何思宇，邱玉寶，石利娟，丁磊，趙泉華，劉立京

1.遼寧工程技術(shù)大學(xué)，測繪與地理科學(xué)學(xué)院，遼寧阜新 123000

2.中國科學(xué)院空天信息創(chuàng)新研究院，數(shù)字地球重點實驗室，北京 100094

3.西交利物浦大學(xué)，數(shù)學(xué)科學(xué)系，江蘇蘇州 215123

4.北京郵電大學(xué)，計算機學(xué)院，北京 100876

引 言

積雪是冰凍圈中快速變化的要素之一[1]，相比于其他土地覆蓋類型積雪具有高反射率特性，在區(qū)域輻射、平衡能量方面發(fā)揮重要的作用[2-3]。積雪分布非常廣泛，全球平均每年積雪覆蓋面積達4600萬平方公里[4]，在水循環(huán)具有重要的意義[5-6]，可為人類提供重要的淡水補給[7]。青藏高原被稱為“第三極”，是除極地之外最大雪冰覆蓋的區(qū)域[8]，據(jù)估計地面冰雪儲量約為1.72106km2[9]。而喜馬拉雅山位于青藏高原南顛邊緣，是世界上海拔最高的山脈，也是青藏高原常年積雪面積最大的山脈[10]。喜馬拉雅山東段積雪融水是雅魯藏布江流域上游徑流的主要來源，貢獻量每年達78.8 mm，1990-2015年間東段地區(qū)冰雪融水大量增加[11]，在1978-2006年間，雪深的年際變化非常顯著[12]。因此，高質(zhì)量、高分辨率的積雪數(shù)據(jù)是高原積雪和水資源變化研究的重要基礎(chǔ)。

目前廣泛應(yīng)用的積雪數(shù)據(jù)產(chǎn)品主要有MODIS積雪產(chǎn)品[13]、IMS積雪產(chǎn)品[14]、AVHRR積雪產(chǎn)品[15]、ESA GlobSnow積雪產(chǎn)品[16]等，這些中低分辨率遙感數(shù)據(jù)對于理解全球或區(qū)域尺度的積雪變化提供了重要的參考。喜馬拉雅山地勢復(fù)雜、氣候特殊，地表類型不單一，現(xiàn)有的中低分辨率積雪氣候數(shù)據(jù)集在分析喜馬拉雅山局部地區(qū)積雪精細(xì)變化上存在細(xì)節(jié)不足，Landsat 8擁有9年的數(shù)據(jù)積累，在冬季山區(qū)的觀測量也較其他高分辨率光學(xué)遙感數(shù)據(jù)多，空間分辨率為30 m，是當(dāng)前開展該地區(qū)積雪較好的數(shù)據(jù)源，提供更高精度的空間觀測。

數(shù)據(jù)集以Landsat 8為基礎(chǔ)，采用支持向量機方法開展積雪制圖工作，并結(jié)合冰湖及地表水體數(shù)據(jù)，制備2013-2020年30 m分辨率Landsat晴空條件積雪數(shù)據(jù)集。

1 數(shù)據(jù)采集和處理方法

1.1 研究區(qū)介紹

喜馬拉雅山常年被冰雪覆蓋，是中國與印度、尼泊爾、不丹、巴基斯坦等國的天然國界。西起克什米爾南迦-帕爾巴特峰，東至雅魯藏布江的南迦巴瓦峰，全長2450 km，寬度達200-350 km[17]。在Randolph Glacier Inventory 6.0(RGI 6.0)將該喜馬拉雅山地區(qū)分為3個子區(qū)域，即喜馬拉雅山脈西段、中段和東段[18]。研究區(qū)位于喜馬拉雅山脈中段和東段(26°-31°N，77°-95°E)，如圖1所示高亮顯示區(qū)域，中段包括世界上海拔最高的珠穆朗瑪峰(8844 m)，也是高大山體分布最密集的區(qū)域，東段包括洛子峰(8516 m)、綽莫拉日峰活動頻繁的冰川，相比于喜馬拉雅山中段和西段年均退縮率最大[19]。

1.2 數(shù)據(jù)來源

1.2.1 Landsat 8數(shù)據(jù)

使用來自美國地質(zhì)調(diào)查局(USGS)Landsat 8系列的遙感數(shù)據(jù)，選用其一級產(chǎn)品共11個波段，空間分辨率為30 m。選取2013年3月至2020年12月云量少于10%的影像數(shù)據(jù)共607景。

圖1 研究區(qū)概況圖（底圖為2020年全球10米土地覆蓋[20]）Figure 1 Overview of the study areas (The base map indicates the global 10-meter land cover in 2020[20]）

所有數(shù)據(jù)根據(jù)年份和月份進行匯總（表1），由于本文選取云量少于10%的Landsat 8 OLI影像，在春夏季數(shù)據(jù)量較少，考慮是由于高海拔地區(qū)作為冷熱源使高原總云量和云底高度的季節(jié)變化，空氣在夏季輻合而冬季輻散[21]，導(dǎo)致夏季云量明顯多于冬季，所以獲取到的數(shù)據(jù)主要分布在當(dāng)年10月至次年4月。

表1 2013-2020年喜馬拉雅山中段和東段Landsat 8數(shù)據(jù)Table 1 Landsat 8 data of the middle and eastern Himalayas from 2013 to 2020

注: Landsat 8衛(wèi)星于2013年2月11日發(fā)射，“/”表示數(shù)據(jù)不存在。

1.2.2 冰湖矢量數(shù)據(jù)

共選用兩套冰湖數(shù)據(jù)，其中包含選用從Landsat導(dǎo)出的1990年和2018年亞洲高山冰川數(shù)據(jù)[22]，該數(shù)據(jù)集綜合了喜馬拉雅地區(qū)冰川清單數(shù)據(jù)和1990年、2018年668景Landsat TM、ETM+和OLI云量少于10%的影像，冰川湖泊邊界平均誤差在±15 m以內(nèi)。

2008-2017年亞洲高山冰川湖30 m分辨率數(shù)據(jù)集（Hi MAG數(shù)據(jù)集）[23]。該數(shù)據(jù)集應(yīng)用了2008-2011年的Landsat5 TM影像、2012年的Landsat7 ETM+影像以及2013-2017年期間的Landsat 8 OLI云量少于20%的影像，該數(shù)據(jù)集驗證精度達88%，用戶精度達97%，生產(chǎn)精度達82%。

由于本文針對陸表上的積雪覆蓋，在進行分類后處理時，需要將分類結(jié)果與冰湖數(shù)據(jù)進行合并，其中2013-2017年分別選用對應(yīng)年份Hi MAG冰湖數(shù)據(jù)，2018-2020年均選用2018年亞洲高山冰湖數(shù)據(jù)。

1.2.3 河流與湖泊矢量數(shù)據(jù)

采用2010年全球30 m分辨率地表水?dāng)?shù)據(jù)集[24]為基礎(chǔ)，以歐亞大陸的北極河流為研究對象，對經(jīng)過預(yù)處理的矢量數(shù)據(jù)進行投影變換、拼接和數(shù)據(jù)裁剪，并利用GRWL全球河寬數(shù)據(jù)和SRTM 30 m數(shù)字高程數(shù)據(jù)用于識別每個細(xì)分區(qū)域中的河流[25]。

湖泊數(shù)據(jù)應(yīng)用全球湖泊數(shù)據(jù) Hydrolake數(shù)據(jù)[26]，該數(shù)據(jù)集綜合了加拿大水文數(shù)據(jù)集、美國國家水文數(shù)據(jù)集、歐洲流域和河網(wǎng)系統(tǒng)、全球湖泊和濕地數(shù)據(jù)庫和全球水庫大壩數(shù)據(jù)庫等數(shù)據(jù)繪制全球湖泊數(shù)據(jù)集，約有143萬個湖泊。經(jīng)過廣泛的人工目視驗證，確保湖泊范圍的準(zhǔn)確性。

由于本文針對陸表上的積雪覆蓋，所以將2013-2020年所有分類結(jié)果均應(yīng)用位于喜馬拉雅山區(qū)的河流和湖泊數(shù)據(jù)，將其與分類結(jié)果進行合并。

1.3 數(shù)據(jù)處理

1.3.1 數(shù)據(jù)處理流程

基于上述所獲得的Landsat 8原始數(shù)據(jù)，采用以下步驟開展積雪范圍的提取，具體流程見圖2。

1.3.2 樣本選擇規(guī)則

監(jiān)督分類對于待研究對象或區(qū)域，需要選擇訓(xùn)練樣本建立分類標(biāo)準(zhǔn)。為保證地物類別信息提取，需要將其合并為RGB彩色影像。對比Landsat 8數(shù)據(jù)不同波段組合的目視效果，對于積雪信息的提取效果較好的為6、5、4(R、G、B)波段合成假彩色影像。

圖2 基于Landsat影像積雪覆蓋范圍數(shù)據(jù)提取過程流程圖Figure 2 Flowchart of data extraction process based on snow cover of Landsat imagery

訓(xùn)練樣本的質(zhì)量和數(shù)量對分類結(jié)果有重要影響，所以訓(xùn)練樣本的選擇應(yīng)注意：選取各類目標(biāo)地物面積較大的區(qū)域，每一種地物類別所選取的訓(xùn)練樣本數(shù)據(jù)包括10個以上樣本點[27]，能夠提供不同類別地物的足夠信息，但也要保證訓(xùn)練樣本的簡潔不能過多。統(tǒng)計約100景影像后得出，一景影像內(nèi)選取的積雪和非積雪兩類地物的訓(xùn)練樣本最好不超過80個。若樣本數(shù)量控制在80個以內(nèi)，在保證分類精度的基礎(chǔ)上，每景影像處理時間達5-10分鐘。樣本選取越多數(shù)據(jù)處理速度越慢，實踐證明當(dāng)樣本選到150-200個，數(shù)據(jù)處理時間高達20分鐘以上，大大降低了數(shù)據(jù)處理效率。同時選取的訓(xùn)練樣本要滿足盡可能均勻分布整幅影像。

除以上的訓(xùn)練樣本質(zhì)量控制原則以外，本研究針對不同區(qū)域不同時期積雪訓(xùn)練樣本總結(jié)出以下幾點：

（1）無陰影區(qū)樣本選取

選用的影像數(shù)據(jù)為云量小于10%的數(shù)據(jù)，圖3展示了不同積雪覆蓋區(qū)Landsat 8假真彩影像，其中積雪呈現(xiàn)青藍色。在樣本選取過程中，將不同類別地物的訓(xùn)練樣本通過多次目視修正以及與Google Earth上高分辨率影像數(shù)據(jù)對比將訓(xùn)練樣本分為單一訓(xùn)練樣本和混合訓(xùn)練樣本。對于單一的訓(xùn)練樣本，基于目視解譯對不同類別地物選取不同數(shù)量的單一訓(xùn)練樣本，此次選取的有積雪、裸地、植被、云和山體陰影等（圖3a）；對于混合像元區(qū)域的訓(xùn)練樣本，適當(dāng)選取位于邊緣處的不同類別訓(xùn)練樣本，本研究積雪混合像元主要選取位于積雪與裸地、積雪與植被、積雪與陰影邊緣處（圖3b、c）。

圖3 無陰影區(qū)Landsat 8假彩色影像圖（6、5、4波段）Figure 3 Unshadden landsat 8 false color image(6, 5, 4 bands)

（2）陰影區(qū)樣本選取

在高原山區(qū)由于太陽高度角的不同，產(chǎn)生了不同范圍的山體陰影，而基于遙感影像提取山體陰影區(qū)的積雪也是一個難點。針對喜馬拉雅山陰影區(qū)積雪信息的提取，本研究主要根據(jù)Google Earth上高分辨率影像數(shù)據(jù)對山體陰影區(qū)積雪進行對比和人工目視糾正，來選取正確的積雪訓(xùn)練樣本。

（3）同一地區(qū)不同時期樣本選取

不同時期積雪的覆蓋范圍程度有很大的變化，需要根據(jù)積雪占比來調(diào)整訓(xùn)練樣本的數(shù)量。圖4中展示了喜馬拉雅東段行列號為134040，2016年1月份、2月份、11月份和12月份同一區(qū)域的積雪覆蓋情況。能夠明顯看出，在11月份和12月份積雪占比明顯減少。就此，對于同一區(qū)域不同時期影像的單一訓(xùn)練樣本和混合訓(xùn)練樣本共選取10%左右作為恒定樣本，其余根據(jù)影像中地物類型的變化進行適當(dāng)調(diào)整。

圖4 不同時期Landsat 8假真彩影像圖（6、5、4波段）Figure 4 Landsat 8 false true color image map in different periods (6, 5, 4 bands)

（4）非積雪區(qū)樣本選取

在選取非積雪訓(xùn)練樣本時由于喜馬拉雅山地物類型較為復(fù)雜，除了積雪還有其他類型地物，如裸地、河流、湖泊、山體陰影、植被、云。當(dāng)積雪占比較小時，非積雪地物類型較多，可以適當(dāng)增加非積雪樣本的數(shù)量。

為了保證樣本選擇的正確性，樣本選擇結(jié)束后需計算訓(xùn)練樣本的分離性，即積雪與非積雪兩類間的距離，類別間的統(tǒng)計距離主要是用J-M距離和轉(zhuǎn)換分離度[28]，得到的參數(shù)范圍應(yīng)介于0-2之間，如果參數(shù)大于1.9說明樣本間可分離性比較好，屬于符合要求的訓(xùn)練樣本；參數(shù)值小于1.8則需要重新選擇樣本，若參數(shù)值小于1要考慮樣本合并。

1.3.3 監(jiān)督分類方法

采用支持向量機監(jiān)督分類方法，支持向量機(Support Vector Machine，SVM)通過核函數(shù)將原空間的特征向量非線性映射變換到高維特征空間并建立最優(yōu)分類超平面[29]，SVM比其他的分類器更高效的原因就在于通過核函數(shù)可以降低計算復(fù)雜度構(gòu)造更復(fù)雜的分類器，來求解更復(fù)雜的問題，能夠有效解決地形復(fù)雜的喜馬拉雅山積雪信息提取問題。

選用高斯徑向基函數(shù)（Radial Basis Function, RBF）,該核函數(shù)是非線性分類SVM最主流的核函數(shù)，表達式如下：

γ為是高斯核函數(shù)唯一的超參數(shù)，默認(rèn)為0.143，為表示向量的范數(shù)也可以理解為向量的模。

1.3.4 分類后處理

分類后處理是監(jiān)督分類過程非常重要的一步，由于監(jiān)督分類的結(jié)果會產(chǎn)生小面積圖斑，結(jié)合積雪制圖方法和實際情況，應(yīng)需對監(jiān)督分類結(jié)果進行分類后處理。

首先，對監(jiān)督分類的結(jié)果運用人工目視解譯的方法進行判讀，少數(shù)影像會出現(xiàn)明顯錯分的地物，對此將根據(jù)先驗知識對影像中錯分的像元進行局部手動修改。若在初步分類沒有將積雪像元與云像元很好地區(qū)分開來，在后處理步驟應(yīng)用ENVI Classic對錯分云像元進行手動剔除，進一步提高分類結(jié)果的質(zhì)量。應(yīng)用Majority分析方法對分類結(jié)果中小圖斑進行去除或重新分類，得到小斑塊去除的積雪覆蓋范圍影像，圖5為2015年3月20日行列號142040區(qū)域分類后處理前后對比圖，可看出分類后處理的影像小斑塊明顯減少。

圖5 Majority分析分類后處理前后對比圖Figure 5 Comparison before and after Majority analysis and classification processing

其次，由于喜馬拉雅山的河流湖泊較多，為了以后更好地分析陸表不同年份、不同季節(jié)積雪面積的變化，本研究利用輔助數(shù)據(jù)將冰湖、河流和湖泊數(shù)據(jù)與分類結(jié)果進行合并，并將其賦予不同的像素值，得到最終的積雪覆蓋范圍產(chǎn)品數(shù)據(jù)集。

1.4 同鄰域冠層調(diào)整方法對比

目前已有美國西部積雪覆蓋數(shù)據(jù)產(chǎn)品，經(jīng)過對比驗證 SVM 方法在地形復(fù)雜的山區(qū)具有更好積雪識別效果。美國USGS積雪數(shù)據(jù)產(chǎn)品選用自1984年以來所有可用的Landsat TM、Landsat ETM+和Landsat OLI 空間分辨率30 m的影像數(shù)據(jù)進行雪蓋制圖。USGS Landsat積雪面積科學(xué)數(shù)據(jù)產(chǎn)品繪制了逐像素積雪覆蓋率(FSCA)。應(yīng)用鄰域冠層調(diào)整算法[30]，結(jié)合 30 m分辨率的美國國家土地覆蓋數(shù)據(jù)庫、2011年的土地覆蓋和森林冠層百分比數(shù)據(jù)集和10 m分辨率的DEM數(shù)據(jù)，從Landsat地表反射率數(shù)據(jù)中計算出積雪面積覆蓋率。

為驗證 SVM 方法同鄰域冠層調(diào)整方法在山區(qū)積雪提取結(jié)果差異性，隨機選取多景位于美國西部山區(qū)且云量少于10%的Landsat OLI影像進行比對。通過目視解譯的方法檢驗兩種方法所得的結(jié)果（表2）。結(jié)果顯示，SVM方法比鄰域冠層調(diào)整方法在部分區(qū)域識別到的積雪更接近Landsat 8假彩色影像，鄰域冠層調(diào)整方法存在少量漏分錯分。

表2 積雪分類結(jié)果對比表Table 2 Comparison table of snow classification results

日期 云量 Landsat 8假真彩影像（6、5、4波段） SVM方法結(jié)果 鄰域冠層調(diào)整方法結(jié)果2016.12.29 7.95%2016.12.29 7.95%2016.01.04 9.35%2017.01.27 0.19%images/BZ_281_754_422_1148_800.pngimages/BZ_281_1253_422_1647_800.pngimages/BZ_281_1754_422_2148_800.pngimages/BZ_281_754_814_1148_1192.pngimages/BZ_281_1253_814_1647_1192.pngimages/BZ_281_1754_814_2148_1192.pngimages/BZ_281_754_1206_1148_1584.pngimages/BZ_281_1253_1206_1647_1584.pngimages/BZ_281_1754_1206_2148_1584.pngimages/BZ_281_754_1598_1148_1976.pngimages/BZ_281_1253_1598_1647_1976.pngimages/BZ_281_1754_1598_2148_1976.png

在植被覆蓋率較高的區(qū)域，分別選取位于洪堡-托伊亞比國家森林、美國黃石國家公園等Landsat 8影像（表3），通過目視解譯能夠看出，被植被冠層遮擋區(qū)域的積雪，USGS產(chǎn)品運用鄰域冠層調(diào)整的方法相對于本研究的方法提取到更多位于森林覆蓋下的積雪。

表3 植被覆蓋率較高地區(qū)積雪分類結(jié)果對比表Table 3 Comparison table of snow classification results in areas with high vegetation coverage

日期 云量 Landsat 8假真彩影像（6、5、4波段） SVM方法結(jié)果 鄰域冠層調(diào)整方法結(jié)果2020.12.05 0.43%2016.03.18 7.95%images/BZ_282_754_422_1148_800.pngimages/BZ_282_1253_422_1647_800.pngimages/BZ_282_1754_422_2148_800.pngimages/BZ_282_754_814_1148_1192.pngimages/BZ_282_1253_814_1647_1192.pngimages/BZ_282_1754_814_2148_1192.png

2 數(shù)據(jù)樣本描述

2.1 命名格式

基于 Landsat 8喜馬拉雅山脈中段和東段高分辨率積雪覆蓋數(shù)據(jù)集的命名遵循如下規(guī)則：

HIL8_X_SCE_HHHVVV_YYYYMMDD_V1.tif，其中：

（1） HI：喜馬拉雅山（Himalaya）；

（2） L8：Landsat 8；

（3） X：位置（E代表喜馬拉雅山東段，C表示喜馬拉雅山中段）；

（4） SCE：積雪覆蓋范圍；

（5） HHH：Landsat行號；

（6） VVV：Landsat列號；

（7） YYYY：表示年份；

（8） MM：表示月份；

（9） DD：表示具體日期；

（10） V1：表示第一版本。

例如：HIL8_E_SCE_134040_20131117_V1.tif，表示喜馬拉雅山東段2013年11月17日行列號為134040的 Landsat 8積雪數(shù)據(jù)產(chǎn)品。

2.2 分類描述

本套Landsat 8積雪覆蓋范圍數(shù)據(jù)集中像素值表示信息如下。詳細(xì)信息如表4所示。

2.3 數(shù)據(jù)樣本示例

喜馬拉雅山東段樣本：圖6a、b為134040區(qū)域積雪提取結(jié)果，c、d為137041區(qū)域提取結(jié)果，兩組圖積雪覆蓋范圍在同月不同年份有減少的趨勢。

喜馬拉雅山中段樣本：圖6中的 e、f為行列號為 141040區(qū)域積雪提取結(jié)果，g、h為行列號143039區(qū)域的積雪提取結(jié)果，兩組積雪覆蓋范圍在同年不同月份，積雪覆蓋范圍有很大變化。

表4 數(shù)據(jù)集影像分類描述表Table 4 Dataset image classification description table

3 數(shù)據(jù)質(zhì)量控制和評估

獲取位于喜馬拉雅山中段和東段4景空間分辨率為10 m的Sentinel-2數(shù)據(jù)作為參考數(shù)據(jù)對本數(shù)據(jù)進行驗證。為滿足時間和空間均勻分布，數(shù)據(jù)分別為2017年1月19日行列號為135040喜馬拉雅山東段、2019年1月24日行列號為144039喜馬拉雅山中段、2018年3月10日行列號為144039喜馬拉雅山中段和2019年5月9日行列號為143040喜馬拉雅山中段Sentinel-2數(shù)據(jù)。對Sentinel-2數(shù)據(jù)使用相同方法提取積雪像元，評估Landsa 8在積雪邊緣區(qū)的識別精度。為保證每個網(wǎng)格中兩種數(shù)據(jù)的面積相同，創(chuàng)建900×900 m格網(wǎng)，選取位于積雪邊緣區(qū)的格網(wǎng)，通過計算兩種結(jié)果每個網(wǎng)格中的積雪占比得出評估結(jié)果。

圖6 喜馬拉雅山中段和東段積雪范圍產(chǎn)品示例圖Figure 6 Product samples in the snowy range of the middle and eastern Himalayas

均方根誤差(RMSE)反映觀測數(shù)據(jù)與參考數(shù)據(jù)在邊緣區(qū)的誤差（網(wǎng)格對網(wǎng)格），可采用下面公式表示：

N代表樣本的數(shù)量，xi代表觀測數(shù)據(jù)即 Landsat每個網(wǎng)格中積雪占比，yi代表為參考數(shù)據(jù)即Sentinel-2每個網(wǎng)格中的積雪占比，單位為每/格網(wǎng)積雪占比。

相關(guān)系數(shù)(r)反映兩個數(shù)據(jù)之間的相關(guān)性，可采用下面的公式表示：

x?代表觀測數(shù)據(jù)平均值即Landsat平均每個網(wǎng)格中積雪占比，y?代表參考數(shù)據(jù)平均值即Sentinel-2平均每個網(wǎng)格中的積雪占比。

表5顯示Landsat與Sentinel-2相關(guān)系數(shù)均在0.95以上，均方根誤差在0.1左右，說明30 m分辨率Landsat 8與10 m分辨率的Sentinel-2積雪數(shù)據(jù)具有較高的一致性。

表5 擬合優(yōu)度、相關(guān)系數(shù)和均方根誤差Table 5 Goodness of fit, correlation coefficients, and root mean square errors

通過對網(wǎng)格內(nèi)兩種數(shù)據(jù)結(jié)果進行線性擬合，圖7顯示Landsat與Sentinel-2擬合結(jié)果R2均在0.9以上，趨勢線斜率接近1，擬合效果較好。Landsat在1、3月份存在高估現(xiàn)象，在5月份（圖7d）出現(xiàn)輕微低估現(xiàn)象，考慮可能是由于5月份瞬時積雪已基本消融，可供選取積雪網(wǎng)格數(shù)量較少導(dǎo)致Landsat出現(xiàn)低估。

圖7 用Sentinel-2積雪分類結(jié)果驗證Landsat 8積雪覆蓋范圍數(shù)據(jù)散點圖Figure 7 The scatter plot of landsat 8 snow cover data verified by the Sentinel-2 snow classification results

4 數(shù)據(jù)使用方法和建議

數(shù)據(jù)集共享了喜馬拉雅山中段和東段地區(qū)2013-2020年高分辨率積雪覆蓋范圍數(shù)據(jù)，文件存儲為tif格式，用戶可以根據(jù)不同區(qū)域和年份選擇下載。數(shù)據(jù)集可以反映喜馬拉雅山積雪覆蓋范圍的變化特征，也適用于喜馬拉雅山脈及下游地區(qū)水資源管理、生態(tài)效益和洪澇災(zāi)害等問題的研究。對于喜馬拉雅山脈氣候變化研究、長時間序列積雪變化分析和未來預(yù)測提供重要參考，也可為中低分辨率積雪數(shù)據(jù)產(chǎn)品的驗證和降尺度提供樣本數(shù)據(jù)。

致 謝

感謝美國地質(zhì)調(diào)查局(USGS)提供Landsat 8數(shù)據(jù)產(chǎn)品以及歐洲航天局(ESA)提供的Sentinel-2數(shù)據(jù)產(chǎn)品。