基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备

doi:10.11873/j.issn.1004-0323.2020.6.1303

遥感技术与应用

2020, Vol. 35

Issue (6): 1303-1311 DOI: 10.11873/j.issn.1004-0323.2020.6.1303

冰雪遥感专栏

基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备

雷华锦^1,²(

),李弘毅^1,³(

),王建^1,⁴,郝晓华^1,³,赵宏宇^1,²,张娟⁵

^1.中国科学院西北生态环境资源研究院，甘肃兰州 730000
^2.中国科学院大学，北京 100049
^3.中国科学院黑河遥感试验研究站，甘肃张掖 734000
^4.江苏省地理信息资源开发与利用协同创新中心，江苏南京 210023
^5.青海省气象科学研究所，青海西宁 810000

MODIS Fractional Snow Cover Products Preparing on Tibetan Plateau based on Environmental Information and Regression Model

Huajin Lei^1,²(

),Hongyi Li^1,³(

),Jian Wang^1,⁴,Xiaohua Hao^1,³,Hongyu Zhao^1,²,Juan Zhang⁵

^1.Northwest Institute of Eco-Environmental Resources，Chinese Academy of Sciences，Lanzhou 730000，China
^2.University of Chinese Academy of Sciences，Beijing 100049，China
^3.Heihe Remote Sensing Experimental Research Station，Chinese Academy of Sciences，Zhangye 734000，China
^4.Geography of Jiangsu Province Collaborative Innovation Center for Information Resources Development and Utilization，Nanjing 210023，China
^5.Qinghai Meteorological Science Research Institute，Xining 810000，China

全文: PDF(6725 KB) HTML

摘要：

积雪面积比例（Fractional Snow Cover， FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area， SCA）与像元空间范围的比值，可为区域气候模拟、水文模型等提供积雪分布的定量信息。MODIS FSC产品是根据经验模型计算得到，并没有考虑地形、植被和地表温度等环境因素的影响，在青藏高原的验证精度低。针对此问题，考虑青藏高原地区环境因素（地形、植被、地表温度）对FSC制备的影响，基于多元自适应回归模型（Multivariate Adaptive Regression Splines， MARS）和线性回归模型分别建立FSC制备的非参数回归模型和经验回归模型。用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集。选取一部分参考数据集作为模型的训练数据集，另一部分作为模型的检验数据集。研究结果表明：MARS方法估计FSC的精度明显高于线性回归模型和原有的MODIS FSC制备方法。MARS的总体R、RMSE、MAE分别为0.791、0.103、0.058。在线性回归模型中精度最高的总体R、RMSE、MAE分别为0.647、0.128、0.072。MODIS 原有FSC制图方法的总体R、RMSE、MAE分别为0.595、0.221、0.170。考虑了环境信息的MARS方法更加适用于青藏高原地区FSC制备。本研究为制备青藏高原地区更高精度的FSC数据提供了新思路。

关键词： 青藏高原; 线性回归模型; 积雪面积比例; MODIS; 多元自适应回归模型

Abstract:

Fractional Snow Cover （FSC） is the ratio of the Snow Cover Area （SCA） to the spatial area in a unit pixel， which can provide quantitative information of snow cover distribution for regional climate simulation and hydrological model. MODIS FSC products are calculated according to the empirical model， without considering the impact of environmental factors such as topography， vegetation and surface temperature. The accuracy in the Tibetan plateau is low. Therefore ， the effects of environmental factors （topography， vegetation， and surface temperature） on FSC preparation were taken into account in Tibetan plateau， based on Multivariate Adaptive Regression Splines （MARS） and linear regression model， and established a non-parametric regression model and an empirical regression model respectively based on Multivariate Adaptive Regression Splines （MARS） and linear regression model. The reference dataset of FSC was prepared with Landsat 8 surface reflectance data and SNOMAP algorithm. A part of reference dataset is selected as the training samples of the model， and the other part as the validation dataset of the model. The results show that the accuracy of the MARS method is significantly higher than that of the linear regression model and the original MODIS FSC preparation method. The total R， RMSE and MAE of MARS were 0.791， 0.103 and 0.058， respectively. In the linear regression model， the overall R， RMSE and MAE with the highest accuracy are 0.647， 0.128 and 0.072， respectively. The overall R， RMSE and MAE of the original MODIS FSC mapping method are 0.595， 0.221 and 0.170 respectively. MARS method with environmental information is more suitable for FSC preparation in Tibetan plateau. This study provides a new idea for preparing FSC data with higher accuracy in Tibetan plateau.

Key words: Tibetan plateau Regression model Fractional snow cover MODIS Multivariate adaptive regression splines

收稿日期: 2019-10-09 出版日期: 2021-01-26

ZTFLH:

TP75

基金资助: 甘肃省科技计划(17JR5RA296);科技基础资源调查专项(2017FY100503);国家自然科学基金项目(41571371);青海省科技厅重点研发与转化项目(2017?SF?131)

通讯作者: 李弘毅 E-mail: leihuajin@lzb.ac.cn;lihongyi@lzb.ac.cn

作者简介: 雷华锦(1996-)，女，四川雅安人，硕士研究生，主要从事寒区遥感水文研究。E?mail:leihuajin@lzb.ac.cn

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	雷华锦
	李弘毅
	王建
	郝晓华
	赵宏宇
	张娟

引用本文:

雷华锦,李弘毅,王建,郝晓华,赵宏宇,张娟. 基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备[J]. 遥感技术与应用, 2020, 35(6): 1303-1311.

Huajin Lei,Hongyi Li,Jian Wang,Xiaohua Hao,Hongyu Zhao,Juan Zhang. MODIS Fractional Snow Cover Products Preparing on Tibetan Plateau based on Environmental Information and Regression Model. Remote Sensing Technology and Application, 2020, 35(6): 1303-1311.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2020.6.1303 或 http://www.rsta.ac.cn/CN/Y2020/V35/I6/1303

图1 研究区概况图及样本的空间分布（其中黑色框为用于模型训练的样本空间分布，红色框为验证样本的空间分布）

图2 数据处理流程图

图3 NDSI、NDVI 与FSC之间的关系(其中R为参数之间的相关系数)

表1 检验数据集的元数据信息

表2 不同模型制备FSC的精度

图4 检验样本的误差图

图5 Ta（时间为2016年3月25日）用不同模型制备FSC的结果(a)表示Landsat 8的“真值”FSC，(b)~(f)分别表示MARS及4种不同线性回归模型的FSC结果

1	Vermote E F， El Saleous N， Justice C O， et al. Atmospheric Correction of Visible to Middle-Infrared EOS-MODIS Data over Land Surfaces： Background， Operational Algorithm and Validation［J］. Journal of Geophysical Research： Atmospheres1997， 102： 17131-17141.
2	Xiao Lin， Che Tao， Dai Liyun. Evaluation on the Spatial Characteristics of Multiple Snow Depth Datasets over China［J］. Remote Sensing Technology and Application， 2019， 34（6）： 1133-1145.
2	肖林，车涛，戴礼云. 多源雪深数据在中国的空间特征评估［J］. 遥感技术与应用， 2019， 34（6）： 1133-1145.
3	Liston G E. Interrelationships among Snow Distribution， Snowmelt， and Snow Cover Depletion： Implications for Atmospheric， Hydrologic， and Ecologic Modeling［J］. Journal of Applied Meteorology， 1992， 38（10）：1474-1487.
4	Ma Lijuan， Qin Dahe. Temporal-spatial Characteristics of Observed Key Parameters of Snow Cover in China during 1957-2009［J］. Journal of Glaciology and Geocryology， 2012，34（1）：1-11.
4	马丽娟，秦大河.1957~2009年中国台站观测的关键积雪参数时空变化特征［J］.冰川冻土，2012，34（1）：1-11.
5	Hall D K， Riggs G A， Salomonson V V， et al. MODIS Snow-cover Products［J］. Remote Sensing of Environment， 2002， 83（1）：181-194.
6	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.
7	Frei A， Tedesco M， Lee S， et al. A Review of Global Satellite-derived Snow Products［J］. Advances in Space Research， 2012， 50（8）： 1007–1029.
8	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.
9	Anttila S， Metsamaki S， Derksen C. A Comparison of Finnish SCAmod Snow Maps and MODIS Snow Maps in Boreal Forests in Finland and in Manitoba， Canada［C］∥ IEEE International Conference on Geoscience & Remote Sensing Symposium. IEEE， 2006. doi：10.1109/igarss.2006.562. doi: 10.1109/igarss.2006.562
10	Klein A G， Barnett A C. Validation of Daily MODIS Snow Cover Maps of the Upper Rio Grande River Basin for the 2000–2001 Snow Year［J］. Remote Sensing of Environment， 2003， 86（2）：162-176.
11	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.
12	Klein A G，Hall D K，Riggs G A.Improving Snow Cover Ma-pping in Forests through the Use of a Canopy Reflectance Model［J］.Hydrological Processes，1998，12（10-11）：1723-1744.
13	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.
14	Liu L， Mishchenko M I， Arnott W P. A Study of Radiative Properties of Fractal Soot Aggregates Using the Superposition T-matrix Method［J］. Journal of Quantitative Spectroscopy and Radiative Transfer， 2008， 109（15）：2656-2663.
15	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.
16	Wang G， Jiang L， Wu S， et al. Fractional Snow Cover Mapping from FY-2 VISSR Imagery of China［J］. Remote Sensing， 2017， 9（10）：983. DOI： 10.3390/rs9100983. doi: 10.3390/rs9100983
17	Jiancheng S. An Automatic Algorithm on Estimating Sub-pixel Snow Cover from MODIS［J］. Quaternary Sciences， 2012， 32（1）： 6-15.
18	Zhu J， Shi J. Wang Y. Subpixel Snow Mapping of the Qinghai–Tibet Plateau Using MODIS Data［J］. International Journal of Applied Earth Observations & Geoinformation， 2012， 18：251-262.
19	Zhang Y， Huang X， Hao X， et al. Fractional Snow-cover Mapping Using an Improved Endmember Extraction Algorithm［J］. Journal of Applied Remote Sensing， 2014， 8（1）：084691. doi：10.1117/1.JRS.8.084691. doi: 10.1117/1.JRS.8.084691
20	Zhao Hongyu， Hao Xiaohua， Zheng Zhaojun，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.
20	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.
21	Dobreva I D， Klein A G. Fractional Snow Cover Mapping through Artificial Neural Network Analysis of MODIS Surface Reflectance［J］. Remote Sensing of Environment， 2011， 115（12）：3355-3366.
22	Kuter S， Akyurek Z， Weber G-W. Retrieval of Fractional Snow Covered Area from MODIS Data by Multivariate Adaptive Regression Splines［J］. Remote Sensing of Environment， 2018， 205： 236-252.
23	Zhang， Yili， Li， Bingyuan， Zheng Du. A Discussion on the Boundary and Area of the Tibetan Plateau in China［J］. Geographical Research， 2002，21（1）：1-8.
23	张镱锂，李炳元，郑度.论青藏高原范围与面积［J］. 地理研究， 2002，21（1）：1-8.
24	Wang W，Liang T，Huang X，et al.Early Warning of Snow-caused Disasters in Pastoral Areas on the Tibetan Plateau［J］. Natural Hazards and Earth System Sciences，2013，13：1411-1425.
25	Gao Y， Zhang W. A Simple Empirical Topographic Correction Method for ETM+ Imagery［J］. International Journal of Remote Sensing， 2009， 30（9）：2259-2275.
26	Riggs G A， Dorothy K H. MODIS Snow Products Collection 6 User Guide［EB/OL］.2016. .
27	Hall D K， Riggs G A. Normalized-Difference Snow Index （NDSI）［J］. Encyclopedia of Snow， Ice and Glaciers， Encyclopedia of Earth Sciences Series，2011：779-780.doi： 10.1007/978-90-481-2642-1-376. doi: 10.1007/978-90-481-2642-1-376
28	Friedman J H. Multivariate Adaptive Regression Splines［J］. Annals of Statistics， 1991， 19（1）：1-67.

[1]	程雨婷,刘昭华,鹿琳琳,刘士彪,李庆亭. 一带一路沿海超大城市热岛时空特征遥感分析[J]. 遥感技术与应用, 2020, 35(5): 1197-1205.
[2]	韦海宁,王维真,黄广辉,徐菲楠,冯姣姣,董磊磊. 基于Himawari-8的气溶胶反演研究[J]. 遥感技术与应用, 2020, 35(4): 797-807.
[3]	魏石梅, 潘竟虎, 妥文亮. 2015年中国PM2.5浓度遥感估算与时空分布特征[J]. 遥感技术与应用, 2020, 35(4): 845-854.
[4]	李超,李雪梅,田亚林,任瑞. 温度植被干旱指数时空融合模型对比[J]. 遥感技术与应用, 2020, 35(4): 832-844.
[5]	王鑫蕊, 晋锐, 林剑, 曾祥飞, 赵泽斌. 有云Landsat TM/OLI影像结合DEM提取青藏高原湖泊边界的自动算法研究[J]. 遥感技术与应用, 2020, 35(4): 882-892.
[6]	焦雪敏,张赫林,徐富宝,王岩,彭代亮,李存军,徐希燕,范海生,黄运新. 青藏高原1982~2015年FPAR时空变化分析[J]. 遥感技术与应用, 2020, 35(4): 950-961.
[7]	董超,赵庚星. 时序数据集构建质量对土地覆盖分类精度的影响研究[J]. 遥感技术与应用, 2020, 35(3): 558-566.
[8]	龙爽,郭正飞,徐粒,周华真,方伟华,许映军. 基于Google Earth Engine的中国植被覆盖度时空变化特征分析[J]. 遥感技术与应用, 2020, 35(2): 326-334.
[9]	张永宏,杨晨阳,陶润喆,王剑庚,田伟. 基于FY-4A数据的青藏高原多时相云检测方法[J]. 遥感技术与应用, 2020, 35(2): 389-398.
[10]	郑贵洲,熊良超,廖艳雯,王红平. 利用MODIS数据反演南海南部海表温度及时空变化分析[J]. 遥感技术与应用, 2020, 35(1): 132-140.
[11]	赵春亮,许文波,范锦龙. FY-3C中分辨率成像光谱仪数据的窄波段地表反照率验证研究[J]. 遥感技术与应用, 2020, 35(1): 153-162.
[12]	陈家利,郑东海,庞国锦,李新. 基于SMAP亮温数据反演青藏高原玛曲区域土壤未冻水[J]. 遥感技术与应用, 2020, 35(1): 48-57.
[13]	王一帆,徐涵秋. 利用MODIS EVI时间序列数据分析福建省植被变化(2000~2017年)[J]. 遥感技术与应用, 2020, 35(1): 245-254.
[14]	徐卫星,薛华柱,靳华安,李爱农. 融合遥感先验信息的叶面积指数反演[J]. 遥感技术与应用, 2019, 34(6): 1235-1244.
[15]	张正,肖鹏峰,张学良,冯学智,杨永可,胡瑞,盛光伟,刘豪. 青藏高原融雪期积雪反照率特性分析[J]. 遥感技术与应用, 2019, 34(6): 1146-1154.

Viewed

Full text

Abstract

Cited

Shared

Discussed