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。     

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。     

1957-2009年中国台站观测的关键积雪参数时空变化特征

利用1957-2009年中国地面气象台站观测积雪资料分析表明, 中国年平均雪深、雪水当量、积雪密度分别为0.49 cm、0.7 mm、0.14 g·cm^-3. 平均来说, 三者在青藏高原地区都是最小的, 在西北地区均较大; 空间上, 中国年平均雪深和雪水当量大值区位于东北和新疆北部, 以及青藏高原西南部的小部分区域; 中国大部分地区年平均积雪密度在0.14 g·cm^-3以下, 3大稳定积雪区积雪密度略高. 1957-2009年, 中国及各区域年平均雪深和雪水当量均表现为波动增加趋势, 但不显著; 空间上雪深的显著正趋势主要位于内蒙古东部、东北北部、新疆西北部和青藏高原东北部; 雪水当量与雪深类似, 但正趋势范围不如前者广, 负趋势范围则较大.     

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.     

被动微波遥感估算雪水当量研究进展与展望

被动微波遥感可以透过云层，全天候地提供地表一定深度的信息。星载被动微波遥感传感器的时间分辨率很高，在冰冻圈动态研究中有着重要的地位。在最近的二三十年中，大量被动微波遥感的应用都是在美国、加拿大、欧洲等地，而我国在这方面的研究相对较少。首先介绍了被动微波遥感数据在监测积雪方面的国内外研究进展，对现存的雪水当量（SWE）估算算法（和模型）的适用性进行讨论。然后，详细讨论了我国西部的青藏高原地区雪水当量的估算，阐明了利用SSM／I数据估算青藏高原地区雪水当量的复杂性，并指出了其复杂性产生的原因，提出了解决问题的方法，为该地区积雪动态的进一步研究提供了理论依据。     

基于AMSR2被动微波积雪参量高精度反演方法研究

以新疆为研究区域建立了被动微波遥感积雪深度高精度反演模型,采用高空间和时间分辨率AM SR2被动微波遥感数据(2012年11月-2015年3月逐日数据),结合研究区域海拔高度、坡度、坡向、沙漠,荒漠和地表粗糙度等地形、地貌特征,考虑冰川、水体、林地等地表覆盖类型和不同季节的新雪、干雪和湿雪等积雪属性的微波辐射特征,以决策树阈值法为基础,通过采集样本分类建立起多种雪深判识阈值,在此基础上建立AMSR2高精度积雪深度反演综合模型,分类分析不稳定积雪和冰川信息,从而实现雪深在60 cm以内的积雪深度AMSR2反演的主要原理、思路及方法,并对模型的反演结果跟台站实测或者野外观测积雪值以时间和空间角度进行检验.结果表明:该综合模型能够定量判识研究区域复杂地形地貌条件下的1~60 cm积雪厚度,检验的复相关系数为0.74~0.88,均方根误差为2.92~6.14 cm,平均绝对偏差指数为3~4 cm,雪深误差5 cm的精度为91%~94%,雪深误差2.5cm的精度为81%~87%.     

基于NoSREx实验的积雪演化及微波辐射分析研究

在被动微波雪水当量反演中,积雪物理参数随时间的变化特征影响着反演精度,为理解积雪随时间演化的特征及其对微波辐射亮温的影响,本研究选用2009—2013年北欧积雪实验（Nordic Snow Radar Experiment, NoSREx）积雪地面观测和微波辐射测量数据,通过雪深和温度把雪期分为积累期（10月—次年2月）、稳定期（2—4月）和消融期（4—5月）,发现各个雪期的积雪演化特征为：雪颗粒形状在积累期前期以融态颗粒（Melt Forms, MF）为主,积累期后期和稳定期以圆形颗粒、片状颗粒、深霜为主,消融期以MF为主;整个雪季底层雪粒径从小变大再变小的过程,粒径最大值出现在稳定期的2至3月,约为2.5~4.0 mm,均出现在近地表雪层,而表层粒径较小且较为稳定。通过雪深和微波亮度差（18~37 GHz）的关系分析,表明亮温差在不同雪期对于雪深的依赖关系不同,在积累期和稳定期,雪深变化与亮温差变化具有明显的正相关;在消融期由于积雪融化的影响,其相关性较差;基于多层积雪微波辐射模型（MEMLS）构建了一维微波辐射模拟环境,模拟表明MEMLS模型在3个雪期的垂直极化10.65 GHz和18.7 GHz模拟结果较37 GHz和90 GHz更好;10.65 GHz V极化在入射角为50°且稳定期时,微波亮温模拟均方根误差（RMSE）结果最小,为2.49 K。3个雪期90 GHz模拟结果水平极化优于垂直极化,由于受表层积雪变化影响,90 GHz模拟结果较不稳定,尤其是消融期时,RMSE最小也达到了42.7 K。本研究有助于理解积雪随时间演化的特征及其对微波辐射模拟的影响,表明在被动微波雪水当量反演算法中,针对不同积雪期需要考虑积雪演化动态过程。     

MODIS逐日积雪产品去云算法研究

由于积雪和云的反射特性, 使用光学遥感监测积雪受到天气的严重干扰, 对研究区云量的分析表明, 无论是MOD10A1还是MYD10A1, 云都是影响该产品对研究区积雪进行实时监测的最大影响因素. 综合不同去云方法, 利用MODIS逐日积雪产品和被动微波数据AMSR-E雪水当量产品, 生成了MODIS逐日无云积雪图像, 并利用研究区85个地面气象观测台站提供的雪深数据对合成的单日无云积雪产品进行验证. 结果表明: 当积雪深度>3 cm时, 新产品的积雪分类精度达到91.7%, 该产品对实时监测青藏高原积雪动态变化具有重要的使用价值.     

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.     

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.     

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.     

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.     

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.     

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

积雪是地表特征的重要参数,对辐射收支、气候和长期天气变化均有重要影响。雪本身又是一个重要的天气现象和水文气象参数,过量的降雪也会带来严重的雪灾,如牧区雪灾、雪崩和融雪洪水灾害等。因此对积雪的监测,尤其是对山区的积雪监测,具有多方面的意义。利用卫星遥感技术监测积雪已有50余年的历史,并已形成了系列业务产品。青藏高原平均海拔超过4 000 m,该地区的积雪具有重要的水文、气候和生态环境意义。由于地形复杂,人迹罕至,地面观测站点稀少,受较强太阳辐射的影响,积雪消融迅速、区域差异消融以及风吹雪等因素导致积雪分布破碎化严重,对使用遥感资料监测该地区的积雪造成的极大的困难和不确定性。随着国内外传感器技术的不断发展,光学和被动微波遥感数据的同步获取技术已经非常成熟,综合利用光学遥感数据高空间分辨率和被动微波数据不受云干扰的特点,结合机器学习、无人机等技术,将环境参数加入反演模型中,有助于提高青藏高原积雪参数反演精度。     

基于多源遥感数据的疏勒河上游山区流域VIC-CAS模型积雪模拟效果评估

积雪积累和消融过程是冰冻圈水文模型的重要组成部分,利用多源遥感数据对水文模型模拟的积雪分布和深度进行评估是进一步增强融雪过程模拟的物理基础,也是提高模拟可靠性的重要手段。基于2002—2013年疏勒河上游山区流域MODIS地表反射率数据集和中国雪深长时间序列数据集,对VIC-CAS模型模拟的逐日积雪覆盖度和雪深进行了综合评估。结果表明：从不同降雪年份来看,VIC-CAS模型可以较好地模拟多雪年（2008年）疏勒河上游山区流域积雪的覆盖度,在平雪年（2004年）和少雪年（2013年）模型模拟精度相对较低。从不同海拔的模拟结果来看,在流域占比最高的4 000~5 000 m高程带精度最高,2 000~3 000 m高程带精度最低;对比模拟雪深与中国雪深产品发现,多雪年的一致性较高,平雪年和少雪年的一致性较低。这表明VIC-CAS模型对疏勒河上游日尺度的积雪覆盖度和雪深的模拟精度相对较低,特别在低海拔处和薄雪情况下,其原因可能是对积雪再分布和风吹雪过程的模拟算法和参数化存在较大的不确定性,需要进一步改进。     

1980-2019年青藏高原积雪深度时空差异性分析北大核心CSCD

积雪是地表特征的重要参数,其对辐射收支、能量平衡及天气和气候变化有重要影响。利用1980-2019年被动微波遥感积雪深度资料对青藏高原积雪时空特征进行分析,在此基础上将高原划分为东部、南部、西部及中部4个区域,并分区域讨论了多时间尺度积雪的变化特征及其与气温、降水的相关关系。结果表明:不同区域积雪深度在不同时间尺度的变化特征存在差异,高原东部积雪深度累积和消融的速率比西部快,南部积雪深度累积和消融速率比中部快。季节尺度上,冬季积雪高原东部最大,中部最小;春季积雪高原东部消融速率最大,西部积雪消融较慢但积雪深度最大;夏季高原西部仍有积雪存在。年际尺度上,各区域积雪深度在1980-2019年均呈现缓慢下降趋势,但东部积雪减少不显著;高原东部积雪深度在1980-2019年呈现出增加-减少-增加-减少的变化,其余3区均呈现出减少-增加-减少-增加-减少的变化。不同区域积雪深度对气温、降水的响应不同,高原东部和中部积雪深度与气温相关性较好;各区域积雪深度与降水呈不显著的正相关关系。     

青藏高原地区积雪年际变化异常中心的季节变化特征

利用青藏高原1980-2009年SMMR、SSM/I和AMSR-E被动微波遥感反演得到的逐日积雪深度资料, 应用EOF方法分析了近30 a青藏高原地区冬春季积雪年际变化异常的时空变化. 结果表明: 青藏高原冬春季积雪年际异常敏感区随季节有着显著变化, 并具有多尺度性. 其在大尺度上最主要的空间特征是从秋末(10-12月)到隆冬(12-翌年2月)位于青藏高原腹地和东南缘的河谷; 后冬和前春年际异常变化的敏感区显著变小, 整个青藏高原地区的积雪稳定少变; 而春季(3-5月), 随着青藏高原气温的回升, 敏感区出现在青藏高原东部. 青藏高原冬春季积雪年际变化在局地尺度上存在着季节变化, 表现为青藏高原积雪年际变化的异常与年际变化趋势相反的特征, 以及积雪年际变化东西反向异常随季节的演变. 青藏高原冬春季积雪年际变化的异常敏感区在空间范围上的变化, 反映了冬春季积雪在季节尺度上受冬季风和南来的暖湿气流之间相互消长和进退影响的特征. 青藏高原冬春季积雪具有显著的年代际变化, 在20世纪80年代处于多雪期, 80年代后期进入一个积雪较少期. 秋末至隆冬(10-翌年2月)的积雪在20世纪90年代后期出现明显转折, 进入多雪期, 2000年后又进入一个少雪期.