img

官方微信

遥感技术与应用, 2021, 36(6): 1236-1246 doi: 10.11873/j.issn.1004-0323.2021.6.1236

冰雪遥感专栏

基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例

胡晓静,1,2,3,4, 郝晓华,2, 王建2, 戴礼云2, 赵宏宇2, 李弘毅2

1.兰州交通大学 测绘与地理信息学院,甘肃 兰州 730070

2.中国科学院西北生态环境资源研究院,甘肃 兰州 730000

3.地理国情监测技术应用国家地方联合工程研究中心,甘肃 兰州 730070

4.甘肃省地理国情监测工程实验室,甘肃 兰州 730070

Snow Depth Downscaling Algorithm based on the Fusion of AMSR2 and MODIS Data:A Case Study in Northern Xinjiang, China

Hu Xiaojing,1,2,3,4, Hao Xiaohua,2, Wang Jian2, Dai Liyun2, Zhao Hongyu2, Li Hongyi2

1.Faculty of Geomatics,Lanzhou Jiaotong University,Lanzhou 730070,China

2.Northwest Insttitute of Eco-environment and Resources,Chinese Academy of Sciences,Lanzhou 730000,China

3.National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring,Lanzhou 730070,China

4.Gansu Provincial Engineering Laboratory for National Geographic State Monitoring,Lanzhou 730070,China

通讯作者: 郝晓华(1979-),男,山西原平人,副研究员,主要从事光学积雪遥感研究。E⁃mail: haoxiaohua@lzb.ac.cn

收稿日期: 2020-12-14   修回日期: 2021-08-21  

基金资助: 国家重点研发计划.  2019YFC1510503
国家自然科学基金项目.  41971325.  42171391
中国科学技术基础资源调查计划.  2017 FY100502
兰州交通大学优秀平台支持.  201806

Received: 2020-12-14   Revised: 2021-08-21  

作者简介 About authors

胡晓静(1994-),女,陕西渭南人,硕士研究生,主要从事积雪遥感方向研究E⁃mail:0218769@stu.lzjtu.edu.cn , E-mail:0218769@stu.lzjtu.edu.cn

摘要

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10 km空间分辨率的AMSR2 L1B亮度温度数据,结合500 m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD)。基于该算法获取了北疆地区500 m空间分辨率的雪深数据(SDDsd),并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明:基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R2为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。

关键词: 雪深 ; AMSR2 ; MODIS ; 积雪面积比例 ; SSEmod ; 降尺度算法

Abstract

High spatial resolution snow depth data is very important to study regional climate changes and hydrological cycle. We have developed a spatial dynamic downscaling snow depth retrieval algorithm (SDD), which retrieves the snow depth by fusing AMSR2 L1B brightness temperature data (10 km) and MODIS daily cloud-free fractional snow cover data (500 m). By using the SDD algorithm, snow depth data (SDDsd) with a spatial resolution of 500 m in the northern Xinjiang region was obtained, and the results were verified and evaluated by comparison with snow depth provided by 30 meteorological stations and field work. The results show that: the snow depth derived from SDD algorithm and in situ snow depth are in good agreement,the R2 is 0.74, and the RMSE is 3.47 cm. After further analysis, it is found that the snow depth inversion accuracy of different land cover types is different. The accuracy of grassland is the best, followed by urban and built-up Lands, and cultivated land is relatively poor. The accuracy of snow depth is also affected by the terrain, and it decreases as the slope increases. Compared with the results of direct re-sampling of microwave remotely sensed snow depth data, the SDD algorithm effectively improves the accuracy of snow depth in shallow snow areas, the spatial distribution of snow is also more perfectly reflected. SDDsd data provides reliable data support for understanding regional climate change and hydrological cycle. In addition, with the global-scale production of long-time series of cloud-free fractional snow cover products, combined with the existing long-time series global-scale AMSR2 data, the SDD algorithm is expected to produce global downscale snow depth products.

Keywords: Snow depth ; AMSR2 ; MODIS ; FSC ; SSEmod ; Downscaling algorithm

PDF (4504KB) 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

胡晓静, 郝晓华, 王建, 戴礼云, 赵宏宇, 李弘毅. 基于AMSR2和MODIS数据融合的雪深降尺度算法研究—以北疆地区为例. 遥感技术与应用[J], 2021, 36(6): 1236-1246 doi:10.11873/j.issn.1004-0323.2021.6.1236

Hu Xiaojing, Hao Xiaohua, Wang Jian, Dai Liyun, Zhao Hongyu, Li Hongyi. Snow Depth Downscaling Algorithm based on the Fusion of AMSR2 and MODIS Data:A Case Study in Northern Xinjiang, China. Remote Sensing Technology and Application[J], 2021, 36(6): 1236-1246 doi:10.11873/j.issn.1004-0323.2021.6.1236

1 引 言

积雪是冰冻圈的主要组成部分,是研究气候变化的关键变量。积雪通过影响地表辐射能量交换进而影响全球气候变化以及生态系统变化1-3。同时,积雪是干旱区和半干旱区的重要水源补给,它的积累和消融使水资源再分配,进而影响全球和区域水循环4。雪深(Snow Depth, SD)是研究积雪特性的一个重要参数,准确地掌握积雪深度及其空间分布对于区域甚至全球气候预测、预报,水文模拟以及水资源管理等有重要的科学意义。

遥感技术是大面积监测雪深的主要手段。被动微波数据因其穿透能力强、全天时、全天候观测的特点,是雪深遥感反演的主要数据源5-6。1970年以来,被动微波数据被广泛应用于雪深监测,遥感技术的迅速发展使被动微波辐射计的性能不断提升。目前国际上监测积雪的被动微波辐射计主要有: Nimbus-7-SMMR、DMSP- SSM/I、DMSP- SSMIS、AQUA-AMSR-E、FY-3MWRI、GCOM-W1-AMSR 2等,这些传感器采用多频率、多极化的扫描方式,随着分辨率的逐渐提高,雪深监测的精度也随之提高。微波辐射计探测积雪覆盖地表的辐射量包括积雪自身的辐射以及雪下的地表辐射。积雪的发射辐射在低频波段主要受雪下地表特性的影响;在高频波段主要受积雪体散射影响。由于高频的散射作用高于低频,使积雪的亮度温度随着频率的增加而减小,因此可利用亮度温度差(Brightness Temperature Deviation, BTD)估算雪深。被动微波雪深静态反演是国内外最早的雪深反演方法,即认为亮度温度差与雪深之间存在线性关系。Chang等7使用Nimbus-7-SMMR数据,提出通过计算18 GHz和36 GHz之间的亮温差与实测雪深之间的关系来反演雪深。随后,基于该算法的积雪深度研究逐渐发展。Grody等8使用DMSP-SSM/I数据开展了一系列实验识别降雨、寒漠、冻土和积雪等散射物质,建立了非积雪信息识别模型,提高了积雪判别精度。在此基础上,Foster等9考虑了林区植被覆盖对亮度温度的削弱,引入了林区透过率,修正了Chang算法,建立了NASA算法,积雪反演误差从50%降到15%。对于中国区域的雪深反演算法研究中,许多学者在Chang算法的基础上建立了不同算法。Che等10使用SMMR和SSM/I数据的亮度温度与我国的地面观测雪深数据结合对Chang算法进行了修正,并结合Grody决策树,建立了适合中国积雪特性的被动微波雪深反演算法。Dai等5发现静态雪深反演算法在积雪积累期存在低估、消融期存在高估现象,基于AMSR-E两种不同频率的亮温差建立了积雪分层方案,利用分层雪堆微波发射模型MEMLS模拟积雪的亮度温度,避免了雪深的低估现象,提高了雪深反演精度。蒋玲梅等11使用AMSR-E、FY-3MWRI数据、气象站积雪观测数据,并结合土地覆盖类型数据,建立了不同土地覆盖类型的雪深反演方法。Zhang等12结合实测雪深数据对AMSR2雪深产品进行了验证,并提出了利用AMSR2亮度温度数据反演雪深的改进算法,该算法精度更高。相比于其他传感器数据,AMSR2数据分辨率较高(10 km),是目前使用最广泛的被动微波雪深反演数据。全球通用的雪水当量数据有(AMSR-E/AMSR2和GlobSnow)以及中国区域的积雪深度数据(中国雪深长时间序列数据集13)。但与气象站实测数据相比,AMSR-E数据对于雪水当量存在明显高估现象14,而中国雪深长时间序列数据集在当雪深大于20 cm时存在雪深低估现象15

被动微波数据空间分辨率普遍较低,在利用该数据进行区域尺度上的积雪监测时受到较大的限制。因此,发展高空间分辨率的积雪深度反演算法是解决该问题的关键。近年来一些研究表明使用降尺度的方法可以明显改善被动微波雪深数据较低空间分辨率问题。一些学者结合积雪覆盖面积数据和重采样的被动微波雪深产品获取了雪深和雪水当量信息。例如Gao等16结合MODIS积雪覆盖面积数据和 AMSR-E雪水当量数据,重建获取了500 m的雪水当量信息,该方法提高了积雪识别的准确度(86%),并略提高了雪水当量的估算精度 (68.5%)。邓婕等17结合 MODIS 逐日无云积雪数据和AMSR2重采样雪深产品,获取了北疆区域500 m空间分辨率降尺度雪深数据,并分别对比了该数据相比于AMSR2升轨和降轨雪深数据的精度,发现RMSE分别降低了1.78 cm和2.68 cm。在此基础上,Wang等18将MODIS逐日无云积雪覆盖面积数据和AMSR2重采样雪深数据结合,发展了考虑地形、积雪覆盖日数以及土地覆盖类型的青藏高原区域降尺度雪深反演模型,雪深反演精度有所提高(RMSE为2 cm),但由于输入因子较多,每个因子的不确定性可能会造成更多的不确定性。另外,该模型对于浅雪的识别能力还不够。针对这一情况,将最新发布的第6版本MODIS逐日无云积雪覆盖面积产品MOD10A1F应用到降尺度模型中有可能改善对浅雪的识别精度。该版本的NDSI积雪覆盖算法根据NDSI值范围从0.0到1.0检测积雪,积雪覆盖精度较高。同时,随着MODIS积雪面积比例数据(Fractional Snow Cover,FSC)的发展,也有学者将MODIS FSC与被动微波亮度温度数据结合来进行降尺度雪深反演。Dai等19提出了一种结合AMSR2亮温数据和MODIS无云FSC数据融合的思路,目的是提高混合像元区的降尺度精度。通过使用青藏高原MODIS无云FSC数据(唐志光等20)和AMSR-E初级亮度温度数据,结合Grody积雪分类决策树,并考虑了积雪特性,发展了融合被动微波亮度温度和MODIS FSC的青藏高原区域的动态雪深提取算法,该算法解决了青藏高原雪深的高估现象,提高了雪深反演精度。在降尺度算法中,准确的逐日无云FSC数据是改善雪深反演精度的关键数据,最早使用的积雪面积比例数据是在MOD10A1基础上,使用样条函数插值的去云算法获取的FSC21。MOD10A1 FSC采用的是全球训练的FSC和NDSI统计产生的,统计方法相对简单,并且全球阈值对于区域范围适用性较差,因此影响了降尺度的效果22-23。Zhao等24基于MODIS地表反射率数据,考虑环境信息的端元自动模型,利用光谱混合分析模型改进了积雪面积比例算法,建立了SSEmod算法,该算法精度优于NSIDC-MOD10A1数据以及国际主流算法MODImLAB25和MODSCAG26提取的FSC。同时,在去云方面,该算法采用多模型融合方法,精度更高,使用该FSC与被动微波亮度温度数据的结合将有望进一步提高降尺度雪深反演精度。

鉴于此,实验结合使用空间分辨率为10 km的AMSR 2-L1B亮度温度数据和Zhao的逐日无云SSEmod-FSC数据,对于北疆区域降尺度雪深反演算法进行研究,发展了一种多源数据融合的空间动态降尺度雪深反演算法(Spatial Dynamic Down-scaling,SDD),并生成了一套北疆区域500 m空间分辨率的雪深数据集(SDDsd)。最后,结合北疆区域气象站实测数据和积雪调查数据对算法结果进行了验证和精度评价,并探讨该算法用于生产全球降尺度雪深数据的可行性。

2 研究区和数据

2.1 研究区

北疆地处亚欧大陆腹地(76°5′~93°0′ E,40°3′~50°5′ N),占地面积约为595 000 km2。整个北疆由6个区域组成:北部的阿尔泰山地区、额尔齐斯谷地区、塔城盆地区,南部的准噶尔盆地区、伊犁谷地区、天山山地区。其中阿尔泰山地区、塔城盆地区、伊犁谷地区为半干旱区,准噶尔盆地区、额尔齐斯谷地区、天山山地区为干旱区。整个北疆地区属于典型的温带大陆性气候,气温日差大,降水量较少,气候较为干燥,夏季干热少雨、冬季严寒多雪27-28

北疆是中国的三大典型积雪区之一,年平均积雪日数为81 d。73.02%的北疆区域为稳定积雪区,24.04%为的北疆区域重要年周期不稳定积雪区。其中阿尔泰山地区、天山山地区、塔城盆地区以及大部分额尔齐斯谷地区的年平均积雪日数在90 d以上。北疆冬季降雪的储量位于全国之首,占全国降雪总量的33.9%。农业用水以及畜牧业的发展依赖积雪融水29。随着全球气候逐渐变暖,北疆地区升温相对西北地区较快,区域融雪性洪水频发30-31。因此,探索和获取北疆地区高精度的雪深数据将为水资源估算、融雪洪水预报、畜牧业、雪灾预警等提供重要的数据支撑。

2.2 AMSR2数据

实验使用2017年10月至2018年3月AMSR 2-L1B亮度温度数据,下载于日本宇宙航空研究开发机构网站(https:∥gportal.jaxa.jp/gpr)。AMSR 2是继AMSR-E之后的新型传感器,相比于其他国际上已有的微波辐射计,其空间分辨率更高,具体参数对比如表1所示。AMSR 2共有14个通道,频率分别为: 6.9、7.3、10.65、18.7、23.8、36.5和89 GHz。除89 GHz通道分辨率为5 km,其他通道均为10 km。每个频率都有两种极化方式(水平和垂直极化),实验使用的频率通道包括18.7、23.8、36.5和89 GHz。AMSR 2-L1B数据有上升轨道和下降轨道两种数据,由于上升轨道数据亮温差与实测雪深相关性较弱,另外积雪在上升轨道过境时(13:30±15 min)比下降轨道过境时(01:30±15 min)融化地快,容易影响降尺度算法的准确度18,因此本实验使用的是降尺度的亮度温度数据,数据格式为H5格式,每两天就可以覆盖整个研究区。

表1   被动微波传感器主要参数

Table 1  The main parameters of passive microwave sensors

参数SMMRSSM/IAMSR-EAMSR 2
频率/GHz6.6/10.7/18/21/3719.3/22.3/37/85.56.9/10.65/18.7/23.8/36.5/89.46.9/7.3/10.65/18.7/23.8/36.5/89.3
高度/km955860705700
入射角/°50.353.15555
刈幅/km7801 4001 4551 450
发射日期/年1978~19871987~20072002~20122012年至今
分辨率/km2525/12.525/12.510/5

新窗口打开| 下载CSV


2.3 逐日无云SSEmod-FSC 数据

实验使用的是基于空间—光谱—环境信息(Spatial-Spectral-Environmental,SSE)获取的SSE- mod FSC数据24。该数据主要算法包含两部分:①基于MODIS地表反射率数据MOD09GA和MYD09GA,首先是上下午星合并,填充空缺值;结合线性光谱混合分析解混算法,构建了SSEmod提取MODIS FSC;②去云方面,采用多模型融合的去云算法生产了长时间序列无云FSC数据。该去云算法融合了时空插值方法、时空权重回归的方法和样例填充的方法,相比于其他去云算法精度更高32-35图1展示了北疆地区某天(2017年12月25日)的FSC分布图,实验使用的是2017年至2018年积雪季共182 d北疆地区的SSEmod-FSC数据集,是空间动态降尺度雪深反演算法的一个重要数据源。

图1

图1   北疆区域实测雪深数据以及FSC分布图

审图号:GS(2019)1815

Fig.1   Distribution of meteorological stations and FSC in Beijiang


2.4 实测雪深数据

实验收集了北疆区域30个气象台站2017年10月1日至2018年3月31日共182 d的逐日雪深数据,作为降尺度算法的主要验证数据集。气象站数据集所记录的数据包括各个气象站点的雪深(单位cm)、气象台站区号、位置信息(经度和纬度)、以及雪压等参数。图1中蓝色圆圈大小代表这30个气象站点的年平均积雪深度。

此外,由于气象站多位于平地,为了更好的评价SDD算法在山区的雪深反演精度,还收集了中国积雪特性及分布调查中的雪深数据。积雪特性调查项目于2017年启动,调查方式以点、线、面3种形式开展,观测的内容包括雪深、雪水当量、积雪密度、积雪形态、雪粒径、液态水含量、表层硬度、雪层温度、雪土界面温度、介电常数等特性。以线路形式开展的积雪调查共6条,分别是北疆(1、2号线)、青藏高原(3、4号线)、东北-内蒙(5、6号线)36。本文使用的是北疆区域积雪调查2号线2017~2018年积雪期北疆天山地区的积野外实测雪深数据,如图1所示。

3 研究方法

实验使用多源数据融合的空间动态降尺度雪深反演算法(SDD)获取了北疆区域的雪深数据。该算法主要原理是利用被动微波静态雪深反演算法结合FSC在空间上动态地判别并计算每个像元上的雪深。图2为该算法的总体流程图,首先利用AMSR2 亮温差数据(AMSR2 BTD)和SSEmod-FSC数据分辨判断各自像元是否有雪;根据AMSR2 10 km像元和MODIS-FSC对应的20×20个500 m FSC像元,然后构建以下6种组合关系:①AMSR2 10 km像元有雪而对应的FSC 500 m像元小部分有雪(0<FSC<50%);②AMSR2 10 km像元有雪而对应的FSC 500 m像元大部分有雪(50%≤FSC≤100%);③AMSR2 10 km像元有雪和对应的FSC 500 m像元无雪;④AMSR2 10km像元无雪和对应的FSC 500 m像元部分有雪(0<FSC<50%);⑤AMSR2 10 km像元无雪和对应的FSC 500 m像元部分有雪(50%≤FSC≤100%);⑥AMSR2 10 km像元无雪和对应的FSC 500 m像元均无雪。每种分类有不同的降尺度雪深计算方法,SDD算法将自动判别不同的组合并根据相应的方法计算每个像元上的雪深,最后得到降尺度的500 m空间分辨率雪深数据SDDsd。

图2

图2   多源数据融合的空间动态降尺度雪深反演算法(SDD)总体流程图

Fig.2   Overall flow chart of the snow depth inversion algorithm for spatial dynamic downscaling


3.1 AMSR2雪深反演算法

积雪像元和非雪像元判别方法:使用Grody决策树判别方法8,主要是通过亮度温度值将积雪像元与非积雪像元(降雨、冻土和寒漠)区分,如图3所示。

图3

图3   Grody决策树

Fig.3   The Grody decision tree


雪深反演算法:静态经验模型雪深反演算法。利用亮温差与实测雪深之间的经验关系反演雪深。本文使用的是Che等根据中国积雪特性在Chang算法基础上改进的经验算法。

SD=aTB18-TB36-b

其中:SD表示积雪深度;TB18、TB36为18 GHz和36 GHz的亮度温度值;a、b是随着积雪特性和地表反射率在18 GHz和36 GHz时变化的系数,a、b取值参考Dai方法,根据MEMLS模型模拟的地表温度引起积雪特性、地表发射率变化,从而发现的a b值的变化规律19

3.2 FSC 雪深反演方法

积雪像元和非雪像元判别:FSC值等于0为非雪像元,其他情况为积雪像元。

雪深反演算法:基于积雪衰退曲线(Snow Cover Depletion Curve, SDC)的雪深反演算法。其原理是根据FSC值与实测雪深值构建的经验关系计算雪深,将FSC和雪深联系起来,模拟雪深变化特征37。Niu等38通过对先进甚高分辨率辐射计AVHRR获取的FSC和加拿大气象中心(CMC)提供的实测雪深探索FSC与雪深之间的关系,分析后发现FSC与雪深的关系随季节变化而变化,并推测这种变化可能与积雪密度的变化近似相关,最后建立了与积雪密度相关的积雪衰退曲线来重建雪深和雪水当量信息。如公式(2)所示,该方法能动态地模拟雪深随FSC的变化关系。

fsc=tanhhs2.5Z0g(ρsnow/ρnew)m

其中:fsc为AVHRR积雪面积比例;hs为CMC 提供的雪深,单位为m;Z0g为地面粗糙长度;ρsnow为雪密度;ρnew为新雪密度,取值ρnew=100 kg/m;m为融化因子。参考陈等新疆北部地区季节性积雪密度变化特征分析,北疆地区积雪密度取平均值ρsnow=150 kg/m39。根据公式(2)得到本实验所用的SDC,如公式(3)所示。

SD=0.4646e0.0326FSC

图4表示当积雪密度为150 kg/m时,SD(雪深,单位为cm)随FSC变化的积雪衰退曲线。

图4

图4   北疆区域积雪衰退曲线

Fig.4   Snow cover depletion curve in Beijiang


3.3 多源数据融合的雪深降尺度算法

基于AMSR2亮度温度数据和SSEmod-FSC数据,构建了SDD方法。图5为流程图,主要步骤包括:①利用3.1节和3.2节中积雪判别方法,将AMSR2 空间分辨率为10 km的大像元标记为积雪像元和非雪像元,将SSEmod-FSC按FSC值分类为:FSC=0,0<FSC<50%,50%≤FSC≤100%;②将AMSR2大像元和SSEmod-FSC小像元在空间上匹配,匹配方法是以AMSR2数据为中心点,分别向上、下、左、右匹配5 km范围内的SSEmod-FSC小像元,这种方法的优点是能将每一个AMSR2大像元和20×20个SSEmod-FSC小像元在位置上完全对应起来;③然后将两种数据融合反演雪深,组合方式为图5中6种,这6种组合方式可归类为A、B、C 3个模块计算雪深;④将A、B、C 3个模块计算的雪深统一输出得到逐日的雪深数据,从而获得空间分辨率为500 m的降尺度雪深数据集SSDsd。

图5

图5   降尺度雪深反演流程图

Fig.5   Flowchart of downscaling snow depth inversion


A、B、C模块的具体计算方法图6所示,其中黑色小箭头表示各个模块参与计算的FSC像元位置以及由这些像元获取的雪深像元对应位置。A模块:如果小像元上FSC为0,那么无论AMSR2大像元上是否为积雪,该像元上的雪深都为0,即图5中的组合①+③,②+③;B模块:当AMSR2大像元标记为有雪和0<FSC<50%时(①+④);还有当AMSR2大像元标记为无雪小像元上 FSC>0(0<FSC<50%和50%≤FSC≤100%)时,即图5中的组合②+④,②+⑤,这3种情况使用B模块计算雪深,即利用3.2节中积雪衰退计算雪深;C模块:当AMSR2 大像元标记为有雪和50%≤FSC≤100%时,使用C模块计算雪深,即图5中的组合①+⑤。也就是利用静态经验模型和FSC结合的方法。该方法描述为:只有当FSC等于100%时,可直接根据3.1节中静态经验模型使用亮温差反演雪深;当50%≤FSC<100%时,小像元上被积雪覆盖区域的雪深可由公式 (4)得出。

图6

图6   降尺度雪深方法展示

Fig.6   Demonstration of downscaling snow depth method


SDsnow-covered=aTB18s-TB36s-b 

其中:TB18sTB36s分别为小像元上18GHz和36GHz的亮度温度值,SDsnow-covered为小像元上的积雪覆盖区域的雪深值,其余部分没有积雪覆盖,则雪深值为0。因此小像元整体上雪深可由公式(5)得出。

SDs=SDsnow-coveredFSC

即小像元上的雪深为:

SDs=(aTB18s-TB36s-b)FSC

SDD算法经过积雪判别、数据融合以及A、B、C 3模块的计算这一系列过程,反演出500 m降尺度的雪深,从而得到逐日降尺度的雪深数据SDDsd。

4 结果与分析

4.1 反演结果及验证

利用多源数据融合的空间动态降尺度雪深反演算法(SDD)获取了2017年10月1日至2018年3月31日共182 d的逐日500 m空间分辨率雪深数据集SDDsd,图7展示了该时间段的平均雪深分布图。从图中可以看出降尺度算法明显消除了块状积雪覆盖情况,更细致地反映了北疆区域雪深的分布情况。整体来看,北部和南部平均雪深较深,中部雪深较浅。其中在阿尔泰山地区,积雪覆盖了将近整个区域,且平均雪深最深,最高达30 cm;在天山山地区,积雪覆盖了将近一半的区域,雪深较深,天山山脉附近平均雪深达30 cm;塔城盆地区和伊犁谷地区积雪覆盖面积在三分之一左右,平均雪深范围在0~20 cm左右;准噶尔盆地地区、额尔齐斯谷地区积雪覆盖最少,平均雪深在15 cm以下。

图7

图7   SDD方法获取的雪深积雪季平均雪深空间分布图

审图号:GS(2019)1815

Fig.7   Spatial distribution of the average snow depth using the SDD algorithm


积雪判别准确度判断:利用2017年10月1日至2018年3月31日逐日气象站实测雪深数据作为验证数据,首先,用实测雪深来验证降尺度算法识别积雪覆盖的准确性。结果表明,积雪覆盖识别的总体精度OA(Overall Accuracy)为94.2%,当雪深小于2 cm时,积雪覆盖总体精度OA为90%;随着雪深增大,准确率逐渐提高,当雪深大于等于3 cm时,积雪覆盖总体精度OA为100%。

雪深准确度判断:根据30个气象站点位置和积雪调查2号线上野外雪深测量点位置,提取了对应气象站点的逐日雪深值,计算了决定系数R2以及均方根误差RMSE。如图8所示,R2=0.74,RMSE = 3.47 cm,表明使用本文的SDD算法获得的SDDsd雪深数据集精度较高,与实测数据一致性高。

图8

图8   实测雪深与反演雪深的比较

Fig.8   Comparisons between in situ snow depth and estimated snow depths


4.2 降尺度雪深精度分析

根据验证结果可以看出降尺度雪深反演的整体精度较高,与实测雪深一致性高。在此基础上,针对不同土地覆盖类型和地形两种主要因素对降尺度雪深反演精度进一步分析。整体和不同分类精度分析如表2所示。

表2   整体和不同分类下的精度评价

Table 2  Accuracy evaluation of overall verification and verification in different situations

雪深验证R2RMSE /cm验证数据来源R2

RMSE

/cm

不同下垫面和地形

精度分析

RMSE /cm
气象站数据和积雪调查数据整体验证0.743.47气象站实测雪深0.743.25下垫面草地3.01
建设用地3.35
耕地3.71
积雪调查野外实测雪深0.66.3坡度0°~0.5°3.4
0.5°~2°6
2°~5°6.3
大于5°7.1

新窗口打开| 下载CSV


根据MCD12Q1数据,将北疆地区的土地利用类型重分类为林地、草地、耕地、水体、城镇或建设用地、裸地这6种土地利用类型,以便于分析不同下垫面降尺度雪深反演的精度,北疆区域土地分类情况如图9(a)所示。由于气象站主要分布在草地、耕地、城镇或建设用地这3种土地利用类型,仅有一个气象站在裸地上。因此主要分析了这3种下垫面上雪深的精度。在耕地上反演结果略差(3.71 cm),其次是城镇或建设用地上(3.35 cm),在草地上精度最好(3.01 cm),如表2所示。总体而言,在这3种土地覆盖类型上的雪深反演精度较好,且这3种土地覆盖类型占整个北疆区域的一半以上,因此本文所使用的SDD算法适用于北疆的大部分区域。

图9

图9   不同土地类型和地形的实测雪深数据

审图号:GS(2019)1815

Fig.9   The spatial distribution of measured snow depth data on different land cover types and terrains


根据北疆地区DEM数据,针对不同地形分析降尺度雪深反演精度。如图9(b)所示,由于气象站点多分布于平坦地区,仅使用气象站点实测雪深作为验证数据难以评估山区雪深反演精度。因此选取了中国积雪调查数据集2号线北疆山区的实测雪深来评估山区雪深反演的准确性。这些实测数据主要分布于天山附近,在山区,实测雪深与反演雪深较为吻合,R2为0.6,RMSE为6.3 cm,如表2所示。总体来看,降尺度雪深反演在山区精度相比于平坦地区略低。依据国际地理学联合会地貌调查与地貌制图委员会关于地貌详图应用的坡地分类来划分坡度等级, 进一步将这些野外实测雪深点按坡度分为:0°~0.5°为平原,0.5°~2°为微斜坡,2°~5°为缓坡,大于5°为斜坡。根据坡度等级,分析了不同坡度上雪深反演的精度:0°~0.5°的RMSE值为3.4 cm,0.5°~2°的RMSE值为6.0 cm,2°~5°的RMSE值为6.3 cm,大于5°的RMSE值为7.1 cm。如图8(b)所示,在天山附近,越靠近山区,精度越差。精度随坡度的增加而降低,说明降尺度雪深反演精度受坡度影响略大。

5 讨 论

实验所使用的算法对于浅雪的低估现象有明显的改善,但对深雪仍有略低估现象。主要有以下原因造成。

对于浅雪识别更加准确,先前的降尺度雪深反演研究中发现对浅雪存在明显低估甚至漏识现象。图10为SDD方法和Dai方法的积雪识别总体精度OA的对比情况。如图10所示,先前的方法由于在0~3 cm之间积雪识别精度低,可能会忽略小于3 cm的积雪19。而使用SDD方法积雪识别总体精度OA值均大于0.93,仅对于小于5 cm的积雪可能存在轻微的低估现象。这种改善的原因可能是SSEmod-FSC识别浅雪能力有所提高。有研究表明,在北疆地区,当雪深大于等于4 cm时,MODIS积雪覆盖面积数据识别积雪总体精度OA较高(大于0.94),而当雪深小于4 cm时,积雪识别精度很低(小于0.39)40。SSEmod-FSC在制备方法上结合使用自动端元提取方法和线性光谱混合分析模型,在去云方法上使用多模型融合方法使FSC精度相比于其他数据更高,因此,对于浅雪的识别能力也明显提高。

图10

图10   积雪识别精度和样本量随雪深的变化关系

Fig.10   Variation in the snow cover accuracy and sample numbers with the in situ snow depth


对于深雪的低估,可能有两个方面的原因:①深雪一般出现在山区,复杂的地形对雪深精度的影响较大41;②当积雪越深,微波穿透能力被削弱,亮温差随着雪深的增加由开始的增加到逐渐不变。一些研究表明当雪深大于40 cm时,亮温差达到饱和,雪深与亮温差的关系逐渐不明显42。对于雪深大于40 cm的积雪,一方面,期待微波雪深反演方法的改进和数据空间分辨率进一步提高;另一方面可考虑加入主动微波数据探索,虽然主动微波极化信号比与雪深的关系在雪深相对较浅时(小于60 cm)不太明显43-45,但一项最新的研究46表明,随着雪深的增加,极化信号比与雪深的关系越来越明显,表明可以利用主动微波数据极化比与雪深之间的关系来反演雪深。因此,在以后的研究中,主被动结合的雪深反演模式将可能提高雪深的整体反演精度。

此外,该算法运算效率较高,平均每3 min可计算一景,约18.2 h可获取北疆区域一年的逐日雪深数据,适用于长时间序列的高分辨率雪深反演,和积雪空间分布特征分析;同时,AMSR 2传感器已积累了2012年~2020年全球覆盖的亮度温度数据,且获取便利。因此可根据全球积雪不同特征,结合全球区域的被动微波数据和无云的积雪面积比例数据,探索适用于不同积雪特征的被动微波雪深反演算法和分区的积雪衰退曲线,从而发展适用于全球尺度的SDD算法,获取全球范围的高分辨率雪深数据,这对于全球水文和气候变化研究有很好的应用前景。

6 结 论

利用2017年10月1日至2018年3月31日的AMSR2 L1B数据以及新的SSEmod-FSC,发展了一种空间动态融合的雪深降尺度反演算法(SDD),获取了北疆地区500 m空间分辨率的降尺度逐日雪深数据。并结合气象站实测雪深数据和积雪调查雪深数据对反演的雪深进行了验证和精度评价。另外,根据验证结果分析了土地覆盖类型和地形对雪深反演精度的影响。得到了以下结论:

(1)利用空间动态融合的雪深降尺度反演算法获取的雪深数据与实测雪深之间的决定系数R2为0.74,均方根误差为3.47 cm。表明该算法反演雪深精度较高。草地上雪深反演精度最高,城镇和建设用地次之,耕地略低;地形因素对于雪深反演精度有影响,反演精度随着坡度的增加而降低。

(2)本实验使用的SDD算法降尺度效果明显,获取的雪深在空间分布上的块状结构得以消除,纹理更加细致,精度上也有明显提高。

(3)由于使用了新的SSEmod-FSC数据以及区域尺度的积雪衰退曲线,SDD算法对于小于5 cm的浅雪识别精度显著提高,积雪识别总体精度大于等于92%。

(4)空间动态融合的雪深降尺度反演算法具有全球普适性,通过全球微波雪深反演精度和积雪面积比例产品精度,结合分区积雪衰退曲线的构建,将适用于全球范围的雪深产品降尺度产品生产。

参考文献

Huang GLi XLu Net al.

A general parameterization scheme for the estimation of incident photosynthetically active radiation under cloudy skies

[J]. IEEE Transactions on Geoscience and Remote Sensing,202099):1-11. DOI:10.1109/TGRS.2020.2976103.

[本文引用: 1]

Chen GuangyuLi Dongliang.

Temporal-spatial characteristics of cumulative snow depth in Northeast China and its vicinity

[C]∥ Chinese Meteorological Society2011.陈光宇, 李栋梁. 东北及邻近地区累积积雪深度的时空变化规律[C]∥中国气象学会年会,2011.

Wei ZhigangShihua .

The distribution characteristics of snow cover on the Qinghai-Tibet Plateau and its influence on ground albedo

[J]. Plateau Meteorology,1995141):67-73.

[本文引用: 1]

韦志刚吕世华.

青藏高原积雪的分布特征及其对地面反照率的影响

[J]. 高原气象, 1995141):67-73.

[本文引用: 1]

Shen YongpingSu HongchaoWang Guoyaet al.

The responses of glaciers and snow cover to climate change in Xinjiang(I):hydrological effects

[J]. Journal of Glaciology and Geocryology,2013353):513-527.

[本文引用: 1]

沈永平苏宏超王国亚.

新疆冰川、积雪对气候变化的响应(I):水文效应

[J]. 冰川冻土,2013353):513-527.

[本文引用: 1]

Dai LChe TWang Jet 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,201212714-29. DOI:10.1016/j.rse.2011. 08.029.

[本文引用: 2]

Kelly R EChang A TTsang Let al.

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

[J]. IEEE Transactions on Geoscience and Remote Sensing,2003412): 230-242. DOI:10.1109/TGRS.2003.809118.

[本文引用: 1]

Chang A T CFoster J LHall D K.

Nimbus-7 SMMR derived global snow cover parameters

[J]. Annals of Glaciology, 1987939-44. DOI:10.1017/S0260305500000355.

[本文引用: 1]

Grody N CBasist A N.

Global identification of snowcover using SSM/I measurements

[J]. IEEE Transactions on Geoscience and Remote Sensing,1996341):237-249. DOI:10.1109/ 36.481908.

[本文引用: 2]

Foster J LChang A T CHall 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,1997622):132-142. DOI:10.1016/S0034-4257(97)00085-0.

[本文引用: 1]

Che TLi XJin Ret al.

Snow depth derived from passive microwave remote-sensing data in China

[J]. Annals of Glaciology,200849145-154. DOI:10.3189/172756408787814690.

[本文引用: 1]

Jiang LingmeiWang PeiZhang Lixin. et al. Improvement of snow depth retrieval for FY3B-MWRI in China[J]. Science China (Earth Sciences),2014183):531-547.

[本文引用: 1]

蒋玲梅王培张立新.

FY3B-MWRI中国区域雪深反演算法改进

[J]. 中国科学:地球科学,2014183):531-547.

[本文引用: 1]

Zhang RLiang TFeng Qet al.

Evaluation and adjustment of the AMSR2 snow depth algorithm for the Northern Xinjiang Region, China

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2016109): 3892-3903. DOI:10.1109/JSTARS.2016.2620521.

[本文引用: 1]

Che TLi XJin Ret al.

Snow depth derived from passive microwave remote-sensing data in China

[J]. Annals of Glaciology,200849145-154. DOI:10.3189/172756408787814690.

[本文引用: 1]

Yang JJiang LMénard C Bet al.

Evaluation of snow products over the Tibetan Plateau

[J]. Hydrological Processes, 20152915): 3247-3260. DOI:10.1002/hyp.10427.

[本文引用: 1]

Yang JJiang LWu Set al.

Development of a snow depth estimation algorithm over China for the FY-3D/MWRI

[J]. Remote Sensing,2019118):977.DOI:10.3390/rs11080977.

[本文引用: 1]

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,20103851-4):23-35. DOI:10.1016/j.jhydrol.2010.01.022.

[本文引用: 1]

Deng JieHuang XiaodongMa Xiaofanget al.

Downscaling algorithm and verification of AMSR2 snow cover depth products in North Xinjiang

[J]. Arid Zone Research | Arid Zone Research,2016336):1181-1188.

[本文引用: 1]

邓婕黄晓东马晓芳.

新疆北部AMSR2雪深产品降尺度算法及验证

[J].干旱区研究,2016336):1181-1188.

[本文引用: 1]

Wang YHuang XWang Jet al.

AMSR2 snow depth downscaling algorithm based on a multifactor approach over the Tibetan Plateau, China

[J]. Remote Sensing of Environment, 2019231111268. DOI:10.1016/j.rse.2019.111268.

[本文引用: 2]

Dai LChe TXie Het al.

Estimation of snow cepth over the Qinghai-Tibetan Plateau based on AMSR-E and MODIS data

[J]. Remote Sensing,20181012):1989. DOI:10.3390/rs10121989.

[本文引用: 3]

Tang ZhiguangWang JianLi Hongyiet al.

Accuracy validation and cloud obscuration removal of MODIS fractional snow cover products over Tibetan Plateau

[J]. Remote Sensing Technology and Application,2013283): 423-430.

[本文引用: 1]

唐志光王建李弘毅.

青藏高原 MODIS 积雪面积比例产品的精度验证与去云研究

[J]. 遥感技术与应用, 2013283): 423-430.

[本文引用: 1]

Hall D KRiggs G A.

Accuracy assessment of the MODIS snow products

[J]. Hydrological Processes: An International Journal,20072112): 1534-1547. DOI:10.1002/hyp.6715.

[本文引用: 1]

Huang XZhang XLi Xet al.

Accuracy analysis for MODIS snow products of MOD10A1 and MOD10A2 in northern Xinjiang area

[J]. Journal of Glaciology and Geocryology, 2007529): 722-729. DOI:.10.1002/jrs.1570.

[本文引用: 1]

Zhao HongyuHao XiaohuaZheng Zhaojunet al.

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

[J]. Remote Sensing Technology and Application,2019336):1004-1016.

[本文引用: 1]

赵宏宇郝晓华郑照军.

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,2019336):1004-1016.

[本文引用: 1]

Zhao HHao XWang Jet al.

The spatial-spectral-environmental extraction endmember algorithm and application in the MODIS fractional snow cover retrieval

[J]. Remote Sensing,20201222):3693. DOI:10.3390/rs12223693.

[本文引用: 2]

Painter T HRittger KMcKenzie Cet al.

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

[J]. Remote Sensing of Environment,20091134): 868-879. DOI:10.1016/j.rse.2009.01.001.

[本文引用: 1]

Sirguey PMathieu RArnaud Y.

Subpixel monitoring of the seasonal snow cover with MODIS at 250 m spatial resolution in the Southern Alps of New Zealand: Methodology and accuracy assessment

[J]. Remote Sensing of Environment,20091131):160-181. DOI:10.1016/j.rse.2008.09.008.

[本文引用: 1]

Yue ShannaChe TaoDai Liyunet al.

Temporal and spatial distribution and variation characteristics of snow depth in the Northern Hemisphere and Typical Areas

[J]. Remote Sensing Technology and Application,2020356):1263-1272.

[本文引用: 1]

岳珊娜车涛戴礼云.

北半球及典型区雪深时空分布与变化特征

[J]. 遥感技术与应用, 2020356):1263-1272.

[本文引用: 1]

Zhang YinGulixian TuerxunbaiSu Litanet al.

Spatial and temporal characteristics of climate change at different altitudes in Xinjiang in the past 60 years

[J]. Arid Land Geography | Arid Land Geo,2019424):822-829.

[本文引用: 1]

张音古丽贤·吐尔逊拜苏里坦.

近60 a来新疆不同海拔气候变化的时空特征分析

[J]. 干旱区地理,2019424):822-829..

[本文引用: 1]

Wu ChunyuanYuan Yujiang.

Comparison of winter precipitation variation features in Tianshan Mountainous areas in the past 40 years and Southern and Northern Xinjiang

[J]. Journal of Arid Land Resources and Environment,2005192):87-90.

[本文引用: 1]

吴纯渊袁玉江.

天山山区近40年冬季降水变化特征与南、北疆的比较

[J]. 干旱区资源与环境,2005192):87-90.

[本文引用: 1]

Jiang LingmeiCui HuizhenWang Gongxueet al.

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

[J]. Remote Sensing Technology and Application,2020356): 1237-1262.

[本文引用: 1]

蒋玲梅崔慧珍王功雪.

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, 2020356): 1237-1262.

[本文引用: 1]

Hao XiaohuaZhang PuWang Jianet al.

Evaluation and comparison of MODIS and VEGETATION snow cover products in Northern Xinjiang,China

[J]. Remote Sensing Technology and Application,2009235):603-610.

[本文引用: 1]

郝晓华张璞王建.

MODIS和VEGETATION雪盖产品在北疆的验证及比较

[J]. 遥感技术与应用,2009235):603-610.

[本文引用: 1]

Jing YShen HLi Xet al.

A two-stage fusion framework to generate a spatio-temporally continuous MODIS NDSI product over the Tibetan Plateau

[J]. Remote Sensing,20191119): 2261. DOI:10.3390/rs11192261.

[本文引用: 1]

Chen BHuang BChen Let al.

Spatially and temporally weighted regression: a novel method to produce continuous cloud-free Landsat imagery

[J]. IEEE Transactions on Geoscience and Remote Sensing,2016551):27-37. DOI:10.1109/TGRS.2016.2580576.

Criminisi APérez PToyama K.

Region filling and object removal by exemplar-based image inpainting

[J]. IEEE Transactions on Image Processing,2004139):1200-1212. DOI: 10.1109/tip.2004.833105.

Tuptewar D JPinjarkar A.

Robust exemplar based image and video inpainting for object removal and region filling

[C]∥2017 International Conference on Intelligent Computing and Control(I2C2.

DOI:10.1007/978-981-13-1513-8_83      [本文引用: 1]

IEEE. 20171-4. DOI: 10.1007/978-981-13-1513-8_83.

[本文引用: 1]

Wang JianChe TaoLi Zhenet al.

Investigation on snow cha-racteristics and their distribution in China

[J].Advances in Ear-th Science,2018331):12-26.

[本文引用: 1]

王建车涛李震.

中国积雪特性及分布调查

[J]. 地球科学进展,2018331):12-26.

[本文引用: 1]

Li HongyiWang Jian.

Key research topics and their advances on modeling snow hydrological processes

[J]. Journal of Glaciology and Geocryology,2013,(2):430-437.

[本文引用: 1]

李弘毅王建.

积雪水文模拟中的关键问题及其研究进展

[J]. 冰川冻土, 2013,(2):430-437.

[本文引用: 1]

Niu G YYang Z L.

An observation‐based formulation of snow cover fraction and its evaluation over large North American river basins

[J]. Journal of Geophysical Research: Atmospheres,2007112D21). DOI:10.1029/2007JD008674.

[本文引用: 1]

Wei YueChen ShujiangChen Xia.

Analysis on the seasonal snow density change characteristics of North Xinjiang

[J]. Journal of Glaciology and Geocryology,2010323):519-523.

[本文引用: 1]

魏玥陈蜀江陈霞.

新疆北部地区季节性积雪密度变化特征分析

[J]. 冰川冻土, 2010323):519-523.

[本文引用: 1]

Wang XXie HLiang T.

Evaluation of MODIS snow cover and cloud mask and its application in Northern Xinjiang, China

[J]. Remote Sensing of Environment,20081124):1497-1513. DOI:10.1016/j.rse.2007.05.016.

[本文引用: 1]

Dong JWalker J PHouser P R.

Factors affecting remotely sensed snow water equivalent uncertainty

[J]. Remote Sensing of Environment,2005971):68-82. DOI:10.1016/j.rse. 2005.04.010.

[本文引用: 1]

Smith TBookhagen B.

Assessing uncertainty and sensor biases in passive microwave data across High Mountain Asia

[J]. Remote Sensing of Environment,2016181174-185. DOI:10.1016/j.rse.2016.03.037.

[本文引用: 1]

Bergstedt HZwieback SBartsch Aet al.

Dependence of C-band backscatter on ground temperature, air temperature and snow depth in arctic permafrost regions

[J]. Remote Sensing,2018101):142. DOI:10.3390/rs10010142.

[本文引用: 1]

Strozzi TMatzler C.

Backscattering measurements of alpine snowcovers at 5.3 and 35 GHz

[J]. IEEE Transactions on Geoscience and Remote Sensing,1998363):838-848. DOI:10.1109/36.673677.

Kendra J RSarabandi KUlaby F T.

Radar measurements of snow: Experiment and analysis

[J]. IEEE Transactions on Geoscience and Remote Sensing,1998363):864-879. DOI:10.1109/36.673679.

[本文引用: 1]

Lievens HDemuzere MMarshall H Pet al.

Snow depth variability in the Northern Hemisphere mountains observed from space

[J]. Nature communications,2019101):1-12DOI:10.1038/s41467-019-12566-y.

[本文引用: 1]

/