基于星载激光雷达ICESat-2的雪深监测方法研究

目前,被动微波数据是积雪深度反演的主要数据源,受其较粗空间分辨率的影响,反演雪深存在较大的不确定性。激光雷达由于其较高的测高精度,在雪深监测方面具有一定的潜力,基于星载激光雷达ICESat-2数据对北疆地区2018年10月至2019年9月积雪季的雪深进行了提取。由于很难获取ICESat-2轨迹点的雪深观测资料,因此首先利用地面雪深观测数据对目前流行的被动微波雪深反演产品进行验证,获取精度可靠的雪深产品并与发展的ICESat-2监测雪深数据产品进行对比。结果表明：AMSR2雪深产品在北疆地区误差较大,整体存在高估现象,中国雪深长时间序列雪深产品精度相对可靠,以作为对比ICESat-2模拟雪深的参考数据;ICESat-2雪深与中国雪深长时间序列雪深产品在空间上以及变化趋势方面吻合度较高,但ICESat-2雪深变化更加连续,说明ICESat-2激光雷达数据不但可以提取区域积雪的深度,对积雪深度的空间变化也比被动微波数据更加敏感,可以获取更加详细的积雪深度空间变化细节,为精细化的积雪深度空间分布提供数据支撑。     

基于MODIS积雪覆盖度数据的青藏高原两套被动微波雪深产品降尺度对比研究

积雪深度(雪深)是流域水量平衡、融雪径流模拟等模型的重要输入参数,被动微波雪深遥感产品被广泛用于雪深监测。然而,由于山区积雪时空异质性强,这些空间分辨率较粗的雪深产品受到极大限制。本研究基于MODIS积雪覆盖度数据,根据经验融合规则以及积雪衰退曲线对“中国雪深长时间序列数据集”的两套雪深产品(由SMMR、SSMI和SSMI/S反演的称为Che＿SSMI/S产品;由AMSR-2反演称为Che＿AMSR2产品)进行空间降尺度,最终获得青藏高原500 m降尺度雪深数据(Che＿SSMI/S＿NSD和Che＿AMSR2＿NSD)。利用6景Landsat-8影像对两套降尺度雪深数据进行对比分析,结果发现两套降尺度数据与Landsat-8影像积雪空间分布吻合度均较高。与29个气象站点雪深数据相比,Che＿AMSR2＿NSD与实测雪深更为接近,相关系数(R)达到0.72,均方根误差(RMSE)为3.21 cm;而Che＿SSMI/S＿NSD精度较低(R=0.67,RMSE=4.44 cm),可能是由于采用不同传感器亮温数据的两套原始雪深产品精度不同所致。除此之外,实验表明被动微波雪深产品降尺度精度还...     

积雪被动微波遥感研究进展

积雪是冰冻圈中最活跃的要素之一,被动微波遥感具有高时间分辨率且能够迅速覆盖全球,在积雪时空变化监测中作用突出.总结分析了积雪被动微波遥感的主要模型,并对其方法、特点和适用性进行了较详细评述,重点介绍了NASA算法在雪深和雪水当量反演中的应用、反演结果的不确定性以及对它的改进.讨论新兴的积雪数据同化方法,介绍了同化被动微波观测以改进雪深和雪水当量反演精度的研究案例.评述了我国积雪被动微波遥感的进展,并且对未来可能的研究方向做出展望.     

基于随机森林算法的青藏高原AMSR2被动微波雪深反演

青藏高原因其复杂的地形地势和和积雪分布使得多种雪深算法未达到理想的精度。基于新一代被动微波数据AMSR2（Advanced Microwave Scanning Radiometer 2）, 应用随机森林算法（Random Forest, RF）将亮温（Brightness Temperature, BT）和亮温差（Brightness Temperature Difference, BTD）作为参数输入, 并将高程和纬度参数引入雪深反演模型中, 经过模拟退火算法进行有效反演因子筛选, 构建了基于随机森林算法的青藏高原雪深反演模型。结果表明： 与AMSR2全球雪深产品相比, 随机森林算法的拟合优度（R²）由0.41提升至0.60, 均方根误差（Root Mean Square Error, RMSE）由7.36 cm降至4.88 cm, 偏差（BIAS）由3.24 cm减小至-0.16 cm, 随机森林雪深反演模型在青藏高原的精度更高; 青藏高原平均海拔超过4 000 m, 当海拔大于青藏高原平均海拔时, 随机森林算法的反演效果最差, 但RMSE仅为3.78 cm, BIAS仅为-0.09 cm; 高原南部（25° ~ 30° N）因其复杂的地势和相对较少的气象站点使得反演效果较差, RMSE为5.94 cm, BIAS为-0.39 cm; 青藏高原的主要土地覆盖类型为草地, 随机森林算法在草地的RMSE约为3 cm, BIAS接近0 cm。     

基于AMSR-E的北疆地区积雪深度反演

利用北疆地区2007/2008-2009/2010年度积雪季(12月至次年2月)的AMSR-E降轨19 GHz与37 GHz波段的水平极化亮温数据, 结合北疆地区45个气象台站的实测雪深数据, 建立了北疆地区基于AMSR-E亮度温度数据的雪深反演模型, 并对模型的精度进行评价. 结果显示: 雪深在3~10 cm时, 模型反演的雪深值负向平均误差为-5.1 cm, RMSE值为6.1 cm; 雪深在11~30 cm时, 模型反演雪深值的平均误差仅为2.6 cm, RMSE、 正向平均误差、 绝对平均误差均较小; 雪深大于30 cm时, 模型反演的各项误差较大. 用合成方法反演北疆地区2006/2007-2010/2011年度5个积雪季的平均雪深分布和最大雪深分布, 结果显示北疆地区积雪主要分布于北部阿尔泰山和南部天山一带, 其中阿勒泰地区所占比重最大, 中部的准噶尔盆地腹地、 克拉玛依地区雪层较浅.     

基于SSM/I和MODIS数据的天山山区积雪深度时空特征分析

以天山山区为研究区,利用MODIS 8d最大积雪合成数据MOD10A2,分析天山山区积雪的时间变化和空间变化情况以及不同高程带的积雪覆盖率的变化情况;结合SSM/I亮温数据和站点观测数据建立的雪深反演模型并反演研究区的雪深,根据研究区的地势起伏情况,提取特殊地形进行分析其雪深变化情况,进一步分析整个天山山区的积雪深度的时空特征,并对结果进行验证,并且对不同高程带的积雪深度进行分析.研究结果表明:1)天山山区积雪面积分布的趋势表现为自西向东、自北向南减少,总体是呈波动中减少的趋势,到了2012年天山山区年最大积雪面积为37.69×10⁴ km².2)积雪覆盖率与高程呈正比,在高山区可达70%以上.积雪深度分布呈自西向东、由北向南减少,深度最大的是在天山北部的博格达峰、河源峰附近,可以达到80 cm以上,最小在哈密地区的托木尔提峰附近积雪深度仅在10 cm左右.积雪深度与海拔呈正相关,最大雪深出现在4500 m以上的高山区.3)对雪深反演结果的精度评价表明,模型在10~30 cm雪深范围内,反演平均误差为-2.47 cm;在雪深<10 cm或>30 cm的局部地区存在较大偏差.     

基于重轨InSAR的积雪深度反演方法

利用合成孔径雷达（Synthetic Aperture Radar,SAR）反演积雪深度是流域尺度积雪遥感监测的热点之一, SAR的干涉测量（Interferometic SAR, InSAR）扩展了其在积雪研究中的应用. 微波能够穿透干雪,并在雪-空气界面发生折射,导致传播路径变化;根据InSAR原理,降雪前后的SAR像对会形成由于干雪覆盖导致的干涉相位差. 基于此,提出了基于重轨InSAR技术的积雪深度反演方法：首先,结合气象、水文、野外观测数据,判断积雪状态,以选择最佳干涉像对（无雪和干雪覆盖）;然后,优化干涉处理过程,利用差分原理,获得由于干雪覆盖导致的相位差;最后,基于雪深与相位差的几何关系,反演积雪深度,并探讨反演结果精度的影响因素. 以新疆玛纳斯河流域山前平原为研究区,利用Envisat ASAR数据,实现积雪深度的反演. 结果表明：2009年2月份研究区大部分地区雪深为20 cm左右,与野外观测结果相符;与同时期HJ-1光学影像比较,所获得的积雪覆盖范围吻合. 同时指出,失相干和输入参数（入射角、雪密度）误差是反演结果误差的主要来源.     

基于被动微波遥感的积雪深度和雪水当量反演研究进展

积雪是冰冻圈重要组成要素之一,也是对天气和气候响应最为敏感的自然要素。被动微波能够穿透云层、积雪和大气进行全天候、全天时地工作,在估算积雪深度、雪水当量等积雪参数上有很大优势。综述了国内外基于被动微波遥感的积雪参数反演研究的进展,首先介绍了被动微波遥感监测积雪的基本理论,以及被动微波遥感数据;然后将当前的积雪深度和雪水当量反演算法总结为4类:(1)基于统计的线性反演算法;(2)基于微波积雪模型的反演算法;(3)基于先验知识的非线性反演算法;(4)数据融合与数据同化。随后介绍了常用的7种积雪数据产品,并讨论了影响积雪深度和雪水当量反演精度的几个因素,最后对未来积雪参数反演研究方向做出了展望。     

青藏高原积雪被动微波遥感资料与台站观测资料的对比分析

积雪资料的可靠程度在反映积雪变化、预估后期气候变化时非常重要, 利用青藏高原74个气象台站资料与被动微波遥感资料进行对比分析. 结果表明: 两种积雪资料在高原南部边缘、高原东部唐古拉山与念青唐古拉山东部均表现为高值区, 在柴达木盆地、高原腹地及沿雅鲁藏布江一线表现为一致的少雪区,在青海南部和藏东南地区差异较大.遥感资料的积雪深度和积雪日数变化敏感区与台站观测资料存在差异.在积雪的显著季节性特征及气候尺度上的年际变化特征方面, 遥感资料与台站资料具有很好的一致性, 但遥感资料在刻画积雪季节内波动特征方面欠佳, 且年平均积雪深度和积雪日数遥感数据偏大.对AMSR-E逐日积雪资料进行评价发现, 高原腹地总精度大于高原边缘地区, 海拔3 000 m以下的反演精度较高, 雪深在9~10 cm时的反演精度较高.     

被动微波遥感反演中国西部地区雪深、雪水当量算法初步研究

雪深、雪水当量是积雪研究中重要参数，其在流域水量平衡和融雪径流预报以及雪灾监测与评价中起着重要作用。Chang等(1987)以辐射传输理论和米氏散射为理论基础，假定积雪密度和颗粒大小为常数，利用实测雪深数据和SMMR的亮温数据，通过统计回归方法，建立了雪深与18 GHz和37 GHz水平极化的亮温梯度之间的关系，发展了SMMR半经验的反演雪深的算法。后在此基础上又发展了针对SSM/I的半经验反演雪深算法。2002年发射的装载于Aqua卫星上的AMSR E是新一代的被动微波辐射计，性能较以往星载被动微波辐射计有较大提高，采用了改进后的SSM/I的半经验算法作为其估算全球雪水当量的反演算法。 将AMSR E的雪水当量产品与气象台站观测的雪水当量进行比较，发现在新疆地区和青藏高原地区雪水当量的RMSE分别达到31.8 mm和21 mm。本研究旨在建立基于AMSR E亮温数据，适用于中国西部地区的雪深和雪水当量反演算法。首先收集整理了2003年新疆地区的雪深、雪水当量数据和AMSR E亮温数据，去除错误样本，利用统计回归的方法，建立了新疆的反演雪深、雪水当量的半经验算法，算法中加入积雪覆盖度参数，较以往的算法有所改进，与气象台站观测数据比较，结果也表明新疆地区建立的经验算法较AMSR E的雪水当量算法有较大改进，RMSE为15.7 mm。但青藏高原地区因海拔高，地形复杂，大部分地区积雪较浅,空间分布不均和冻土存在等诸多因素运用同样的方法建立反演算法，结果不甚理想，以后的研究将重点消除这些干扰因素。     

基于合成孔径雷达(SAR)的积雪监测研究进展

积雪是冰冻圈中最重要的组成要素之一, 积雪研究对于气候变化、 水文循环等科学研究和农业灌溉、 减灾防灾等生产活动都具有重要意义.合成孔径雷达(SAR)不仅具有穿云透雾, 全天候观测地表的能力, 而且可穿透地表覆盖一定深度获取地表覆盖物内部特征信息.近年来SAR技术在冰冻圈科学研究中已广泛应用. 综述了SAR积雪监测研究的国内外进展, 对当前主要的SAR积雪遥感模型进行了总结分析, 着重介绍了当前主要的SAR和SAR干涉测量技术(InSAR)积雪面积制图方法、 雪水当量(SWE)反演算法、 积雪密度和雪深提取方法, 并对未来可能的研究方向进行了展望.     

中国稳定积雪区IMS雪冰产品精度评价

IMS雪冰产品由多种光学与微波传感器数据融合而成,提供北半球每日无云的积雪范围,在积雪遥感研究中具有广阔的前景. 以气象站实测雪深数据为真值,检验了2009-2010年IMS雪冰产品在中国三大稳定积雪区北疆、东北、青藏高原地区每月、积雪季以及全年的误判率、漏判率和总体准确率,并分析了IMS雪冰产品的准确率与雪深之间的关系. 结果显示：IMS雪冰产品的年总体准确率在三大积雪区均超过了92%,积雪季总体准确率均超过了88%,利用IMS雪冰产品监测积雪范围是可靠的. 然而,IMS雪冰产品精度具有区域差异性,北疆地区在1月和2月误判率偏高,青藏高原地区积雪季有严重的漏判现象. IMS雪冰产品的准确率在东北地区和北疆地区随着雪深的增加而升高,当东北地区雪深超过6 cm,北疆地区超过13 cm时,准确率接近100%,但是,青藏高原地区两者基本没有关系. 通过在青藏高原地区与同时相的4景MODIS积雪产品对比分析发现,实际上IMS雪冰产品相对地高估了积雪面积,青藏高原地区漏判率高其原因是IMS对零碎积雪的识别能力不足并且气象站分布不均匀.     

我国主要积雪区AMSR-E被动微波雪深算法对比验证研究

采用高级微波扫描辐射计(AMSR-E)亮温数据, 选取Chang算法、GSFC 96算法、AMSR-E SWE 算法、青藏高原改进算法和Savoie算法等5种雪深反演算法, 利用2010年2月10-12日3 d的气象站台雪深观测数据, 对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性. 结果表明:总体验证中, 青藏高原改进算法3 d的结果均优于其他算法, 其均方根误差(RMSE)为9.16 cm、9.96 cm和9.63 cm, 平均相对误差(MRE)分别为59.77%、52.79%和48.47%. 分区验证中, 结果最佳的算法分别为:在新疆地区, GSFC 96算法RMSE为6.85~7.48 cm;内蒙古地区, 青藏高原改进算法的RMSE分别为5.9 cm、6.11 cm和5.46 cm;东北地区, 青藏高原改进算法RMSE为6.21~7.83 cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据, 无法得到该区验证统计结果.     

青藏高原积雪深度和雪水当量的被动微波遥感反演

利用1993年1月份的SSM/I亮度温度数据反演了青藏高原的雪水当量,首先使用被动微波SSM/I数据19和37GHz的水平极化数据来反演雪深,根据积雪时间的函数来计算实时的雪密度,由雪的深度和密度计算出雪水当量.最后,利用SSM/I数据的19和37GHz的垂直极化亮度温度梯度对计算出的雪水当量进行回归分析,得到了利用SSM/I数据直接反演雪水当量的算法.     

东北地区MODIS和AMSR-E积雪产品验证及对比

通过2002-2008年6个积雪季节的Terra-Aqua/MODIS积雪产品(MOD10A2、MOD10C2)和Aqua/AMSR-E雪水当量产品,分析了东北地区积雪覆盖面积的变化特征,以研究区气象站点观测的积雪数据为真实值来验证两种产品积雪信息的精度,探讨了云覆盖、土地利用类型和雪深对积雪覆盖精度的影响.结果表明:云的存在对微波数据积雪识别的影响较小,在积雪量较多的12月至次年的2月随云量百分比的变化,MOD10A2积雪覆盖面积比例大体出现负变化.因此,在有云情况下AMSR-E数据反演积雪精度最好.对比草地、耕地、林地和居民地4种土地覆盖类型对监测积雪覆盖精度的影响,发现林地对其影响最大,在林区3种积雪产品的积雪识别精度分别为55.8%、81.2%、85.4%;雪深对AMSR-E积雪产品识别精度影响较小,总体精度为97.8%;积雪深度对MOD10A2积雪产品识别精度影响较大,总体精度为57.3%.MOD10A2、MOD10C2和AMSR-E 3种积雪产品的总体反演精度分别为69.3%、76.6%、76.3%.有必要开发适用于东北地区的积雪覆盖算法,提高估算精度,为能量平衡估算、气候模型、农业生产、土壤墒情监测服务.     

中国地区地面观测积雪深度和遥感雪深资料的对比分析

比较了气象台站观测和卫星遥感(SMMR、 SSM/I、 AMSR-E)的积雪深度两种资料在空间分布、 年际变化及其与中国夏季降水之间关系的异同性.结果表明: 两种资料在积雪稳定区的分布比较一致, 积雪深度的大值区位于东北地区、 新疆北部和青藏高原地区; 对于季节性积雪区且积雪深度不大的区域而言, 二者之间存在着较大的差异, 尤其在江淮流域及长江中下游地区, 台站观测的积雪深度大于遥感得到的积雪深度; 平均而言, 两种资料获得的积雪深度在各地区基本一致.在新疆北部和高原南部, 二种资料的年际变化存在着差异, 在新疆北部, 台站观测大于遥感得到的积雪深度, 而在高原东南部遥感大于台站观测积雪.近30 a来, 两种资料获得的积雪深度在新疆北部和青藏高原的年际变化趋势基本一致, 新疆北部为增加趋势, 青藏高原有减少的趋势.值得注意的是, 在东北地区, 近30 a来两种类型资料的年际变化趋势呈相反变化.两种资料在新疆北部的相关最强; 东北、 青藏高原其次; 而高原东南部最差, 在使用时应加注意.青藏高原地区的两种积雪资料与中国夏季降水的相关"信号"基本一致.青藏高原地区积雪与东北西部地区和长江中下游夏季降水之间的相关最为显著.资料间的差异性并不影响高原地区积雪对中国夏季降水"信号"的应用.