基于光学遥感积雪覆盖度制图分析

许帆 曹海啸 南京信息工程大学

引言

积雪在地球表面分布较广，变化较为活跃，是反映全球能量平衡的重要指标。研究积雪覆盖信息为研究水文循环、水资源管理、雪灾预警等重大课题提供了必要前提。近年来大数据渐渐涉及遥感领域，研究学者们开始尝试将以深度学习为代表的人工智能技术来解决海量、多源、多尺度遥感数据的解译与参数反演问题，到目前为止已取得一些阶段性进展。

目前，被用于积雪范围遥感监测与制图的卫星数据来源大致可分为两大类：光学与微波遥感。微波遥感产品由于其受制于较低的空间分辨率，因此目前基于亚像元尺度的FSC制图算法的研究多集中于光学遥感资料。

1 积雪覆盖率遥感估算研究现状

1.1 光学遥感积雪覆盖率制图类型

光学遥感积雪覆盖率的提取方法大致可以分为三类：基于回归模型、混合像元分解和机器学习方法。光学遥感积雪覆盖率制图的技术路线框图如图1所示：

图1 FSC提取技术路线图

1.2 基于回归模型

积雪覆盖率和冰雪指数（NDSI）存在着正相关的线性关系，Salomonson等提出了FSC与NDSI的线性回归模型用于MODSI积雪产品的参数实现，公式如式（1）所示：

Barton等利用TM资料，使用线性光谱混合算法制成积雪面积比例的基础上，建立了NDSI与积雪覆盖率之间的曲线拟合模型。Salomonson等通过NDSI估算MODIS像元积雪覆盖率，该方法以三个国家不同特征区域的TM雪盖图为真值，建立回归模型，验证结果表明该方法的可泛化性更强。在国内，曹云刚等以TM积雪覆盖率为真值，建立基于MODIS的NDVI、NDSI与FSC之间的回归模型。张颖等基于分段建模方法从MODIS MOD09GA产品中提取FSC，经验证其精度比V5版MODIS积雪覆盖率产品高。Hao等以Landsat-8/OLI雪盖图为参考真值评估MOD10A1(V6)、MODSCAG和MODAGE三种积雪覆盖率产品在青藏高原地区精度，结果表明MOD10A1积雪漏测误差较大，MODSCAG在积雪边界存在多测误差。

通过回归拟合的方式建立的积雪覆盖率反演模型应用广泛，一定程度能提高积雪范围遥感监测的精度。但在积雪破碎化区域，结果容易受到雪粒径大小、积雪深度、黑炭污染等的干扰，模型稳定性较差。

1.3 基于混合像元分解模型

混合像元现象指研究像元中除了积雪之外一般还包含其他的地物类型。此方法是基于光谱分析的，各类地物光谱通过数理模型转换组成混合像元的光谱。

通过建立混合像元分解模型来解决积雪覆盖估算问题，是多数研究学者的一项重要方法与手段。Rosenthal等通过使用决策树的回归与分类模型进行解混，并计算积雪占比。Vikhamar等提出了针对森林地区优化的MODIS FSC制图方法。Painter等提出一种基于光谱线性混合模型与辐射传输模型的MODIS积雪覆盖率和雪粒径反演的模型MODSCAG。国内基于混合像元分解理论的研究也取得一些进展。施建成等通过对MOD09GA数据进行纯净像元自动提取，并利用多端元光谱混合分析实现FSC反演。张颖使用四种不同混合像元分解方法进行青藏高原地区MODIS FSC反演。赵宏宇等基于空间光谱端元发展了国产FY-3D卫星MERSI-II资料积雪覆盖率提取算法。

基于混合像元分解原理的积雪覆盖度估算因考虑多种地物光谱特征而较为准确，但其稳定性仍易受复杂地形等因素影响。

1.4 基于机器学习

机器学习方法在应用于积雪覆盖率反演问题时，可有效融入地形特征、土地覆盖类型等辅助信息，从而能在复杂地形条件下学习多光谱地表反射率特征与像元积雪覆盖率之间的非线性关系。基于机器学习方法的积雪覆盖度提取原理框图如图2所示：

图2 基于机器学习模型的方法框图

Dobreva等以MODIS地表反射率、NDSI、NDVI和地表覆盖类型数据作为输入，训练一种用于FSC估计的ANN模型。Moosavi 等将小波分析技术与ANN模型结合。Czyzowska 等利用ANN模型实现复杂高山森林环境中的IKONOS积雪覆盖度制图，结果表明该 ANN 模型能很好适应高山森林的异质性。在国内，侯金亮等以MODIS地表反射率数据、NDSI、地表温度、海拔等数据作为输入，训练三层结构的BP神经网络模型用于黑河流域积雪覆盖度反演。梁慧等使用线性回归、线性混合像元分解及BP神经网络分别对山区进行MODIS积雪覆盖率反演，以上研究验证结果均能不同幅度提高提取精度。

相比上述两类模型，在复杂地形条件下，具有极强非线性拟合能力、可应对高维特征输入的机器学习模型在积雪参数反演领域可以实现更高的准确度。

2 发展趋势与展望

目前，关于遥感FSC制图的多类研究大多是在NDSI指数基础上开展的单一回归模型，在处理复杂地形的FSC提取问题还达不到精度要求。混合像元方法是在研究地物光谱的基础上开展的，在一定程度上能提高FSC的估算精度，但其稳定性依然受地形条件的影响，需要深刻掌握相关先验知识且运算量巨大，不太符合大范围尺度下的估算要求。相较上述两种方法，机器学习方法可移植性较强，能更全面的考虑到地形、下垫面等因素的复杂非线性影响，其利用超高的运算率、在遥感积雪覆盖度反演问题上，具有更大的应用潜力。但这类模型在构建过程中，仍旧存在“黑箱”模型的传统弊端，依赖具有大量训练模型的经验，难以确定架构和超参。

光学遥感积雪覆盖度的提取研究仍存在很多可改进的区域，今后的建模工作还需扩大范围，验证在不同植被覆盖条件下的精度结果并提供更多的FSC参数，满足建模和验证的双重需求，以供后续学习的继承和延续。