (e.g. lakes), and the abnormal field snow depth data. After eliminating some futile data (including the passive microwave brightness temperature values and snow depth data in the weather stations), an improved algorithm has been established to retrieve the snow depth from the difference of 19 and 37 GHz brightness temperatures in horizontal polarization. Here, snow density is obtained by a time function of fresh snow density. The snow depth and density were converted to the snow water equivalent, and are regarded as the ground truth. In finally, the TB vertically polarized differences of 19 and 37 GHz are regressed with the SWE. Using the statistical method, a simple and practical algorithm is developed to estimate the snow water equivalent from the differences of 19 and 37 GHz in vertical polarization.

孙知文, 施建成, 杨虎, 等.

风云三号微波成像仪积雪参数反演算法初步研究

[J]. 遥感技术与应用, 2007, 22(2):264-267.

[本文引用: 1]

Sun Z W, Shi J C, Yang H, et al.

A study on snow depth estimating and snow water equivalent algorithm for FY-3 MWRI

[J]. Remote Sensing Technology and Application, 2007, 22(2):264-267.

[本文引用: 1]

Kelly R E, Chang A T, Tsang L, et al.

A prototype AMSR-E global snow area and snow depth algorithm

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(2):230-242.

[本文引用: 1]

Kelly R.

The AMSR-E snow depth algorithm:Description and initial results

[J]. Journal of Remote Sensing, 2009, 29:307-317.

[本文引用: 1]

Taheri M, Mohammadian A.

An overview of snow water equivalent:Methods,challenges,and future outlook

[J]. Sustainability, 2022, 14(18):11395.

[本文引用: 1]

Pulliainen J T, Grandell J, Hallikainen M T.

HUT snow emission model and its applicability to snow water equivalent retrieval

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1378-1390.

[本文引用: 1]

Butt M J.

A comparative study of Chang and HUT models for UK snow depth retrieval

[J]. International Journal of Remote Sensing, 2009, 30(24):6361-6379.

[本文引用: 1]

Dai L, Che T, Wang J, et al.

Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang,China

[J]. Remote Sensing of Environment, 2012, 127:14-29.

[本文引用: 1]

Vafakhah M, Nasiri K A, Janizadeh S, et al.

Evaluating different machine learning algorithms for snow water equivalent prediction

[J]. Earth Science Informatics, 2022, 15(4):2431-2445.

[本文引用: 1]

Forman B A, Reichle R H.

Using a support vector machine and a land surface model to estimate large-scale passive microwave brightness temperatures over snow-covered land in North America

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(9):4431-4441.

[本文引用: 1]

Bair E H, Abreu Calfa A, Rittger K, et al.

Using machine learning for real-time estimates of snow water equivalent in the watersheds of Afghanistan

[J]. The Cryosphere, 2018, 12(5):1579-1594.

[本文引用: 1]

Xiao X, Zhang T, Zhong X, et al.

Support vector regression snow-depth retrieval algorithm using passive microwave remote sensing data

[J]. Remote Sensing of Environment, 2018, 210:48-64.

[本文引用: 1]

Eppler J, Rabus B, Morse P.

Snow water equivalent change mapping from slope-correlated synthetic aperture Radar interferometry (InSAR) phase variations

[J]. The Cryosphere, 2022, 16(4):1497-1521.

[本文引用: 1]

Tedesco M, Jeyaratnam J.

A new operational snow retrieval algorithm applied to historical AMSR-E brightness temperatures

[J]. Remote Sensing, 2016, 8(12):1037.

[本文引用: 1]

Kim R S, Durand M, Li D, et al.

Estimating alpine snow depth by combining multifrequency passive radiance observations with ensemble snowpack modeling

[J]. Remote Sensing of Environment, 2019, 226:1-15.

[本文引用: 1]

Aalstad K, Westermann S, Schuler T V, et al.

Ensemble-based assimilation of fractional snow-covered area satellite retrievals to estimate the snow distribution at Arctic sites

[J]. The Cryosphere, 2018, 12(1):247-270.

[本文引用: 1]

Cortés G, Margulis S.

Impacts of El Niño and La Niña on interannual snow accumulation in the Andes:Results from a high-resolution 31year reanalysis

[J]. Geophysical Research Letters, 2017, 44(13):6859-6867.

[本文引用: 1]

Wallbank J R, Cole S J, Moore R J, et al.

Estimating snow water equivalent using cosmic-ray neutron sensors from the COSMOS-UK network

[J]. Hydrological Processes, 2021, 35(5):16420.

[本文引用: 1]

Dagurov P N, Chimitdorzhiev T N, Dmitriev A V, et al.

Estimation of snow water equivalent from L-band Radar interferometry:Simulation and experiment

[J]. International Journal of Remote Sensing, 2020, 41(24):9328-9359.

[本文引用: 1]

Zhu J, Tan S, Tsang L, et al.

Snow water equivalent retrieval using active and passive microwave observations

[J]. Water Resources Research, 2021, 57(7):e2020WR027563.

[本文引用: 1]

Cheng Q S, Chen Y M, Yang J X, et al.

An enhanced method for estimating snow water equivalent in the central part of the Tibetan Plateau using raster segmentation and eigenvector spatial filtering regression model

[J]. Journal of Mountain Science, 2022, 19(9):2570-2586.

[本文引用: 1]

Yang Y, Fang S, Wu H, et al.

High-resolution inversion method for the snow water equivalent based on the GF-3 satellite and optimized EQeau model

[J]. Remote Sensing, 2022, 14(19):4931.

[本文引用: 1]

Steiner L, Studemann G, Grimm D E, et al.

(Near) real-time snow water equivalent observation using GNSS refractometry and RTKLIB

[J]. Sensors, 2022, 22(18):6918.

[本文引用: 1]

于小淇. 高亚洲地区积雪面积产品去云方法研究及精度验证[D]. 阜新: 辽宁工程技术大学, 2017.

[本文引用: 1]

Yu X Q. Cloud removing method and accuracy verification of snow extent product in high Asia area[D]. Fuxin: Liaoning Technical University, 2017.

[本文引用: 1]

段金亮. 基于混合像元分解的川西高原地区积雪覆盖度反演模型[D]. 成都: 西南交通大学, 2021.

[本文引用: 1]

Duan J L. Inversion model of snow coverage in western Sichuan Plateau based on mixed pixel decomposition[D]. Chengdu: Southwest Jiaotong University, 2021.

[本文引用: 1]

Ramsay B H.

The interactive multisensor snow and ice mapping system

[J]. Hydrological Processes, 1998, 12(10/11):1537-1546.

[本文引用: 1]

Helfrich S R, McNamara D, Ramsay B H, et al.

Enhancements to,and forthcoming developments in the Interactive Multisensor Snow and Ice Mapping System (IMS)

[J]. Hydrological Processes, 2007, 21(12):1576-1586.

[本文引用: 1]

张帅. 基于CLDAS的遥感积雪产品同化研究与应用[D]. 南京: 南京信息工程大学, 2019.

[本文引用: 1]

Zhang S. Research of remote sensing snow product assimilation based on CLDAS and its application[D]. Nanjing: Nanjing University of Information Science & Technology, 2019.

[本文引用: 1]

黄晓东, 郝晓华, 王玮, 等.

MODIS逐日积雪产品去云算法研究

[J]. 冰川冻土, 2012, 34(5):1118-1126.

[本文引用: 2]

由于积雪和云的反射特性, 使用光学遥感监测积雪受到天气的严重干扰, 对研究区云量的分析表明, 无论是MOD10A1还是MYD10A1, 云都是影响该产品对研究区积雪进行实时监测的最大影响因素. 综合不同去云方法, 利用MODIS逐日积雪产品和被动微波数据AMSR-E雪水当量产品, 生成了MODIS逐日无云积雪图像, 并利用研究区85个地面气象观测台站提供的雪深数据对合成的单日无云积雪产品进行验证. 结果表明: 当积雪深度>3 cm时, 新产品的积雪分类精度达到91.7%, 该产品对实时监测青藏高原积雪动态变化具有重要的使用价值.

Huang X D, Hao X H, Wang W, et al.

Algorithms for cloud removal in MODIS daily snow products

[J]. Journal of Glaciology and Geocryology, 2012, 34(5):1118-1126.

[本文引用: 2]

邱玉宝, 郭华东, 除多, 等.

青藏高原MODIS逐日无云积雪面积数据集(2002—2015年)

[J]. 中国科学数据, 2016, 1(1):7-17.

[本文引用: 3]

Qiu Y B, Guo H D, Chu D, et al.

MODIS daily cloud-free snow cover products over Tibetan Plateau(2002—2015)

[J]. China Scientific Data, 2016, 1(1):7-17.

[本文引用: 3]

Parajka J, Blöschl G.

Validation of MODIS snow cover images over Austria

[J]. Hydrology and Earth System Sciences, 2006, 10(5):679-689.

[本文引用: 1]

邹逸凡, 孙鹏, 张强, 等.

2001—2019年横断山区积雪时空变化及其影响因素分析

[J]. 冰川冻土, 2021, 43(6):1641-1658.

DOI:10.7522/j.issn.1000-0240.2021.0065      [本文引用: 1]

基于MOD10A2积雪产品提取横断山区积雪日数及积雪覆盖率等信息，结合横断山区129个地面气象站点的气象数据，采用趋势分析、相关分析及随机森林回归模型等方法分析了横断山区积雪时空分布特征及其影响因素。结果表明：年平均积雪覆盖率的年际变化呈不显著的下降趋势；年内变化呈“单峰”型曲线，其中3月积雪覆盖率最大，为55.04%。海拔3 000 m以上的积雪覆盖率较为稳定，海拔1 000~3 000 m之间的积雪覆盖率波动较大。受暖湿气流和地形影响，阴坡积雪覆盖率大于阳坡。横断山区积雪日数的分布具有纬度地带性，北部山区积雪分布广泛且积雪日数高，南部云贵高原积雪日数低。年均积雪日数介于55.16~79.47 d，积雪日数在28.46%的地区呈减少趋势，在21.66%的地区呈增加趋势，其中呈显著减少和显著增加的地区分别为2.65%和0.68%。中部康定市、九龙县及其周边地区减少趋势明显，北部杂多县—若尔盖县一线的高海拔山地增加趋势明显。积雪日数整体上与降水量、相对湿度呈正相关，与风速、气温和日照时数呈负相关。与降水量呈显著正相关的地区主要分布在西北部杂多县、称多县；与风速呈显著负相关的地区主要分布在西北部称多县、中部康定市；与气温呈显著负相关的地区主要分布在中部九龙县、西北部称多县；与相对湿度呈显著正相关的地区主要分布在北部杂多县—石渠县一线；与日照时数呈显著负相关的地区主要分布在东北部玛曲县、西北部称多县。积雪日数受气温和高程的影响最大，而日照时数和风速为次要因素。

Zou Y F, Sun P, Zhang Q, et al.

Analysis on spatial-temporal variation of snow cover and its influencing factors in the Hengduan Mountains from 2001 to 2019

[J]. Journal of Glaciology and Geocryology, 2021, 43(6):1641-1658.

DOI:10.7522/j.issn.1000-0240.2021.0065      [本文引用: 1]

This study extracted the snow cover fraction （SCF） and snow cover days （SCD） in the Hengduan Mountains by using the snow cover products MOD10A2. MODIS snow products with the advantage of high spatial resolution and high temporal resolution， have become an important data source for the study of spatial-temporal variation of snow cover. The 129 meteorological stations’data are derived from National Climate Center （NCC） of China and local meteorological bureaus， including daily air temperature， precipitation， wind speed， relative humidity and sunshine duration. By using M-K test， correlation analysis and random forest regression model， combined with the meteorological data of 129 meteorological stations in the Hengduan Mountains from 2001 to 2019， the spatial and temporal distribution characteristics and influencing factors of snow cover is analyzed. Random forest model extracts and generates a subset of training samples from the original training sample set by bootstrap resampling technology， and then generates multiple decision trees according to the training sample set. Taking SCD as the explanatory variable and influencing factor as the dependent variable， the random forest regression model was constructed， and the train set and test set were divided according to the ratio of 2∶8. The result would provide an effective reference for climate warming research， ecological protection， and social and economic development in the Hengduan Mountains. The results show as follows： The interannual variation of the annual mean SCF showed an insignificant downward trend； The change within a year is a “single peak” curve， SCF in March was the highest， 55.04%； The SCF over 3 000 m a.s.l. is relatively stable， and SCF between 1 000~3 000 m a.s.l. fluctuates greatly； Affected by monsoon， the SCF of north slope is higher than that of south slope. The distribution of snow cover days in the Hengduan Mountains has latitude zonality， and snow cover is widely distributed in the northern mountainous area and the SCD is high while the SCD in the southern Yunnan-Guizhou Plateau is low. The average SCD in the Hengduan Mountains ranged between 55.16 and 79.47 days， about 28.46% area （2.65% with a significant decline） of the Hengduan Mountains showed a declining trend in SCD， while 21.66% area （0.68% with a significant increase） showed a increasing trend in SCD. Kangding City， Jiulong County and its surrounding areas in the central part of the Hengduan Mountains showed a significant decreasing trend， while the high-altitude mountains along the Zadoi County to Zoige County in the north showed an obvious increasing trend. As a whole， the SCD is positively correlated with precipitation and relative humidity， and negatively correlated with wind speed， air temperature and sunshine duration. The areas with significant positive correlation with precipitation are mainly distributed in Zadoi County and Chindu County in the northwest， the areas with significant negative correlation with wind speed are mainly distributed in Chindu County in the northwest and Kangding City in the middle， the areas with significant negative correlation with temperature are mainly distributed in Jiulong County in the middle and Chindu County in the northwest， the areas with significant positive correlation with relative humidity are mainly distributed in Zadoi County to Serxu County in the north， the areas with significant negative correlation with sunshine duration are mainly distributed in Maqu County in the northeast and Chindu County in the northwest. SCD is most affected by air temperature and elevation， and sunshine duration and wind speed are the secondary factors.

陈思勇. MODIS积雪产品去云算法研究及应用[D]. 兰州: 兰州大学, 2021.

[本文引用: 1]

Chen S Y. Research and application of cloud removal algorithm for MODIS snow products[D]. Lanzhou: Lanzhou University, 2021.

[本文引用: 1]

周婵. 青藏高原地表反照率与积雪遥感产品的分析与应用研究[D]. 南京: 南京信息工程大学, 2016.

[本文引用: 1]

Zhou C. Analysis and application of remote sensing products of surface albedo and snow cover in Qinghai-Tibet Plateau[D]. Nanjing: Nanjing University of Information Science & Technology, 2016.

[本文引用: 1]

谢佩瑶, 韩超, 欧阳志棋, 等.

青藏高原不同土地覆盖类型下积雪面积判别算法优化

[J]. 冰川冻土, 2023, 45(3):1168-1179.

DOI:10.7522/j.issn.1000-0240.2022.0364      [本文引用: 1]

MODIS V006版本数据仅提供了归一化积雪指数（NDSI），而用户往往关心的是直观的积雪分类，包括积雪范围或积雪覆盖率。美国国家冰雪数据中心推荐全球积雪范围最佳的NDSI阈值为0.4，但是青藏高原地形复杂多样，积雪斑块化特征明显，单一阈值并不能精确地判识不同下垫面上的积雪。青藏高原被称为地球的第三极，是中国三大稳定积雪区之一，蕴藏了大量的淡水资源。随着全球气候变暖，青藏高原地区积雪融化时间提前，冰川融水增加，影响河流水量，造成洪涝灾害，进而影响人类正常生产生活，因此通过确定不同下垫面阈值，改善传统阈值的积雪高估低估现象，提高积雪识别精度，进而更准确地探究青藏高原积雪状况，显得尤为迫切。本文以青藏高原为研究对象，首先生成MODIS逐日无云NDSI序列并进行验证；其次对应站点雪深数据与NDSI序列，证实在下垫面为林地和非林地的区域，去云NDSI序列与站点雪深均有良好的对应关系，确定不同下垫面最优阈值范围；最后在最优阈值范围内通过混淆矩阵确定最优阈值。计算得出，林地NDSI=0.03时，总体精度最高为94.02%，在该NDSI之下，高估误差OE和低估误差UE分别为1.21%和4.60%；非林地NDSI=0.26时，总体精度OA最高为94.27%，在该NDSI之下，高估误差OE和低估误差UE分别为0.51%和5.03%。因此选取优化后林地阈值为NDSI=0.03，非林地阈值为NDSI=0.26。为避免地面常规观测资料尺度上的局限性，本文采用高精度的Landsat 8 OLI卫星数据识别结果，作为“真值”对优化后阈值的判别结果进行“像元—像元”级别的验证。在定量验证中，优化后 NDSI阈值对MOD10A1 V006积雪判别结果的总体精度OA为84.21%，高估误差OE为5.33%，低估误差UE为10.46%；传统阈值对MOD10A1 V006积雪判别结果的总体精度OA为82.86%，高估误差OE为1.48%，低估误差UE为15.66%。可以看出在定量验证中，优化后阈值的积雪判别精度更高。同时在定性验证中，积雪大面积集中的区域，新的阈值与传统阈值提取效果均相对较好；积雪相对分散破碎的区域，优化后阈值能提取出大量积雪，传统阈值则不能。这表明考虑不同土地覆盖类型下的NDSI阈值优化可以有效地提高青藏高原积雪判别精度，为NDSI在积雪识别中的应用提供有力的支撑，有助于更准确地了解该地区积雪分布状况。

Xie P Y, Han C, Ouyang Z Q, et al.

Optimization of snow area discrimination algorithm under different land cover types in Qinghai-Tibet Plateau

[J]. Journal of Glaciology and Geocryology, 2023, 45(3):1168-1179.

DOI:10.7522/j.issn.1000-0240.2022.0364      [本文引用: 1]

The data provided by MODIS V006 version is the Normalized snow cover Index （NDSI）， but the majority of users are often concerned with the intuitive snow cover classification results， including snow cover extent or snow cover rate. The National Snow and Ice Data Center （NSIDC） recommended 0.4 is the best NDSI threshold for the global snow cover. However， the Qinghai-Tibet Plateau has complex and diverse terrain and obvious snow patch characteristics， so a single NDSI threshold of 0.4 cannot accurately distinguish the snow cover on different underlying surfaces. The Qinghai-Tibet Plateau， known as the third pole of the earth， is one of the three stable snow areas in China and contains a large amount of fresh water resources. With global warming， the Tibetan plateau ahead of time， the snow is melting glaciers， increase， affect the rivers of water， causing floods， and thus affect the normal production of human life， so determining different underlying surface threshold， improve the traditional threshold value of snow overestimated underestimate phenomenon， improve the identification accuracy of snow， and then more accurate study of the Tibetan plateau snow conditions， Is particularly urgent. In this study， This paper takes the Qinghai-Tibet Plateau as the research object. Firstly， MODIS daily cloud-free NDSI sequence is generated and its reliability is verified. Secondly， the underlying surface is forested and non-forested areas， and the NDSI sequence of cloud removal has a good corresponding relationship with the snow depth at the site. NDSI can accurately reflect the snow melting phenomenon of the pixel where the station is located. Determine the optimal threshold range of different underlying surface； Finally， the optimal threshold was determined by confusion matrix within the optimal threshold range. When NDSI=0.03， the highest overall accuracy was 94.02%. Under this NDSI， the overestimation error OE and underestimation error UE were 1.21% and 4.6%， respectively. When NDSI=0.26 for non-forestland， overall accuracy （OA） is 94.27%. Under this NDSI， he overestimates error （OE） and underestimate error （UE） are 0.51% and 5.03%， respectively. Therefore， the optimized threshold of forestland is NDSI=0.03， and that of non-forestland is NDSI=0.26. Because snow cover is a large scale phenomenon， the conventional observation data are mostly point scale observations. In order to avoid the limitations in the scale of conventional ground observation data， this paper uses the high-precision Landsat 8 OLI satellite data identification results as the “truth value” and the snow discrimination results of the optimized threshold and the snow discrimination results of the traditional threshold to verify the “pixel to pixel” level. In quantitative verification， the overall accuracy （OA） of the optimized NDSI threshold to MOD10A1 V006 snow discrimination results is 84.21%， the overestimation error OE is 5.33%， and the underestimation error （UE） is 10.46%. The overall accuracy （OA） of the traditional threshold for the snow discrimination results of MOD10A1 V006 is 82.86%， the overestimation error （OE） is 1.48%， and the underestimation error （UE） is 15.66%. It can be seen that in the quantitative verification， the snow discrimination accuracy of the optimized threshold is higher. At the same time， it can be seen from the qualitative verification that the new threshold and the traditional threshold are relatively good at snow recognition in the area with large area of concentrated snow. In the region with relatively scattered and broken snow， the optimized threshold can identify a large number of snow， while the traditional threshold cannot identify the same number of threshold. These results indicate that NDSI threshold optimization considering different land cover types can effectively improve the accuracy of snow discrimination on the Qinghai-Tibet Plateau， which provides a strong support for the application of NDSI in snow recognition. It is helpful to understand the snow distribution in this area more accurately.

Metsämäki S, Pulliainen J, Salminen M, et al.

Introduction to GlobSnow Snow Extent products with considerations for accuracy assessment

[J]. Remote Sensing of Environment, 2015, 156:96-108.

[本文引用: 1]

梁顺林, 李小文, 王锦地, 等. 定量遥感:理念与算法[M].2版. 北京: 科学出版社, 2019.

[本文引用: 1]

Liang S L, Li X W, Wang J D. Quantitative remote sensing:Ideas and algorithms[M].2nd ed. Beijing: Science Press, 2019.

[本文引用: 1]

赵文宇. 基于被动微波遥感和MODIS产品的天山雪水当量降尺度研究[D]. 石河子: 石河子大学, 2016.

[本文引用: 1]

Zhao W Y. Downscaling of snow water equivalent in Tianshan Mountains based on passive microwave remote sensing and MODIS products[D]. Shihezi: Shihezi University, 2016.

[本文引用: 1]

邱玉宝, 卢洁羽, 石利娟, 等.

高亚洲地区被动微波遥感雪水当量数据集

[J]. 中国科学数据, 2019, 4(1):110-125.

[本文引用: 1]

Qiu Y B, Lu J Y, Shi L J, et al.

Passive microwave remote sensing data of snow water equivalent in High Asia

[J]. China Scientific Data, 2019, 4(1):110-125.

[本文引用: 1]

刘晓敬.

被动微波遥感雪深反演混合像元问题研究

[J]. 测绘学报, 2022, 51(2):313.

DOI:10.11947/j.AGCS.2022.20200430      [本文引用: 1]

Liu X J.

Study on the mixed pixel effect on passive microwave snow depth retrieval

[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(2):313.

DOI:10.11947/j.AGCS.2022.20200430      [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发