呂志邦，王 瑋，馮琦勝，于 惠，梁天剛

(蘭州大學草地農業(yè)科技學院 農業(yè)部草地農業(yè)生態(tài)系統(tǒng)學重點實驗室，甘肅 蘭州 730020)

積雪對地表水循環(huán)、氣候變化、生態(tài)環(huán)境與人類生產和生活具有較強的影響。在我國北方和青藏高原地區(qū)，長時間大范圍的積雪常常引發(fā)災害，嚴重制約當地畜牧業(yè)的可持續(xù)發(fā)展。因此，對積雪進行動態(tài)監(jiān)測具有很重要的意義[1-6]。

自從美國航空航天局(National Aeronautics and Space Administration，NASA)于1999年12月18日、2002年5月4日分別發(fā)射了地球觀測系統(tǒng)(earth observing system，EOS)衛(wèi)星Terra(上午星)和Aqua(下午星)以來，MODIS數據成為全球研究雪被的遙感工作者的主要數據源[7-8]。此外，Aqua衛(wèi)星上還搭載了AMSR-E 被動微波輻射計，比以往的掃描多通道微波輻射計(scanning multichannel microwave radiometer,SMMR)、微波成像輻射計(special sensor microwave/imager,SSM/I) 等被動微波輻射計提供更高空間分辨率和更多微波波段的信息[9-10]。由于其空間分辨率較低(25 km)，AMSR-E數據主要用作較大尺度范圍的雪深、積雪覆蓋范圍和雪水當量的研究。

由于云與積雪的反射光譜特性，使用光學探測器的MODIS遙感資料在監(jiān)測積雪面積時受天氣狀況的極大限制[2,9,11]。所以，尋找和探索新的合成產品以去除云層影響的研究成為雪被工作者們所關注的熱點問題[7-15]。將Terra和Aqua衛(wèi)星的MODIS數據與其他傳感器的數據進行合成，已成為去除云干擾的行之有效的方法[16]。Gao等[17]利用每日MODIS/Terra-Aqua和AMSR-E SWE生成了用戶自定義的無云雪被圖像數據(MOD_AE SC)，在阿拉斯加地區(qū)的Fairbacks和Upper Susitna Valley進行的測試表明，在所有天氣狀況下積雪一致性達85.6%，高于每日MODIS/Terra-Aqua合成雪被圖像的48.6%。Liang等[11]利用MODIS每日積雪產品MODIS/Terra和被動微波每日積雪產品AMSR-E SWE合成了新疆北部地區(qū)的每日積雪產品MOD-AE。該產品在各種天氣狀況下的積雪分類精度可達74.5%，遠高于MODIS每日積雪產品的積雪分類精度。以上研究均基于多傳感器數據的單日合成，或是MODIS雙傳感器數據的多日合成，而MODIS雙傳感器與AMSR-E雪水當量數據的多日合成仍然是積雪遙感研究的空白。

本研究以青海省為例，運用MODIS每日積雪分類產品和被動微波輻射計AMSR-E 五日雪水當量產品，對青藏高原MODIS和AMSR-E數據積雪合成算法進行探索，研究五日積雪圖像的合成算法及精度，以便達到更好的去云效果，及解決已有研究單日合成產品無法解決微波產品的裂縫問題，從而有效提高積雪監(jiān)測的精度和范圍，以期為進一步克服云層對MODIS每日積雪產品分類精度的影響及AMSR-E 雪水當量數據中裂隙對合成產品準確性的限制提供科學依據。

1 材料與方法

1.1研究區(qū)概況 青海省位于青藏高原東北部，地理范圍為31°39′～39°19′ N，89°35′～103°04′ E，東西長約1 200 km，南北寬約800 km，省內平均海拔4 000 m以上。青海氣候類型為高原大陸性氣候，年平均氣溫為1.37 ℃，平均每年≥0 ℃的積溫為1 771.68 ℃，年均降水量為365.7 mm，年日照時數介于2 250～3 602 h。全省天然草地資源豐富，是我國的五大牧區(qū)之一。草甸植被為全省草地主要植被類型，其次為荒漠植被和草原植被。由于海拔高、降水量相對豐富等，全省冬季雪災嚴重，大部分地區(qū)連年發(fā)生雪災，降雪多、積雪深、積雪時間過長，致使大批牲畜死亡，積雪災害已成為影響草地畜牧業(yè)可持續(xù)發(fā)展的主要自然災害之一[18-20]。

1.2研究材料 1) AMSR-E雪水當量產品：覆蓋范圍為北半球，時間范圍為2002年10月1日-2008年3月31日的6個積雪季，在美國國家冰雪數據中心(National Snow and Ice Data Center，NSIDC)網站下載[12]，地圖投影格式為EASE-Grid_north，總計377幅圖像。2)MODIS遙感圖像：在美國國家冰雪數據中心網站下載[12]，時間序列為2002年10月1日-2008年3月31日的6個積雪季，研究區(qū)每日有2幅圖像，編號為h25v05和h26v05，投影格式為正弦曲線地圖投影，MOD10A1產品共計2 168幅，MYD10A1產品共計2 184幅。3)氣象資料：青海省47個地面氣象觀測臺站測量的日降雪量、積雪深度等資料。4)空間數據庫：主要有青海省地、州、市和縣級行政分區(qū)界限、積雪定位觀測站點空間分布等空間數據(圖1)。

1.3研究方法

1.3.1數據預處理 分別對MODIS每日積雪分類產品MOD10A1和MYD10A1圖像，以及AMSR-E五日雪水當量(snow water equivalent,SWE)圖像進行處理，主要包括：1)數據格式轉換。由于MODIS每日積雪分類產品和AMSR-E SWE產品均以HDF格式存儲，所以首先將MOD10A1和MYD10A1圖像，以及AMSR-E五日SWE圖像由HDF格式轉換為ArcGIS支持的GRID格式。2)投影轉換。MODIS每日積雪分類產品的原始投影為正弦曲線投影，而北半球的AMSR-E SWE產品采用EASE-Grid_north特殊投影方式，故將這3種產品均投影轉換為Albers等面積投影，橢球體為Krasovsky。3)圖像裁剪及重采樣。MODIS每日積雪分類產品的空間分辨率為500 m，而AMSR-E SWE產品為25 000 m，因此，需要將AMSR-E SWE產品重采樣為500 m，并裁剪出研究區(qū)圖像。

圖1 青海省47個地面氣象臺站空間分布位置

1.3.2MODIS五日積雪圖像和MDAE_5D圖像合成及算法 利用每日MODIS/Terra和MODIS/Aqua積雪產品分別合成五日圖像，再將兩者合成為五日MODIS積雪圖像，記作MOYD_5D(圖2)。采用用戶自定義合成算法，將AE_5D五日雪水當量產品和MOYD_5D五日積雪圖像合成新的積雪分類圖像，記作MDAE_5D(圖2)。

MOYD_5D合成算法：1)統(tǒng)一編碼形式。將原代碼200(積雪)替換為5，100(積雪覆蓋的湖冰)替換為4，37(水體)替換為3，25(陸地)替換為2，50(云)替換為1，將0(傳感器數據丟失)、1(數據不確定)、4(錯誤數據)、11(夜晚或傳感器停止工作或在極地區(qū)域)、254(在極地區(qū)域)和255(傳感器數據飽和及填充數據)替換為0。2)合成規(guī)則。當MOD10A1與MYD10A1相應格網代碼相同時，則MOYD_5D圖像格網賦予該值；若MOD10A1與MYD10A1相應格網代碼不同，則MOYD_5D圖像格網賦予具有優(yōu)先權的代碼，代碼優(yōu)先權為5>4>3>2>1>0，即如果MOD10A1_5D代碼為5，而MYD10A1_5D代碼為非5，則MOYD_5D代碼記為5，以此類推(表1)。本研究合成的目標在于最大程度合成積雪覆蓋范圍并且去云，所以積雪代碼(5)具有最高優(yōu)先權，但云層往往在數小時之內會發(fā)生位置與覆蓋范圍的劇烈變化，所以可能某地區(qū)早上(10：30 Terra過境)有云層覆蓋，下午(13：30 Aqua過境)卻無云層覆蓋，而陸地、水體、積雪覆蓋的冰湖等是相對穩(wěn)定的地物，故云代碼(1)在除去非正常數據代碼(0)外具有最低優(yōu)先權。

圖2 MODIS圖像與AMSR-E雪水當量圖像合成流程

MDAE_5D合成算法：為了盡量消除MODIS產品中云對積雪分類的影響，更準確地反映積雪分布范圍，在Liang等[9,11]提出的北疆的積雪合成規(guī)則，以及張學通等[12]和馮琦勝等[15]總結的積雪圖像合成經驗基礎上，結合青海地區(qū)氣候特點，假定MOYD_5D有云像素所對應的地表類型同AE_5D像元類型相同。經過反復試驗，對五日合成圖像MDAE_5D的第i行第j列的像元Tij合成和賦值的規(guī)則總結如下：1)合成圖像數值統(tǒng)一采用MOYD_5D的地類編碼值，像素空間分辨率規(guī)定為500 m。2)當MOYD_5D五日合成影像的一個像素為非有效數值0，而相應的AE_5D的像素為任一地類值時，合成圖像取AE_5D在該點的地類值。3)當MOYD_5D為陸地而AE_5D判斷為水體、陸地或無數據時，合成結果賦為陸地。當MOYD_5D為陸地而AE_5D判斷為雪，則合成結果賦為陸地。4)當MOYD_5D為云時，若AE_5D判斷為陸地，則賦以陸地；若AE_5D判斷為水體，則賦為水體；若AE_5D無數據，則賦為云；若AE_5D判斷為雪而MOYD_5D為云時，則合成結果賦為雪。5)當MOYD_5D為水體、積雪或積雪覆蓋的湖冰而AE_5D為任一地類時，合成結果賦以MOYD_5D相應地類的代碼(表2)。

表1 MOD10A1_5D圖像與MYD10A1_5D圖像合成規(guī)則

表2 MOYD_5D圖像與AE_5D圖像合成規(guī)則

1.3.3積雪分類精度評價方法 結合47個地面觀測臺站數據和相對應的合成圖像分類結果，分析AE_5D、MOYD_5D和MDAE_5D圖像的積雪分類精度與其雪深的關系。為此，在精度評價中只考慮以下兩個方面的樣本數：1)Sh，衛(wèi)星和地面臺站觀測均有雪(雪深≥1 cm)的樣本數；2)Sn，地面臺站觀測有雪而衛(wèi)星資料分為無雪類型的樣本數，即為漏測。因此，積雪分類精度可以采用以下公式來計算：

2 結果與討論

2.1合成產品降低云污染效果分析 MOD10A1和MOY10A1是兩種不同時相的每日積雪覆蓋二級數據，分辨率為500 m。已有研究表明，MOD10A1與MYD10A1每日雪被圖像積雪制圖算法晴天時的精度在80%以上[21-22]。Wang和Xie[23]用MODIS/Terra 和 MODIS/Aqua 的每日積雪產品合成新的積雪產品(MODMYD10DC)，該產品的圖像云量比MOD10A1、MYD10A1減少了大約10%，在各種天氣條件下MODMYD10DC產品的積雪分類精度可以達到51%(MOD10A1的積雪分類精度為44%，MYD10A1的積雪分類精度為34%)。實際上，在青海地區(qū)積雪季期間很難找到一幅在整個研究區(qū)無云層覆蓋的MOD10A1或MYD10A1圖像。從研究區(qū)2008年2月1日的MOD10A1與MYD10A1的圖像(圖3)可以發(fā)現，云在整個研究區(qū)占了很大的比重，說明云是使用MODIS每日產品最大的影響因素。

圖3 青海省2008年2月1日MOD10A1、MYD10A1圖像及2月1-5日合成圖像MOYD_5D和MDAE_5D

本研究對青海省2002-2008年6個積雪季的MOD10A1、MYD10A1及合成的MOYD_5D的圖像云量進行統(tǒng)計。結果表明，研究區(qū)6個積雪季MOD10A1與MYD10A1圖像中云量大于50%的天數分別達總天數的36%、53%以上，但經過合成之后形成的MOYD_5D圖像的云量基本控制在10%以內，云量在10%以內的圖像數占總圖像數的91.6%以上(圖4)。MOD10A1、MYD10A1與合成后的MOYD_5D兩者云量的差別(圖3)，說明五日合成MOYD_5D圖像極大地消除了云對積雪監(jiān)測的影響。MDAE_5D產品完全去除了云對積雪減災的影響，有效提高了積雪監(jiān)測的精度和范圍。

2.2MODIS五日合成圖像MOYD_5D精度分析 青海省2002年10月-2008年3月的6個積雪季間，共有214個時相的MOYD_5D圖像，與地面臺站相對應有9 306對觀測數據，其中雪深大于0的記錄有2 107對。對不同積雪深度下MOYD_5D的積雪分類精度的分析，表明，隨著雪深逐漸增大，MOYD_5D的積雪分類精度也升高。當積雪深度為1～3 cm時，MODIS幾乎不能準確識別出積雪，積雪分類精度僅為17.5%；當積雪深度為4～6 cm時，積雪分類精度為46.2%，7～9 cm時,為58.6%,雪深大于10 cm時，為66.7%(表3)。

圖4 青海省2002-2008年6個積雪季MODIS圖像云量與圖像數之間的關系

表3 不同雪深狀況下MOYD_5D五日積雪合成影像的積雪分類精度

除去淺雪(1～3 cm)樣本，MOYD_5D總的積雪分類精度為51.1%。盡管MOYD_5D圖像極大地消除了云對MODIS圖像積雪分類精度的影響，但在雪深較淺時精度仍然不理想。由此可見，雪深對MOYD_5D積雪分類精度具有明顯影響。

2.3AMSR-E五日雪水當量數據(AE_5D)精度分析 青海省2002年10月1日-2008年3月31日的6個積雪季期間，共有377個時相的AE_5D五日積雪分類圖像，與地面臺站相對應的采樣值有9 871對。其中，2 319對采樣值雪深大于零。在不同積雪水平上對分類精度進行分析，結果表明，AE_5D的積雪分類精度并不理想，總的為積雪(雪深>3 cm)分類精度為63.7%。當雪深在1～3 cm時，積雪分類精度為49.7%，雪深在4～6 cm時，積雪分類精度為55.1%，雪深為7～9 cm，積雪分類精度為78.5%，在10 cm以上時，積雪分類精度可達82.2%(表4)。總積雪分類精度不高，主要原因在于大多數臺站觀測的積雪厚度在遙感產品監(jiān)測時期內低于3 cm的天數較多，引起較高的漏測誤差。此外，AMSR-E五日雪水當量產品的空間分辨率為25 km(圖5)，即1個格網單元代表地面上625 km2的范圍，而氣象臺站的觀測數據精確到某一個站點上，兩者在空間尺度上存在的較大差異也是引起積雪識別精度低的重要原因。所以，AMSR-E 雪水當量產品適宜于較大空間尺度范圍內研究積雪的時空分布，而在區(qū)域積雪分布動態(tài)研究中受精度低和空間分辨率小的制約。

表4 不同雪深狀況下AE_5D五日雪水當量影像的積雪分類精度

圖5 2008年2月1-5日的AMSR-E五日雪水當量數據AE_5D圖像

2.4五日合成圖像MDAE_5D精度分析 青海省2002年10月1日-2008年3月31日的6個積雪季期間，共有210個時相的MDAE_5D五日積雪合成圖像，共計9 307對與地面臺站對應的采樣數值，其中2 144對采樣值所對應的地面觀測的積雪深度大于零。在不同積雪水平上對分類精度進行分析。結果表明，積雪深度為1～3 cm時，MDAE_5D圖像的積雪分類精度很低，僅為23.2%。當雪深在4 cm以上時，總積雪分類精度較高，達65.1%。在雪深為4～6與7～9 cm時，積雪分類精度分別為56.9%與78.6%；當雪深大于等于10 cm時，積雪分類精度為84.1%(表5)?？梢?，合成圖像MDAE_5D的積雪分類精度隨積雪深度的增加而增大，當深雪值在8 cm以上時，合成圖像MDAE_5D可以較好地識別出積雪，對牧區(qū)雪災監(jiān)測及評價具有重要的應用價值。

本研究所合成的五日MDAE_5D圖像，當雪深>3 cm時，在各種天氣狀況下積雪的識別率為65.1%。雖然降低了監(jiān)測的時間分辨率，但較好地去除了云對積雪分類的影響。與Liang等[9,11]和Gao等[17]在北疆的研究相比，積雪分類精度并不高，分析其原因可能有以下兩個方面：1)該項研究的試驗區(qū)位于青藏高原的東部地區(qū)，積雪深度普遍較淺。已有研究表明，當雪深<3 cm時MODIS對積雪的識別率很低。統(tǒng)計分析表明，在青海省2002-2008年6個積雪季2 143個地面臺站觀測的有雪樣本中，雪深為1～3 cm的樣本數占74.5%，最大雪深為19 cm；而北疆和阿拉斯加地區(qū)的積雪厚度相對較深，其中北疆地區(qū)雪深在10 cm以上的臺站記錄樣本數占有雪樣本數的68.8%，其最大雪深達到56 cm[9,11]。2)地面氣象臺站的代表性較差，在精度驗證時存在誤差。氣象臺站主要分布在人口密集、海拔相對較低的東北部，而在雪災經常發(fā)生的南部和西南部，臺站數相對較少(圖1)。

表5 不同雪深狀況下MDAE_5D五日積雪合成影像的積雪分類精度

3 結論

1)MODIS五日合成圖像MOYD_5D極大地去除了云對可見光遙感監(jiān)測積雪的影響，將云量基本上控制在10%以內(云量在10%以內的樣本達91.6%以上)。而MODIS/Terra-Aqua和AMSR-E/Aqua合成的五日MDAE_5D圖像完全地去除了云的影響，并解決了單日合成產品無法解決微波產品的裂縫問題。

2)MOYD_5D總的積雪分類精度(雪深>3cm)為51.1%，AE_5D的總積雪分類精度(雪深>3 cm)為63.7%，而在各種天氣狀況下MDAE_5D對積雪總的識別率(雪深>3 cm)為65.1%?？梢姡铣僧a品MDAE_5D對積雪分類精度有所提高。

3)MDAE_5D積雪分類產品基本上可以滿足從事青藏高原冰雪及相關學科研究的需要。但有必要研究更合理的積雪制圖合成產品，達到更高的分類精度、時間和空間分辨率，以應對青藏高原雪災事件的快速分析、評價和預警等工作。

[1]王建.衛(wèi)星遙感雪蓋制圖方法對比與分析[J].遙感技術與應用，1999，14(4):29-36.

[2]延昊.利用MODIS和AMSR-E進行積雪制圖的比較分析[J].冰川凍土，2005,27(4):515-519.

[3]周陸生，李海紅，王青春.青藏高原東部牧區(qū)——暴雪過程及雪災分布的基本特征[J].高原氣象，2000，19(4):450-458.

[4]郝璐，王靜愛，滿蘇爾，等.中國雪災時空變化及畜牧業(yè)脆弱性分析[J].自然災害學報，2002，11(4):43-48.

[5]史培軍，陳晉.RS與GIS支持下的草地雪災監(jiān)測試驗研究[J].地理學報，1996，51(4):296-305.

[6]于惠，張學通，馮琦勝，等.牧區(qū)積雪光學與微波遙感研究進展[J].草業(yè)科學，2010，27(8):59-68.

[7]Hall K,Riggs A.Accuracy assessment of the MODIS snow-cover products[J].Hydrological Processes,2007,21:1534-1547.

[8]侯慧姝，楊宏業(yè).MODIS積雪產品及研究應用概述[J].遙感技術與應用，2009，24(2):252-256.

[9]Liang T G,Zhang X T,Xie H J,etal.Toward improved daily snow cover mapping with advanced combination of MODIS and AMSR-E measurements[J].Remote Sensing of Environment,2008,112:3750-3761.

[10]毛克彪，覃志豪，李滿春，等.AMSR被動微波數據介紹及主要應用研究領域分析[J].遙感信息，2005，3(1):63-66.

[11]Liang T G,Huang X D,Wu C X,etal.An application of MODIS data to snow cover monitoring in a pastoral area: A case study in Northern Xinjiang,China[J].Remote Sensing of Environment,2008,112:1514-1526.

[12]張學通，黃曉東，梁天剛，等.新疆北部地區(qū)MODIS積雪遙感數據MOD10A1的精度分析[J].草業(yè)學報，2008，17(2):110-117.

[13]梁天剛，高新華，黃曉東，等.新疆北部MODIS積雪制圖算法的分類精度[J].干旱區(qū)研究，2007，24(4):446-452.

[14]于惠，馮琦勝，張學通，等.基于AMSR-E信息的北疆牧區(qū)雪深遙感監(jiān)測模型方法初探[J].草業(yè)學報，2009，18(4):210-216.

[15]馮琦勝，張學通，梁天剛.基于MOD10A1和AMSR-E的北疆牧區(qū)積雪動態(tài)監(jiān)測研究[J].草業(yè)學報，2009，18(1):125-133.

[16]Wang X W,Xie H J.New multi-day snow cover products from combination of daily MODIS Terra and/or Aqua snow cover data[J].Computers and Geosciences,in review.

[17]Gao Y,Xie H J,Lu N,etal.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, 2010，385：2-35.

[18]鐵桂春，劉紅獻.青海省天然草地退化原因及治理對策[J].草業(yè)與畜牧，2008(2):32-33.

[19]張國勝，伏洋，楊瓊，等.青海省天然草地類型空間分布特征及氣候分區(qū)[J].草業(yè)科學，2009，26(1):23-29.

[20]范青慈.青海省天然草地類型、特點及發(fā)展利用[J].青海畜牧獸醫(yī)雜志，2009，30(1):32-35.

[21]Zhou X B,Xie H J,Hendrickx J.Statistical evaluation of MODIS snow cover products with constraints from streamflow and SNOTEL measurement[J].Remote Sensing of Environment,2005,94:214-231.

[22]Klein G,Barnett C.Validation of daily MODIS snow cover maps of the Upper Rio Grande river basin for the 2000-2001 snow year[J].Remote Sensing of Environment,2003,86:162-176.

[23]Wang X W,Xie H J.New methods for studying the spatiotemporal variation of snow cover based on combination products of MODIS Terra and Aqua[J].Journal of Hydrology,2009,371:192-200.