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MODIS^［23］。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^{［15，25］}。

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。

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］。

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。

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。

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。

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：

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。

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。

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。

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。

从表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%。

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%。

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^{［30，49-50］}。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］。

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。

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%。

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（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。

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。