冰雪遙感監測方法綜述

吳曉晨 ，孟令奎 ，張東映 ，郭善昕 ，刁 偉 ，樊志偉 ，成建國

（1. 武漢大學遙感信息工程學院， 湖北 武漢 430079；2. 水利部水利信息中心，北京 100053）

0 前言

雪在全球氣候系統中起著重要的作用，大范圍積雪會影響到氣候的變化、水資源的利用等。2008年初，我國南部遭遇歷史罕見的冰雪災害，給國民經濟和人民生命財產安全造成極大的損失，因此進行冰雪監測顯得尤其重要。

遙感技術在對大范圍雪災進行監測方面具有其他常規手段無法替代的優勢，可以對冰雪覆蓋范圍、雪水當量、冰分布狀況和形式、冰厚度等進行實時動態監測，從而判斷出是否會發生雪災。國內外學者已在該領域開展很多研究，并且總結出很多可用的冰雪監測算法。為了更好地利用遙感技術進行冰雪監測，提高監測精度，本文對常用監測方法的原理及優缺點進行分析。

1 利用光學傳感器監測冰雪

1.1 Snowmap 算法

Snowmap 是由 Hall 等人[1]（1995 年）提出的針對 MODIS（中分辨率成像光譜儀）數據進行冰雪監測的算法。美國國家冰雪數據中心用該算法提供MODIS 每日、8 日和每月的冰雪覆蓋產品。該算法使用歸一化冰雪指數（NDSI），NDSI 由可見光和近紅外波段反射率計算得到：式中：b4 和 b6 分別指 MODIS 的第 4 和 6 波段。

雖然這個公式對 Terra 和 Aqua MODIS 具有一般適用性，但是因為 Aqua MODIS 中的第 6 波段不能用，而 MODIS 的第 6 和 7 波段之間的相關性比較高，所以 NDSI（Aqua）的計算用第 7 波段。

相比第 6 波段，第 7 波段反射率的量級比較小些。此外，第 6 和 4 波段間的空間錯誤匹配占 0.1 個像素，而第 7 和 4 波段間的空間錯誤匹配占 0.3 個像素（Salomonson and Appel 2006 年）。但經 Riggs and Hall（2004 年）證實，更換波段后，極大地提高了Aqua MODIS 產品的精度。

NDSI 可以用來自動區分云和雪。在 MODIS 的第 6 波段（Aqua 取第 7 波段）云的反射率很高，而在此波段雪的反射率則接近零[1]（Hall 等人，1995）。一般用 NDSI＞0.4 這個閾值范圍表示冰雪覆蓋，這個值是由 Hall 等人（1995 年）在對美國區域進行監測后提出的。Klein 和 Barnett[2]（2003年）證明 NDSI＞ 0.4 是可以用來表示冰雪覆蓋的。在森林覆蓋區，因為森林的存在往往掩蓋了冰雪覆蓋的地方，所以這種方法可能會導致低估和高估。為了防止低估，需要降低 NDSI 閾值。Hall 等人[3]（2002 年）研究表明，當歸一化植被指數（NDVI）大約為 0.1 時，NDSI ＜ 0.4 也表示冰雪，也可能表明該森林地區存在冰雪覆蓋。為了防止高估，當某像素被檢測為冰雪時，MODIS 的第 4 波段（Landsat TM 的第 2 波段）反射率必須超過 10%[4]（Klein，1998 年）。因為深色的表面，顯著降低了反射率，因此導致 NDSI 計算時的分母相當小而計算得到的NDSI 值相當大，所以必須進行額外的反射率測試來提高產品的精度?？梢姽獠ǘ畏瓷渎屎苄〉脑鲩L會導致像素的 NDSI 足夠高，從而被誤判為冰雪，所以 Snowmap 算法只適用于至少有 50% 的局部冰雪覆蓋的影像。如果試圖監測到更小范圍的冰雪覆蓋，可能會錯誤地將明亮、無雪的表面誤認為冰雪覆蓋表面。在晴空條件下，美國國家航空航天局（NASA）的 MODIS 每日冰雪覆蓋產品的整體精度達到 93%，對于不同的土地覆蓋類型和雪情，精度會有所不同[5]（Hall 和 Riggs 2007 年）。冰雪覆蓋產品在所有氣候條件下的整體精度是比較低的，對于Aqua MODIS，每日冰雪覆蓋產品整體精度只達到31%；對于 Terra MODIS，精度達到 45%[6]（Gao 等人 2010 年）。

1.2 Snowcover 算法

Snowcover 算法[7]是 Fernandes 和 Zhao 在 2008年專門為覆蓋北半球的 AVHRR（五光譜通道的掃描輻射儀）數據所研究的算法，使用表觀反射率、NDVI、晴空表面的寬帶反照率、表面溫度、太陽天頂角及 1 個云模板進行分析。由于最初設計 Snowcover 算法是用于 1 km 分辨率的 AVHRR 影像，所以此算法也可對 5 km 分辨率的 AVHRR 陸地柵格單元進行冰雪覆蓋監測?？偨Y出的冰雪覆蓋產品的計算步驟如下：1）由 1 個自適應排列濾波器對每個柵格單元進行時序濾波和插值；2）將 AVHRR數據的通道 1 正?；癁闃藴什杉瘞缀涡螤?；3）冰雪監測。針對此冰雪覆蓋監測，每年都會對各個像素的時間穩定性進行分析。使用無雪和冰雪覆蓋像素的表面溫度及其 NDVI 的時間序列樣本定義閾值，并用這個閾值進行最終的冰雪覆蓋分類。只有當像素值在無雪像素的閾值之上時，此像素才被認為是冰雪。上述分析同樣適用于在有云情況下估計冰雪覆蓋。在夏、秋兩季，最終的溫度閾值可以消除錯誤分類。利用 Snowcover 算法得到 1982—2008 年間北冰洋西部 90% 的冰雪覆蓋圖，并對其中 50% 進行了測試，精度達到 87%[7]。

1.3 ARSIS 算法

到目前為止，冰雪覆蓋產品常見的缺陷是空間分辨率比較低。1 個分辨率大小為 500 m×500 m 的像素可能不適合對本地或局部冰雪覆蓋地區進行分類。Sirguey 等人[8]（2008 年）提出 ARSIS 算法，對MODIS 的空間分辨率降尺度后進行冰雪覆蓋監測。ARSIS 算法就是將具有不同空間分辨率的 MODIS 通道融合到 1 個改進了的冰雪覆蓋的產品中，具體的說，就是將 MODIS 的 1 個高分辨率波段與 1 個低分辨率波段進行融合得到 1 個新的高分辨率波段[9]（Ranchin 和 Wald 2000 年）。由于沒有可用的全色波段，選擇最接近各自低分辨率通道的高分辨率波段作為轉換波段（MODIS b1≥ b3 和 b4; MODIS b2≥b5，b6，b7）。在計算得到新的 MODIS 通道及對地形和大氣進行校正后，為得到子像素的冰雪覆蓋信息，還需進行適用于 8 個端元的線性約束，從而得到更好的冰雪覆蓋產品。將所得結果與 1 個 15 m 分辨率的 Aster（搭載在 Terra 衛星上的星載熱量散發和反輻射儀）參考圖像相比，整體高估的冰雪覆蓋面積從4.1% 下降至 1.9%，平均絕對誤差減少了 20%，同時，全球質量指數（一個普遍的圖像質量指數[10]，Wang, Z. 和Bovik（2002 年））上升了 3%。同時，因為在陡峭的地形條件下，較低的分辨率可能會顯著增加冰雪覆蓋和局部冰雪覆蓋的誤判，所以此法對在陡峭的地形條件下實現環境和水文的冰雪覆蓋監測是有利的。

2 局部冰雪覆蓋監測算法

2.1 監督分類法

Pepe 等人[11]（2005 年）對 MERIS（中分辨率成像光譜儀）數據采用監督分類法估計局部冰雪覆蓋。在交互選擇訓練樣本的基礎上，計算像素屬于某個相應的土地覆蓋物類別的概率。因此，每個土地覆蓋類型創建的分類圖中都包含了 1 個值，這個值描述了 1 個像素代表各自的土地覆蓋類型的可能性。Fisher 和 Pathirana[12]（1990 年）表明，這種分類圖可以用來估計局部土地覆蓋信息，尤其對光譜特征顯著的土地覆蓋分類的準確度比較高（對于水體的相關系數為 0.984，對于濕地的相關系數為0.945）；另一方面，不同光譜特征的土地覆蓋分類具有較小的相關性（對于建筑面積的相關系數為0.472，對于裸土區的相關系數為 0.504）。由于冰雪覆蓋的光譜特征比較穩定（在可見光波段反射率高達90%，在近紅外波段反射率接近零），所以對局部冰雪覆蓋進行監督分類得到的結果具有良好的精度。

2.2 SnowFrac 算法

Vikhamar 和 Solberg[13]（2002 年）提出采用SnowFrac 法提高森林地區冰雪覆蓋的監測精度。SnowFrac 是基于線性光譜混合模型開發的，線性光譜混合模型用來模擬森林像素反射。在線性光譜混合模型中先通過子模型對森林覆蓋的數字地圖和幾個端元部分進行估計，可以根據一些主要的樹種，對這個模型進行調整。因此，模型化后的像素反射率包括各個樹種、冰雪或者裸土所占據的面積比例的總和。該模型的子模型有 BirchMod，ShadMod 和DiffusMod，其中，BirchMod 是考慮太陽高度角對 1個無葉的白樺樹的有效分支面積進行計算得到樹高的函數；ShadMod 用來估計太陽照射下樹木在冰雪覆蓋上造成的陰影；DiffusMod 用來計算被樹冠屏蔽，而未到達傳感器的散射和輻射量。通過端元分解整個線性光譜混合模型，一旦其他的變量已知，便可以用來估計局部冰雪覆蓋。同時，每增加 1 個子模型，產品精度也會相應得到提高。例如，對于白樺林，ShadMod 模型將 R2從 0.48 增加到 0.62，最大程度地改進了結果精度。

3 利用光譜反射信息監測云層下的冰雪覆蓋

3.1 Snowl 算法

Snowl 算法是 Parajka 等人[14]（2010 年）提出的基于 MODIS 冰雪覆蓋產品決定雪線區域的算法。如果云覆蓋像素位于雪線區域之上，則可以定義為冰雪覆蓋；否則，會被重新分類為無雪。在標準的MODIS 冰雪覆蓋產品中，此法能夠將云層覆蓋從60% 減少至 20%。但是如果云覆蓋占整個場景的比例過大，此法將不能正常工作。根據云的閾值，最終結果的精度范圍從 48.7% 至 81.5% 不等。

3.2 Terra 和 Aqua MODIS 衛星相結合的算法

Wang 和 Xie[15]（2009 年）提出利用 Terra 和Aqua MODIS 相結合的算法來減少云層覆蓋的影響。使用這種方法，只需要 2 d 便可以從 MODIS 影像中提取出無云的冰雪范圍。與 20 個氣象觀測站的現場測量相比，Aqua–Terra 綜合產品的精度達到 90%。

根據 Wang 和 Xie 的研究成果，Gafurov and Bárdoyy[16]（2009年）采用 6 個連續步驟對云下冰雪進行內插，此法基于 MODIS 每日冰雪產品，而這些產品是由 Snowmap 算法得到的。具體步驟如下：第1 步，采用 Terra 和 Aqua MODIS 冰雪產品相結合的方法減少云覆蓋的影響；第 2 步，進行冰雪信息的時間組合，對過去的 2 d 到未來 1 d 或者過去 1 d到未來 2 d 的無云分類結果進行分析；第 3 步，計算冰雪的最高和最低海拔估值，只能用于云覆蓋率小于 30% 的場景；第 4 步，對各個云覆蓋像素的 4 個相鄰像素的冰雪狀況進行分析，如果有 3 個及以上被列為冰雪覆蓋，中心像素也將被劃分為冰雪覆蓋；第 5 步分析每個云覆蓋像素的 8 個相鄰像素，如果 1 個像素是冰雪覆蓋，其直接相鄰的像素被云遮住了，但云像素有 1 個更高的海拔，則這個相鄰像素也被認為是冰雪覆蓋；第 6 步，對整個雪季的各個像素的時間序列進行分析，以確定冰雪積累的開始日期和完全融化的結束日期。為了對結果進行驗證，人為的將許多少量云覆蓋的 MODIS 冰雪產品修改成具有大量云覆蓋的產品。研究表明，第 1 步中 Terra 和 Aqua MODIS 的結合使結果得到了很大改善，第 4 步去除的云覆蓋像素最少，第 6 步去除的最多。如果按指定的順序執行第 2～5 步，則精度能達到 90%～96%。

4 利用無源微波傳感器監測冰雪覆蓋

Pulliainen 和 Hallikainen[17]（2001 年）對芬蘭的Kemijoki 流域面積分別用傳統的無源微波觀測法和基于雪輻射模型的自動反演算法（又稱為 HUT 法）計算雪水當量，并對 2 項結果進行了比較。

HUT 算法是基于積雪輻射模型的迭代算法，而積雪輻射模型是晶粒尺寸、冰雪密度和雪水當量的函數。1993—1994 年，對芬蘭的 Kemijoki 流域進行夜間觀測，結果表明，用傳統無源微波觀測時，垂直（V）偏振光得到的結果相關系數為 0.82，水平（H）偏振光得到的結果相關系數只有 0.76，而且，只有當最高氣溫高于 0°C 時，傳統方法才能夠進行。而 HUT 算法得到的結果相關系數 R = 0.93。此外，用 HUT 算法對 1993—1994 年，1997—1998 年的隆冬季節的冰雪覆蓋進行計算，得到相關系數為0.75（觀測溫度低于 0℃）到 0.62（對所有隆冬季節的觀測）。因此，HUT 比傳統方法計算得到的雪水當量結果更好更為準確。

5 基于影像融合監測冰雪覆蓋

5.1 基于影像融合的冰雪監測方法

Gao 等人（2010 年）首先結合 Aqua 和 Terra MODIS 進行去云處理，MODIS 產品的整體云覆蓋（Aqua MODIS 為 60.0%，Terra MODIS 為 55.0%）減少到 47.8%；然后將 MODIS 可見光波段和AMSR-E 被動微波數據進行融合。AMSR-E 的 25 km像素分辨率降尺度到 500 m。使用融合后的 MODIS冰雪覆蓋產品的冰雪覆蓋像素的實際數量計算雪水當量 SWE。假設 MODIS 導出的冰雪覆蓋像素的雪水當量是線性分布的，重新計算原雪水當量值：式中：SWEn指對于各個 500 m 分辨率的新 SWE 的值；SWE0指 AMSR-E 25 km 分辨率雪水當量值；Nsnow代表冰雪覆蓋在 AMSR-E 像素中 MODIS 像素的數目。

對費爾班克斯和上蘇西特納谷、阿拉斯加區域進行組合產品的精度測試，并與 2006 年 10 月 1 日至 2007 年 9 月 30 日的實測數據相比較，融合后的冰雪覆蓋產品的冰雪分類精度達到 86%，比單獨使用 Terra-AquA MODIS 冰雪覆蓋產品（49%）好得多，且略優于 AMSR-E 冰雪分類精度（85%）。

5.2 ANSA 算法

Foster 等人[18]（2011 年）提出 ANSA 算法。該算法結合 MODIS 的可見光波段，AMSR-E 的被動微波和星載微波散射計 QSCAT 的散射數據，產生的單一的冰雪數據集，包含雪水當量、冰雪范圍、局部冰雪覆蓋、雪包成熟、冰雪剛融化和已融化區。ANSA算法和現有方法的不同之處主要在于使用了散射數據。在默認情況下，天氣晴朗時使用 MODIS 冰雪覆蓋產品估計冰雪范圍，因為它具有最好的精度；當有云層覆蓋時，選擇 AMSR-E 監測冰雪范圍；QSCAT后向散射數據可以用來確定冰雪剛融化和已融化的區域。由此得來的 ANSA 混合產品的精度比單獨的MODIS 和 AMSR-E 都要高，目前對此算法的研究工作集中在如何提高產品的分辨率上。

6 結語

遙感監測冰雪覆蓋特征的可利用的方法包括設定單波段的簡單閾值、波段比值、積雪指數（如NDSI）、依賴積雪短暫穩定性的算法，以及把混合像元看做矢量區分云和積雪的算法。根據可用的輸入數據和需要研究的問題決定選擇哪種算法進行監測。大量驗證表明，用 Snowmap 算法對 MODIS 數據進行冰雪覆蓋監測得到的結果，在晴空條件下是非常準確的。有些方法則需要額外的數據，比如水體模板，土地覆蓋類型或數字高程模型（DEM），這些額外的數據可以防止算法將水體錯誤分類為積雪。此外，在積雪監測中森林覆蓋率信息對閾值的調整是有幫助的。同時，用 DEM 可以計算坡度和坡向，也可以進一步提高算法的精度。還有一些算法將來自不同傳感器的數據結合起來進行冰雪覆蓋監測，比如，將光學反射率數據與微波數據相結合，可以在各種氣候條件下進行冰雪監測，如果再將散射數據結合進來，便可以同時確定冰雪剛融化和已融化區，得到更全面的冰雪覆蓋信息。

本文提到的方法可以進行每日冰雪覆蓋監測和雪水當量的計算，精度取決于衛星傳感器的選擇、算法的使用，以及研究區域的輔助輸入數據。雖然冰雪覆蓋監測的算法在 20 世紀 60 年代已經開始發展，但仍然有很大的發展空間?？梢砸胄碌膫鞲衅?、研究新的適應性算法或者將舊的算法進行組合，這些都將是以后研究冰雪遙感監測的重點。

[1]HALL, D.K., RIGGS, G.A. and SALOMONSON, V.V..Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data[J]. Remote Sensing of E nvironment, 1995 (54): 127–140.

[2]KLEIN, A. and BARNETT, A.C.. Validation of daily MODIS snow cover maps of the Upper RioGrande River Basin for the 2000–2001 snow year[J]. Remote Sensing of Environment,2003, (86): 162–176.

[3]HALL, D.K., RIGGS , G.A., SALOMONSON, V.V..DIGIROLAMO, N.E. and BAYR, K .J., MODIS snow-cover products[J]. Remote Sensing of Environment, 2002 (83):181–194.

[4]KLEIN, A.G., HALL,D.K. and RIGGS, G.A.. Improving snow-cover mapping inforests through the use of a canopy ref l ectance model. Hydrological Processes[J].1998 (12):1723–1744.

[5]HALL,D.K. and RIGGS, G.A.. Accuracy assessment of the MODIS snow products[J]. Hydrological P rocesses, 2007 (21):1534–1547.

[6]GAO, Y.. XIE, H .. LU , N.. YAO,T. and LIANG, T.. 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):23–35.

[7]FERNANDES,R.and ZHAO, H.. Mapping daily snow cover extent over land surfaces using NOAA AVHRR imagery[C]//In Paper Presented at 5th EARSeL Workshop: Remote Sensing of Land Ice and Snow. Bern, Switzerland: European Association of Remote Sensing Laboratories, 2008:1–8.

[8]SIRGUEY, P., MATHIEU, R., ARNOUD, Y., et al. Improving MODIS spatial resolution or snow mapping using wavelet fusion and ARSIS concept[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008 (5):78–82.

[9]RANCHIN , T. and WALD, L .. Fusion of high spatial and spectral resolution images:the ARSIS concept and its implementation[J]. Photogrammetric Engineering and Remote Sensing, 2000 (66): 49–61.

[10]WANG,Z.and BOVIK, A.C.. A universal image quality index[J]. IEEE Signal Processing Letters , 2002 (9): 81–84.

[11]PEPE, M., BRIVIO, P.A., RAMPINI, A., ROTANODARI,F. and BOSCHETTI, M., 2005, Snow cover monitoring in Alpine regions using ENVISAT optical data[J]. International Journal of Remote Sensing, 2010 (26): 4661–4667.

[12]FISHER, P.F. and PAT HIRANA, S.. The evaluation of fuzzy membership of land cover classes in the suburban zone[J]. Remote Sensing of Environment,1990 (34) : 121–132.

[13]VIKHAMAR, D.and SOLBERG, R.. Subpixel mapping of snow cover in forests by optical remote sensing[J]. Remote Sensing of Environment, 2002 (84): 69–82.

[14]PARAJKA, J., PEPE, M., RAMPINI, A., et al. A regional snow-line method for estimating snow cover from MODIS during cloud cover[J]. Journal of Hydrology, 2010 (381):203–212.

[15]WANG, X., XIE,H.and LIANG, T.. Development and assessment of combined Terra and Aqua MODIS snow cover products in Colorado Plateau, USA and Northern Xinjiang,China[J]. Journal of Applied Remote S ensing,2009a (3): 1–15.

[16]GAFUROV, A. and BáRDOYY , A.. Cloud removal m ethodology from MODIS snow cover product[J]. Hydrology and Eart h System Sciences, 2009 (13): 1361–1373.

[17]PULLIAINEN, J.T. and HALLIKAINEN, M.. Retrieval of regional snow water equivalent from space-borne passive microwave observations[J]. Remote Sensing of Environment,2001 (75):76–85.

[18]FOSTER, J.L., HALL, D.K., EYLANDER, J.B., et al. A blended global snow product using VIS, passive microwave and scatterometer satellite data[J]. International Journal of Remote Sensing, 2011 (32): 1371–1395.

[19]WANG, X., XIE, H., LIANG, T, et al. Comparison and validat ion of MODIS standard and new combination of Terra and Aqua snow cover products in Northern Xinjiang,China[J].Hydrological Processes, 2009b (23): 419–429.

[20]鄭照軍，劉玉潔，張炳川. 中國地區冬季積雪遙感監測方法改進[J]. 應用氣象學報，2004, 15 (增刊): 75–84.

[21]曾群柱. 我國西北若干種冰、雪及水體反射光譜特性的研究[J]. 中國科學（B 輯），1984 (4): 370–377.

[22]郭鈮，楊蘭芳，李民軒. 利用氣象衛星資料研究祁連山區植被和積雪變化[J]. 應用氣象學報，2003, 14 (6): 700–707.