遥感和气象数据天山东部冰雪时空变化研究

兰进京，姬伟倩，都伟冰

(1.河南省地质矿产勘查开发局 第二地质矿产调查院，郑州 450001；2.河南理工大学 测绘与国土信息工程学院，河南 焦作 454003)

0 引言

天山地区在1961—1999年的气温增长率比全球平均气候变暖速度还大2倍[1-2]。在过去的十几年，天山地区的气温一直保持着高变化率。区域气候长时序变化的趋势促使该地区的冰雪融化变化加剧，由此引发淡水资源变化和冰川次生灾害频发[3]。

天山地区冰雪变化季节性明显[4]。对天山东部地区的冰雪时空变化研究，不仅要掌握其变化规律，还要研究其与气温的相关关系[5]，从而提高我们对该地区冰雪变化的估计与预测能力。本文以2018年1月至2018年12月天山东部地区的中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)数据为基础，利用MODIS冰雪检测算法得到研究区的冰雪覆盖范围结果[6-7]，在此基础上分析其时空变化规律。

1 研究区概况及数据

1.1 研究区概况

研究区位于中国境内，天山东部(83.4°E～95.6°E，41.3°N～44.7°N[8])，整体为长条形，西起巴音郭楞蒙古自治州的和静县，中过乌鲁木齐，东到哈密伊犁[9-10]，总面积约为27.6×104km2。本文使用5个气象站的数据进行后续分析，气象站信息列于表1。

表1 气象站信息表

研究区属于山地地形，温带大陆性气候，其北坡受北冰洋水汽影响，年降水量大于南坡[11-12]。相应的气象站点为库尔勒气象站(KORLA，CH)、哈密气象站(HAMI，CH)、奇台县气象站(QITAL，CH)、乌鲁木齐气象站(WU LU MU QI，CH)、吐鲁番气象站(TURPAN，CH)。

1.2 研究数据

本文使用的MODIS产品来自Terra卫星，冰雪检测算法输入数据为MODIS L1B产品，来源于美国一级大气档案发布系统分布式活动档案中心(https：//ladsweb.modaps.eosdis.nasa.gov/)。气象站的气温、降水数据来自美国国家海洋和大气管理局(https：//www.ncdc.noaa.gov/)。

2 研究方法

本文在Python平台上实现了以归一化积雪指数(normalized difference snow index，NDSI)为基础的群准则冰雪检测算法。MODIS积雪产品中存在大量由云覆盖产生的不确定像元，限制了此算法的冰雪检测效果。针对这一问题，本文利用分段线性插值算法对不确定像元的NDSI进行恢复，提取了2018年冰雪覆盖范围。为了研究天山东部冰雪的时空变化，本文使用冰雪覆盖率作为变化指标，讨论气温与降水对冰雪覆率大小的影响[13-14]。

运用了相关性的度量统计量，对气温、降水与遥感MODIS得到的冰雪覆盖率之间的相关性进行研究。相关性的度量统计量主要有：Pearson相关系数、Spearman相关系数和Kendall相关系数。对于2个存在线性相关关系的变量，变量之间可能有因果关系、同因关系。待研究变量为气温和NDSI阈值，二者都是连续变量。由于Pearson相关性适合连续变量的相关性分析，于是选择了Pearson相关性作为天山东部地区气温与NDSI关系的指标。

3 研究结果

为了检验算法的可靠性，对算法生成的冰雪提取数据与MODIS/Terra Snow Cover 5-Min L2 Swath 500 m，Version 6产品的NDSI Snow Cover 科学数据集进行对比，发现结果误差不超过2%，验证了MODIS冰雪检测算法的有效性。

3.1 冰雪变化模式

图1呈现的是2018年天山东部地区冰雪覆盖的每月变化模式，可以看到其年内变化显著、季节性明显。总体而言，研究区北坡的年冰雪覆盖天数以及各月份冰雪覆盖率都显著地高于南坡[4]。

图1 2018年天山东部地区月平均NDSI变化模式

天山东部地区的冰雪覆盖年内变化可以总结为以下4个时期。①1月至2月的冰雪覆盖区域变动期。这一时期的冰雪覆盖率总体较高，但是其覆盖区域，除了高山的永久积雪，每月均有一定的差异。②3月至6月的冰雪消融期。这一时期的冰雪覆盖面积逐月下降，直到6月份只剩下高山的永久积雪。③7月至8月的冰雪稳定期。这一时期的冰雪覆盖与6月份相似，只剩下因海拔过高，气温常年保持低温的高海拔永久积雪。大部分的低海拔地区几乎没有冰雪的存在。④冰雪积累时期。这一时期从9月份开始到12月份结束，冰雪覆盖面积逐月增长，直到12月份达到冰雪覆盖率的最大值[2，15-16]。

3.2 气温对天山东部地区冰雪覆盖变化的影响

为了找出天山东部地区的冰雪变化机理，对2018年天山东部地区平均NDSI变化和气温变化作了相关性分析。本文使用的天山东部地区的气温值为研究区内5个气象站的气温平均值。

2018年天山东部气温与平均NDSI变化曲线如图2所示。分析发现，2018年天山东部的整个区域的NDSI取平均的变化总体上呈现出由高到低，再回升为高的模式。而气温则相反，从零下10 ℃左右的低温，经历一个升温率由高到低的升温过程，而后降温率逐渐变大，从30 ℃回落至-10 ℃左右。在4月至6月、9月至11月中，NDSI变化曲线共由7处明显小峰，小峰一般持续天数不超过10 d。这些小峰代表了一个降雪与融雪过程，其所处的月份平均气温为10 ℃左右，有降雪的可能而又达不到保持冰雪固态的低温需求。由图2可以推测，天山地区的气温与其平均NDSI很有可能存在着负相关关系[16]。于是本文对其进行Pearson相关性检验，其结果如表2所示。

图2 2018年天山地区气温与平均NDSI变化

表2 气温与平均NDSI的相关性检验

利用Pearson相关性检验得到天山地区的气温与冰雪覆盖率在双侧0.01水平上显著相关。于是相信这2个变量之间存在着负相关关系，进一步分析其相关性是因果关系还是共因关系。冰雪的形成与消融在一定程度上影响着气温的变化，但是气温总体的变化并非由冰雪引起，即冰雪变化不是气温变化的原因。

降雪的原因除了气温还有云量等因素，气温是其重要因素之一。如果气温过高，不但不能形成降雪，地面覆盖的冰雪也会消融。因此，气温与冰雪覆盖率之间是因果关系，气温的变化影响着冰雪覆盖率大小的变化。

3.3 降水对天山东部地区冰雪覆盖变化的影响

NDSI数据取的是日数据，在某日的NDSI数据中对整个研究区NDSI取平均值。由于缺少奇台县和乌鲁木齐2个气象站的降水数据，本文选择了研究区内的3个气象站(库尔勒、哈密和吐鲁番气象站)的每日降水量与研究区平均NDSI进行对比，如图3所示。平均后的日降水数据与日NDSI数据做相关性分析，得出的数据不仅能最大限度地保持数据变化趋势，并且能够保留数据变化的细节。由于天山东段为夏季积累型冰川，因此夏季降水的积累对山区NDSI的增加起到主导作用；而温度升高造成的低海拔区域NDSI减少更加明显。其中夏季降水的增加不能抵消温度升高带来的影响，因此研究区NDSI在夏季普遍较低。

图3 2018年天山地区降水量与平均NDSI变化

天山东部地区的降水频率在夏季最密集，日降水量也最高(图3)。降水量与平均NDSI做Pearson相关性分析，得到表3。

表3 2018年全年降水量与平均NDSI的相关性检验

该研究时间内降水量与平均NDSI之间的相关性为显著负相关，降水量与平均NDSI为共因关系，同时受季节变化影响。当降水形式为冰雪的时候，降水成了平均NDSI增长的原因。但是天山东部地区的年降水天数远小于365 d，整体而言，降水量与平均NDSI的相关性不会因此而变成正相关。

4 结束语

本文首先探究了MODIS冰雪检测算法，并对算法的有效性及其精度做了检验；其次利用从MODIS数据提取的冰雪覆盖率信息，对天山东部地区的冰雪变化进行了探讨，得出气温与冰雪覆盖率呈现显著负相关关系，降水量与冰雪覆盖率呈现负相关关系，与其他研究成果吻合，一定程度上反映了此算法提取天山东部冰雪覆盖率的有效性。遥感技术不仅可以获取大范围冰雪变化信息，更能丰富其空间分布的细节特征。冰雪变化是一个长期的动态变化过程，此算法可为长时间序列遥感数据监测东天山冰雪的时空变化特征提供技术支持。