基于MODIS与AMSR-E数据的雪被产品合成及精度评价

吕志邦，王 玮，冯琦胜，于 惠，梁天刚

(兰州大学草地农业科技学院 农业部草地农业生态系统学重点实验室，甘肃 兰州 730020)

积雪对地表水循环、气候变化、生态环境与人类生产和生活具有较强的影响。在我国北方和青藏高原地区，长时间大范围的积雪常常引发灾害，严重制约当地畜牧业的可持续发展。因此，对积雪进行动态监测具有很重要的意义[1-6]。

自从美国航空航天局(National Aeronautics and Space Administration，NASA)于1999年12月18日、2002年5月4日分别发射了地球观测系统(earth observing system，EOS)卫星Terra(上午星)和Aqua(下午星)以来，MODIS数据成为全球研究雪被的遥感工作者的主要数据源[7-8]。此外，Aqua卫星上还搭载了AMSR-E 被动微波辐射计，比以往的扫描多通道微波辐射计(scanning multichannel microwave radiometer,SMMR)、微波成像辐射计(special sensor microwave/imager,SSM/I) 等被动微波辐射计提供更高空间分辨率和更多微波波段的信息[9-10]。由于其空间分辨率较低(25 km)，AMSR-E数据主要用作较大尺度范围的雪深、积雪覆盖范围和雪水当量的研究。

由于云与积雪的反射光谱特性，使用光学探测器的MODIS遥感资料在监测积雪面积时受天气状况的极大限制[2,9,11]。所以，寻找和探索新的合成产品以去除云层影响的研究成为雪被工作者们所关注的热点问题[7-15]。将Terra和Aqua卫星的MODIS数据与其他传感器的数据进行合成，已成为去除云干扰的行之有效的方法[16]。Gao等[17]利用每日MODIS/Terra-Aqua和AMSR-E SWE生成了用户自定义的无云雪被图像数据(MOD_AE SC)，在阿拉斯加地区的Fairbacks和Upper Susitna Valley进行的测试表明，在所有天气状况下积雪一致性达85.6%，高于每日MODIS/Terra-Aqua合成雪被图像的48.6%。Liang等[11]利用MODIS每日积雪产品MODIS/Terra和被动微波每日积雪产品AMSR-E SWE合成了新疆北部地区的每日积雪产品MOD-AE。该产品在各种天气状况下的积雪分类精度可达74.5%，远高于MODIS每日积雪产品的积雪分类精度。以上研究均基于多传感器数据的单日合成，或是MODIS双传感器数据的多日合成，而MODIS双传感器与AMSR-E雪水当量数据的多日合成仍然是积雪遥感研究的空白。

本研究以青海省为例，运用MODIS每日积雪分类产品和被动微波辐射计AMSR-E 五日雪水当量产品，对青藏高原MODIS和AMSR-E数据积雪合成算法进行探索，研究五日积雪图像的合成算法及精度，以便达到更好的去云效果，及解决已有研究单日合成产品无法解决微波产品的裂缝问题，从而有效提高积雪监测的精度和范围，以期为进一步克服云层对MODIS每日积雪产品分类精度的影响及AMSR-E 雪水当量数据中裂隙对合成产品准确性的限制提供科学依据。

1 材料与方法

1.1研究区概况 青海省位于青藏高原东北部，地理范围为31°39′～39°19′ N，89°35′～103°04′ E，东西长约1 200 km，南北宽约800 km，省内平均海拔4 000 m以上。青海气候类型为高原大陆性气候，年平均气温为1.37 ℃，平均每年≥0 ℃的积温为1 771.68 ℃，年均降水量为365.7 mm，年日照时数介于2 250～3 602 h。全省天然草地资源丰富，是我国的五大牧区之一。草甸植被为全省草地主要植被类型，其次为荒漠植被和草原植被。由于海拔高、降水量相对丰富等，全省冬季雪灾严重，大部分地区连年发生雪灾，降雪多、积雪深、积雪时间过长，致使大批牲畜死亡，积雪灾害已成为影响草地畜牧业可持续发展的主要自然灾害之一[18-20]。

1.2研究材料 1) AMSR-E雪水当量产品：覆盖范围为北半球，时间范围为2002年10月1日-2008年3月31日的6个积雪季，在美国国家冰雪数据中心(National Snow and Ice Data Center，NSIDC)网站下载[12]，地图投影格式为EASE-Grid_north，总计377幅图像。2)MODIS遥感图像：在美国国家冰雪数据中心网站下载[12]，时间序列为2002年10月1日-2008年3月31日的6个积雪季，研究区每日有2幅图像，编号为h25v05和h26v05，投影格式为正弦曲线地图投影，MOD10A1产品共计2 168幅，MYD10A1产品共计2 184幅。3)气象资料：青海省47个地面气象观测台站测量的日降雪量、积雪深度等资料。4)空间数据库：主要有青海省地、州、市和县级行政分区界限、积雪定位观测站点空间分布等空间数据(图1)。

1.3研究方法

1.3.1数据预处理 分别对MODIS每日积雪分类产品MOD10A1和MYD10A1图像，以及AMSR-E五日雪水当量(snow water equivalent,SWE)图像进行处理，主要包括：1)数据格式转换。由于MODIS每日积雪分类产品和AMSR-E SWE产品均以HDF格式存储，所以首先将MOD10A1和MYD10A1图像，以及AMSR-E五日SWE图像由HDF格式转换为ArcGIS支持的GRID格式。2)投影转换。MODIS每日积雪分类产品的原始投影为正弦曲线投影，而北半球的AMSR-E SWE产品采用EASE-Grid_north特殊投影方式，故将这3种产品均投影转换为Albers等面积投影，椭球体为Krasovsky。3)图像裁剪及重采样。MODIS每日积雪分类产品的空间分辨率为500 m，而AMSR-E SWE产品为25 000 m，因此，需要将AMSR-E SWE产品重采样为500 m，并裁剪出研究区图像。

图1 青海省47个地面气象台站空间分布位置

1.3.2MODIS五日积雪图像和MDAE_5D图像合成及算法 利用每日MODIS/Terra和MODIS/Aqua积雪产品分别合成五日图像，再将两者合成为五日MODIS积雪图像，记作MOYD_5D(图2)。采用用户自定义合成算法，将AE_5D五日雪水当量产品和MOYD_5D五日积雪图像合成新的积雪分类图像，记作MDAE_5D(图2)。

MOYD_5D合成算法：1)统一编码形式。将原代码200(积雪)替换为5，100(积雪覆盖的湖冰)替换为4，37(水体)替换为3，25(陆地)替换为2，50(云)替换为1，将0(传感器数据丢失)、1(数据不确定)、4(错误数据)、11(夜晚或传感器停止工作或在极地区域)、254(在极地区域)和255(传感器数据饱和及填充数据)替换为0。2)合成规则。当MOD10A1与MYD10A1相应格网代码相同时，则MOYD_5D图像格网赋予该值；若MOD10A1与MYD10A1相应格网代码不同，则MOYD_5D图像格网赋予具有优先权的代码，代码优先权为5>4>3>2>1>0，即如果MOD10A1_5D代码为5，而MYD10A1_5D代码为非5，则MOYD_5D代码记为5，以此类推(表1)。本研究合成的目标在于最大程度合成积雪覆盖范围并且去云，所以积雪代码(5)具有最高优先权，但云层往往在数小时之内会发生位置与覆盖范围的剧烈变化，所以可能某地区早上(10：30 Terra过境)有云层覆盖，下午(13：30 Aqua过境)却无云层覆盖，而陆地、水体、积雪覆盖的冰湖等是相对稳定的地物，故云代码(1)在除去非正常数据代码(0)外具有最低优先权。

图2 MODIS图像与AMSR-E雪水当量图像合成流程

MDAE_5D合成算法：为了尽量消除MODIS产品中云对积雪分类的影响，更准确地反映积雪分布范围，在Liang等[9,11]提出的北疆的积雪合成规则，以及张学通等[12]和冯琦胜等[15]总结的积雪图像合成经验基础上，结合青海地区气候特点，假定MOYD_5D有云像素所对应的地表类型同AE_5D像元类型相同。经过反复试验，对五日合成图像MDAE_5D的第i行第j列的像元Tij合成和赋值的规则总结如下：1)合成图像数值统一采用MOYD_5D的地类编码值，像素空间分辨率规定为500 m。2)当MOYD_5D五日合成影像的一个像素为非有效数值0，而相应的AE_5D的像素为任一地类值时，合成图像取AE_5D在该点的地类值。3)当MOYD_5D为陆地而AE_5D判断为水体、陆地或无数据时，合成结果赋为陆地。当MOYD_5D为陆地而AE_5D判断为雪，则合成结果赋为陆地。4)当MOYD_5D为云时，若AE_5D判断为陆地，则赋以陆地；若AE_5D判断为水体，则赋为水体；若AE_5D无数据，则赋为云；若AE_5D判断为雪而MOYD_5D为云时，则合成结果赋为雪。5)当MOYD_5D为水体、积雪或积雪覆盖的湖冰而AE_5D为任一地类时，合成结果赋以MOYD_5D相应地类的代码(表2)。

表1 MOD10A1_5D图像与MYD10A1_5D图像合成规则

表2 MOYD_5D图像与AE_5D图像合成规则

1.3.3积雪分类精度评价方法 结合47个地面观测台站数据和相对应的合成图像分类结果，分析AE_5D、MOYD_5D和MDAE_5D图像的积雪分类精度与其雪深的关系。为此，在精度评价中只考虑以下两个方面的样本数：1)Sh，卫星和地面台站观测均有雪(雪深≥1 cm)的样本数；2)Sn，地面台站观测有雪而卫星资料分为无雪类型的样本数，即为漏测。因此，积雪分类精度可以采用以下公式来计算：

2 结果与讨论

2.1合成产品降低云污染效果分析 MOD10A1和MOY10A1是两种不同时相的每日积雪覆盖二级数据，分辨率为500 m。已有研究表明，MOD10A1与MYD10A1每日雪被图像积雪制图算法晴天时的精度在80%以上[21-22]。Wang和Xie[23]用MODIS/Terra 和 MODIS/Aqua 的每日积雪产品合成新的积雪产品(MODMYD10DC)，该产品的图像云量比MOD10A1、MYD10A1减少了大约10%，在各种天气条件下MODMYD10DC产品的积雪分类精度可以达到51%(MOD10A1的积雪分类精度为44%，MYD10A1的积雪分类精度为34%)。实际上，在青海地区积雪季期间很难找到一幅在整个研究区无云层覆盖的MOD10A1或MYD10A1图像。从研究区2008年2月1日的MOD10A1与MYD10A1的图像(图3)可以发现，云在整个研究区占了很大的比重，说明云是使用MODIS每日产品最大的影响因素。

图3 青海省2008年2月1日MOD10A1、MYD10A1图像及2月1-5日合成图像MOYD_5D和MDAE_5D

本研究对青海省2002-2008年6个积雪季的MOD10A1、MYD10A1及合成的MOYD_5D的图像云量进行统计。结果表明，研究区6个积雪季MOD10A1与MYD10A1图像中云量大于50%的天数分别达总天数的36%、53%以上，但经过合成之后形成的MOYD_5D图像的云量基本控制在10%以内，云量在10%以内的图像数占总图像数的91.6%以上(图4)。MOD10A1、MYD10A1与合成后的MOYD_5D两者云量的差别(图3)，说明五日合成MOYD_5D图像极大地消除了云对积雪监测的影响。MDAE_5D产品完全去除了云对积雪减灾的影响，有效提高了积雪监测的精度和范围。

2.2MODIS五日合成图像MOYD_5D精度分析 青海省2002年10月-2008年3月的6个积雪季间，共有214个时相的MOYD_5D图像，与地面台站相对应有9 306对观测数据，其中雪深大于0的记录有2 107对。对不同积雪深度下MOYD_5D的积雪分类精度的分析，表明，随着雪深逐渐增大，MOYD_5D的积雪分类精度也升高。当积雪深度为1～3 cm时，MODIS几乎不能准确识别出积雪，积雪分类精度仅为17.5%；当积雪深度为4～6 cm时，积雪分类精度为46.2%，7～9 cm时,为58.6%,雪深大于10 cm时，为66.7%(表3)。

图4 青海省2002-2008年6个积雪季MODIS图像云量与图像数之间的关系

表3 不同雪深状况下MOYD_5D五日积雪合成影像的积雪分类精度

除去浅雪(1～3 cm)样本，MOYD_5D总的积雪分类精度为51.1%。尽管MOYD_5D图像极大地消除了云对MODIS图像积雪分类精度的影响，但在雪深较浅时精度仍然不理想。由此可见，雪深对MOYD_5D积雪分类精度具有明显影响。

2.3AMSR-E五日雪水当量数据(AE_5D)精度分析 青海省2002年10月1日-2008年3月31日的6个积雪季期间，共有377个时相的AE_5D五日积雪分类图像，与地面台站相对应的采样值有9 871对。其中，2 319对采样值雪深大于零。在不同积雪水平上对分类精度进行分析，结果表明，AE_5D的积雪分类精度并不理想，总的为积雪(雪深>3 cm)分类精度为63.7%。当雪深在1～3 cm时，积雪分类精度为49.7%，雪深在4～6 cm时，积雪分类精度为55.1%，雪深为7～9 cm，积雪分类精度为78.5%，在10 cm以上时，积雪分类精度可达82.2%(表4)。总积雪分类精度不高，主要原因在于大多数台站观测的积雪厚度在遥感产品监测时期内低于3 cm的天数较多，引起较高的漏测误差。此外，AMSR-E五日雪水当量产品的空间分辨率为25 km(图5)，即1个格网单元代表地面上625 km2的范围，而气象台站的观测数据精确到某一个站点上，两者在空间尺度上存在的较大差异也是引起积雪识别精度低的重要原因。所以，AMSR-E 雪水当量产品适宜于较大空间尺度范围内研究积雪的时空分布，而在区域积雪分布动态研究中受精度低和空间分辨率小的制约。

表4 不同雪深状况下AE_5D五日雪水当量影像的积雪分类精度

图5 2008年2月1-5日的AMSR-E五日雪水当量数据AE_5D图像

2.4五日合成图像MDAE_5D精度分析 青海省2002年10月1日-2008年3月31日的6个积雪季期间，共有210个时相的MDAE_5D五日积雪合成图像，共计9 307对与地面台站对应的采样数值，其中2 144对采样值所对应的地面观测的积雪深度大于零。在不同积雪水平上对分类精度进行分析。结果表明，积雪深度为1～3 cm时，MDAE_5D图像的积雪分类精度很低，仅为23.2%。当雪深在4 cm以上时，总积雪分类精度较高，达65.1%。在雪深为4～6与7～9 cm时，积雪分类精度分别为56.9%与78.6%；当雪深大于等于10 cm时，积雪分类精度为84.1%(表5)。可见，合成图像MDAE_5D的积雪分类精度随积雪深度的增加而增大，当深雪值在8 cm以上时，合成图像MDAE_5D可以较好地识别出积雪，对牧区雪灾监测及评价具有重要的应用价值。

本研究所合成的五日MDAE_5D图像，当雪深>3 cm时，在各种天气状况下积雪的识别率为65.1%。虽然降低了监测的时间分辨率，但较好地去除了云对积雪分类的影响。与Liang等[9,11]和Gao等[17]在北疆的研究相比，积雪分类精度并不高，分析其原因可能有以下两个方面：1)该项研究的试验区位于青藏高原的东部地区，积雪深度普遍较浅。已有研究表明，当雪深<3 cm时MODIS对积雪的识别率很低。统计分析表明，在青海省2002-2008年6个积雪季2 143个地面台站观测的有雪样本中，雪深为1～3 cm的样本数占74.5%，最大雪深为19 cm；而北疆和阿拉斯加地区的积雪厚度相对较深，其中北疆地区雪深在10 cm以上的台站记录样本数占有雪样本数的68.8%，其最大雪深达到56 cm[9,11]。2)地面气象台站的代表性较差，在精度验证时存在误差。气象台站主要分布在人口密集、海拔相对较低的东北部，而在雪灾经常发生的南部和西南部，台站数相对较少(图1)。

表5 不同雪深状况下MDAE_5D五日积雪合成影像的积雪分类精度

3 结论

1)MODIS五日合成图像MOYD_5D极大地去除了云对可见光遥感监测积雪的影响，将云量基本上控制在10%以内(云量在10%以内的样本达91.6%以上)。而MODIS/Terra-Aqua和AMSR-E/Aqua合成的五日MDAE_5D图像完全地去除了云的影响，并解决了单日合成产品无法解决微波产品的裂缝问题。

2)MOYD_5D总的积雪分类精度(雪深>3cm)为51.1%，AE_5D的总积雪分类精度(雪深>3 cm)为63.7%，而在各种天气状况下MDAE_5D对积雪总的识别率(雪深>3 cm)为65.1%。可见，合成产品MDAE_5D对积雪分类精度有所提高。

3)MDAE_5D积雪分类产品基本上可以满足从事青藏高原冰雪及相关学科研究的需要。但有必要研究更合理的积雪制图合成产品，达到更高的分类精度、时间和空间分辨率，以应对青藏高原雪灾事件的快速分析、评价和预警等工作。

[1]王建.卫星遥感雪盖制图方法对比与分析[J].遥感技术与应用，1999，14(4):29-36.

[2]延昊.利用MODIS和AMSR-E进行积雪制图的比较分析[J].冰川冻土，2005,27(4):515-519.

[3]周陆生，李海红，王青春.青藏高原东部牧区——暴雪过程及雪灾分布的基本特征[J].高原气象，2000，19(4):450-458.

[4]郝璐，王静爱，满苏尔，等.中国雪灾时空变化及畜牧业脆弱性分析[J].自然灾害学报，2002，11(4):43-48.

[5]史培军，陈晋.RS与GIS支持下的草地雪灾监测试验研究[J].地理学报，1996，51(4):296-305.

[6]于惠，张学通，冯琦胜，等.牧区积雪光学与微波遥感研究进展[J].草业科学，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，杨宏业.MODIS积雪产品及研究应用概述[J].遥感技术与应用，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，李满春，等.AMSR被动微波数据介绍及主要应用研究领域分析[J].遥感信息，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]张学通，黄晓东，梁天刚，等.新疆北部地区MODIS积雪遥感数据MOD10A1的精度分析[J].草业学报，2008，17(2):110-117.

[13]梁天刚，高新华，黄晓东，等.新疆北部MODIS积雪制图算法的分类精度[J].干旱区研究，2007，24(4):446-452.

[14]于惠，冯琦胜，张学通，等.基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探[J].草业学报，2009，18(4):210-216.

[15]冯琦胜，张学通，梁天刚.基于MOD10A1和AMSR-E的北疆牧区积雪动态监测研究[J].草业学报，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]铁桂春，刘红献.青海省天然草地退化原因及治理对策[J].草业与畜牧，2008(2):32-33.

[19]张国胜，伏洋，杨琼，等.青海省天然草地类型空间分布特征及气候分区[J].草业科学，2009，26(1):23-29.

[20]范青慈.青海省天然草地类型、特点及发展利用[J].青海畜牧兽医杂志，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.