img

官方微信

遥感技术与应用, 2021, 36(6): 1223-1235 doi: 10.11873/j.issn.1004-0323.2021.6.1223

冰雪遥感专栏

基于Landsat-8 OLI的青藏高原IMS 4 km雪冰产品精度评价

除多,1,2, 郑照军,3,4, 拉巴卓玛1,2, 次丹玉珍1,2

1.西藏高原大气环境科学研究所,西藏 拉萨 850000

2.西藏高原大气环境研究重点实验室,西藏 拉萨 850000

3.国家卫星气象中心,北京 100081

4.中国气象局中国遥感卫星辐射测量和定标重点开放实验室,北京 100081

Accuracy Assessment of IMS 4 km Snow and Ice Products on the Tibetan Plateau based on Landsat⁃8 OLI Images

Chu Duo,1,2, Zheng Zhaojun,3,4, Laba Zhuoma1,2, Cidan Yuzhen1,2

1.Tibet Institute of Plateau Atmospheric and Environmental Sciences,Lhasa 850000,China

2.Tibet Key Laboratory of Plateau Atmosphere and Environment Research,Lhasa 850000,China

3.National Satellite Meteorological Center,Beijing 100081,China

4.Key Laboratory of Radiometric Calibration and Validation for Environmental Satellites,China Meteorological Administration,Beijing 100081,China

通讯作者: 郑照军(1976-),男,吉林白山人,副研究员,主要从事冰冻圈遥感研究与风云卫星工程建设工作。E⁃mail:zhengzj@cma.gov.cn

收稿日期: 2020-12-15   修回日期: 2021-11-18  

基金资助: 第二次青藏高原综合科学考察研究项目.  2019QZKK010312
科技部科技基础资源调查专项.  2017FY100501
国家自然科学基金项目.  41561017
西藏自治区科技厅“西藏主要地表特征科学考察及研究”项目

Received: 2020-12-15   Revised: 2021-11-18  

作者简介 About authors

除多(1969-),男,西藏白朗县人,正研级高工,主要从事卫星遥感应用研究E⁃mail:chu_d22j@hotmail.com , E-mail:chu_d22j@hotmail.com

摘要

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。

关键词: IMS雪冰产品 ; Landsat⁃8 OLI ; 精度评价 ; 青藏高原

Abstract

NOAA IMS (Interactive Multisensor Snow and Ice Mapping System) is a blended snow and ice product based on active and passive satellite sensors, ground observation and other auxiliary information, and it is most widely used for large-scale snow cover detection and relevant climate research, providing daily cloud-free snow cover extent in the northern hemisphere and having promising application prospects in snow cover monitoring and research in the Tibetan Plateau(TP).In this study, Landsat-8 OLI images are used to evaluate and validate the accuracy of IMS 4km-resolution snow and ice product in snow cover monitoring on the TP. The results show that (1) average overall accuracy of IMS 4km snow and ice products is 76.0% and average produce’s accuracy is 88.3%, which presents that IMS 4 km snow-ice product has good accuracy in snow cover monitoring and can be used for large-scale snow cover detection on the TP. (2) The average commission rate is 45.4% and omission rate is 11.7%, which shows that IMS 4 km products overestimate the actual snow area, and the higher the proportion of snow-covered area, the lower the probability of omission rate and the higher the probability of commission rate.(3) The mapping accuracy of IMS 4 km snow cover on the TP generally is higher in the high altitudes, and the commission and omission errors of snow cover monitoring increase with the decrease of elevation. (4) Compared with less regional representativeness of ground observation data, the spatial characteristics of snow cover based on high-resolution remote sensing data are much more detailed, and more accurate verification results can be obtained. The study also shows that overall accuracy and produce’s accuracy based on the reference image instead of classified image can better reflect the overall monitoring accuracy of IMS 4km snow-cover product on the TP in comparison with other assessment indicators.

Keywords: IMS product ; Landsat-8 OLI ; Accuracy assessment ; Tibetan Plateau

PDF (4493KB) 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

除多, 郑照军, 拉巴卓玛, 次丹玉珍. 基于Landsat-8 OLI的青藏高原IMS 4 km雪冰产品精度评价. 遥感技术与应用[J], 2021, 36(6): 1223-1235 doi:10.11873/j.issn.1004-0323.2021.6.1223

Chu Duo, Zheng Zhaojun, Laba Zhuoma, Cidan Yuzhen. Accuracy Assessment of IMS 4 km Snow and Ice Products on the Tibetan Plateau based on Landsat⁃8 OLI Images. Remote Sensing Technology and Application[J], 2021, 36(6): 1223-1235 doi:10.11873/j.issn.1004-0323.2021.6.1223

1 引 言

积雪作为青藏高原季节性变化最大的下垫面,不仅是高原重要的生态环境组成要素,冰雪融水是高原及其下游地区重要的水资源,而且对区域到全球的气候变化具有重要影响1-4。然而,降雪过多和积雪持续时间过长造成的雪灾是青藏高原主要气象灾害之一5。在雪灾的防灾减灾工作中,能否快速、及时、准确地获取积雪信息不仅是认识积雪灾害特征和机制的基础,而且是救灾的关键所在6。常规的积雪监测主要依靠气象站点的观测数据,虽然地面观测数据精度和可靠性较高,但由于其空间分布有限,加上时间上的不连续性,极大地限制了对大范围积雪覆盖的实时监测和有效了解。卫星遥感监测积雪具有监测范围广、观测周期短,对积雪灾害响应快速等特点,尤其是在地域辽阔、地形复杂和雪灾频发的地区,遥感技术已成为目前积雪监测最为有效的手段7-12,在大范围积雪监测中发挥着不可替代的作用。

早期的积雪遥感监测只是用于较小的研究范围,真正实现大范围的积雪监测则是从20 世纪60 年代初开始13-14。随后,不同传感器系列的相继出现及卫星资料时空分辨率和光谱分辨率的逐步提高,一系列雪盖制图算法及产品得到发展,如Landsat、SPOT、AVHRR、VEGETATION、MODIS等光学积雪遥感数据和产品及SMMR、SSM/I 和AMSR-E等微波积雪产品15-22,在积雪动态变化监测等领域得到了广泛应用23-24

目前,大范围积雪遥感监测和动态变化研究中,应用最广泛的是NASA对地观测系统EOS Terra和Aqua卫星携带的中分辨率成像光谱仪MODIS23。该传感器是世界上经典的“图谱合一”光学遥感仪器,其较高的光谱和空间分辨率特点,对开展自然灾害与生态环境监测及全球变化综合性研究发挥着越来越重要的作用,为大尺度积雪遥感监测和探索研究提供了一个极其重要的数据源25。NASA陆地产品组利用SNOMAP积雪算法制作的标准雪盖产品提供每日及多日合成MODIS积雪产品,空间分辨率为500 m,并且能够有效识别云层1525

所有数据可以从美国国家雪冰数据中心(NSIDC)网站免费获取。在MODIS积雪产品中,由于Terra/MODIS 逐日积雪产品相比Aqua/MODIS 产品有较少云层干扰的特点25-27,在积雪和雪灾时空分布的快速响应与制图中应用更为广泛。除了以上的光学和微波遥感数据之外,NOAA IMS(Interactive Multisensor Snow and Ice Mapping System)雪冰产品是由多种极轨与静止卫星的光学与微波、主动与被动传感器数据或产品及地面积雪观测等资料融合而成28-29,提供北半球每日无云的雪冰覆盖范围,对于较大区域积雪的近实时监测和业务运行具有其他积雪产品不可替代的应用前景。

快速、准确地进行积雪覆盖范围制图对于划分雪灾等级和确定灾情影响范围具有重要意义,不仅是积雪遥感主要的研究内容,也决定积雪遥感监测的成败。青藏高原积雪遥感监测业务面临的最大问题是如何在多云条件下能够有效地监测到地面积雪。MODIS逐日积雪产品虽然比IMS产品空间分辨率高很多,但是受云的影响严重,图像平均被云覆盖50%以上,在积雪的实时监测中无法发挥更大作用。IMS雪冰产品可以有效弥补多云天气条件下MODIS无法监测到地面积雪的问题,提升青藏高原积雪的近实时监测精度,但是应用前提是对其精度进行系统评估和验证。刘洵等30和陈爱军等31利用台站雪深观测资料分别对青藏高原IMS 4 km和1 km雪冰产品精度进行了验证。Landsat 系列和Sentinel-2等中高分辨率卫星遥感数据在区域积雪监测和较低空间分辨率积雪遥感产品的验证中得到广泛应用32-36,但在青藏高原IMS雪冰产品精度评估方面的研究鲜有报道。到目前为止,仅有Yang等37利用Landsat-5 TM (Thematic Mapper)积雪图像对青藏高原IMS 4 km分辨率雪冰产品进行了精度评价。此外,Chen 等38利用Landsat ETM+ (Enhanced Thematic Mapper Plus)图像对中国南方地区IMS 4 km分辨率积雪覆盖精度进行了评估。相比其他光学遥感积雪产品,IMS雪冰产品具有不受云干扰的特点,在青藏高原积雪的近实时监测中具有非常广阔的应用前景,但是缺少青藏高原复杂地形条件下的系统验证和评价,尤其是利用最新的Landsat 8卫星遥感数据系统开展青藏高原IMS雪冰产品精度方面的研究成果,还未见正式报道。

为此,本研究以Landsat-8 OLI(Operational Land Imager)卫星遥感数据为参考图像,对IMS 4 km分辨率产品在青藏高原积雪监测中的精度进行评价和验证,系统分析了IMS 4 km雪冰产品在青藏高原的适用性和监测精度的时空差异及其产生的原因,提出在青藏高原积雪监测中的优势和不足,以期更好地将该产品应用于青藏高原近实时的大尺度积雪遥感监测业务中。

2 研究区与数据

2.1 研究区概况

研究区为整个青藏高原,平均海拔在4 000 m以上,素有“世界屋脊”之称。青藏高原积雪分布具有喜马拉雅山、喀喇昆仑山、昆仑山和祁连山脉等高原周边和念青唐古拉山、唐古拉山、巴颜喀拉山和阿尼玛卿山等高原中东部高大山脉积雪多而北部柴达木盆地、藏南谷地和藏东南河谷积雪覆盖少的特点39-40

2.2 IMS雪冰产品

IMS雪冰产品是历史最为悠久且在雪冰业务化制图和气候分析及数值预报业务中应用最为广泛的大尺度雪冰范围产品,是由美国国家海洋和大气管理局(NOAA)下属的国家环境卫星数据信息服务中心NESDIS(National Environmental Satellite, Data, and Information Service)制作,提供北半球逐日无云的雪冰覆盖范围41-44

IMS雪冰产品采用以北极点为中心的极地方位投影,时间分辨率为1 d,包括ASCII和TIFF两种格式。产品中不同的像元值代表不同的地物:1代表海洋,2代表陆地,3代表海冰与湖冰,4代表积雪。美国国家雪冰数据中心NSIDC (National Snow and Ice Data Center)提供1997年至今24 km分辨率和2004年2月至今4 km分辨率ASCII 格式IMS 雪冰产品。从2004年开始还增加了在地理信息系统和图像处理软件中应用更加广泛的GeoTIFF格式数据,使得更多的用户可以利用该产品开展相关的研究和雪冰监测应用。从2014年12月2日开始,IMS北半球雪冰产品分辨率再次提高到1 km。

2.3 Landsat-8 OLI数据

Landsat 8是美国陆地资源卫星系列的第8颗卫星,于2013年2月11日成功发射,包括了ETM+传感器的所有波段。相比TM和ETM+传感器8位数据存储精度,OLI的数据存储精度是12位,所获取的辐射精度和信噪比更高。计划于2021年发射的NASA和USGS合作项目Landsat 9将继续记录重要的地面观测数据,其两个传感器几乎与Landsat 8 传感器一致45

所有Landsat-8 OLI遥感数据是从中国科学院计算机网络信息中心地理空间数据云平台(www.gscloud.cn)下载。根据研究目标,下载了25景晴空无云的Landsat-8 OLI 影像用于IMS逐日积雪范围产品的精度评价与验证。研究区域及Landsat-8 OLI影像空间分布见图1

图1

图1   研究区域及Landsat-8 OLI影像空间分布

(背景为2019年1月1日青藏高原IMS 4 km积雪分布图)

Fig.1   Tibetan Plateau (TP) as study area and Landsat-8 OLI images selected for validation


2.4 图像处理流程

遥感图像处理流程如下:首先从NSIDC或NIC网站下载TIFF格式的北半球IMS雪冰图像,将其TIFF格式转成ArcGIS GRID格式;其次,数据投影方式从极地方位投影转换成Albers投影;之后,利用研究区边界逐一裁剪青藏高原范围内的IMS图像;再次,利用Landsat-8 OLI图像生成1 km分辨率的积雪图像,并将IMS 4 km分辨率雪冰产品重采样至1 km;最后,利用Landsat-8 OLI积雪图对对应的IMS 1 km分辨率积雪图像进行精度验证和分析。

3 积雪制图与精度评价方法

3.1 Landsat-8 OLI积雪制图方法

归一化积雪指数NDSI(Normalized Difference Snow Index)是卫星遥感监测积雪的主要方法11-13。该方法不仅应用于Landsat等众多陆地资源卫星,基于NDSI的NASA积雪制图算法SNOMAP也被用于生成MODIS全球尺度的标准化积雪产品13-14。用于计算NDSI的MODIS传感器对应波段是波段4和波段6,Landsat TM和ETM传感器对应波段是波段2和波段5。Landsat-8 OLI对应的可将光和短波红外波段分别是波段3和波段6,其计算公式如下:

NDSI=[Band3–Band6]/[Band3+Band6]

根据Hall等46研究表明,当NDSI≥0.40时,能够较好地识别积雪覆盖信息,并且能够区分大部分云,所以该阈值设定为0.40。在此基础上,利用水体在近红外波段反射率低而雪在该波段具有较高反射率的光谱特性,第5波段的反射率大于0.11消除水体对积雪判识的影响。处理Landsat-8 OLI图像时,若某一像元同时满足NDSI≥0.40且第5波段的反射率大于0.11,则该像元识别为积雪像元。

Landsat-8 OLI图像处理过程是,在ENVI 5.3图像处理软件中,首先对下载好的OLI 1~7波段图像进行辐射定标,将图像DN值转化为辐射亮度值,之后运行大气校正模块FLAASH,选择中纬度冬季大气模型、乡村型气溶胶模型、4 km地面平均高程和40 km能见度,将各波段的辐射亮度值转为实际的地面反射率。获得1~7波段实际地面反射率之后,利用其中的波段3和波段6反射率值根据公式(1)计算NDSI。如果NDSI≥0.40 且近红外波段5的反射率值大于0.11,则该像元识别为积雪像元,其余设置为非积雪像元。之后,空间分辨率为30 m的NDSI结果图像聚合重采样至1 km,同一天的4 km空间分辨率IMS图像投影转换至与NDSI一致的UTM投影,并将其重采样至1 km的空间分辨率。最后,根据两幅图像的像元值统计后进行精度评价,并结合相同空间分辨率和投影坐标的数字高程模型开展精度误差随高程的分布特征分析。

3.2 精度评价方法

精度评价采用构建误差矩阵的方法,将Landsat 8积雪覆盖与IMS雪冰产品之间进行比较。在二值积雪图像中,Landsat 8与IMS两者都有积雪的像元数为a,Landsat 8有积雪而IMS无积雪的像元数为b,Landsat 8无积雪而IMS有积雪的像元数为c,两者都无积雪的像元数为d。最后构建的误差矩阵如表1所示。通过误差矩阵可以计算一系列的精度评价指标,包括总体精度(Overall Accuracy)、制图精度(Produce’s Accuracy)、用户精度(User’s Accuracy)、无雪分类精度(No-snow Detection Rate)、漏测率(Omission Rate)和多测率(Commission Rate)。其中,总体精度表示两者都有积雪或都无积雪的像元数与总像元数的比值。制图精度表示两者都有积雪的像元数与参考图像Landsat 8积雪像元总数的比值,也称回召率。用户精度表示两者都有积雪的像元数与IMS积雪像元总数的比值,也称为积雪分类精度。无雪分类精度是指Landsat 8和IMS雪冰产品均无积雪像元数与分类结果中所有无雪像元的比值。误差矩阵中,两者都有积雪或都无积雪,则表明IMS雪冰产品监测积雪正确。如果两者出现不一致,则表明IMS雪冰产品监测积雪出现错误。错误分为漏测和多测两种情况,其中漏测率是指Landsat 8有积雪但是IMS没有积雪的像元数与所有Landsat 8积雪像元总数的比值,而多测率是指Landsat 8无积雪但是IMS监测到积雪的像元数与所有参考图像Landsat 8无雪像元总数的比值。

表1   误差矩阵

Table 1  Error matrix

IMS
积雪无积雪像元总数制图精度
积雪aba+ba/( a+b)
无积雪cdc+d
像元总数a+cb+da+b+c+d
用户精度a/(a+c)

Landsat⁃8 OLI

新窗口打开| 下载CSV


总体精度=(a+d)/(a+b+c+d)×100
制图精度=a/(a+b)×100
用户精度=a/(a+c)×100
漏测率=b/(a+b)×100
多测率=c/(c+d)×100
无雪分类精度=d/(b+d)×100

除了上述的精度指标之外,还采用了Kappa系数,它是一个用来评价两个图像之间一致性的综合指标。研究表明47,Kappa系数>0.80可认为被评价图和参考图之间高度一致,Kappa系数0.60~0.80可认为被评价图和参考图之间一致性极好,Kappa系数在0.40~0.60表示一致性中等,Kappa系数0.20~0.40表示一致性差,Kappa系数<0.20表示一致性很差。

4 结果与讨论

4.1 精度评价

研究选取了2013~2019年青藏高原相对均匀分布的积雪季25景晴空无云的Landsat-8 OLI图像,其信息见表2,影像空间分布见图1。从成像时间来看,绝大多数图像成像于冬季,共有19幅图,其中1月份最多,共计13幅图,占一半以上,其他积雪季月份的图像在1~3个。冬季青藏高原积雪日数最多48,且冬季高原晴空天数较多,有利于积雪的卫星遥感监测。具体Landsat图像处理过程见3.1节。将具有相同投影和空间分辨的NDSI积雪覆盖图像与同一天的IMS图像进行对比,其中前10个图像处理结果见图2。经过对所有图像逐一进行计算之后,最终精度评价结果如表2所示。

表2   基于Landsat-8 OLI的IMS 4 km雪冰产品精度评价结果

Table 2  Results of accuracy assessment of IMS 4 km products based on Landsat-8 OLI images

图幅

序号

成像

日期

轨道

列号

轨道

行号

积雪像元所

占比例/%

漏测率

/%

多测率

/%

无雪分类 精度/%

用户

精度/%

制图

精度/%

总体

精度/%

Kappa

系数

平均44.411.745.484.962.388.376.00.394 2
L12014/3/201473672.75.956.673.681.694.180.30.430 9
L 22018/1/31463524.79.343.194.940.990.765.30.338 2
L 32014/3/291463747.115.737.181.866.984.373.00.465 6
L 42013/12/161453614.621.613.895.949.378.485.10.519 2
L 52015/4/101453945.74.47.796.291.395.693.80.876 3
L 62014/1/191433519.45.520.298.452.994.582.70.572 1
L 72014/1/281423730.321.842.285.944.678.264.00.297 0
L 82014/2/201433974.21.275.088.279.198.879.80.310 7
L 92015/1/241414057.27.649.983.171.292.474.30.447 0
L 102013/11/111404017.713.19.797.065.986.989.70.686 3
L 112019/2/131403715.631.130.092.429.768.969.80.252 7
L 122017/1/61403568.43.877.673.272.896.272.90.228 7
L 132017/1/11373416.010.821.697.543.989.280.10.476 9
L 142017/1/11373765.34.173.377.870.895.971.70.266 0
L 152014/12/181383895.12.378.831.896.097.793.90.223 9
L 162017/1/81383919.617.120.395.049.982.980.30.500 8
L 172014/3/161354023.427.816.090.858.072.281.30.517 9
L 182018/4/31363965.710.471.362.467.689.666.70.205 1
L 192015/1/211363869.45.967.770.675.994.175.20.311 2
L 202017/2/41353831.013.534.891.552.786.571.80.439 2
L 212018/1/81333827.046.523.181.746.253.570.60.290 0
L 222017/1/121343783.50.582.187.586.099.586.00.255 5
L 232017/1/191353645.71.682.992.850.098.454.30.144 0
L 242017/1/51333635.03.232.797.561.496.877.60.565 1
L 252018/2/111313845.56.968.384.753.293.159.60.233 8

新窗口打开| 下载CSV


图2

图2   前10个Landsat 8 band 6-3-2合成图(a)及对应的1 km分辨率Landsat 8(b)和IMS(c)积雪覆盖图

(Landsat 8图像接收日期及图幅列行号显示在图像上方)

Fig.2   First 10 Landsat 8 band 6-3-2 composite images (a), and corresponding snow cover maps at 1 km spatial resolution of Landsat 8 (b) and IMS (c)


表2中可以看出,IMS 4 km雪冰产品的总体精度较高,最低为54.3%,最高达93.9%,平均总体精度为76.0%,且绝大多数图像的总体精度大于70%,见图3。Yang等32利用Landsat-5 TM积雪图像对青藏高原IMS 4 km分辨率雪冰产品进行了精度评价,结果表明总体精度达79.2%,其精度随雪深的减少而减少,森林地区多测率最为普遍,IMS雪冰产品更适合较大尺度的积雪分析和应用,且相比MODIS具有不受云干扰的特点。Chen 等33利用Landsat ETM+图像对中国南方地区IMS 4 km分辨率积雪覆盖精度评估后表明,在农田等平地IMS积雪产品与ETM+积雪图像存在很好的一致,平均一致性大于85%,而在林地和山区,IMS的精度低于75%,且IMS表现为高估积雪覆盖50%以上。地面积雪更为稀疏的地方,IMS监测精度更差,而且积雪覆盖高估更为明显。此外,混合像元,特别是在复杂地形地区,由于IMS 4 km较粗的空间分辨率,其积雪判识精度更是问题。尤其是地面斑块状积雪,很难利用4 km像元尺度产品来识别。从表2中可以看出,制图精度大于总体精度,其最小值53.5%,最大值为99.5%,平均88.3%。用户精度范围在29.7%~96.0%,平均为62.3%,均低于制图精度和总体精度。IMS 4 km产品的无雪分类精度很高,范围在31.8%~98.4%,平均达84.9%。

图3

图3   基于Landsat-8 OLI的青藏高原IMS 4 km总体精度

Fig.3   Overall accuracy of IMS 4 km product on the TP based on Landsat 8 images


在以上精度评价的基础上,对IMS雪冰产品的青藏高原积雪判识误差进行了分析(图4)。漏测率表明IMS没有正确监测到对应Landsat 8图上的积雪,积雪监测出现了漏判现象。IMS 4 km积雪产品的最低漏测率为0.5%,出现在2017年1月12日,其次是2014年2月20日,漏测率为1.2%,之后是2017年1月19日的IMS积雪图像,漏测率为1.6%,以上为3个漏测率小于2%的积雪监测结果,表明这3幅图像的积雪基本被IMS 有效地监测到了。最大漏测率为46.5%,出现在2018年1月8日,表明接近一半的积雪覆盖区域出现了漏判现象,其后漏测率较大的依次是31.1%和27.8%,即大约图像中的三分之一和四分之一出现了漏判现象,平均漏测率为11.7%。IMS 4 km的多测率要明显大于漏测率,最低多测率出现在2015年4月10日,为7.7%,其次是9.7%,出现在2013年11月11日,其余的多测率均大于10%。多测率最大值为82.9%,出现在2017年1月19日的积雪图像上,其后是2017年1月12日,为82.1%,其余的多测率均小于80%。IMS 4 km雪冰产品的平均多测率为45.4%,比平均漏测率高出33.7%。

图4

图4   基于Landsat-8 OLI的青藏高原IMS 4 km产品积雪判识误差

Fig.4   Omission and commission errors of IMS 4 km product on the TP based on Landsat 8 images


除了以上的精度指标之外,Kappa系数是用来评价两个图像之间一致性的常用综合指标之一。由表2可知,IMS雪冰产品与同期Landsat-8 OLI积雪覆盖图像之间的Kappa系数最低值是0.144 0,也是唯一一个Kappa系数小于0.2的验证结果,其余均大于0.2,Kappa系数小于0.4的共有13对图像,而其余12对图像的Kappa系数大于0.4,两者大约各占一半。最大Kappa系数为0.876 3,其次是0.686 3,也是Kappa系数大于0.6的两对图像。25幅图像对平均Kappa系数为0.394 2,表明IMS 4 km雪冰产品与对应的Landsat-8 OLI 参考积雪覆盖图像之间的一致性一般。

IMS 4 km积雪监测误差主要体现在平均多测率要明显大于漏测率,前者为45.4%,而后者为11.7%,两者相差33.7%,IMS 4 km产品高估了实际积雪面。IMS 4 km产品的总体精度和制图精度较高,但是Kappa系数较低,主要是由IMS 4 km产品较高的误判率引起的。通过青藏高原地区IMS 4 km雪冰产品与同时相MODIS积雪产品对比分析发现,IMS相对地高估了实际积雪面积,其主要原因是IMS的分辨率较低,对零碎积雪的识别能力不足,误判率比漏判率高,进而高估了真实的积雪面积3049-50。Brubaker等51-52研究指出,IMS 雪冰产品的分辨率较低,高估了实际的积雪面积,误判率应比漏判率要高,这同本研究的分析结论一致。此外,尽管采用多源数据和人工制图相结合的方式,IMS雪冰产品的精度在厚云条件下依然存在不确定性。当云遮蔽地面时,IMS是修改前一天的地面积雪信息后制作生成当前的积雪覆盖状况,其结果是在一些地方IMS过高估计地面积雪覆盖42

4.2 积雪面积比例对精度评价的影响

表2的第5列给出了利用Landsat-8 NDSI计算的积雪面积(积雪像元)占图像面积(所有像元)的百分比,25幅图像的积雪面积占比在14.6%~95.1%。为了分析图像中积雪覆盖范围大小对IMS精度评价的影响,积雪面积比例与精度评价指标之间进行了线性相关分析,结果见表3。积雪面积比例与用户精度和多测率之间存在极为显著的正线性关系,与漏测率之间具有非常显著的负线性关系,与制图精度的正相关性显著,表明Landsat 8图像中积雪覆盖范围越大,IMS的积雪判识能力越高,同时出现误判的概率就越大,而漏判的概率就越低。Landsat 8图像中积雪覆盖范围或面积越大,意味着地面积雪分布更为连续,更有利于IMS有效监测到地面积雪,同时地面的积雪出现误判的情况就越多,相反出现漏判的情况就相应越少。积雪面积比例与漏测率和多测率之间存在非常显著的负线性和正线性相关,表明Landsat 8图像中积雪覆盖面积越大,漏测率就越小,而多测率就越高,也就是图像中积雪比例越高,IMS监测地面积雪的漏判几率越低,而误判的几率也就越大。积雪面积比例与无雪分类精度指标之间极为显著的负线性关系说明,参考图像中积雪所占比例越高,IMS产品对非积雪类型的监测精度就越低。相比以上这些明显的线性关系,积雪面积比例与总体精度之间不存在显著的线性相关性,说明Landsat 8参考图像中的积雪面积比例对IMS的总体监测精度没有明显影响。所以,考虑到参考图像中积雪覆盖面积大小对精度评价结果的影响,利用高分辨率遥感积雪图像对中低分辨率遥感积雪产品进行精度检验时,选取晴空条件下积雪和非积雪地表相对平均分布的典型区域图像作为参考数据尤为重要。

表3   精度评价指标及积雪面积比例相互之间的线性相关系数矩阵

Table 3  Linear correlation coefficients between accuracy assessment indices and snow-covered area ratio

漏测率多测率无雪分类精度用户精度制图精度总体精度Kappa系数积雪面积比例
漏测率1.00
多测率-0.56b1.00
无雪分类精度0.18-0.60b1.00
用户精度-0.60b0.42c-0.55b1.00
制图精度-1.00a0.56b-0.180.60b1.00
总体精度-0.14-0.36-0.090.56b0.141.00
Kappa系数0.02-0.80a0.51b0.11-0.020.63a1.00
积雪面积比例-0.59b0.83a-0.75a0.83a0.59b0.11-0.45c1.00

注:上标c表示P<0.05; b表示P<0.01; a表示P<0.001

新窗口打开| 下载CSV


4.3 精度评价指标之间的关系

表3给出了7个精度评价指标相互之间的线性关系。可以看出,Kappa系数与总体精度和多测率之间存在极为显著的正线性和负线性关系,表明Kappa系数越高意味着IMS 4 km的积雪监测总体精度越高,而多测率就越小。从表3中同样可以看出,在7个精度评价指标中,总体精度与用户精度之间存在非常显著的正线性关系,与多测率之间的负线性关系明显,表明总体精度越高意味着用户精度越高,IMS积雪产品的误判率越低。制图精度与多测率和漏测率之间呈显著的正负线性关系,与用户精度之间的线性关系显著,即制图精度越高,IMS积雪产品的漏判率越低,误判率就越高。用户精度与总体精度、制图精度呈显著的线性关系,与多测率和漏测率具有明显的正负线性关系,说明用户精度越高,IMS积雪产品的漏判率越低,误判率就越高。无雪分类精度与多测率之间相关性显著,表明无雪分类精度高意味着IMS产品的误判几率就越低。此外,漏测率和多测率之间也存在非常显著的负相关,表明IMS雪冰产品监测地面积雪时相对于参考图像Landsat-8 OLI积雪图像而言,总体上存在漏测率越高多测率就越低,反之亦然的现象。

选择合适的精度评价指标是反映积雪遥感产品总体特征和监测精度的基础,对改进产品的精度同样具有重要意义。从以上的分析可以得出,利用高分辨率遥感数据对中低分辨率积雪遥感产品监测精度进行检验时,基于参考图像的总体精度和制图精度能够较好地反映积雪遥感产品的总体监测精度。

4.4 精度误差空间分布及主要原因

基于Landsat-8 OLI图像的IMS 4 km青藏高原精度评价分析表明,IMS 4 km产品总体上多测率要大于漏测率,前者平均45.4%,后者为11.7%,平均多测率比漏测率高33.7%。然而,IMS 4 km雪冰产品在青藏高原不同区域的监测精度差异较大,最小漏测率仅0.5%,最大值为46.5%,同样,多测率最小值为7.7%,最大值达82.9%。为了定量分析IMS4 km雪冰产品在青藏高原不同区域误差的空间分布特点及其产生原因,从25幅Landsat 8图像对应的IMS雪冰产品中选取多测率和漏测率最大的2幅图像,结合数字高程模型对误差空间分布特点及产生的原因进行了分析。数字高程模型采用了美国地质调查局地球资源观测与科学中心(USGS EROS)发布的SRTM (Shuttle Radar Topography Mission)DEM高程数据,其空间分辨率是90 m,重采样至与IMS 4 km雪冰产品和NDSI积雪图一致的1 km空间分辨率。

在25幅图像中,以2018年1月8日Landsat 8为参考图像的IMS 4 km雪冰产品漏测率最大,为46.5%,多测率为23.1%,制图精度在所有图像中最低。图5(a)给出了其精度评价结果的空间分布特征,Landsat和IMS两者均为积雪的正确判识像元共计5 357个,Landsat有积雪而IMS无积雪的漏判像元共计4 652个,Landsat无积雪而IMS有积雪的误判像元有6 242个,Landsat和IMS均无积雪的正确判识像元有20 815个。根据图5(a)给出的精度评价结果空间分布特征,结合DEM分析表明,Landsat和IMS两者均为积雪的像元多数位于图像北部和东南角海拔较高的区域,而Landsat有积雪但是IMS无积雪的漏测像元数多数位于两者一致为积雪像元的周边区域,Landsat无积雪而IMS有积雪的多测像元数主要分布在北部和南部海拔较低的地区。两者都无积雪的区域主要分布在海拔较低的中部广大区域。图5(b)给出的积雪监测精度误差随100 m间隔高程的定量结果表明,两者均为积雪像元的最低海拔高度为3 638 m,最高为5 728 m,平均海拔高度达4 625 m,多数像元位于海拔4 500 m以上区域,占所有两者同为积雪像元的50.1%。Landsat有积雪而IMS无积雪的像元最低分布海拔高度为3 236 m,最高点为5 480 m,平均分布海拔高度4 520 m,海拔4 500 m以上区域占所有像元的37.0%。Landsat无积雪而IMS有积雪的像元分布海拔最低为2 981 m,最高点5 425 m,平均分布海拔高度为4 332 m,海拔4 500 m以上区域占所有像元的16.1%。Landsat和IMS都无积雪的像元分布海拔最低点为2 786 m,最高点为5 333 m,平均分布海拔高度为4 144 m, 海拔4 500 m以上区域占所有像元的5.0%。

图5

图5   IMS 4 km雪冰产品精度误差空间分布特征和积雪监测精度误差随高程分布特征

Fig.5   Spatial elevation dependence of accuracy errors of IMS 4 km product on January 8, 2018


可见,Landsat和IMS都有积雪的像元平均分布海拔最高,其次是Landsat有积雪而IMS无积雪的像元,Landsat和IMS都无积雪的像元平均分布海拔高度最低,其主要原因是海拔较高的地段不仅有利于降雪,而且海拔越高气温越低,积雪覆盖相对稳定,破碎化程度低,有利于IMS等遥感积雪产品的监测,而海拔越低,气温越高,积雪容易融化而导致其破碎化分布,从而IMS等积雪产品监测更容易出现漏判或误判现象,从而降低积雪的监测精度。

在25幅图像中,2017年1月19日的IMS 4 km图像积雪监测多测率最大,达82.9%,而漏测率仅为1.6%,其总体精度和Kappa系数在所有图像中最低,分别为54.3%和0.144 0。利用数字高程模型分析了该图积雪监测误差的空间分布特点及产生的主要原因。根据图6(a)给出的精度评价结果空间分布特征,结合DEM分析表明,Landsat和IMS两者均为积雪的正确判识积雪像元数共计16 711个,绝大多数位于图像中部区域;IMS产品未能有效监测到参考图像Landsat上积雪的漏测像元数仅265个,且集中位于图像北部中间小块区域;Landsat无积雪而IMS有积雪的误判像元数分布面积较大,主要位于图像北部和南部区域,共计16 714个像元,由此产生的多测率在25个图像中最大;Landsat 8 和IMS均无积雪的正确判识像元共计3 437个,分布在图像北部的两块区域。

图6

图6   IMS 4 km雪冰产品精度误差空间分布与积雪监测误差随高程分布

Fig.6   Spatial distribution of accuracy errors of IMS 4 km product with elevation on January 19, 2017


图6(b)定量给出了IMS 4 km积雪监测误差随间隔为100 m海拔高度的分布特点,可以看出,两者均为积雪像元的最低海拔高度为4 014 m,最高为5 399 m,平均海拔高度达4 570 m,多数像元位于海拔4 500 m以上区域,占所有两者同为积雪像元的63.3%。Landsat有积雪而IMS无积雪的像元最低分布海拔高度为4 244 m,最高点为5 150 m,平均分布海拔高度4 600 m,海拔4 500 m以上区域占所有像元的61.9%。Landsat无积雪而IMS有积雪的像元分布海拔最低为3 892 m,最高点5 389 m,平均分布海拔高度为4 560 m,海拔4 500 m以上区域占所有像元的67.3%。Landsat和IMS都无积雪的像元分布海拔最低点为4 167 m,最高点为5 176 m,平均分布海拔高度为4 482 m,海拔4 500 m以上区域占所有像元的40.9%。

由此可见,IMS 雪冰产品和Landsat都为积雪像元的正确判识所发生的平均海拔最高,分布的最高海拔也在几个精度评价指标中最高,其次是IMS 4 km产品多测率和漏测率发生的平均海拔高度,而Landsat和IMS均无积雪的正确无雪判识像元分布海拔高度在几个精度评价指标中最低。可见,在青藏高原,海拔高度是影响IMS积雪监测精度的重要因素之一,总体上海拔越高积雪的监测精度越高,而海拔越低无雪判识精度越高。海拔越高气温越低,越有利于积雪的维持、空间分布的完整性及空间覆盖的稳定性,进而越有利于积雪的卫星遥感监测,而在海拔较低的地区,较高的气温容易引起积雪的消融而使积雪空间分布呈破碎化,导致卫星遥感监测地面积雪的漏判率和误判率增加,而在海拔更低的区域,气温较高导致积雪的快速融化,主要表现为地面没有积雪分布,进而基本以无雪判识精度形式表现。

总之,海拔较高的区域总体上积雪判识精度较高,而海拔较低的地区,积雪的破碎化分布容易导致积雪漏判率和误判率增加。IMS 4 km积雪监测精度总体上呈现海拔较高地段积雪的判识精度较高,随着海拔降低地面积雪分布呈破碎化,导致积雪监测的漏判和误判增加的趋势。

5 结 论

本研究利用30 m分辨率的Landsat-8 OLI积雪覆盖数据对IMS 4 km分辨率产品在青藏高原积雪监测中的精度进行了评估验证,分析了误差的空间分布特点及产生的主要原因。得出的主要结论如下:

(1) IMS 4 km雪冰产品的总体精度较高,最低为54.3%,最高达93.9%,平均76.0%,平均制图精度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高的精度,可以用于青藏高原大尺度积雪覆盖监测。

(2) IMS 4 km雪冰产品平均多测率为45.4%,平均漏测率11.7%,在青藏高原高估了实际积雪面积,且存在漏测率越高多测率就越低,反之亦然的现象。选择合适的精度评价指标是反映积雪遥感产品总体特征和监测精度的基础,对改进产品的精度同样具有重要意义。基于高分辨率积雪遥感产品的监测精度检验而言,以参考图像为准的总体精度和制图精度能够较好地反映遥感积雪产品的总体监测精度。

(3) 参考图像中积雪覆盖面积比例对精度评价结果有一定的影响。参考图像中积雪面积比例越高,IMS的积雪判识能力越高,IMS监测地面积雪的漏判几率越低,而误判的几率就越高。所以,利用高分辨率遥感积雪图像对中低分辨率遥感积雪产品进行精度检验时选取晴空条件下积雪和非积雪地表相对平均分布的典型区域图像作为参考数据,对分析结果尤为重要。

(4) 海拔高度是影响青藏高原IMS积雪监测精度的重要因素之一。IMS 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率和多测率呈增加趋势。

(5) 目前IMS雪冰产品的空间分辨率已提高到1 km,但是青藏高原积雪具有斑块化和快速变化的特点,加之混合像元的影响,利用IMS 4 km和1 km空间分辨率的二值积雪产品仍带来一定误差和不确定性,而用积雪覆盖度产品能够更加准确地表示地表积雪的实际覆盖状况。因此,需要利用时空分辨率更高的积雪覆盖和覆盖度产品,开展青藏高原积雪覆盖状况和动态变化研究,从而更好地揭示青藏高原积雪的空间分布和时间演变特征。

参考文献

Ke ChangqingLi Peiji.

Spatial and temporal characteristics of snow cover over the Tibetan Plateau

[J]. Acta Geographica Sinica, 1998533): 209-215.

[本文引用: 1]

柯长青李培基.

青藏高原积雪分布与变化特征

[J]. 地理学报, 1998533): 209-215.

[本文引用: 1]

Blanford H F.

On the connexion of the Himalayan snowfall with dry winds and seasons of drought in India

[J]. Proceedings of the Royal Society of London, 188437:3-22.

Wu G XLiu Y MHe Bet al.

Thermal controls on the Asian summer monsoon

[J]. Scientific Reports,20122404): DOI:10.1038/srep00404.

Zhu YuxiangDing YihuiXu Huaigang.

The decadal relationship between atmospheric heat source of winter and spring snow over Tibetan Plateau and rainfall in east China

[J]. Acta Meteorologica Sinica, 2007656): 946–958.

[本文引用: 1]

朱玉祥丁一汇徐怀刚.

青藏高原大气热源和冬春积雪与中国东部降水的年代际变化关系

[J]. 气象学报, 2007656): 946-958.

[本文引用: 1]

Zhu YuxiangDing Yihui.

Influences of snow cover over Tibetan Plateau on weather and climate: advances and problems

[J]. Meteorological Science and Technology, 2007351): 1-8.

[本文引用: 1]

朱玉祥丁一汇.

青藏高原积雪对气候影响的研究进展和问题

[J]. 气象科技, 2007351): 1-8.

[本文引用: 1]

Yang XiuchunCao Yungang.

Xu Bin,

et al. Remote sensing monitoring of grassland snow in China: from October2007 to March 2008[J]. Geographical Research, 2008275): 1109-1117.

[本文引用: 1]

杨秀春曹云刚徐斌.

中国北方草原区积雪遥感监测: 2007.10~2008.3期间

[J], 地理研究,2008275): 1109-1117.

[本文引用: 1]

Andrew G KDorothy K HGeorge A R.

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

[J]. Hydrological Processes, 199812: 1723-1744.

[本文引用: 1]

Chang A T CFoster J LOwe Met al.

Passive and active microwave studies of wet snow pack properties

[J]. Nordic Hydrology, 198516: 57-66.

Feng XuezhiLi WenjunBo Yancheng.

Research on the methods of obtaining satellite snow cover information

[J]. Journal of Image and Graphics, 2000510) : 836-839.

冯学智李文君柏延臣.

雪盖卫星遥感信息的提取方法探讨

[J].中国图象图形学报, 2000510) : 836-839.

Feng XuezhiLu AnxinZeng Zhuqun.

Study on snow disaster monitoring and assessment using remote sensing in the main Pastoral areas of China

[J]. Journal of Remote Sensing, 199712): 129-1341.

冯学智鲁安新曾群柱.

中国主要牧区雪灾遥感监测评估模型研究

[J].遥感学报,199712): 129-1341.

Liang TiangangLiu XingyuanGuo Zhenggang.

Evaluation approach to snow disasters in pastoral areas based on 3S technologies

[J]. Acta Prataculturae Sinica, 2006154): 122-1281.

[本文引用: 1]

梁天刚刘兴元郭正刚.

基于3S技术的牧区雪灾评价方法

[J].草业学报, 2006154): 122-128.

[本文引用: 1]

Liu XingyuanChen QuangongLiang Tianganget al.

Establishment of snow disaster remote sensing monitoring and damage estimation systems in Altai pastoral region of Xinjiang

[J]. Chinese Journal of Applied Ecology, 2006172): 215-220.

[本文引用: 1]

刘兴元陈全功梁天刚.

新疆阿勒泰牧区雪灾遥感监测体系构建与灾害评价系统研究

[J]. 应用生态学报, 2006172): 215-220.

[本文引用: 1]

Hall D KRiggs G ASalomonson V V.

Theoretical Basic Document (ATBD) for the MODIS Snow and Sea Ice-Mapping Algorithms

[R], 2001, NASA.

[本文引用: 3]

Cao YungangLiu Chuang.

The development of snow-cover mapping from AVHRR to MODIS

[J]. Geography and Geo-Information Science, 2005215): 15-19.

[本文引用: 2]

曹云刚刘闯.

从AVHRR到MODIS 的雪盖制图研究进展

[J]. 地理与地理信息科学, 2005215): 15-19.

[本文引用: 2]

Huang XiaodongHao XiaohuaYang Yongshunet al.

Advances in snow-cover monitoring using optical remote sensing

[J]. Pratacultural Science, 2012291): 35-43.

[本文引用: 2]

黄晓东郝晓华杨永顺.

光学积雪遥感研究进展

[J]. 草业科学, 2012291): 35-43.

[本文引用: 2]

Rutger DSteven MDe J.

Monitoring snow cover dynamics in Northern Fennoscandia with SPOT vegetation images

[J].International Journal of Remote Sensing, 20042515):2933-2949.

Xiao XZhang QBoles Set al.

Mapping snow cover in the Pan-Arctic zone, using multi-year (1998~2001) images from optical Vegetation sensor

[J].International Journal of Remote Sensing, 20042524):5731-5744.

Hall D KRiggs G ASalomonson V Vet al.

MODIS snow-cover products

[J]. Remote Sensing of Environment, 2002831-2):181-194.

Che TaoLi Xin.

Retrieval of snow depth in China by passive microwave remote sensing data and its accuracy assessment

[J]. Remote Sensing Technology and Application, 2004195):301-306.车涛,李新.利用被动微波遥感数据反演我国积雪深度及其精度评价[J].遥感技术与应用.2004,195):301-306.

Che TaoLi Xin.

Spatial distribution and temporal variation of snow water resources in China during

1993~2002[J]. Journal of Glaciology and Geocryology, 2005271):64-67.

车涛李新.

1993~2002年中国积雪水资源时空分布与变化特征

[J].冰川冻土,2005271):64-67.

Feng QishengZhang XuetongLiang Tiangang.

Dynamic monitoring of snow cover based on MOD

10A1 and AMSR-E in the north of Xinjiang Province, China[J]. Acta Prataculturae Sinica, 2009181):125-133.

冯琦胜张学通梁天刚.

基于MOD10A1和AMSR-E的北疆牧区积雪动态监测研究

[J].草业学报,2009181):125-133.

Yu HuiFeng QishengZhang Xuetonget al.

An approach for monitoring snow depth based on AMSR-E data in the pastoral area of Northern Xinjiang

[J]. Acta Prataculturae Sinica, 2009184):210-216.

[本文引用: 1]

于慧冯琦胜张学通.

基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探

[J].草业学报,2009184):210-216.

[本文引用: 1]

Liang T GZhang X TXie H Jet al.

Toward improved daily snow cover mapping with advanced combination of MODIS and AMSR-E measurements

[J]. Remote Sensing of Environment, 2008112:3750-3761.

[本文引用: 2]

Huang XiaodongLi XubingLiu Changyuet al.

Remote sensing inversion of snow cover extent and snow depth/snow water equivalent on the Qinghai-Tibet Plateau: advance and challenge

[J]. Journal of Glaciology and Geocryology, 2019415):1138-1149.

[本文引用: 1]

黄晓东李旭冰刘畅宇.

青藏高原积雪范围和雪深/雪水当量遥感反演研究进展及挑战

[J].冰川冻土,2019415):1138-1149.

[本文引用: 1]

Liu YujieYang Zhongdong. Processing principle and algorithm of MODIS data[M]. BeijingScience Press2001:187-192.

[本文引用: 3]

刘玉洁杨忠东. MODIS遥感信息处理原理与算法[M]. 北京科学出版社2001: 187-192.

[本文引用: 3]

Gao YXie HLu Net al.

Toward advanced daily cloud-free snow cover and snow water equivalent products from Terra–Aqua MODIS and Aqua AMSR-E measurements

[J]. Journal of Hydrology, 2010385: 23-35.

Dietz A JKuenzer CGessner Uet al.

Remote sensing of snow–a review of available methods

[J]. International Journal of Remote Sensing, 201233: 4094-4134.

[本文引用: 1]

Frei ATedesco MLee Set al.

A review of global satellite-derived snow products

[J]. Advances in Space Research, 2012508):1007-1029.

[本文引用: 1]

Choi GRobinson D A.

Kang S. Changing Northern Hemisphere snow seasons

[J]. Journal of Climate, 201023:5305-5310.

[本文引用: 1]

Liu XunJin XinKe Changqing.

Accuracy evaluation of the IMS snow and ice products in stable snow covers regions in China

[J]. Journal of Glaciology and Geocryology, 2014363):500-507.

[本文引用: 2]

刘洵金鑫柯长青.

中国稳定积雪区IMS雪冰产品精度评价

[J]. 冰川冻土,2014363): 500-507.

[本文引用: 2]

Chen AijunHan ChenhuiZheng Zhaojunet al.

Analysis of IMS ice and snow products over the Qinghai-Tibet Plateau

[J]. China Science Paper, 2018133): 340-344.陈爱军,韩琛惠,郑照军,等.青藏高原IMS冰雪产品精度分析[J]. 中国科技论文, 2018, 133), 340-344.

[本文引用: 1]

Wu THan LLiu Q.

A novel algorithm for differentiating cloud from snow sheets using Landsat-8 OLI imagery

[J]. Advances in Space Research, 2019641):79-87.

[本文引用: 2]

Berman E EBolton D KCoops N Cet al.

Daily estimates of Landsat fractional snow cover driven by MODIS and dynamic time-warping

[J]. Remote Sensing of Environment, 2018216:635-646.

[本文引用: 1]

Zhu ZWang SWoodcock C E.

Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7,8,and Sentinel-2 images

[J]. Remote Sensing of Environment,2015159:269-277.

Guo SDu PXia Jet al.

Spatiotemporal changes of glacier and seasonal snow fluctuations over the Namcha Barwa–Gyala Peri massif using object-based classification from Landsat time series

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021177:21-37.

Revuelto JAlonso-González EGascoin Set al.

Spatial downscaling of MODIS snow cover observations using Sentinel-2 snow products

[J]. Remote Sensing, 20211322): 4513. DOI.org/10.3390/rs13224513.

[本文引用: 1]

Yang JJiang LMénardC Bet al.

Evaluation of snow products over the Tibetan Plateau

[J]. Hydrological Processes, 20152915): 3247-3260.

[本文引用: 1]

Chen XJiang LYang Jet al.

Validation of ice mapping system snow cover over southern China based on Landsat enhanced thematic mapper plus imagery

[J]. Journal of Applied Remote Sensing, 201481): 084680. DOI:10.1117/1.JRS.8.084680.

[本文引用: 1]

Chu Duo. Snow Atlas of Tibetan Plateau[M]. BeijingChina Meteorological Press2018.

[本文引用: 1]

除多. 青藏高原积雪图集[M]. 北京气象出版社2018.

[本文引用: 1]

Zhang YiliLi BingyuanZheng Du.

A discussion on the boundary and area of the Tibetan Plateau in China

[J]. Geographical Research, 2002211):1-8.

[本文引用: 1]

张镱锂李炳元郑度.

论青藏高原范围与面积

[J].地理研究,2002211):1-8.

[本文引用: 1]

Frei ALee S Y.

A comparison of optical-band based snow extent products during spring over North America

[J]. Remote Sensing of Environment, 20101149):1940-1948.

[本文引用: 1]

Helfrich S RMcnamara DRamsay B Het al.

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

[J]. Hydrological Processes, 20072112):1576-1586.

[本文引用: 1]

Ramsay B H.

The interactive multisensor snow and ice mapping system

[J]. Hydrological Processes,199812:1537-1546.

Chang A T CFoster J LHall D K.

Effects of forest on the snow parameters derived from microwave measurements during the BOREAS winter field campaign

[J]. Hydrological Processes, 199610:1565-1574.

[本文引用: 1]

Masek J GWulder M AMarkham B.

Landsat 9: Empowering open science a nd applications through continuity

[J]. Remote Sensing of Environment, 2020,248. DOI:10.1016/j.rse.2020.111968.

[本文引用: 1]

Hall D KRiggs G ASalomonson V V.

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

[J]. Remote Sensing of Environment, 1995542):127-140.

[本文引用: 1]

Congalton R GGreen K. Assessing the accuracy of remotely sensed data: principles and practices[M]. Boca Raton FL,USA.2019.

[本文引用: 1]

Chu DuoYang YongJiancan Luobuet al.

The variations of snow cover days over the Tibetan Plateau during 1981~2010

[J]. Journal of Glaciology and Geocryology, 2015376):1461-1472.

[本文引用: 1]

除多杨勇罗布坚参.

1981~2010年青藏高原积雪日数时空变化特征分析

[J]. 冰川冻土,2015376):1461-1472.

[本文引用: 1]

Yu XiaoqiQiu YubaoRuan Yongjianet al.

Validation and comparison of binary cloudless snow products in High Asia

[J].Remote Sensing Technology and Application, 2017321):37-48.

[本文引用: 1]

于小淇邱玉宝阮永俭.

高亚洲地区无云积雪遥感二值产品对比和精度验证分析

[J].遥感技术与应用,2017321):37-48.

[本文引用: 1]

Qiu YubaoZhang HuanChu Duoet al.

Cloud removing algorithm for the daily cloud free MODIS-based snow cover product over the Tibetan Plateau

[J]. Journal of Glaciology and Geocryology, 2017393): 515-526.

[本文引用: 1]

邱玉宝张欢除多.

基于MODIS 的青藏高原逐日无云积雪产品算法

[J].冰川冻土,2017393): 515-526.

[本文引用: 1]

Brubaker K LPinker R TDeviatova E.

Evaluation and comparison of MODIS and IMS snow-cover estimates for the continental United States using station data

[J]. Journal of Hydrometeorology, 20056:1002-1017.

[本文引用: 1]

Chen CLakhankar TRomanov Pet al.

Validation of NOAA-Interactive multisensor snow and Ice Mapping System (IMS) by comparison with ground-based measurements over continental United States

[J].Remote Sensing, 201245):1134-1145. DOI:10.3390/rs4051134.

[本文引用: 1]

/