遥感技术与应用, 2022, 37(6): 1339-1349 doi: 10.11873/j.issn.1004-0323.2022.6.1339

冰雪遥感专栏

色林错、纳木错湖区被动微波雪深反演算法评估

邬俊飞,1, 姚檀栋,1,2, 戴玉凤2, 陈文锋2

1.兰州大学 资源环境学院，甘肃 兰州 730000

2.中国科学院青藏高原研究所，北京 100101

Evaluation of Passive Microwave Snow-Depth Retrieval Algorithm in Selin Co and Nam Co

Wu Junfei,1, Yao Tandong,1,2, Dai Yufeng2, Chen Wenfeng2

1.College of Earth and Environmental Sciences，Lanzhou University，Lanzhou 730000，China

2.Institute of Tibetan Plateau Research，Chinese Academy of Sciences，Beijing 100101，China

通讯作者: 姚檀栋（1954-），男，甘肃通渭人，研究员，中国科学院院士，主要从事第三极环境与地球系统科学研究。E⁃mail:tdyao@itpcas.ac.cn

收稿日期: 2021-05-10   修回日期: 2022-08-16  

基金资助: 国家自然科学基金项目“ 第三极地区冰湖变化特征与机理及其对气候变化的响应”.  41771088
国家自然基金委青年基金项目“青藏高原典型湖泊的湖泊效应降水及其对环境的影响”.  41801049

Received: 2021-05-10   Revised: 2022-08-16  

作者简介 About authors

邬俊飞（1997-），男，湖北天门人，硕士研究生，主要从事被动微波雪深反演研究E⁃mail:472915877@qq.com , E-mail：472915877@qq.com

摘要

被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68；Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm；Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50；SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm；AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。

关键词： 纳木错 ; 色林错 ; 被动微波 ; 雪深反演 ; AMSR2

Abstract

The passive microwave snow-depth retrieval algorithm is an important method to obtain the surface snow depth information of the Tibetan Plateau on a large scale. In order to evaluate the applicability of the current passive microwave snow-depth retrieval algorithms in the Selin Co and Nam Co regions of the Tibetan Plateau， AMSR2 brightness temperature data and snow depth data of ground stations are used， while R， Bias and RMSE are used as evaluation indicators. Five algorithms including Chang2 algorithm， Che algorithm， SPD algorithm， AMSR2 algorithm and Jiang algorithm are chosen. The results show that the Jiang algorithm has the best overall performance， with the highest R value of 0.68 at Nam Co station. The Che algorithm has a good retrieval effect on shallow snow， and its Bias at Bangor Station is -0.66 cm. The Chang2 algorithm performed well for the deep snow of Nam Co station and Selin Co station， with R values of 0.63 and 0.50 in the two places respectively. The retrieval effect of SPD algorithm is the most unsatisfactory， and the snow depth is overestimated obviously， among which shallow snow is overestimated by nearly 20 cm. The performance of AMSR2 algorithm differs greatly between regions， and the retrieved results at Namco Station are better than those at Selin Co Station and Bangor Station. Except for the SPD algorithm， all other algorithms underestimate snow depth in the study area， which is consistent with previous research results.

Keywords： Nam Co ; Selin Co ; Passive microwave ; Snow depth retrieval ; AMSR2

PDF (3376KB) 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

邬俊飞, 姚檀栋, 戴玉凤, 陈文锋. 色林错、纳木错湖区被动微波雪深反演算法评估. 遥感技术与应用[J], 2022, 37(6): 1339-1349 doi:10.11873/j.issn.1004-0323.2022.6.1339

Wu Junfei, Yao Tandong, Dai Yufeng, Chen Wenfeng. Evaluation of Passive Microwave Snow-Depth Retrieval Algorithm in Selin Co and Nam Co. Remote Sensing Technology and Application[J], 2022, 37(6): 1339-1349 doi:10.11873/j.issn.1004-0323.2022.6.1339

1 引 言

季节性积雪具有高反照率、低热导率等性质，能够影响不同时空尺度气候系统的能量平衡和水量循环［1］。积雪深度（Snow Depth，SD）作为积雪场的重要物理属性，对于山区水文和气候系统研究具有重要意义［2-8］。在素有“亚洲水塔”和“世界第三极”之称的青藏高原地区［9］，积雪深度已被发现与ENSO和南极涛动等气候事件存在遥相关［3，6-7］。积雪深度异常能够改变次年中国夏季风登陆时间和强度，影响次年中国夏季降水分布［4］。

以往对青藏高原地区积雪深度的研究多基于野外台站，如You等［10］对青藏高原东部和中部69个野外台站数据分析发现，在1961—1990期间冬季雪深呈上升趋势，1991—2005年冬季雪深呈下降趋势； Xu等［11］分析了高原东部和中部103个野外站点数据后，发现高原春季雪深自1980s表现出显著下降趋势。但受限于青藏高原面积宽广、地形复杂，野外台站多分布于高原中、东部，且部分野外站点分布于河谷地区，因此，稀疏分布的台站积雪深度数据不能有效代表山区整体积雪深度［12］。星载被动微波遥感以其低成本、高频率、大范围观测等特点，被认为是当前雪深监测最有效的研究手段［13］，得到了广泛应用［13-14］。

与传统的光学遥感易受云、可见光影响不同，微波遥感可穿透云层，实现对地面的全天候观测［15］。当地表存在积雪场时，积雪场能够散射地表辐射，星载被动微波传感器通过接收散射辐射以实现对地表雪深的监测。理论上，在低于反演雪深阈值时，积雪深度越大，对下层地表辐射的散射作用越强。基于被动微波亮度温度（亮温，Brightness Temperature）与地面雪深数据之间统计关系得到的线性回归算法，具有简单、高效等特点，是目前被动微波雪深反演研究领域中应用最广泛的方法。

最初的统计反演方法由Chang等［16］提出，其利用辐射传输模型模拟了不同积雪属性积雪场的多频率辐射亮温，揭示了18/37 GHz频率微波水平亮温差数据可用于反演雪深的理论可行性，并基于亚欧、加拿大地区野外实测积雪数据，假定积雪颗粒是半径为0.3 mm的理想球体，积雪密度为0.3 g/cm3，建立了全球的线性雪深反演算法，本文简称为Chang1算法（见表1）。

表 1   经验算法公式

Table 1  Retrieval algorithms description

算法名称算法公式
Chang1算法SD = 1.59×(Tb18H-Tb37H )
Chang 2算法SD = 2.0(Tb18H- Tb37H ) -8
Foster算法SD = 0.78×(Tb18H-Tb37H )/(1-f)
SPD算法

SPD = (Tb18V-Tb37V ) + (Tb18V-Tb18H )

SD = 0.68×SPD + 0.67

Cao算法SD = 1.59×(Tb18H-Tb37H ) – 8
Che算法SD = 0.66× (Tb19H-Tb37H ) + b
Jiang算法

SD = ffarmland × SD farmland + fgrass × SD grass +

fbaresoil × SD baresoil + fforest × SD forest

ASMR2算法SD = f(SD f ) + (1-f)*(SD0)

注：f表示森林覆盖率，fd为森林密度，Tb 为被动微波亮温，下标H、V分别表示水平、垂直极化通道，下标18、19、37分别表示对应算法使用的18.0、19.35、37.0 GHz的通道。pol36 和 pol18 为极化因子，分别代表pol36 = Tb36V-Tb36H，pol18 = Tb18V-Tb18H，ffarmland、fgrass、fbaresoil、fforest 和SD farmland、SD grass、SD baresoil、SD forest 分别表示FY3B卫星瞬时视场下耕地、草地、裸地及森林土地类型的面积百分比及其相应土地类型纯像元反演的雪深，详细可见文献［25］，b为每月补偿值，具体见文献［24］。

新窗口打开| 下载CSV


其后Aschbacher［17］基于SMMR（扫描多通道微波辐射计，Scanning Multichannel Microwave Radiometer）的18 GHz 和 37 GHz 的水平和垂直极化下的亮温作为雪深反演参数，提出了SPD（Spectral Polarization Difference）算法（见表1），降低了冰壳、雪粒粒径等对雪深反演的影响。考虑到森林盖度对地表散射辐射传输的影响，Foster 等［18］通过引入森林覆盖率参数并依据当地积雪粒径数据对Chang1算法进行了修正（简称Foster算法，见表1），增加了Chang1算法在北美和欧亚大陆的适用性。

Kelly［19］基于AMSR-E（地球观测系统的高级被动微波扫描辐射计，The Advanced Microwave Scanning Radiometer for EOS）亮温数据提出了针对森林区和非森林区的反演算法，利用89 GHz通道亮温数据提高了算法对浅雪（小于5 cm）的检测能力和森林稀疏区的雪深反演能力。在这个基础上，基于AMSR2（高级微波扫描辐射计二代，Advanced Microwave Scanning Radiometer 2）传感器的改进雪深反演算法被提出（简称AMSR2算法，见表1），其被作为AMSR2雪深产品的标准业务化算法［20］。

青藏高原地区被动微波雪深反演研究自20世纪90年代就已开始，早期的Chang1算法是基于美国科罗拉多地区积雪属性建立的，而中国西部积雪密度普遍偏小、深度偏浅［21］，因此Chang等［22］针对中国西部地区对Chang算法进行了修正（简称Chang2算法，见表1）。曹梅盛等［21］利用SMMR传感器亮温数据，针对青藏高原不同地貌单元对Chang1算法提出修正（简称Cao算法，见表1），得到了对高原雪深的初步认识。柏延臣等［23］利用SSM/I （Special Sensor Microwave/Image，特殊传感器微波/图像） 19/37 GHz水平极化亮温差及实测雪深数据对Cao算法的评估结果显示，Cao算法对高原雪深整体存在高估。Che等［24］基于中国地面站点数据，分别针对 SMMR 和 SSM/I 传感器，修正了Chang1算法，并提出了适合中国地区的动态雪深反演算法（简称Che算法，见表1），两传感器反演雪深的RMSE分别为6.22 cm和5.22 cm，并基于该算法制作了中国雪深长时间序列数据集（WESTDC，Long-term snow depth dataset of China）雪深产品。Jiang等［25］利用风云三号B星（FY3B）亮温数据及站点数据，建立了地表覆被像元线性混合的反演算法（简称Jiang算法，见表1）。

目前在青藏高原地区已有以上多种雪深算法，但不同雪深算法建立过程中所使用的地面台站数据多集中于低海拔地区，另外，由于缺少观测资料，目前研究主要关注多种基于不同算法制作的雪深产品在青藏高原整体表现，雪深反演算法在高原当地表现的研究相对较少［26］。肖林等［27］对中国区域多源雪深产品评估发现，AMSR-E雪深产品在青藏高原东南部存在高估；李小兰等［28］通过对比中国地区实际雪深与被动微波遥感反演雪深资料，发现被动微波反演雪深在青藏高原整体存在低估，在东南部存在高估；乔德京［29］评估结果显示，AMSR-E雪深产品对青藏高原雪深整体高估，WESTDC雪深产品在高原表现较好。不同雪深产品除了所采用算法的存在差异外，所使用的被动微波遥感数据源和数据处理流程等也不同［19， 24， 30］，增加了算法评估的不确定性。

因此本文计划结合AMSR2被动微波亮温数据，以及青藏高原色林错和纳木错地区的雪深实测资料，对Chang2算法、SPD算法、Che算法、Jiang算法和AMSR2算法等5种典型算法表现进行评估，算法中的18（19）GHz的亮温数据在本文中统一使用AMSR2的18.7 GHz亮温数据，期望评估结果能为青藏高原地区的被动微波雪深算法研究提供一定参考。

2 数据与方法

2.1　研究区概况

研究区域位于色林错和纳木错湖区，属于青藏高原中部，两地气候类型均为高原亚寒带，以半干旱气候为主［31］，当地植被类型以高寒草甸为主，湖泊海拔高度分别为4 539 m、4 723 m［32］，湖泊面积分别是2 178 km2、2 018 km2，是西藏地区面积第一、第二大湖泊，其中色林错自1976年以来湖泊面积扩张了约40 %，成为仅次于青海湖的中国第二大咸水湖；色林错流域多年的平均气温为-1.8 ℃，降水量389.4 mm，比湿3.2 g·kg-1，太阳辐射236.2 W·m-2，风速3.7 m·s-1［33］。纳木错湖区年均雪深6.84 cm，年均雪水当量13.5 mm，积雪日数平均69 d，积雪密度平均为0.18 g·cm-3［34］。

2.2　研究数据

2.2.1　雪深实测数据

雪深观测数据主要源于研究区的野外自动观测气象站以及中国国家气象局（http∥data.cma.cn/），使用了2019年5月至2020年7月纳木错站、色林错站等两个野外自动观测气象站，以及班戈站、当雄站等两个国家气象站观测数据（见图1）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区雪深观测站点示意图 审图号：GS（2016）2929

Fig.1   Spatial distribution of snow depth observation stations in the study area


班戈站、当雄站雪深数据经过人工检验，可靠性高；纳木错站、色林错站使用了SR50A雪深传感器，获得地面雪深观测数据。SR50A传感器均架设距地面1.4 m左右高度，其通过记录超声波脉冲发射和到达目标后返回的时间，计算得到传感器与目标之间的高度（见图2）。当地面无雪时，传感器测量高度为仪器架设高度；当地面存在积雪时，传感器测量距离为传感器与积雪场上层之间的距离，通过计算两时期传感器距离差值，可得到地表雪深数据。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   SR50A工作原理示意图

Fig. 2   Theoretical description of SR50A


声波速度经过温度校正，雪深数据精度为±0.6 cm，时间分辨率为0.5 h，观测站点自2019年5月开始工作。由于亮温数据记录的是卫星过境时刻自然环境信息，为了尽可能减少评估误差，选取了每日AMSR2卫星过境时刻的雪深观测数据。

为了剔除杂草对雪深测量数据影响，在评估前对数据进行质量控制。首先结合站点同步观测的降水、气温数据，进行交叉验证判断降雪事件是否发生，剔除异常、错误数据；降雪事件判断标准为：有降雪且日测量高度与前一日变化超过1.2 cm。

然后依据研究区地表草地生长周期，调整地面初始高度。由于研究区降雪事件多发生于当年9月至次年5月［35］，对应草地的枯黄期与返青期［36］，故将前一年枯黄期稳定无雪的测量高度作为积雪场积累期、稳定期的地面高度，将第二年积雪完全融化后的草地返青期的平均高度作为积雪消融期的地面高度，其中地面无雪判断标准为：连续三日无降水，日积温大于0 ℃，且测量高度变化幅度在1.2 cm范围内。

2.2.2　星载被动微波亮温数据——AMSR2

选择了AMSR2传感器被动微波亮温数据进行评估。AMSR2是2012年5月18日发射的微波扫射辐射计，搭载于全球变化观测计划中的水循环变动观测卫星（Global Change Observation Mission 1st-Water，GCOM-W1）上，相较于以往的微波扫射辐射计，性能得到了较大提升，详细参数见表2。

表 2   AMSR2仪器参数信息

Table 2  Instrument information of AMSR2

中心频率/ GHz极化波束宽度/MHz灵敏度/K

瞬时视场

（km×km）

6.93V, H3500.335×62
7.3V, H3500.335×62
10.65V, H1000.624×42
18.7V, H2000.614×22
23.8V, H4000.615×26
36.5V, H10000.67×12
89.0V, H30001.13×5

新窗口打开| 下载CSV


星载被动微波AMSR2亮度温度数据通过美国国家宇航局戈达德地球科学数据和信息服务中心（Goddard Earth Sciences Data and Information Services Center）下载（https：∥disc.gsfc.nasa.gov/）（GPM_1CGCOMW1AMSR2），通过对日本航空航天局（Japan Aerospace Exploration Agency， JAXA）的AMSR2一级亮温数据，进行一系列的数据校准和质量控制后，重采样得到10 km×10 km亮温数据。

AMSR2产品的采样频率是1 d，存在升轨和降轨两种产品。在研究区升轨过境时间大致在北京时间下午3点左右，降轨过境时间大致在北京时间凌晨4点左右。由于凌晨研究区温度较低，不利于积雪融化，因此本文最终选择2019年5月至2020年7月时期的AMSR2降轨数据进行算法评估。

2.2.3　土地覆被类型数据

研究所使用的土地覆被（Land cover）数据来源于MODIS 地表覆盖产品（MCD12Q1），分辨率为500 m，产品空间范围是全球。该产品通过MODIS传感器每年收集到的数据处理得到，本文选取了2019年地表覆被产品，下载于美国地质勘探局（The United States Geological Survey，USGS）（https：∥earthexplorer.usgs.gov/），产品使用了国际地球圈—生物圈计划（the International Geosphere-Biosphere Program，IGBP）土地分类规则。由于Jiang算法分别针对耕地、草地、裸地和森林等4种土地覆被类型建立了对应的反演公式，而在本研究区中无耕地和森林土地覆被类型，因此对MCD12Q1土地利用产品进行重分类时未考虑耕地分类，森林土地覆被类型为0，分类规则详见文献［37］，研究区观测站点所在的被动微波瞬时视场（见图1）中各土地覆被类型及占比见表3。

表 3   研究区瞬时视场土地覆盖表

Table 3  Land cover of instantaneous field of view

草原/%灌木/%裸地/%水体/%
纳木错站81.96018.040
色林错站88.21010.361.43
当雄站98.1301.870
班戈站99.8300.170

新窗口打开| 下载CSV


2.3　评价指标

为了评估算法在研究区的不确定性，使用了相关系数、偏差和均方根误差等评价指标进行评估。

2.3.1　相关系数

相关系数（Correlation coefficient，R）可以用来评估站点雪深与雪深产品之间的相关性，其公式为：

R=∑i=1n(xi-x¯)(yi-y¯)∑i=1nxi-x¯2∑i=1n(yi-y¯)2

其中：R值范围为［-1， 1］，正值表示两要素正相关，负值表示负相关，0值表示不相关。

2.3.2　偏差

偏差（Bias）可以用来评估反演雪深与雪深期望值之间的差值，用来评价反演算法的准确性，偏差的绝对值越小，表明反演雪深与实际雪深越接近，反演算法表现越好，偏差为正，表示反演雪深高估实际雪深；反之，表示低估。

Bias=1n∑i=1n(xi-yi)
2.3.3　均方根误差

均方根误差（Root Mean Square Error，RMSE），它表示雪深产品与站点雪深观测值之间差异平方的期望值，其公式为：

RMSE=∑i=1n(xi-yi)2n

上述公式中xi、yi分别代表第i日积雪产品雪深值和站点雪深值，x¯、y¯分别代表研究期间积雪产品和站点的平均雪深值，n表示数据样本数。RMSE越小，表示反演雪深越接近实际站点雪深，且RMSE对偏差较大数据更敏感。

3 评估结果

3.1　算法反演雪深结果

当雄站算法反演雪深结果显示（图3（a）），SPD算法与Jiang算法反演雪深均大于0且高估，其中SPD算法的高估更大，约5 cm；Chang2算法与AMSR2算法反演雪深均小于0，其中Chang2算法对雪深低估约12 cm；Che算法2020年1月至5月期间反演雪深与实际雪深值最为接近。当地面存在积雪时，5种算法反演雪深均表现出上升波动，但AMSR2波动相对较小。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   算法反演雪深结果

Fig.3   Retrieved and observed snow depth


纳木错站算法反演雪深结果显示（图3（b）），5种算法在2019年11月至2020年4月积雪存在时期，反演雪深均表现出先上升后下降趋势，且除SPD算法外，均表现出正负相位变化；SPD算法、AMSR2算法和Chang2算法反演结果与实际雪深最为接近，期间三者反演雪深多在20—30 cm范围内，其中Chang2算法的波动最大，反演雪深的峰谷差值约40 cm；Che算法和Jiang算法反演雪深较实际雪深低约15 cm，且两算法波动较小，波动范围在10 cm内。

班戈站算法雪深反演结果显示（图3（c）），SPD算法、Jiang算法和AMSR2算法反演雪深存在高估，高估变化范围分别在大于10 cm、5—10 cm和小于5 cm区间内；Chang2算法对雪深低估，且当地面积雪深度变化时，其波动范围较小； Che算法在2020年1月与实测雪深表现出了较好的一致性，是反演雪深最接近实测雪深的算法。AMSR2算法展现的雪深波动最小，在2019年11月至2020年4月，雪深变化不超过5 cm。

色林错站雪深反演结果（图3（d））显示，SPD算法是唯一高估雪深的算法，在2020年2月和4月高估约10 cm和20 cm； 而AMSR2、Jiang算法、Che算法和Chang2算法反演雪深依次降低。在2020年2月至4月呈现积累、稳定状态，实际雪深分别为15 cm和5 cm左右，5种算法都表现出了与实测雪深一致的变化趋势，其中Chang2算法反演雪深在两个阶段的变化幅度最大，约15 cm左右；AMSR2算法变化幅度最小，小于5 cm。

3.2　算法反演雪深不确定性

当雄站算法反演雪深的离散程度评估结果（图4（a）、表4），SPD算法反演雪 深散点位于1∶1线上部，而Chang2算法则位于1∶1线下部，代表了对雪深的高估与低估。AMSR2算法在当雄站反演雪深偏差大小最小，为0.46 cm，Chang2算法偏差最大，为12.75 cm。Jiang算法与Che算法的RMSE最小，说明反演雪深整体与实际雪深最为接近。由于站点积雪存在时期短，所获取的雪深观测数据量小，5种算法中仅AMSR2算法通过了0.05的显著性检验。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   研究区算法反演雪深散点图，虚线表示1∶1线

Fig.4   Scatter plot of retrieved and observed snow depth in study area. The dashed line represents the 1∶1 line


表4   当雄站雪深反演算法评估结果

Table 4  Evaluation of retrieval algorithms in Dangxiong station

算法RRMSE/cmBias/cm
Chang2算法-0.1713.39-12.75
SPD算法-0.1311.6811.49
Che算法0.212.62-0.74
Jiang算法0.0991.550.75
AMSR2算法-0.25*3.42-0.46

注：**表示P<0.01，*表示P<0.05

新窗口打开| 下载CSV


纳木错站SPD算法的反演结果与实际雪深相关性最低（图4（b），表5），R值为0.55，但RMSE和Bias也最低，分别为7.97 cm和3.98 cm，是唯一高估雪深的算法，其中浅雪散点距1∶1线最远；Jiang算法的相关系数最高为0.68，AMSR2算法次之，为0.67；AMSR2算法的RMSE和Bias要低于Jiang算法，分别为11.79 cm、-9.92 cm。

表5   纳木错站雪深反演算法评估结果

Table 5  Evaluation of retrieval algorithms in Nam Co station

算法RRMSE/cmBias/cm
Chang2算法0.63 **16.25-12.84
SPD算法0.55**7.973.98
Che算法0.62**15.74-14.32
Jiang算法0.68**13.51-11.01
AMSR2算法0.67**11.79-9.92

注：**表示P<0.01，*表示P<0.05

新窗口打开| 下载CSV


班戈站算法反演雪深结果显示（图4（c）、表6）Che算法与Chang2算法均在1∶1线下方，其余3种算法在1∶1线上部。其中，Che算法R值最高，为0.51，Bias与RMSE分别为-0.66 cm、2.56 cm，散点多分布于1∶1线上；Chang2算法散点集中于1∶1线下，个别反演雪深达近-30 cm，低估显著；SPD算法反演雪深集中分布于20 cm处，对雪深高估显著，且R值最低为0.28，且Bias达14.60 cm，在班戈站表现最不理想。

表6   班戈站雪深反演算法评估结果

Table 6  Evaluation of retrieval algorithms in Bangor station

算法RRMSE/cmBias/cm
Chang2算法0.43**9.64-5.37
SPD算法0.28*14.7414.60
Che算法0.51**2.56-0.66
Jiang算法0.45**3.582.95
AMSR2算法0.28*6.995.18

注：**表示P<0.01，*表示P<0.05

新窗口打开| 下载CSV


色林错站雪深反演结果显示（图4（d），表7），Jiang算法相关系数最高，为0.56，且RMSE、Bias相对较小，在色林错站表现最好；Che算法相关系数最低，为0.19，偏差较小，浅雪多集中于1∶1线附近，而10 cm深雪散点离1∶1线则相对较远；SPD算法相关系数较低，为0.21，其偏差最大，达16.99 cm，散点全部分布于1∶1线上部，浅雪高估平均在20 cm左右，是其偏差最大的重要贡献来源；AMSR2算法相关系数较低，R值仅0.31，散点多分布于1∶1线上，其Bias值为-0.47 cm。Chang2算法R值仅低于Jiang算法，为0.50，浅雪区间散点大部分为负，反演雪深波动幅度大，个别浅雪的反演雪深接近30 cm是算法表RMSE偏大的主要原因。

表7   色林错站雪深反演算法评估结果

Table 7  Evaluation of retrieval algorithms in Selin Co station

算法RRMSE/cmBias/cm
Chang2算法0.50**13.46-12.21
SPD算法0.21**17.5816.99
Che算法0.19**5.87-3.51
Jiang算法0.56**5.25-3.54
AMSR2算法0.31**4.82-0.47

注：**表示P<0.01，*表示P<0.05

新窗口打开| 下载CSV


4 算法评估结果讨论

研究区算法评估结果显示， Chang2算法在纳木错站、色林错站雪深反演相关系数较高，高于当雄站和班戈站，这主要由于37 GHz频率亮温对浅雪不敏感，使得水平亮温梯度差无法用于准确反演浅雪，因此Chang2算法理论上被认为只能反演0.05—1 m范围内的雪深［38］，而纳木错站、色林错站冬季雪深常在10 cm以上，当雄站、班戈站观测雪深均低于5 cm，因此Chang2算法在纳木错站、色林错站表现更好，目前普遍认为89 GHz频率亮温通道对浅雪的敏感性最好［39］，但其受大气云中液态水含量影响较大［40］。

SPD算法反演雪深范围在15—25 cm区间，在4个站点都表现高估，其中浅雪高估尤为明显，近20 cm；且SPD算法的相关系数在5种算法中均较低，在研究区反演雪深效果不理想。相比Chang2算法，SPD算法反演雪深表现出更大波动幅度，这也是SPD算法表现不理想的原因之一，这可能是由于引入的多个垂直极化亮温变量对雪深变化敏感导致的［41］。

Che算法对于班戈、当雄两站点浅雪的反演偏差及RMSE均较小，而其在纳木错站、色林错站的相关系数均弱于Chang2算法，这主要由于Che算法考虑了积雪场属性的动态变化，并针对不同时期进行了雪深补偿，其补偿值基于中国区域雪深观测资料确定，而中国绝大部分地区的积雪深度在5 cm以下［28］，而这可能导致了Che算法的雪深补偿多针对浅雪下的自然环境，使得算法反演浅雪效果较好，而对于深雪自然环境，补偿值无法修正，导致最终针对深雪的反演结果较Chang2算法偏低。

Jiang算法是基于混合像元思想建立的被动微波雪深反演算法，使用了10、19、37、89 GHz频率亮温数据，及不同土地覆被类型数据。Jiang算法在研究区整体表现较好且稳定，除当雄站未表现相关性以外，其余站点均与实测雪深表现出良好相关性，相关系数在0.45—0.68之间，并且在纳木错站及色林错站算法中表现最好，而其中算法在纳木错的较大偏差主要与其对深雪低估引起有关。

AMSR2算法在不同站点间表现差异较大，对班戈站浅雪表现出高估，对于纳木错站浅雪表现出低估。尽管AMSR2算法和Jiang算法使用了89 GHz高频亮温数据，但其对浅雪的雪深反演精度仍较低，这可能与算法未考虑大气、降雨等影响有关［42， 40］；而在短期天气状况变化较大的青藏高原地区，连续大气监测数据的缺少，是限制当前高频亮温反演浅雪的重要原因之一。除SPD算法外，其余4种算法整体均低估雪深，这与以往研究发现的现有雪深产品对青藏高原地区低估的结论一致［28］。另周胜男等［43］研究表明，草地覆被类型的AMSR-E雪深产品存在高估；而本文研究区土地覆被类型以草地为主，使用了AMSR2亮温数据进行算法评估，但得出了低估结论，出现这一现象的可能原因有：当地（local）尺度上存在比土地覆被类型权重更高的影响雪深反演的要素，或被动微波数据源及处理流程差异。

Che算法和AMSR2算法的均方根误差在青藏高原地区均低于东北地区［44］，表明这两种算法更适用于青藏高原地区应用。本文仅从算法在青藏高原当地尺度应用的角度，选择了纳木错、色林错地区站点对算法进行评估， 由于所使用观测站点限制，及积雪的空间分布受海拔、下垫面、地面粗糙度、风速和风向等多种因素影响［45-46］，评估过程未考虑积雪在微波像元内部的空间异质性。而本文所使用的观测站点间自然环境较为相似，主要土地覆被类型均为草原，且所属气候类型相同。色林错站距湖岸约2 km，其被动微波观测区域主要为山麓区域，瞬时视场整体海拔变化小，地势平坦，自然环境较为一致，因此可以认为色林错站观测雪深对于其瞬时视场区域具有较好代表性；而纳木错站瞬时视场还包括了念青唐古拉山的部分山区，野外实际观测及模型模拟结果均显示念青唐古拉山山区雪深整体大于湖岸区域［35， 47］，并且山区由于海拔较高，温度相对更低，有利于积雪保存，这可能会引起算法反演雪深偏高，而在实际反演中除SPD算法外，其他4种算法均未表现出相应高估，这表明研究区存在其他原因导致算法了的低估，需要未来进一步深入研究。

当雄站与班戈站位于人类活动区，位于山谷区域，与山区整体自然环境存在较大差异，不利于降雪事件的发生和积雪保存，可能会导致站点相较于瞬时视场整体雪深偏低，导致算法的高估，因此在研究班戈站雪深高估原因时，需要考虑到站点代表性问题，但目前受限于研究区观测资料稀少，还无法定量研究站点在山区代表性对算法评估的影响，需要未来增加山区的观测资料以进一步认识积雪的空间分布规律。

另外，当前学者在利用微波遥感进行雪深反演时常剔除湖泊周围数据［48-49］，这是由于水体介电常数较大，能够引起被动微波亮温偏低，最终导致算法反演雪深高估。而本文算法评估的研究时段主要集中于冬季，湖面水体处于结冰期［50］；不同于陆面土壤下垫面，湖冰上的积雪反演还需要考虑湖面气温、风力等气候因子［51］，通过对比前人研究，发现模型模拟的水体结冰导致降低的19 GHz极化亮温差［52］、观测到的冰层导致17/38 GHz亮温变化［53］、以及模拟积雪体散射所引起的亮温变化值均为同一数量级变化［38］，且仅色林错站瞬时视场中存在湖泊水体，面积仅占总面积的1.43%，因此可以认为色林错站水体引起的反演雪深高估较小，不影响本文评估结论。

由于实测数据获取难度较高，研究未考虑地表积雪场的积雪密度、粒径大小、积雪场结构等属性变化对积雪场的微波辐射特性影响，且未对评估中所使用的89 GHz频率亮温进行大气校正，也可能会给实验结果带来偏差，这需要未来收集研究区的积雪场属性与环境信息，并结合辐射传输模型以开展定量研究。

5 结 语

本文利用AMSR2亮温数据结合纳木错、色林错地区4个雪深监测站点数据，对选取的Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法5种被动微波雪深算法进行评估，选择了R、RMSE和Bias评价指标，基于以上分析，研究得出以下结论：

（1）SPD算法对研究区雪深整体高估，对于浅雪高估达20 cm，不适用于研究区的雪深反演，其余4种算法整体低估了研究区雪深，Chang2算法平均低估了近12 cm。

（2）Chang2算法对于研究区深雪反演效果较好，Che算法对浅雪反演效果较好。

（3）Jiang算法在研究区整体表现最好，相关系数高，AMSR2算法在区域间差异较大。

综上，评估结果可为研究区雪深监测及青藏高原被动微波算法研究提供参考。针对观测站点对山区积雪代表性的研究和算法对浅雪反演精度的提升等方面，未来可以考虑通过结合实地观测和其他遥感手段来进一步深入研究。

参考文献

You Q， Wu T， Shen L， et al.

Review of snow cover variation over the Tibetan Plateau and its influence on the broad climate system

［J］. Earth-Science Reviews， 2020， 201： 103043. DOI：10.1016/j.earscirev.2019.103043 .

[本文引用: 1]

Sexstone G A， Driscoll J M， Hay L E， et al.

Runoff sensitivity to snow depletion curve representation within a continental scale hydrologic model

［J］. Hydrological Processes， 2020， 34（11）： 2365-2380.

[本文引用: 1]

Shaman J， Tziperman E.

The effect of ENSO on Tibetan Plateau snow depth： A stationary wave teleconnection mechanism and implications for the South Asian Monsoons

［J］. Journal of Climate， 2005， 18（12）： 2067-2079.

[本文引用: 1]

Qian Y， Zheng Y， Zhang Y， et al.

Responses of China's summer monsoon climate to snow anomaly over the Tibetan Plateau

［J］. International Journal of Climatology， 2010， 23（6）： 593-613.

[本文引用: 1]

Flanner， Mark G.

Snowpack radiative heating： Influence on Tibetan Plateau Climate

［J］. Geophysical Research Letters， 2005， 32（6）： 347-354.

Bao Y， You Q.

How do westerly jet streams regulate the winter wnow depth over the Tibetan Plateau？

［J］. Climate Dynamics， 2018， 53（1）： 353-370.

[本文引用: 1]

Lü J M， Ju J H， Kim S J， et al.

Arctic oscillation and the autumn/winter snow depth over the Tibetan Plateau

［J］. Journal of Geophysical Research Atmospheres， 2008， 113（D14）：D14117. DOI：10.1029/2007JD009567 .

[本文引用: 1]

Wang Y， Huang X， Wang J， et al.

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

［J］. Remote Sensing of Environment， 2019， 231： 111268. DOI：10.1016/j.rse.2019.111268 .

[本文引用: 1]

Yao Tandong， Chen Fahu， Cui Peng， et al.

From Tibetan Plateau to Third Pole and Pan-Third Pole

［J］. Bulletin of Chinese Academy of Sciences， 2017，32（9）： 924-931.

[本文引用: 1]

姚檀栋， 陈发虎， 崔鹏， 等.

从青藏高原到第三极和泛第三极

［J］. 中国科学院院刊， 2017， 32（9）： 924-931.

[本文引用: 1]

You Q， Kang S， Ren Y， et al.

Observed changes in snow depth and number of snow days in the eastern and central Tibetan Plateau

［J］. Climate Research， 2011， 46（2）： 171-183.

[本文引用: 1]

Xu W， Ma L， Ma M， et al.

Spatial-temporal variability of snow cover and depth in Qinghai-Tibetan Plateau

［J］. Journal of Climate， 2016， 30（4）： 1521-1533.

[本文引用: 1]

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.

[本文引用: 1]

Huang Xiaodong， Li Xubing， Liu Changyu，et 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， 2019， 41（5）： 1138-1149.

[本文引用: 2]

黄晓东， 李旭冰， 刘畅宇， 等.

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， 2019， 41（5）： 1138-1149.

[本文引用: 2]

Jiang Lingmei， Cui Huizhen， Wang Gongxue， 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]

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.

[本文引用: 1]

Tedesco M， Derksen C， Deems J， et al.

Remote sensing of snow depth and snow water equivalent

［M］. John Wiley & Sons， Ltd. Chichester，West Susse X，UK，2014.

[本文引用: 1]

Chang A T C.

Nimbus-7 smmr derived global snow cover parameters

［J］. Annals of Glaciology，1987，9：39-44.DOI：10. 1017/S0260305500000355 .

[本文引用: 1]

Aschbacher J.

Land surface studies and atmospheric effects by satellite microwave radiometry

［D］. Institute for Meteorology and Geophysics，University of Innsbruck，Innsbruck，Austria，1989.

[本文引用: 1]

Foster J.

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]

Kelly R.

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

［J］. Journal of the Remote Sensing Society of Japan， 2009， 29（1）： 307-317.

[本文引用: 2]

Kelly R E， Saberi N， Li Q.

Development and evaluation of the GCOM-W1 AMSR2 snow depth and snow water equivalent algorithm

［C］∥ In AGU Fall Meeting Abstracts，San Francisco，CA，USA：American Geophysical Union，2015， 2015：C41D-0752.

[本文引用: 1]

Cao Meisheng， Li Peiji.

Microwave remote sensing monitoring of snow cover in Western China

［J］. Mountain Research， 1994，12（4）：230-234.

[本文引用: 2]

曹梅盛， 李培基.

中国西部积雪微波遥感监测

［J］. 山地学报， 1994，12（4）： 230-234.

[本文引用: 2]

Chang A， Foster J L， Hall D K， et al.

The use of microwave radiometer data for characterizing snow storage in Western China

［J］. Annals of Glaciology， 1991， 16：215-219.

[本文引用: 1]

Bai Yanchen， Feng Xuezhi， Li Xin， et al.

The retrieval of snow depth in Qinghai-Xizang （Tibet） Plateau from passive microwave remote sensing data and its results assessment［H］. National Remote Sensing Bulletin， 2001， 5（3）： 161-165.柏延臣， 冯学智， 李新，

等. 基于被动微波遥感的青藏高原雪深反演及其结果评价［J］. 遥感学报， 2001， 5（3）： 161-165.

[本文引用: 1]

Che T， Li X， Jin R， et al.

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

［J］. Annals of Glaciology， 2008， 49（1）：145-154.

[本文引用: 3]

Jiang L， Wang P， Zhang L， et al.

Improvement of snow depth retrieval for FY3B-MWRI in China

［J］. Science China Earth Science， 2014， 57（6）： 1278-1292.

[本文引用: 2]

Chanjia Bin.

Improvement of passive microwave snow zlgorithm over Qinghai-Tibet Plateau

［D］. Shijiazhuang：Shijiazhuang University of Economics， 2013.

[本文引用: 1]

宾婵佳.

青藏高原地区被动微波积雪算法改进研究

［D］. 石家庄：石家庄经济学院， 2013.

[本文引用: 1]

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.

[本文引用: 1]

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.

[本文引用: 1]

Li Xiaolan， Zhang Feimin， Wang Chenghai.

Comparison and analysis of snow depth over China， observed and derived from remote sensing

［J］. Journal of Glaciology and Geocryology， 2012， 34（4）： 755-764.

[本文引用: 3]

李小兰， 张飞民， 王澄海.

中国地区地面观测积雪深度和遥感雪深资料的对比分析

［J］. 冰川冻土， 2012， 34（4）： 755-764.

[本文引用: 3]

Qiao Dejing.

Uncertainty analysis and fusion research of Multi-source snow depth data

［D］.Xi’an ：Xi’an University of Science and Technology， 2020.

[本文引用: 1]

乔德京.

多源雪深数据不确定性分析及其融合研究

［D］. 西安：西安科技大学， 2020.

[本文引用: 1]

Solberg R， Wangensteen B， Metsämäki S， et al.

GlobSnow snow extent product guide product version 1.0

［EB/OL］. ［2021-05-03］. .

URL     [本文引用: 1]

Zheng Jingyun， Bian Juanjuan， Ge Quansheng，et al.

The climate regionalization in China for 1981-2010

［J］. Chinese Science Bulletin， 2013， 58（30）： 3088-3099.

[本文引用: 1]

郑景云， 卞娟娟， 葛全胜， 等.

1981—2010年中国气候区划

［J］. 科学通报， 2013， 58（30）： 3088-3099.

[本文引用: 1]

Zhang G， Xie H， Yao T， et al.

Water balance estimates of ten greatest lakes in China using ICESat and Landsat data

［J］. Chinese Science Bulletin， 2013， 58（31）： 3815-3829.

[本文引用: 1]

Wang Kunxin， Zhang Yinsheng， Zhang Teng， et al.

Analysis of climate change in the Selin Co Basin，Tibetan Plateau，from 1979 to 2017

［J］. Arid Zone Research，2020，37（3）：652-662.

[本文引用: 1]

王坤鑫，张寅生，张腾，等.

1979—2017年青藏高原色林错流域气候变化分析

［J］. 干旱区研究，2020，37（3）：652-662.

[本文引用: 1]

Wan Xin， Kang Shichang， Li Yanfeng， et al.

Temporal and spatial variations of snow cover and its effect factors in the Nam Co Basin，Tibetan Plateau，2007-2011

［J］. Journal of Glaciology and Geocryology， 2013， 35（6）： 1400-1409.

[本文引用: 1]

万欣， 康世昌， 李延峰， 等.

2007-2011年西藏纳木错流域积雪时空变化及其影响因素分析

［J］. 冰川冻土， 2013，35（6）： 1400-1409.

[本文引用: 1]

Dai Y， Chen D， Yao T， et al.

Large lakes over the Tibetan Plateau may boost snow downwind： Implications for snow disaster

［J］. Science Bulletin， 2020， 65（20）： 1713-1717.

[本文引用: 2]

Chen Siyu.

Dynamics of grassland vegetation and lake， and their relationship on Tibetan Plateau

［D］. Lanzhou：Lanzhou University， 2015.陈思宇. 青藏高原地区草地植被与湖泊变化及其关系研究［D］.兰州： 兰州大学， 2015.

[本文引用: 1]

Xiao Xiongxin.

Study on the snow depth spatial-temporal variation characteristic in the Northern Hemisphere

［D］. Lanzhou ：Lanzhou University， 2018.

[本文引用: 1]

肖雄新.

北半球积雪深度反演算法及其时空变化特征研究

［D］.兰州： 兰州大学， 2018.

[本文引用: 1]

Chang A， Gloersen P， Schmugge T J， et al.

Microwave emission from snow and glacier ice

［J］. Journal of Glaciology， 1976， 16（74）： 23-39.

[本文引用: 2]

Wang Yunlong.

Snow remote sensing monitoring and spatiotemporal variation characteristics in typical regions in China

［D］. Lanzhou： Lanzhou University， 2020.

[本文引用: 1]

王云龙.

中国典型区积雪遥感监测及其时空变化特征研究

［D］. 兰州： 兰州大学，2020.

[本文引用: 1]

Shi Lijuan.

Atmosphere influence analysis and its correction in passive microwave remote sensing

［D］. Beijing：Institute of Remote Sensing and Digital Earth， Chinese Academy of Sciences， 2018.

[本文引用: 2]

石利娟.

被动微波大气影响分析与校正研究

［D］. 北京：中国科学院大学（中国科学院遥感与数字地球研究所）， 2018.

[本文引用: 2]

Waili Shayiran.

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 and Technology， 2017.

[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]

Qiu Yubao， Shi Lijuan， Shi Jiancheng，et al.

Atmospheric influences analysis on the satellite passive microwave remote sensing

［J］. Spectroscopy and Spectral Analysis， 2016， 36（2）： 310-315.

[本文引用: 1]

邱玉宝， 石利娟， 施建成， 等.

大气对星载被动微波影响分析研究

［J］. 光谱学与光谱分析， 2016， 36（2）： 310-315.

[本文引用: 1]

Zhou Shengnan， Che Tao， Dai Liyun.

Based on the type of ground site representative of snow remote sensing products precision evaluation

［J］. Remote Sensing Technology and Application， 2017， 32（2）： 228-237.

[本文引用: 1]

周胜男， 车涛， 戴礼云.

基于地面站点类型代表性的积雪遥感产品精度评价

［J］. 遥感技术与应用， 2017， 32（2）： 228-237.

[本文引用: 1]

Wei Yanlin.

Research on operational algorithm of dynamic snow depth inversion based on passive microwave remote sensing data in Northeast China

［D］. Jilin：Jilin University， 2021.

[本文引用: 1]

卫颜霖.

基于被动微波遥感数据的中国东北地区动态雪深反演业务化算法研究

［D］. 吉林：吉林大学， 2021.

[本文引用: 1]

Tennant C， Harpold A A， Lohse K A， et al.

Regional sensitivities of seasonal snowpack to elevation， aspect， and vegetation cover in Western North America

［J］. Water Resources Research， 2017， 53（8）： 6908-6926.

[本文引用: 1]

Wang Jianshun， Wang Yunlong， Zhou Minqiang， et al.

Retrieved snow depth over the Tibetan Plateau using random forest algorithm with AMSR2 passive microwave data

［J］. Journal of Glaciology and Geocryology， 2020， 42（3）： 1077-1086.

[本文引用: 1]

王健顺， 王云龙， 周敏强， 等.

基于随机森林算法的青藏高原AMSR2被动微波雪深反演

［J］. 冰川冻土， 2020， 42（3）： 1077-1086.

[本文引用: 1]

Xu Jie， Ma Yaoming， Sun Fanglin，et al.

Analysis of effects of lake and upstream orography on the precipitation in fall over Nam Co area

［J］.Plateau Meteorology，2018，37（6）：1535-1543．

[本文引用: 1]

许洁，马耀明，孙方林，等.

湖泊和上风向地形对纳木错地区秋季降水影响

［J］.高原气象，2018，37（6）： 1535-1543.

[本文引用: 1]

Dai L， Che T， Ding Y，et al.

Evaluation of snow cover and snow depth on the Qinghai-Tibetan Plateau derived from passive microwave remote sensing

［J］. Cryosphere，2017，11（4）：1-31.

[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. DOI：10.1016/j.rse.2018.03.008 .

[本文引用: 1]

Cai Y， Ke C， Li X， et al.

Variations of lake ice phenology on the Tibetan Plateau from 2001 to 2017 based on MODIS data

［J］. Journal of Geophysical Research： Atmospheres， 2019， 124（2）： 825-843.

[本文引用: 1]

Wang Guanxin.

Lake ice characteristics and changes in Qinghai lake

［D］. Lanzhou：Lanzhou University， 2020.

[本文引用: 1]

汪关信.

青海湖湖冰特征及其变化

［D］. 兰州：兰州大学， 2020.

[本文引用: 1]

Jin Yaqiu.

Monitoring regional sea ice of the Bohai Sea by SSM/I scattering indices

［J］.Acta Oceanologica Sinica， 1998， 20（3）： 40-46.

[本文引用: 1]

金亚秋.

星载SSM/Ⅰ微波遥感渤海海冰的辐射特征分析

［J］. 海洋学报， 1998， 20（3）： 40-46.

[本文引用: 1]

Tao Anqi， Ke Changqing， Xie Hongjie， et al.

Variation of irradiance in the Arctic Pole during the summer

［J］. Spectroscopy and Spectral Analysis， 2012， 32（8）： 2037-2042.

[本文引用: 1]

陶安琪， 柯长青， 谢红接， 等.

北极地区夏季太阳辐照度变化研究

［J］. 光谱学与光谱分析， 2012， 32（8）： 2037-2042.

[本文引用: 1]

/

〈 〉