HJ-1B的积雪参数反演研究

殷 慧，王思远，孙云晓，常 清

(1.中国科学院大学，北京 100049； 2. 中国科学院 遥感与数字地球研究所，北京 100094)

一、引 言

积雪是地表覆盖的重要组成部分，严重影响着全球气候变化和地表循环[1]。积雪参数如雪盖、雪深、雪类等特征对于理解气候变化、水资源的合理利用和管理灾害监测等领域有重要意义[2]。

遥感技术以其实时、范围大、成本低等优点被广泛应用于积雪参数反演中并取得了许多成果，但国内外遥感积雪反演大多是使用的国外卫星传感器和国内分辨率较低的气象卫星，如NOAA/AVHRR、EOS/MODIS、FY系列、AMSR-E、SSM/I、SMMR、Landsat5/TM、ETM+等[3]。李红梅利用混合像元分解法研究了MODIS数据在大面积雪盖动态监测中的应用[4]，毛克彪等利用被动微波数据AMSR-E对2008年中国南方积雪进行监测分析[5]，研究表明AMSE-E能够很好地监测雪覆盖面积变化，但精度不够高。魏峰华等研究了具有19.5 m空间分辨率的中巴卫星在雪盖提取中的应用[6]，徐根生等基于TM数据对MODIS的雪盖产品进行了精度分析[7]，中巴地球资源卫星影像和TM影像适合流域尺度的积雪研究，但时间分辨率较低，不适合用于积雪动态研究。现有的雪深反演研究主要是基于微波数据的，Chang基于SMMR数据通过回归分析研究了雪深反演模型[8]，但由于分辨率太粗，导致雪深被高估。少量的利用光学数据反演雪深的研究主要是利用MODIS、气象数据等。李甫等基于MODIS数据反演了青海省2008年年初雪灾中积雪面积、雪深等数据[9]，发现不同的NDSI阈值反映不同雪深层次。刘艳等通过分析雪深和反射光谱值的关系建立了雪深遥感反演公式，结果表明浅雪区反演精度比较高，可达80%左右，而深雪区反演精度较低，这是由于积雪超过一定深度后，它的反射率不会随着雪深变化而变化[10]。HJ-1B卫星是专门用于灾害监测的国产卫星之一，星上装载了具有30 m空间分辨率的多光谱CCD相机和具有150 m(热红外波段外300 m)空间分辨率的红外多光谱相机IRS，重访周期为4天，包含了积雪研究中常用波段，因此HJ星可满足流域尺度积雪动态监测的时空需求。目前，利用HJ数据进行的积雪参数反演研究并不多，杨思全等以HJ数据在西藏雪灾监测评估中的应用为例，仅验证了HJ数据应用在雪灾监测评估中的可能性[11]，张旭等将HJ数据作为真值应用到MODIS数据的雪盖率研究[12-13]中，但研究中均缺少对环境星的积雪信息提取方法的深入研究，对HJ数据应用到雪深反演中的研究更少。为了充分利用国产HJ星数据，充分发挥其在积雪参数反演中的能力，本文研究利用环境数据进行雪盖及浅雪区雪深反演的方法，进行雪盖反演时，针对同时具有HJ-1B/CCD、IRS数据和只有CCD或者IRS 3种情况展开积雪信息提取方法研究；在进行浅雪区雪深反演时，利用两种不同的统计回归模型进行交叉验证、对比研究。

二、研究区与数据

1. 研究区概况

西藏那曲地区地处藏北高原，地理位置分布在86°00′—95°05′E和29°55′—32°15′N之间。那曲平均海拔在4 600 m左右，由于气温的垂直递减作用再加上那曲地区属亚寒带气候区，年平均气温仅为-0.9℃～3.3℃，气候干燥，年降水量380 mm，因此积雪融水是其重要的水资源。

由于该区年平均气温较低，因此几乎每年都有积雪发生，严重威胁着当地人畜生命安全、社会稳定和经济的可持续发展，故对该研究区进行积雪研究具有重要的理论和现实意义。

2. 试验数据及预处理

本文所使用的数据包括2009年2月9日的两景HJ-1B/CCD2和HJ-1B/IRS数据，轨道号分别为P39R72和P42R69。这两景图像都已经过辐射校正和系统几何校正。

进行雪盖提取及雪深反演，需要获取对应的地表反射率，故首先需要进行辐射定标、大气校正。由于涉及的两个不同传感器遥感数据需要进行投影转换、影像配准及重采样，为了快速处理数据和方便比较试验结果，本文对遥感图像进行了裁剪，选取两景影像的共同部分作为试验区。

三、积雪参数反演

1. 积雪光谱特性分析

积雪的特殊波谱特性是进行积雪信息提取的基本依据。雪有很强的可见光反射和短波红外吸收特性，即雪在波长0.1～0.8 μm光谱段(可见光波段)的反射率较高，达80%以上；然后随着波长的增加反射率逐渐降低，在1.1～1.5 μm之间，反射率急剧下降，在1.55～1.75 μm短波红外波段其反射率普遍低于一般地物。在可见光和近红外波段，陆地、植被、水体比较容易区分[14]。

2. 雪盖提取

目前，雪盖反演的方法有亮度阈值法、雪盖指数法、监督分类法等[15-16]。为避免由幅宽、空间分辨率等因素的差异而引起的HJ-1B卫星的CCD和IRS两个传感器在相同时间、相同区域数据难以获取的问题，故需针对同时具有HJ-1B/CCD、IRS数据和只有CCD或者IRS 3种情况展开雪盖提取方法研究。

(1) 归一化积雪指数NDSI

归一化积雪指数(normalized difference snow index，NDSI)是Hall等提出的目前应用最为广泛的积雪判识方法，是利用积雪的可见光强反射和短波红外低反射特点，进行归一化处理，突出积雪特性，其表达式为

式中，CH(n)、CH(m)分别代表积雪可见光强反射波段n与短波红外强吸收波段m的反射率[17]，根据HJ星传感器波段设置特点，利用NDSI提取雪盖时需同时获取CCD和IRS影像。

本试验区典型地物有水体、积雪和裸地，其中清澈水体与暗目标的NDSI值很高，易与积雪混淆，通过上一节的分析，可知积雪在可见光波段与水体反射特性相差较大，故可结合可见光波段加以区分，根据试验采用以下阈值

NDSI>0.3， B2>0.25， B4>0.2

(2) 改进的积雪指数MNDSI

仅有IRS传感器数据时，无法构建NDSI指数进行雪盖提取，但积雪在IRS传感器第1波段的反射率仍高于其他地物，根据这一特点宋珍等针对只有红外多光谱相机IRS数据的情况下提出一种改进的归一化差分积雪指数(modified normalized difference snow index，MNDSI)进行雪盖提取，以IRS的第一波段替代NDSI中的强反射可见光波段[18]，定义为

式中，IRS-b1、IRS-b2分别代表IRS传感器的第一波段和第二波段的反射率。通过该指数并结合IRS第一波段去掉水体及暗目标等易混地物。故针对只有IRS传感器的情况，采用以下积雪信息提取方法

MNDSI>0.4， RIRS-b1>0.2

(3) ISODATA非监督分类

当只有CCD数据时，虽无法计算积雪指数，但可采用非监督分类、监督分类或者混合分类法进行雪盖提取。本文采用迭代自组织数据分析技术(iterative self-organizing data analysis technique，ISODATA)，非监督分类法对CCD图像进行分类，该方法具有简单、快速和有效的特点。

3. 雪深反演方法

现有的利用光学遥感数据进行雪深反演的研究中，主要是通过建立相关波段反射率或波段反射率差、NDSI值与雪深之间的统计回归模型进行反演的[19]。但在深雪区，积雪的反射率不随雪深而变化，故光学数据仅适用于浅雪区的雪深反演，因此本文仅研究HJ数据在反演浅雪区雪深中的应用。董廷旭等通过分析NDSI值与近红外波段的反射率与雪深之间的相关关系，提出以下雪深反演模型[20]

SD=33.572 6×NDSI+431 565×B4-33.233 4

(3)

式中，SD为积雪深度，单位为cm。为了验证该模型在反演浅雪区雪深的可行性，本文还选取了基于NOAA/AVHRR数据的雪深与遥感参数的指数拟合模型进行交叉验证及对比分析,利用HJ数据时计算方法为

SD=2.33×exp(3.98×(B2-B7))

(4)

四、试验结果与分析

1. 雪盖提取结果与分析

研究区的HJ真彩色影像如图1(a)所示，以HJ-1B/CCD和IRS影像为数据源，分别进行雪盖提取，其中利用NDSI指数法对CCD与IRS的组合影像进行雪盖提取的结果如图1(b)所示，利用MNDSI对IRS影像进行积雪信息提取的结果如图1(c)所示，利用ISODATA对CCD影像进行处理的结果如图1(d)所示。

从结果图可以看出，3种情况所反演出的雪盖范围基本一致。对照CCD真彩色影像，并参考相应区域的较高分辨率的数据，合理选取样本，根据验证样本计算3种方法中雪像元被正确提取的比例并进行精度评价，验证样本由人工目视解译及相关辅助材料获得，选取过程中满足分布均匀、有代表性、与训练样本不重叠等条件。3种方法的提取结果和精度见表1，表中列出了3种方法提取出的雪像元个数、雪面积、雪盖率以及雪像元被正确提取的比例。

图1 HJ星雪盖提取

表1 雪盖提取结果及精度

由上表可以看出，3种情况下雪像元被正确提取的比例都超过80%，均满足实际应用的需求，其中以基于CCD和IRS组合影像的NDSI积雪提取方法精度最高，达96.15%，这主要是因为NDSI充分利用了积雪可见光强反射和短波红外强吸收的特性，并在一定程度上抑制地形及阴影的影响。基于IRS影像的MNDSI方法提取结果精度也较高，但由于IRS传感器没有可见光波段，会混淆清澈水体与积雪，而基于CCD影像的ISODATA方法提取雪盖过程中由于没有积雪的强吸收短波红外波段，难免会影响到提取精度。

2. 雪深反演结果与分析

为了较好地反演浅雪区雪深，本文是在利用NDSI指数法提取雪盖结果图1(b)的基础上进行雪深反演的，当雪深较浅时，积雪下垫面的光谱反射影响较大，利用模型进行雪深反演的误差较大[20]，故本文不考虑雪深小于3 cm的积雪分布。利用式(3)所反演出的雪深分布情况如图2(a)所示，利用式(4)所反演出的雪深结果如图2(b)所示。

图2 雪深反演

从结果图可以看出，两种模型所反演出的雪深分布情况基本一致，表2列出了两种方法在不同雪深范围内的雪像元个数以及利用两种模型所得到的雪像元的一致个数：如果一个像元在两种方法中反演雪深范围相同，则判断该像元即为两种反演结果中一致的像元。本文对两种雪深反演方法进行了交叉验证，如对式(3)反演出的3～5 cm、5～7 cm及7～10 cm的雪像元与式(4)反演结果进行对比分析，结果与式(4)反演结果基本一致；反过来，同样对式(4)反演出的3～5 cm、5～7 cm及7～10 cm的雪像元与式(3)的反演结果进行对比分析，结果与式(3)反演结果基本一致。另外计算两种反演结果中一致的像元总个数为623 847，占式(3)反演出的3～10 cm总雪像元数的83.83%，占式(4)的82.12%。通过比较分析可以确定具有如此高一致性的结果偶然发生的可能性较小，故基于HJ-1B数据的两种模型计算所得的浅雪区雪深分布具有可靠性。

表2 雪深反演比较

五、结束语

本文首先分析了积雪与典型地物的波谱反射特点，而后应用积雪遥感反演模型，研究了HJ星影像在雪盖与雪深反演中的应用。结果表明:

1) 针对同时具有HJ-1B/CCD、IRS数据和只有CCD或IRS影像3种情况，分别研究相应的雪盖提取方法，提取精度均在80%以上，满足实际应用的需求，其中以基于CCD和IRS组合影像的NDSI积雪提取方法精度最高，达96.15%，这主要是因为NDSI充分利用了积雪可见光强反射和短波红外强吸收的特性，并在一定程度上抑制地形及阴影的影响。

2) 利用两种不同的统计模型反演浅雪区雪深，通过交叉验证及对比分析，反演结果基本一致，高达80%的高一致性表明基于HJ-1B数据的两种模型计算所得的浅雪区雪深分布具有可靠性，也说明利用HJ-1B数据进行积雪反演具有较强的实际应用价值。

在以上研究过程中，仍然存在一些不足，如缺少当地实测雪深数据，建立针对研究区的雪深经验反演模型，只能应用通用经验模型进行对比分析，虽然结果一致性很高，但对反演结果的真实精度尚缺少必要验证，尚需以后野外的进一步试验。

参考文献：

[1] 穆松宁，周广庆．冬季欧亚大陆北部新增雪盖面积变化与中国夏季气候异常的关系[J]．大气科学，2010，34(1):213-226．

[2] 曹梅盛，李新，陈贤章，等．冰冻圈遥感[M]．北京: 科学出版社，2006：56-60．

[3] 吴杨，张佳华，徐海明，等．卫星反演积雪信息的研究进展[J]．气象，2007，33(6): 3-10．

[4] 李红梅.基于MODIS数据的积雪提取方法[J].陕西气象，2009(2)：26-29.

[5] 毛克彪, 唐华俊, 周清波, 等. 利用被动微波数据AMSR - E对2008 年中国南方雪灾监测分析[J]. 中国农业资源与区划，2009,30(1)：46-50.

[6] 魏锋华，李才兴，扎西央宗.基于中巴资源卫星数据的积雪监测研究[J].国土资源遥感，2007(3):31-35.

[7] 徐根生，李高峰，张璞，等.基于TM数据的MODIS雪盖产品精度分析[J].安徽农业科学，2012，40(20): 10 536-10 537.

[8] CHANG A T C, FOSTER J L, HALL D K. Nimbus-7 SMMR Derived Global Snow Cover Parameters[J]. Annals of Glaciology, 1987, 9(9): 39-44.

[9] 李甫，伏洋，肖建设，等.青海省2008年年初雪灾及雪情遥感监测与评估[J].青海气象，2008(2)：61-65.

[10] 刘艳.基于MODIS数据的积雪深度反演研究[D].武汉：武汉大学，2005.

[11] 杨思全，刘龙飞，王磊,等.环境减灾卫星雪灾监测评估应用研究[J].自然灾害学报，2011，20(6):145-150.

[12] 张旭．基于多源遥感数据的雪盖信息提取算法及其应用研究[D]．重庆: 西南大学，2010．

[13] 张旭，唐宏，赵祥，等． 基于 MODIS 与 HJ -1B 数据的雪盖率反演及其相关因子分析[J]．长江流域资源与环境，2010，19(5):566-571．

[14] LI J L，LIANG T G, CHEN Q G. Estimating Grassland Yields Using Remote Sensing and GIS Technologies in China[J]. New Zealand Journal of Agricultural Researeh,1998，41(1):31-38.

[15] NEGI H S，KULKARNI A V，SEMWAL B S． Estimation of Snow Cover Distribution in Beas Basin，Indian Himalaya Using Satellite Data and Ground Measurements[J]．Journal of Earth System Science，2009，118(5):525-538．

[16] 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(3-4):203-212．

[17] HALL D K，RIGGS G A，SALOMONSON V V． Development of Methods for Mapping Global Snow Cover Using Moderate Resolution Imaging Spectroradiometer Data[J]． Remote Sensing of Environment，1995，54(2):127-140．

[18] 宋珍，陈晓玲，刘海,等. 基于HJ-1A/ 1B 卫星遥感数据的积雪识别方法研究[J].长江流域资源与环境，2011，20(5)：553-558.

[19] 李三妹,傅华,黄镇,等.用EOS/MODIS资料反演积雪深度参量[J].干旱区地理, 2006, 29(5): 718-725.

[20] 董廷旭,蒋洪波, 陈超, 等.基于实测光谱分析的HJ-1B 数据浅层雪深反演[J].光谱学与光谱分析，2011，31(10)：2784-2788.