基于FY3VIRR数据的积雪遥感监测分析

张　旭，杨志华，杨昌军，李　杨

基于FY3VIRR数据的积雪遥感监测分析

张旭1，杨志华1，杨昌军2，李杨3

（1.新疆维吾尔自治区气候中心，新疆乌鲁木齐830002；2.国家气象卫星中心，北京100081；3.中国气象局乌鲁木齐沙漠气象研究所，新疆乌鲁木齐830002）

以FY-3可见光与红外辐射计（VIRR）为主要数据，利用FY3VIRR 1、6、10通道数据，以指数法和光谱阈值相结合的多光谱积雪监测算法对2013年阿勒泰地区卫星数据进行积雪监测处理。处理结果与MODIS积雪监测业务产品对比分析得出：利用FY3VIRR可以实现对研究区的积雪遥感监测，监测结果与现有MODIS积雪监测业务产品较一致，具有可比性。

FY3VIRR；积雪覆盖；遥感监测

张旭，杨志华，杨昌军，等.基于FY3VIRR数据的积雪遥感监测分析[J].沙漠与绿洲气象，2016，10（3）：83-88.

雪是重要的淡水资源，是影响全球气候的重要因素之一[1]。干旱区对全球气候变化的响应十分敏感，而积雪、冰川在干旱区气候环境变化中表现得尤为突出，特别是季节性积雪，既是最活跃的生态环境影响因素，也是最敏感的区域气候变化响应因子之一[2]。因此，准确监测积雪覆盖状况具有重要意义，一方面可以提高积雪监测能力，为雪灾多发区在冬季做好防灾减灾工作，另一方面可以为当地的水资源管理、生态建设及时提供可靠的信息保障。

中国气象局在2008年5月27日、2010年11 月5日和2013年9月23日接连发射了三颗FY-3系列第二代极地轨道气象环境卫星。FY-3系列卫星具备了对大气、海洋和地表状态进行全球的、所有天气条件下的、多光谱和三维精确观察的能力，能够为提高中国及其他亚洲国家，乃至全世界的天气预报的质量和自然灾害与环境的监测水平做出贡献[3-4]。

以FY-3可见光与红外辐射计（VIRR）为主要数据，以阿勒泰地区为研究区域，探讨利用FY3VIRR数据进行积雪遥感监测的方法及其可行性,并与现有MODIS卫星积雪监测产品进行对比分析。

1　研究背景

积雪在波长为0.5 μm左右有较高的反射率，而在1.6 μm处发射率较低，通常在可见光范围内纯净新雪表面反射率在80%以上[2]。光学遥感积雪信息提取主要依据积雪的这种反射特性，通过一定的数字图像技术获取雪盖信息。遥感技术以其宏观、快速、周期性、多尺度、多层次、多谱段、多时相等优势，在积雪动态监测中发挥着重要作用[5]。

自20世纪60年代初在加拿大东部第一次用TIROS-1气象卫星观测积雪，1966年，由NOAA制作出第一幅积雪覆盖分布图投入实际应用[6-9]，利用遥感技术进行积雪制图和监测已有近50年的研究历史。随着不同传感器系列的相继出现及卫星资料时空分辨率和光谱分辨率的逐步提高，在积雪动态变化监测等领域取得了一系列的成果[10-14]。目前研究最深入、应用最广泛的是TERRA和AQUA卫星所携带的中分辨率成像光谱仪MODIS[15]。

基于FY-3卫星数据的冰雪监测研究国内已初步开展，周颖等[16]利用2011年6月13日MERSI多波段数据,以两波段比值和归一化差分积雪指数（NDSI）作为判别指标，准确获取格陵兰岛附近海冰分布信息。蒋玲梅等[17]应用FY-3B星搭载的微波成像仪（FY3BMWRI）和AMSR-E数据,对中国区域进行了2010～2011年冬季雪盖制图。李杨等[18]计算了新疆北疆地区2010—2011年冬春两季FY-3B微波成像仪（MWRI）L1 18.7GHz和36.5GHz垂直/水平极化4通道降轨亮温数据,将其与对应气象站同期实测雪深进行回归拟合。任伟等[19]利用VIRR逐日数据进行区域雪情监测,,实现地区连续降雪最大雪盖统计以便于分析雪情。张永宏等[20]运用改进的归一化积雪指数（NDSI）、综合阈值判别算法和IDL、VB混合编程技术相结合的方法设计了积雪信息批量提取软件。高玉宏等[21]以FY-3气象卫星遥感数据资料为基础,对2013—2015年多期FY-3A和FY-3B的VIRR遥感影像提取出黑龙江省积雪数据。

目前新疆的积雪监测业务化产品主要依靠EOS/MODIS卫星数据获取。EOS/MODIS卫星于1999年12月发射升空，设计寿命5a，现已超期服役10 a，随时可能停止工作，因此急需新的卫星数据源来接替和延续积雪监测业务。FY-3卫星是我国自主研发的气象环境卫星，空间分辨率和波段设置与EOS/MODIS卫星相近，部分性能和参数还优于EOS/MODIS卫星。因此开展基于FY-3卫星的积雪监测研究不仅保证了积雪监测业务的连续性，也可进一步推动国产卫星数据的应用研究。

2　方法

2.1积雪遥感监测原理

雪有很强的可见光反射和强的短波红外吸收特性。卫星遥感积雪判识主要根据积雪在可见光、近红外、短波红外以及远红外通道的光谱特性，采用多通道阈值法提取出积雪信息，进而获取积雪覆盖范围及面积等。

由图1可知，积雪在可见光-短波红外多通道的光谱特性包括：

图1　积雪光谱特性

（1）积雪在可见光和近红外（0.5~1.0 μm）通道具有较高的反射率，纯雪面的反射率可达到70%以上，这一高反射率特性与云十分接近，而与低反射的水陆表区分明显。

（2）积雪在短波红外通道（1.57~1.64 μm、2.1~ 2.25 μm）具有强吸收特性，因而反射率较低，纯雪的反射率一般低于15%，这一特性为积雪与水云的区分提供了主要判据，使得积雪信息自动提取成为可能，大大提高了积雪判识精度。

另外积雪在远红外通道（10.3~11.3 μm）的亮度温度虽略低于周围陆表，但明显高于中高云，这为区分积雪冰晶云提供了有效判据。因此，利用FY3/ VIRR的可见光、近红外、短波红外通道，可结合通道运算等形成多个积雪判识变量，以多通道阈值法提取积雪信息。

2.2数据简介

目前在轨运行的FY-3卫星均载有11种感测仪器，分别是可见光与红外辐射计（VIRR），中分辨率光谱成像仪（MERSI），大气红外探测仪（IRAS），微波温度探测仪（MWTS），微波湿度探测仪（MWHS），微波辐射成像仪（MWRI），太阳散射紫外线探测仪（SBUS），臭氧总量探测装置（TOU），太阳辐射监测仪（SIM），地球辐射测量仪（ERM）和空间环境监测仪（SEM）。

FY-3（B）号卫星上的可见光、红外扫描辐射计（VIRR）的光谱范围位于0.43～12.5μm，设10个通道（表1），地面分辨率1.1 km。其位于第1、2、7、8、9、10通道位于可见光和近红外波段，用于探测下垫面对太阳光的反射特性，对积雪监测有不同程度的灵敏性；通道3、4、5为热红外通道，通道3为中红外通道，可接收来自下垫面的热辐射，可以检测积雪与云系、地表的热辐射差异。通道6为短红外通道，用于探测下垫面对太阳光的反射特性，对积雪有较高的灵敏性[22-26]。

2.3积雪遥感方法

归一化积雪指数（NDSI）类似于归一化植被指数（NDVI），其原理是利用了积雪在可见光波段（0.5~0.7 μm）的高反射率和在短波红外波段（1~4 μm）的低反射率这一特性而建立的，利用NDSI指数可以使积雪明显的与云和非积雪覆盖的地表区分开，同时，还部分消除了大气的影响[27]。

计算公式为：

其中bsw为短波红外波段反射率，bvis为可见光波段反射率，分别对应FY3/VIRR数据的6通道和1通道。

利用公式对2013年新疆区域FY3/VIRR数据的NDSI指数进行计算，分别针对积雪、沙漠、云、植被、水体等不同地物，提取各季节代表月的NDSI值进行平均统计（图2）。

地 物 分 类 主 要 参 考 IGBP（International Geosphere Biosphere Programme，国际地圈生物圈计划）定义的17类，包括11类自然植被分类，3类土地利用和土地镶嵌，3类无植生土地分类。

表1　可见光、红外扫描辐射计（VIRR）光谱范围

图2　2013年NDSI指数采样平均统计

由图2可以看出，积雪、云、水体的NDSI指数值均大于0，沙漠和植被NDSI指数均小于0，设立NDSI阈值0就可以简单排除沙漠和植被。由于冬季水体结冰的原因，水体在1月的NDSI值最高可以达到0.83。简单以NDSI值为判识条件，会造成积雪与冬季水体或云覆盖的误判。借鉴MODIS数据积雪监测的成熟方法[28-29]，利用FY3/VIRR数据的1通道、6通道和10通道，计算NDSI并结合1通道和10通道形成多个判识变量，形成基于FY3/VIRR数据的积雪监测算法流程（图3）。

图3中T1为云检测阈值，T2为积雪检测阈值，T3为水体检测阈值，通过对研究区2013年数据的试验，最后确定阈值取值（表2）。

图3　基于FY3/VIRR数据积雪监测算法

表2　FY3/VIRR积雪监测算法阈值

3　应用实例

3.1研究区与数据

阿勒泰地区位于新疆北部。西北与哈萨克斯坦、俄罗斯相连，东北与蒙古国接壤，边境线长1205 km。总面积117988 km2。自北向南，呈明显的梯降式垂直分布，自上而下，可分为北部山区、南部丘陵区、山间冲积平原区3个自然地貌单元。北部山区：夏季降雨多，冬季积雪大，无明显的四季之分，只有冷暖季之别，冬季长达半年之久，夏季短暂，有时也会落雪。中部低山丘陵区：积雪少于山区，多于南部平原。南部河谷平原：冬季积雪厚度在15 cm以下，是研究积雪遥感监测的理想地区（图4）。

此次研究所用FY3/VIRR由国家气象卫星中心乌鲁木齐市卫星地面站接收，为2013年全年原始数据，经过预处理生成标准1级文件，以HDF格式存储。采用卫星中心开发的卫星监测分析与遥感应用系统对1级数据进行定标、定位和投影转换。为了方便计算，采用等经纬度投影，投影后采用LDF格式存储。

3.2积雪遥感监测

为了避免不必要的云和数据坏点的影响，从全年轨道数据中筛选出383条轨道数据，采用IDL编程语言实现FY3/VIRR数据的积雪监测算法流程。经过计算生成每条轨道对应的积雪和云的遥感判识数据，利用等经纬度投影面积查算表对判识结果进行统计后得到研究区域的积雪覆盖信息（图5、图6）。

图4　研究区示意图

图5　2013年5月5日FY3/VIRR影像

图6　2013年5月5日FY3/VIRR积雪判识

3.3结果对比分析

为了对获得的研究区积雪监测结果进行有效性验证，选取2013年全年内与FY3/VIRR数据相同时间的晴空MODIS数据进行对比分析。MODIS数据的积雪信息提取采用新疆生态环境遥感中心MODIS数据积雪监测业务系统。该系统利用MODIS高光谱、多波段资料和气象台站观测资料，以逐步判别与Bayes判别等数学统计的方法结合不同目标物的光谱特性，同时考虑下垫面条件和季节等对积雪深度分布的影响，建立MODIS积雪深度回归模型[28-30]。

由于2种数据分辨率不同，统计面积数据之间会存在系统误差，故仅对研究区域的积雪覆盖度进行对比分析。

对MODIS数据和FY3/VIRR数据得到的2013年研究区积雪覆盖监测数据进行比较（图7），可以看出FY-3积雪监测结果与MODIS积雪监测结果基本一致。其中2013年1—2月FY-3积雪监测结果略高于MODIS积雪监测结果（平均误差4.59%）；11—12月FY-3积雪监测结果略低于MODIS积雪监测结果（平均误差6.12%）；其余时间2种卫星积雪监测结果较吻合（平均误差0.72%）。

图7　2013年FY-3与MODIS积雪覆盖度监测数据比较

为了进一步验证FY-3积雪监测结果与MODIS积雪监测结果数据之间是否存在显著差异，对2013年全年参与对比分析的26组数据进行t检验（表3），假设FY-3积雪监测结果与MODIS积雪监测结果不具有显著性差异，当显著度取α=0.05时，tα的置信区间为（-2.056，2.056），检验结果为0.015，在置信区间内，故接受原假设。说明FY-3积雪监测结果与MODIS积雪监测结果不具有显著性差异，且信度在95%以上。

通过上述数据对比及分析，说明利用FY-3卫星数据可以有效提取积雪信息，同时该方法监测结果与现有MODIS卫星积雪监测产品不存在显著性差异，具有可比性和业务化运行的可行性。

表3　2013年阿勒泰地区FY-3与MODIS积雪覆盖度监测数据对比

4　结论

运用FY3/VIRR数据.对阿勒泰地区2013年积雪盖度的提取和结果对比分析，得到的结论如下：

（1）通过利用FY3/VIRR仪器探测通道对积雪、不同云系、不同地表的响应灵敏性，将多个通道的探测数据运算和组合判识，可以实现积雪的卫星遥感监测。

（2）以归一化积雪指数（NDSI）为主要参数，辅助可见光和近红外通道，以多通道阈值法可以有效提取积雪信息。并且该方法简单有效，参与运算的数据量较少，有利于业务化运行。

（3）研究区FY3/VIRR积雪监测数据与MODIS积雪监测业务产品对比分析表明：FY-3积雪监测结果与MODIS积雪监测产品不具有显著性差异，监测结果具有可比性。

（4）通过对研究区外不同区域的数据试验发现随着纬度、季节、地形、下垫面等的不同，简单应用该方法具有较大的误差。因此，今后业务化过程中还需对参数进行调整和优化，以进一步减少误差。

[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]李培基，米德生.中国积雪的分布[J].冰川冻土，1983，5 （4）：9-27.

[3]FY-3卫星有效载荷及数据产品介绍[M].北京：中国气象局国家卫星气象中心，2007.

[4]杨忠东，卢乃锰,施进明,等.FY-3卫星有效载荷与地面应用系统概述[J].气象科技进展，2013，3（4）：6-12.

[5]黄晓东，郝晓华，杨永顺，等.光学积雪遥感研究进展[J].草业科学，2012，29（1）：35-43

[6]HallDK,RiggsGA,SalomonsonVV.Algorithm theoretical basic document（ATBD）for the MODIS snow and sea Ice-mapping algorithms[R].MASA，2001.

[7]Frei A,&Robinson D A.Evaluation of snow extent and its variability in atmospheric model intercomparison project. Journal of Geophysical Research，1998，103，8859-8871.

[8]Rango A,Walker A E,Goodison B E.Role of snow and ice[C]//Schultz G A,Engman E.Remote sensing in hydrology and water management.Berlin：Springer-Verlag，2000：239-270.

[9]Robinson D A,Dewey K F,Heim R R.Global snow cover monitoring-an update[J].Bulletin of the American Meteorological Society，1993，74（9）：1689-1696.

[10]Rutger Dankers,Steven M,De Jong.Monitoring snowcover dynamicsinNorthernFennoscandiawithSPOT VEGETATION images[J].International Journal of Remote Sensing，2004，25（15）：2933-2949.

[11]Hartman R K,Rost A A,Anderson D M.Operational processing of multi-source snow data[A].In:Proceedings of the 63rd Annual Western Snow Conference[C].Sparks，Nevada，1995：147-151.

[12]Xiao X,Shen Z,Qin X.Assessing the potential of VEGETATION sensor data for mapping snow and ice cover:a Normalized Difference Snow and Ice Index[J].International Journal of Remote Sensing，2001，22（13）：2479-2487.

[13]Xiao X,Zhang Q,Boles S,et al.Mapping snow cover in the pan-Arctic zone,using multi-yea（r1998-2001）images from optical VEGETATION sensor[J].International Journal of Remote Sensing，2004，25（24）：5731-5744.

[14]Xiao X,Moore III B,Qin X,et al.Large-scale observations of alpine snow and ice cover in Asia:Usingmulti-temporal VEGETATION sensor data[J].International Journal of Remote Sensing，2002，23（11）：2213-2228.

[15]Hall D K,Riggs G A,Salomonson V V,et al.MODIS snowcover products[J].Remote Sensing of Environment，2002，83：181-194.

[16]周颖，巩彩兰，胡勇，等.FY-3MERSI数据提取北冰洋海冰信息方法研究[J].大气与环境光学学报，2013，01：53-59.

[17]蒋玲梅，王培，张立新，等.FY3B-MWRI中国区域雪深反演算法改进[J].中国科学：地球科学，2014，03：531-547.

[18] 李杨，张璞，刘艳，等.风三微波亮温数据在北疆地区的雪深反演研究[J].水土保持研究，2013，04：166-171.

[19] 任伟，张永宏，曹庭，等.基于卫星可见光扫描辐射计逐日数据区域雪情监测方法研究 [J].科学技术与工程，2014，33：152-157.

[20]张永宏，曹庭，任伟，等.基于FY-3A/VIRR数据的雪盖信息提取软件设计与实现 [J].计算机工程与科学，2015，07：1325-1330.

[21] 高玉宏,程远,王文玲,等.基于RS和GIS的黑龙江省积雪时空变化研究[J].测绘与空间地理信息，2015，08：85-86.

[22] 张鹏，杨虎，邱红风，等.FY-3卫星的定量遥感应用能力气象科技进展，2012，2（4）：6-11.

[23] 杨军，董超华，卢乃锰，等.中国新一代极轨气象卫星——FY-3[J].气象学报，2009，67（4）：501-509.

[24] 杨军，董超华，卢乃锰，等.新一代风云极轨气象卫星业务产品及应用.北京：科学出版社，2011.

[25]国家卫星气象中心.FY-3（01批）卫星使用要求.2004.

[26] 国家卫星气象中心.FY-3气象卫星应用系统一期工程初步设计.2006.

[27]SalomonsonVV,Appel I.Estimating fractional snow cover from MODIS using the normalized difference snow index[J].Remote Sensing of Environment，2004，89：351-360.

[28]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.

[29]傅华，李三妹，黄镇,等.MODIS雪深反演数学模型验证及分析[J].干旱区地理，2007，30（6）：907-914.

[30]张旭，陈爱京，肖继东，等.基于EOS/MODIS积雪遥感监测的北疆冬季人工增雪效果分析[J].沙漠与绿洲气象，2010，4（1）：48-51.

Analysis on Snow Cover in Altay Region Based on FY-3VIRR Data

ZHANG Xu1，YANG Zhihua1，YANG Changjun2，LI Yang3
（1.Xinjiang Climate Center，Urumqi 830002，China；2.National Satellite Meteorological Center，Beijing 100081，China；3.Institute of Desert Meteorology，CMA，Urumqi 830002，China）

Based on the 3rd Fenyun series of the second generation of the polar-orbiting operational environmental and meteorological satellite,we used the normalized difference snow index （NDSI）and the spectral threshold algorithm method for monitoring snow cover of the Altay region in 2013.Through the comparative analysis of the FY3VIRR results and the processed snow cover monitoring data with MODIS product,we found that the FY3VIRR data can be achieved on the snow cover information on this study area and the method is simple and effective.These results indicated that the FY-3VIRR snow cover monitoring results with MODIS snow monitoring products is consistent and comparable.

FY-3VIRR；snow cover；remote sensing

P426.635；TP873

B

1002-0799（2016）03-0083-06

10.3969/j.issn.1002-0799.2016.03.013

2015-07-22；

2015-11-02

自治区科技支疆项目（2013911104）、国家自然科学基金（41271098）、新疆气象局业务新技术项目（yx201303）。

张旭（1979-），男，高级工程师，主要从事生态环境遥感监测与遥感应用研究工作。E-mail：9139009@qq.com