全 文 ：书基于犃犕犛犚犈信息的北疆牧区
雪深遥感监测模型方法初探
于惠，冯琦胜，张学通，黄晓东，梁天刚
（农业部草地农业生态系统学重点实验室 兰州大学草地农业科技学院，甘肃 兰州７３００２０）
摘要：利用北疆地区２００２，２００３和２００４年１１月－次年３月３个积雪季ＡＭＳＲＥ４４５个时相的亮温数字图像和２０
个气象台站实测雪深数据，系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对１８和３６ＧＨｚ波段的
水平、垂直极化方式的亮温差和实测雪深值回归分析比较，建立了北疆地区基于 ＡＭＳＲＥ亮温数据的雪深反演模
型，并对模型的精度进行了评价。结果表明，１）ＡＭＳＲＥ亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影
响，其中受深霜层的影响最大；２）大于２．５ｃｍ的积雪深度犛犇 同垂直极化方式的１８和３６ＧＨｚ波段的亮温差
（犜犫１８犞－犜犫３６犞）之间具有较好的线性相关性，其回归公式为犛犇＝０．４９（犜犫１８犞－犜犫３６犞）＋８．７２，相关系数达０．６５。３）
当雪深为３～１０ｃｍ时，反演模型平均误差为－７．１ｃｍ，平均绝对误差为７．１ｃｍ，犚犕犛犈值达７．７ｃｍ；当雪深为１１
～３０ｃｍ时，平均误差为１．８ｃｍ，平均绝对误差为４．９ｃｍ，犚犕犛犈值为９．１ｃｍ；当雪深大于３０ｃｍ时，平均误差为
８．９ｃｍ，平均绝对误差为９．４ｃｍ，犚犕犛犈值为１８．１ｃｍ。４）该模型在北疆地区优于Ｃｈａｎｇ算法，基本能反映北疆地
区雪深变化趋势。当地表为中雪覆盖时，反演雪深值和实测值之间的一致性较高，当地表为浅雪和深雪覆盖时，反
演模型的误差较大，其反演精度较低，还有待于进一步研究。
关键词：雪深；北疆地区；ＡＭＳＲＥ；亮温数据；精度分析
中图分类号：Ｓ８１２０５；Ｓ１２７　　文献标识码：Ａ　　文章编号：１００４５７５９（２００９）０４０２１００７
　 积雪作为地表最活跃且具有多重属性的自然因素，早已引起众多地学科学家的关注与重视。积雪深度是估
算雪水当量、研究流域水量平衡和春季融雪径流模拟的重要参数，一直为水文、气象学家所关注［１］。在我国新疆
牧区，冬春季大量的积雪经常造成家畜死亡，产生灾害，严重制约着当地草地畜牧业的可持续发展。由于积雪的
重要性及其对畜牧业的危害性，准确监测其覆盖范围和动态变化就成为地球系统科学的一项重要研究目标，尤其
对频繁发生雪灾的新疆牧区的积雪进行深入研究，对防灾减灾具有极其重要的意义［２～７］。
美国航空航天局（ＮＡＳＡ，ＮａｔｉｏｎａｌＡｅｒｏｎａｕｔｉｃｓａｎｄＳｐａｃｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ）自２００２年开始接收和分发
ＡＱＵＡ卫星数据产品以来，对ＡＭＳＲＥ（ＡｄｖａｎｃｅｄＭｉｃｒｏｗａｖｅＳｃａｎｎｉｎｇＲａｄｉｏｍｅｔｅｒＥａｒｔｈＯｂｓｅｒｖｉｎｇＳｙｓｔｅｍ）
雪水当量产品和亮度温度（Ｔｂ，ｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅ）产品的应用研究便成为全球从事冰雪圈的科研工作者关
注的热点问题。Ｃｈａｎｇ等［８］利用海洋卫星和国防气象卫星的多波段扫描微波辐射计ＳＭＭＲ（ｓｃａｎｎｉｎｇｍｕｌｔｉ
ｃｈａｎｎｅｌｍｉｃｒｏｗａｖｅｒａｄｉｏｍｅｔｅｒ）和微波成像专用传感器ＳＳＭ／Ｉ（ｓｐｅｃｉａｌｓｅｎｓｏｒｍｉｃｒｏｗａｖｅｉｍａｇｅｒ）的亮温资料，提
出雪深“亮温梯度”算法。Ｆｏｓｔｅｒ等［９］对该算法进行了修正，Ｓｙｌｖａｉｎ等［１０］利用ＳＳＭ／Ｉ亮温数据，在美国高海拔地
区分别利用动态和静态算法计算了１９８７－１９９５年多年雪深平均值，发现动态算法在美国高海拔地区优于静态算
法。Ｇｒｉｐｐａ等［１１］利用ＳＳＭ／Ｉ亮温数据，用动静态混合算法计算了北美大草原的雪深值。在我国，曹梅盛和李培
基［１２］利用数字地形模型数据，将中国西部分成５个地貌单元（盆地、高原、丘陵、低山和高山），对Ｃｈａｎｇ等［８］的公
式进行了修正，得出利用ＳＭＭＲ被动微波亮温数据反演雪深的修正算法。在此基础上，李培基［１３］利用ＳＭＭＲ
积雪反演结果，结合积雪台站资料和美国国家海洋大气局气象观测卫星ＮＯＡＡ（ＮａｔｉｏｎａｌＯｃｅａｎｉｃａｎｄＡｔｍｏｓ
ｐｈｅｒｉｃＡｄｍｉｎｉｓｔｒａｔｉｏｎ）周雪盖图，分析了中国西部地区积雪的空间分布特征，并进一步应用经验正交分析等方
２１０－２１６
２００９年８月
　　　草　业　学　报　　　
　　　ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ　　　
第１８卷　第４期
Ｖｏｌ．１８，Ｎｏ．４
 收稿日期：２００８０９１６；改回日期：２００８１１０４
基金项目：教育部草业人才创新实验区建设项目，国家自然科学基金项目（３０５７１３１６）和教育部草业科学特色专业项目（ＴＳ２４１０）资助。
作者简介：于惠（１９８５），女，甘肃临洮人，在读硕士。Ｅｍａｉｌ：ｙｕｈ０４＠ｌｚｕ．ｃｎ
通讯作者。Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
法，重点分析了青藏高原积雪的空间分布、年际波动、变化周期、积雪变化和全球变暖的关系［１４，１５］。高峰等［１６］根
据曹梅盛和李培基［１２］的研究结果，结合实际应用，对Ｃｈａｎｇ等［８］的半理论、半经验算法进行了修正，并模拟分析
了青藏高原逐日积雪深度分布图。车涛等［１７］、车涛和李新［１８］利用ＳＳＭ／Ｉ数据，建立了青藏高原雪深和雪水当量
的被动微波算法，在我国东西部发展了一套适用于全国的雪深业务化反演方案。Ｓｕｎ等［１９］利用ＡＭＳＲＥ亮温
数据，建立了新疆地区基于ＡＭＳＲＥ数据的雪深反演模型。但是，迄今为止，利用ＡＭＳＲＥ数据在建立雪深模
型时的数据筛选、亮温差指数的选择、雪深模型的精度评价等方面的研究还较少。
本研究利用ＡＭＳＲＥ亮度温度数据，通过遥感、地理信息系统技术和统计学分析等方法，建立了新疆北部地
区（以下简称“北疆地区”）雪深反演模型，并对模型精度进行评价，以期为北疆牧区雪灾遥感监测提供科学依据。
１　材料与方法
１．１　研究区概况
北疆地区位于北纬４２°～５０°，东经７９°～９２°。主要有阿尔泰山、准噶尔盆地和天山山地３个基本地貌单元，
是我国重要的畜牧业生产基地。该区有１０种草地类型，以荒漠草地为主，其次为低地草甸类型［２０］。草地面积
２８６４．２７万ｈｍ２，占新疆草地总面积的５０．０２％，可利用草地面积２３６７．５２万ｈｍ２，占新疆可利用草地总面积的
４９．３２％。北疆属温带大陆性干旱气候，同时也是我国三大积雪分布中心之一。由于区内地形复杂、海拔高、气候
寒冷潮湿，冬、春季雪灾频繁，大批牲畜因雪灾而死亡，积雪灾害成为主要的自然灾害之一。常在１０月－次年４
月发生雪灾天气，平原大部分地区稳定积雪期都为５个月左右，积雪厚度一般为２０～５０ｃｍ，山区稳定积雪期每
年可长达７个月，积雪厚度在８０ｃｍ以上，高山区终年有稳定积雪积累。
１．２　研究数据
主要包括以下资料：１）ＡＭＳＲＥ亮度温度数据。ＡＭＳＲＥ微波辐射计是在ＡＭＳＲ传感器的基础上改进设
计的，它搭载的ＮＡＳＡ对地观测卫星ＡＱＵＡ于２００２年发射升空。ＡＭＳＲＥ传感器在６．９～８９．０ＧＨｚ频率内
具有水平和垂直２种极化方式的１２个通道。ＡＭＳＲＥ每日亮度温度（Ｔｂ）数据，是通过美国国家冰雪数据中心
（ＮＳＩＤＣ，ＮａｔｉｏｎａｌＳｎｏｗａｎｄＩｃｅＤａｔａＣｅｎｔｅｒ）网站订购下载的北半球ＡＭＳＲＥ／ＡＱＵＡＬ２Ａ级数据。ＡＭＳＲＥ
亮温数据提供了２种ＥＡＳＥＧｒｉｄ投影格式：南、北半球的Ｌａｍｂｅｒｔａｚｉｍｕｔｈａｌ和全球的Ｃｙｌｉｎｄｒｉｃａｌ投影，分辨率
为２５ｋｍ。南北半球的格网行列数都为７２１×７２１，全球的格网行列数为１３８３×５８６。该数据从２００２年６月１９
日开始发布。每日有２４个有投影的亮温数据文件，即１２个通道，每个通道升轨和降轨各１个文件。另外，每天
有升轨和降轨２个时间数字图像。本研究使用ＡＭＳＲ
Ｅ１８和３６ＧＨｚ的水平和垂直极化４个亮温通道数
据，覆盖范围为北半球，投影格式为北半球可扩展的等
面积地球格网（ＥＡＳＥＧｒｉｄ＿ｎｏｒｔｈ），时间范围为２００２，
２００３和２００４年１１月－次年３月的３个积雪季，总计
１７８０幅数字图像（表１）。２）气象资料。北疆地区２０
个地面气象观测站测量的积雪深度、日降水量、日平均
温度、日最高温度、日最低温度、月平均温度等资料。
３）辅助数据库。主要包括北疆地区地、州、市和县级行
政区划（１∶１００万）、积雪定位观测站点空间分布数据
库。
表１　犃犕犛犚犈亮温数据统计表
犜犪犫犾犲１　犛狋犪狋犻狊狋犻犮狊狅犳犃犕犛犚犈犫狉犻犵犺狋狀犲狊狊狋犲犿狆犲狉犪狋狌狉犲犱犪狋犪
时间
Ｔｉｍｅ
（年．月
Ｙｅａｒ．ｍｏｎｔｈ）
ＡＭＳＲＥ降轨影像
ＡＭＳＲＥｄｅｓｃｅｎｄｉｎｇｐａｓｓｉｍａｇｅ
影像数
Ｉｍａｇｅｎｕｍｂｅｒ
无数据时间Ｎｏｄａｔａｔｉｍｅ
（年．月．日 Ｙｅａｒ．ｍｏｎｔｈ．ｄａｙ）
２００２．１１－２００３．３ ５９６ ２００２．１１．１８，２００２．１２．５
２００３．１１－２００４．３ ５８４ ２００３．１１．１－１１．５，２００４．１．１５
２００４．１１－２００５．３ ６００ ２００４．１１．１９
１．３　ＡＭＳＲＥ数据处理
利用ＡｒｃＧＩＳ９．１及其他辅助软件，对ＡＭＳＲＥ／Ａｑｕａ每日亮温（ｄａｉｌｙｇｉｒｄｅｄｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｓ）产品
进行处理，具体步骤如下：１）文件格式转换。对解压后的原文件加扩展名．ｂｓｑ，并对每个ＢＳＱ文件建立相应的头
文件。２）图像格式转换和投影定义。用ＡｒｃＭａｐ将ＢＳＱ文件批量转为ＧＲＩＤ格式，然后将ＧＲＩＤ数据的投影定
义为ＥＡＳＥＧｒｉｄ＿Ｎｏｒｔｈ。３）投影转换和重采样。在ＡｃｒＧＩＳ软件中将ＧＲＩＤ数据的投影转为Ａｌｂｅｒｓ等面积圆
锥投影，基准面选为Ｋｒａｓｏｖｓｋｙ＿１９４０；并进行重采样，格网大小定义为２５ｋｍ。４）亮温数据的提取。在ＡｒｃＩｎｆｏ
１１２第１８卷第４期 草业学报２００９年
工作站环境下，提取北疆地区２０个气象台站在３６和１８ＧＨｚ水平及垂直极化图像相应位置的亮温（犜犫）值。
１．４　数据筛选与雪深反演模型建立方法
由于被动微波数据受许多因素的影响，在建立ＡＭＳＲＥ亮温数据和实测雪深之间的反演模型时，需要剔除
一些不合理的观测数据［１７］。为建立 ＡＭＳＲＥ亮温数据和实测雪深之间的关系，研究北疆地区２００２，２００３和
２００４年的３个积雪季（１１月－次年３月）每天２０个气象台站雪深观测值和与之对应的ＡＭＳＲＥ１８和３６ＧＨｚ
波段的水平、垂直极化方式的亮度温度（犜犫１８犎、犜犫３６犎、犜犫１８犞、犜犫３６犞）及亮温差（犜犫１８犎－犜犫３６犎、犜犫１８犞－犜犫３６犞、犜犫１８犎
－犜犫３６犞、犜犫１８犞－犜犫３６犎、犜犫１８犞－犜犫１８犎、犜犫３６犞－犜犫３６犎）数据之间的相关性。本研究采用如下方法对观测数据进行
了筛选：１）无图像和处于裂隙中无有效数值的样本。２）气象站点观测的雪深小于３．０ｃｍ的样本。由于１８和３６
ＧＨｚ通道的被动微波亮温数据只能探测到大于２．５ｃｍ的雪深，因此剔除了台站雪深小于３．０ｃｍ的观测样本。
３）融雪的影响。北疆地区２０个气象台站每年３月的日平均温度均在０℃以上，雪的融冻现象比较严重，另外，当
日最高温大于等于６℃时，融雪现象也较严重，因此剔除了３月和日最高温大于等于６℃的观测样本。４）雪中含
水量的影响。随着雪中含水量的增加，微波辐射的响应变化非常剧烈，体散射急剧下降，辐射吸收作用增强，导致
雪深无法准确反演。同时，雪中的含水量也影响雪的粒径和形状。雪中含水量的影响包括以下２个方面：①干雪
与湿雪的影响。基于 Ｗａｌｋｅｒ和Ｇｏｏｄｉｓｏｎ［２１］的研究成果，经过反复试验，本研究区判断干雪的准则为１９５．０＜
犜犫３６犞＜２２５．０且犜犫１８犞≤２５５．５。②降水的影响。利用台站观测数据，判断观测的雪深数值是否受降水的影响。
５）深霜层的影响。当月平均气温小于－１０℃，且雪盖较浅（０．５～１０．０ｃｍ）时，一般在雪盖和地表之间会形成深霜
层［２２］。当雪盖较深时，雪盖层之间、雪盖与地面之间会形成多层深霜层。深霜层与积雪相似的微波辐射特性对
积雪深度的反演有显著影响。因此该研究也剔除了受深霜层影响的部分观测样本。６）高程的影响。一般在高海
拔地区（可能受土地覆盖类型等的影响），反演结果不理想。本研究区观测台站的海拔在２０００ｍ以下，根据回归
分析，随着海拔的升高，雪深和亮温差的相关性越好，所以本研究区高程对雪深反演没有显著影响。７）ＡＭＳＲＥ
升轨与降轨数据的影响。为了避免下午融雪对反演雪深的影响［１７］，本研究只采用卫星早晨过境（即降轨）的数
据。
对采用上述筛选方法得到的有效样本的亮温差值与实测雪深进行回归分析，建立北疆地区基于ＡＭＳＲＥ亮
度温度数据的雪深反演模型。
１．５　精度评价方法
利用气象台站观测的每日雪深数据，计算雪深反演模型模拟的雪深与实测值在不同积雪水平下的平均误差
（犘犪）、负向平均误差（犘犫）、正向平均误差（犘犮）、绝对平均误差（犘犱）、均方根误差（犚犕犛犈）（公式１～５），用以分析
反演模型的雪深估测精度。另外，将雪深反演模型同Ｃｈａｎｇ等［８］的算法进行了对比分析。
犘犪＝１狀∑
狀
犻＝１
（狔犻－狔
∧
犻） （１）
犘犫＝１犿∑
犿
犼＝１
（狔犼－狔
∧
犼）　　（狔犼＜狔
∧
犼） （２）
犘犮＝１狉∑
狉
犽＝１
（狔犽－狔
∧
犽）　　（狔犽＞狔
∧
犽） （３）
犘犱＝１狀∑
狀
犻＝１
（｜狔犻－狔
∧
犻｜） （４）
犚犕犛犈＝
∑
狀
犻＝１
（犣犪犻－犣犲犻）２
槡 狀 （５）
式（１）～（４）中，狔犻、狔犼、狔犽 和狔
∧
犻、狔
∧
犼、狔
∧
犽 分别表示实测雪深及其对应的反演雪深值，狀、犿、狉分别为总样本数、实测值
小于估测值的样本数和实测值大于估测值的样本数。式（５）中，犣犪犻为第犻个样点的实际观测值，犣犲犻为估计值。狀
为用于检测的样本数目。
２１２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２００９） Ｖｏｌ．１８，Ｎｏ．４
２　结果与分析
２．１　基于ＡＭＳＲＥ资料的雪深反演模型
利用ＡＭＳＲＥ降轨１８和３６ＧＨｚ波段的水平、垂直极化亮温数据，结合研究区２０个气象台站实测雪深资
料，参考积雪深度反演模型的影响因子，结合北疆地区实际情况，建立了研究区如下样本筛选方法：１）剔除无图像
和处于裂隙中无有效数值的样本；２）剔除雪深（犛犇）＜３．０ｃｍ的样本；３）剔除各个积雪季３月的样本；４）剔除满
足犜犫犞１８≥２５５．５，犜犫犞３６＜１９５．０和犜犫犞３６＞２５５．０的湿雪；５）剔除日最高温度大于等于６℃的样本；６）剔除月均温
（犜ｍｏｎｔｈ）＜－１０℃（包括犛犇≤１０ｃｍ且犜ｍｏｎｔｈ＜－１５℃的深霜层及由于融冻现象导致的多个深霜层）的样本。
经过上述处理，共得到有效样本数１１７７个。通过对不同波段、极化方式组合的亮温差值与实测雪深的回归
分析发现，亮温差指数犜犫１８犞－犜犫３６犞与雪深的相关性最高，可用以建立北疆地区雪深反演模型，回归公式如下：
犛犇＝０．４９（犜犫１８犞－犜犫３６犞）＋８．７２　　犚２＝０．４２６ （６）
式中，犛犇表示雪深，单位为ｃｍ，犜犫１８犞、犜犫３６犞分别表示ＡＭＳＲＥ１８和３６ＧＨｚ波段的垂直极化的亮度温度值。
２．２　雪深反演模型精度评价
北疆地区２００２，２００３和２００４年１１月－次年３月，共有亮温数据９０８０对，通过一系列的筛选方法得出１１７７
对有效数据。利用１１７７对有效数据，对所建立的雪深模型［式（６）］进行精度评价，结果表明，当雪深为３～１０ｃｍ
时，反演模型反演的雪深值均高估了实际雪深，负向平均误差达－７．１ｃｍ。在雪深为１１～３０ｃｍ时，模型反演的
雪深值的平均误差、犚犕犛犈、正向平均误差、绝对平均误差都最低。当雪深大于３０ｃｍ时，正向平均误差达到１０．５
ｃｍ（表２）。由此可见，当雪深为１１～３０ｃｍ时，反演精度较高。北疆地区的冬季雪深大多分布在１０～２５ｃｍ，所
以模型反演的雪深值基本上能反映北疆地区的雪深实际分布状况。但在局部地区，尤其是雪深小于１０ｃｍ及大
于３０ｃｍ的地区反演误差较大，在雪深小于１０ｃｍ时高估了雪深值，在雪深大于３０ｃｍ时低估了雪深值，反演精
度还有待进一步提高。
利用Ｃｈａｎｇ等［８］的半经验、半理论算法［犛犇＝１．５９（犜犫１８犎－犜犫３７犎）］反演了北疆地区雪深状况，并对反演结
果做了精度分析（表３）。结果表明，随着雪深的增加，平均误差、负向平均误差等各项指标，都呈逐渐增大的趋
势。当雪深为３～１０ｃｍ时，Ｃｈａｎｇ算法反演的雪深值的正向误差较小，为３．０ｃｍ。当雪深大于３０ｃｍ时，负向
平均误差值较高，达－２６．０ｃｍ。
表２　不同雪深反演模型精度分析结果
犜犪犫犾犲２　犚犲狊狌犾狋狊狅犳犿狅犱犲犾犪犮犮狌狉犪犮狔犪狀犪犾狔狊犻狊犻狀犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺
台站雪深
Ｍｅａｓｕｒｅｄｓｎｏｗ
ｄｅｐｔｈ（ｃｍ）
样本数
Ｓａｍｐｌｅ
平均误差
Ａｖｅｒａｇｅｅｒｒｏｒ
（ｃｍ）
负向平均误差
Ｎｅｇａｔｉｖｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
正向平均误差
Ｐｏｓｉｔｉｖｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
绝对平均误差
Ａｂｓｏｌｕｔｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
均方根误差
犚犕犛犈
（ｃｍ）
３～１０ ３３８ －７．１ －７．１ － ７．１ ７．７
１１～３０ ７１７ １．８ －４．１ ５．３ ４．９ ９．１
＞３０ １２２ ８．９ －１．９ １０．５ ９．４ １８．３
表３　不同雪深犆犺犪狀犵算法精度分析结果
犜犪犫犾犲３　犚犲狊狌犾狋狊狅犳犆犺犪狀犵犃犾犵狅狉犻狋犺犿犪犮犮狌狉犪犮狔犪狀犪犾狔狊犻狊犻狀犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺
台站雪深
Ｍｅａｓｕｒｅｄｓｎｏｗ
ｄｅｐｔｈ（ｃｍ）
样本数
Ｓａｍｐｌｅ
平均误差
Ａｖｅｒａｇｅｅｒｒｏｒ
（ｃｍ）
负向平均误差
Ｎｅｇａｔｉｖｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
正向平均误差
Ｐｏｓｉｔｉｖｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
绝对平均误差
Ａｂｓｏｌｕｔｅａｖｅｒａｇｅ
ｅｒｒｏｒ（ｃｍ）
均方根误差
犚犕犛犈
（ｃｍ）
３～１０ ３３８ －７．５ －９．９ ３．０ ８．６ １１．８
１１～３０ ７１７ －６．８ －１５．８ ９．４ １３．５ １８．６
＞３０ １２２ －１６．５ －２６．０ ７．１ ２０．６ ２５．９
３１２第１８卷第４期 草业学报２００９年
　　比较公式（６）和Ｃｈａｎｇ的算法，公式（６）反演的雪深值在整个雪深范围内，各项误差值均小于Ｃｈａｎｇ算法的
反演值。当雪深为３～１０ｃｍ时，反演模型和Ｃｈａｎｇ算法反演值的均方根误差分别为７．７和１１．８ｃｍ。当雪深为
１１～３０ｃｍ时，反演模型反演的雪深值的平均误差仅为１．８ｃｍ，而Ｃｈａｎｇ算法的平均误差为－６．８ｃｍ；反演模型
的负向、正向平均误差分别为－４．１和５．３ｃｍ，Ｃｈａｎｇ算法分别为－１５．８和９．４ｃｍ；反演模型绝对平均误差为
４．９ｃｍ，而Ｃｈａｎｇ算法达１３．５ｃｍ；Ｃｈａｎｇ算法的犚犕犛犈值为１８．６ｃｍ，而反演模型为９．１ｃｍ。当雪深大于３０ｃｍ
时，式（６）平均误差为８．９ｃｍ，Ｃｈａｎｇ算法达－１６．５ｃｍ；绝对平均误差分别为９．４和２０．６ｃｍ，犚犕犛犈值分别为
１８．３和２５．９ｃｍ。反演模型反演的雪深值和实测雪深值的相关性较Ｃｈａｎｇ算法好（图１），反演模型的反演值更
加接近站点实测值。从以上的分析比较可以得出，反演模型在北疆地区较Ｃｈａｎｇ算法有很大的改进，能比较准
确地监测北疆地区的积雪变化情况。
图１　反演模型（犪），犆犺犪狀犵算法（犫）反演雪深值与实测雪深值比较分析结果
犉犻犵．１　犃狀犪犾狔狊犻狊狉犲狊狌犾狋狊犫犲狋狑犲犲狀狊犻犿狌犾犪狋犲犱犪狀犱犿犲犪狊狌狉犲犱狊狀狅狑犱犲狆狋犺，犿狅犱犲犾（犪），犆犺犪狀犵犪犾犵狅狉犻狋犺犿（犫）
２．３　北疆牧区雪深时空分布动态
利用北疆地区雪深反演模型［式（６）］，采用最大值
合成法反演了２００３，２００４和２００５年１月１－３日北疆
地区最大积雪深度分布图像（图２）。结果表明，北部
阿尔泰山和南部天山一带，雪深最大，而在中部的准噶
尔盆地雪层相对较浅。２００４年１月１－３日的雪深普
遍大于２００３和２００５年同时期的数值，模拟结果同台
站观测的情况基本一致（表４），说明该模型基本上能
正确反映北疆的雪深分布状况。
表４　不同雪深段反演精度分析
犜犪犫犾犲４　犃犮犮狌狉犪犮狔犪狀犪犾狔狊犻狊犻狀犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺 ％
年份Ｙｅａｒ
实测雪深 Ｍｅａｓｕｒｅｄｓｎｏｗｄｅｐｔｈ（ｃｍ）
０～１０ １１～２０ ２１～３０ ＞３０
２００３ ０ １００ ６７ ０
２００４ ０ ５４ ６７ ０
２００５ ２５ １００ ５０ ０
平均 Ｍｅａｎ ７．７ ８１．３ ６１．５ ０
３　结论
利用北疆地区２００２，２００３和２００４年３个积雪季（１１月－次年３月）的降轨ＡＭＳＲＥ１８和３６ＧＨｚ波段的水
平和垂直极化亮温数据，结合北疆地区２０个气象台站的实测雪深等气象数据，分析了研究区雪深反演影响因子，
发现气温、融雪、降水、湿雪、深霜层等因素严重影响雪深模型的建立，其中深霜层的影响最大。在此基础上，建立
了本研究区雪深建模样本集数据记录的筛选方法。
根据剔除不合理数据后的１１７７个有效样本，用不同的亮温差和实测雪深值作回归分析，建立了北疆地区基
于ＡＭＳＲＥ亮度温度数据的雪深反演模型。
利用１１７７对有效样本对模型的精度进行了评价，结果表明，当雪深为３～１０ｃｍ时，模型反演的雪深值的负
向平均误差为－７．１ｃｍ，犚犕犛犈值为７．７ｃｍ。当雪深为１１～３０ｃｍ时，模型雪深反演值的平均误差仅为１．８ｃｍ，
犚犕犛犈、正向平均误差、绝对平均误差均为最小。当雪深大于３０ｃｍ时，反演雪深值的各项误差都较大。但通过
比较发现，反演模型在北疆地区明显优于Ｃｈａｎｇ算法，能够反映北疆地区积雪深度的变化状况。
４１２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２００９） Ｖｏｌ．１８，Ｎｏ．４
图２　北疆地区１月１－３日反演的最大雪深
分布及气象台站实测的雪深数值
犉犻犵．２　犛犻犿狌犾犪狋犲犱犵狉犲犪狋犲狊狋狊狀狅狑犱犲狆狋犺犱犻狊狋狉犻犫狌狋犻狅狀犪狀犱
狊狋犪狋犻狅狀犿犲犪狊狌狉犲犱狊狀狅狑犱犲狆狋犺犻狀犖狅狉狋犺犲狉狀
犡犻狀犼犻犪狀犵狅狀犑犪狀狌犪狉狔１－３
ａ：２００３年 Ｙｅａｒ；ｂ：２００４年Ｙｅａｒ；ｃ：２００５年Ｙｅａｒ
用最大合成法反演了北疆地区２００３，２００４和２００５年１月１－３日的最大雪深分布，结果显示，阿尔泰山和天
山一带雪深最大，中部的准噶尔盆地雪深相对较浅。模拟结果同台站观测的情况一致较好，基本上能反映北疆地
区的雪深分布状况。
虽然该项研究模拟出的北疆地区雪深反演模型的精度高于Ｃｈａｎｇ算法，但在局部地区的误差还较大，有待
今后进一步研究。特别在建立雪深反演模型时需要对ＡＭＳＲＥ亮温数据的筛选条件、方法等进行深入分析，结
合更多通道的亮温数据，更加准确地判断每项指标的阈值，综合考虑更多方面的影响因素，发展新的雪深反演算
法，为牧区防灾减灾工作提供科学依据。
参考文献：
［１］　裴欢．基于 ＭＯＤＩＳ数据的北疆积雪信息提取及其应用研究［Ｄ］．乌鲁木齐：新疆大学硕士学位论文，２００６．
［２］　梁天刚，刘兴元，郭正刚．基于３Ｓ技术的牧区雪灾评价方法［Ｊ］．草业学报，２００６，１５（４）：１２２１２８．
［３］　刘兴元，梁天刚，郭正刚，等．阿勒泰地区草地畜牧业雪灾的遥感监测与评价［Ｊ］．草业学报，２００３，１２（６）：１１５１２０．
［４］　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．
［５］　鲁为华，于磊，蒋惠．新疆昭苏县沙尔套山天然草地植物群落数量分类与排序［Ｊ］．草业学报，２００８，１７（１）：１３５１３９．
［６］　陈全功．江河源区草地退化与生态环境的综合治理［Ｊ］．草业学报，２００７，１６（１）：１０１５．
［７］　赵慧颖，王广生，魏学占．ＧＩＳ支持下的天然牧草产草量区域预报模型研究［Ｊ］．草业学报，２００７，１６（４）：１００１０６．
［８］　ＣｈａｎｇＡＴＣ，ＦｏｓｔｅｒＪＬ，ＨａｌＤＫ．Ｎｉｍｂｕｓ７ＳＭＭＲｄｅｒｉｖｅｄｇｌｏｂａｌｓｎｏｗｃｏｖｅｒｐａｒａｍｅｔｅｒｓ［Ｊ］．ＡｎｎａｌｓｏｆＧｌａｃｉｏｌｏｇｙ，１９８７，
９：３９４４．
［９］　ＦｏｓｔｅｒＪＬ，ＣｈａｎｇＡＴＣ，ＨａｌＤＫ．Ｃｏｍｐａｒｉｓｏｎｏｆｓｎｏｗｍａｓｓｅｓｔｉｍａｔｅｓｆｒｏｍａｐｒｏｔｏｔｙｐｅｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅｓｎｏｗａｌｇｏ
ｒｉｔｈｍ，ａｒｅｖｉｓｅｄａｌｇｏｒｉｔｈｍａｎｄａｓｎｏｗｄｅｐｔｈｃｌｉｍａｔｏｌｏｇｙ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９７，６２：１３２１４２．
［１０］　ＳｙｌｖａｉｎＢ，ＮｅｌｙＭ Ｍ，ＡａｒｏｎＢ，犲狋犪犾．ＡｓａｔｅｌｉｔｅｓｎｏｗｄｅｐｔｈｍｕｌｔｉｙｅａｒａｖｅｒａｇｅｄｅｒｉｖｅｄｆｒｏｍＳＳＭ／Ｉｆｏｒｔｈｅｈｉｇｈｌａｔｉｔｕｄｅ
５１２第１８卷第４期 草业学报２００９年
ｒｅｇｉｏｎｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｍｅｎｔ，２００８，１１２（５）：２５５７２５６８．
［１１］　ＧｒｉｐｐａＭ，ＭｏｇｎａｒｄＮ，ＬｅＴｏａｎａＴ，犲狋犪犾．ＳｉｂｅｒｉａｓｎｏｗｄｅｐｔｈｃｌｉｍａｔｏｌｏｇｙｄｅｒｉｖｅｄｆｒｏｍＳＳＭ／Ｉｄａｔａｕｓｉｎｇａｃｏｍｂｉｎｅｄｄｙ
ｎａｍｉｃａｎｄｓｔａｔｉｃａｌｇｏｒｉｔｈｍ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９（１２）：３０４１．
［１２］　曹梅盛，李培基．中国西部积雪微波遥感监测［Ｊ］．山地研究，１９９４，１２（４）：２３０２３４．
［１３］　李培基．中国西部积雪变化特征［Ｊ］．地理学报，１９９３，４８（６）：５０５５１５．
［１４］　柯长青，李培基．青藏高原积雪分布与变化特征［Ｊ］．地理学报，１９９８，５３（３）：２０９２１５．
［１５］　柯长青，李培基．用ＥＯＦ方法研究青藏高原积雪深度分布与变化［Ｊ］．冰川冻土，１９９８，２０（１）：６４６７．
［１６］　高峰，李新，ＡｒｍｓｔｒｏｎｇＲＬ，等．被动微波遥感在青藏高原积雪业务监测中的初步应用［Ｊ］．遥感技术与应用，２００３，１８（６）：
３６０３６３．
［１７］　车涛，李新，高峰．青藏高原积雪深度和雪水当量的被动微波遥感反演［Ｊ］．冰川冻土，２００４，２６（３）：３６３３６８．
［１８］　车涛，李新．利用被动微波遥感数据反演我国积雪深度及其精度评价［Ｊ］．遥感技术与应用，２００４，１９（５）：３０１３０６．
［１９］　ＳｕｎＺＷ，ＳｈｉＪＣ，ＪｉａｎｇＬＭ，犲狋犪犾．ＤｅｖｅｌｏｐｍｅｎｔｏｆｓｎｏｗｄｅｐｔｈａｎｄｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔａｌｇｏｒｉｔｈｍｉｎＷｅｓｔｅｒｎＣｈｉｎａｕｓｉｎｇ
ｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＥａｒｔｈＳｃｉｅｎｃｅ，２００６，２１（１２）：１３６３１３６８．
［２０］　许鹏，阿里木江，王博，等．新疆草地资源及其利用［Ｍ］．乌鲁木齐：新疆科技卫生出版社，１９９３．
［２１］　ＷａｌｋｅｒＡＥ，ＧｏｏｄｉｓｏｎＢＥ．Ｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｆａｗｅｔｓｎｏｗｃｏｖｅｒｕｓｉｎｇｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅｓａｔｅｌｉｔｅｄａｔａ［Ｊ］．ＡｎｎａｌｓｏｆＧｌａｃｉｏｌ
ｏｇｙ，１９９３，１７：３０７３１１．
［２２］　ＡｒｍｓｔｒｏｎｇＲ，ＲａｎｇｏＡ．Ｓｎｏｗｄｅｐｔｈａｎｄｇｒａｉｎｓｉｚｅｒｅｌａｔｉｏｎｓｈｉｐｓｗｉｔｈｒｅｌｅｖａｎｃｅｆｏｒｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅｓｔｕｄｉｅｓ［Ｊ］．Ａｎｎａｌｓｏｆ
Ｇｌａｃｉｏｌｏｇｙ，１９９３，１７：１７１１７６．
犃狀犪狆狆狉狅犪犮犺犳狅狉犿狅狀犻狋狅狉犻狀犵狊狀狅狑犱犲狆狋犺犫犪狊犲犱狅狀犃犕犛犚犈犱犪狋犪犻狀狋犺犲狆犪狊狋狅狉犪犾犪狉犲犪狅犳犖狅狉狋犺犲狉狀犡犻狀犼犻犪狀犵
ＹＵＨｕｉ，ＦＥＮＧＱｉｓｈｅｎｇ，ＺＨＡＮＧＸｕｅｔｏｎｇ，ＨＵＡＮＧＸｉａｏｄｏｎｇ，ＬＩＡＮＧＴｉａｎｇａｎｇ
（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｒａｓｓｌａｎｄＡｇｒｏｅｃｏｌｏｇｙＳｙｓｔｅｍ，ＭｉｎｉｓｔｒｙｏｆＡｇｒｉｃｕｌｔｕｒｅ；ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌ
ＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｕｓｉｎｇ４４５ｔｅｍｐｏｒａｌＡＭＳＲＥｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅａｎｄｓｎｏｗｄｅｐｔｈｄａｔａｍｅａｓｕｒｅｄｂｙ２０ｍｅｔｅｏｒｏ
ｌｏｇｉｃａｌｓｔａｔｉｏｎｓｄｕｒｉｎｇｔｈｅｔｈｒｅｅｓｎｏｗｓｅａｓｏｎｓｆｒｏｍＤｅｃｅｍｂｅｒｔｏＭａｒｃｈｉｎ２００２ｔｏ２００４ｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，
ｗｅｓｙｓｔｅｍａｔｉｃａｌｙａｎａｌｙｚｅｄｔｈｅａｐｐｒｏａｃｈｅｓｏｆｓｃｒｅｅｎｉｎｇｓａｍｐｌｅｓａｎｄｉｍｐａｃｔｆａｃｔｏｒｓｆｏｒｅｓｔａｂｌｉｓｈｉｎｇａｓｎｏｗｄｅｐｔｈ
ｍｏｄｅｌ．Ｔｈｒｏｕｇｈｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｏｆｈｏｒｉｚｏｎｔａｌａｎｄｖｅｒｔｉｃａｌｐｏｌａｒｉｚａｔｉｏｎｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｄｉｆｆｅｒｅｎｃｅｓｉｎ
ｔｈｅ１８ａｎｄ３６ＧＨｚｂａｎｄｓ，ａｎｄｏｆｓｎｏｗｄｅｐｔｈｖａｌｕｅｓ，ａｓｎｏｗｄｅｐｔｈｍｏｄｅｌｗａｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎｔｈｅ
ＡＭＳＲＥｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｄａｔａｉｎｎｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ．Ａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｗａｓｅｖａｌｕａｔｅｄ：１）ＡＭＳＲＥ
ｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｄｉｆｆｅｒｅｎｃｅｓｗｅｒｅｓｅｒｉｏｕｓｌｙａｆｆｅｃｔｅｄｂｙｔｅｍｐｅｒａｔｕｒｅ，ｓｎｏｗｍｅｌｔ，ｒａｉｎ，ｗｅｔｓｎｏｗａｎｄｄｅｅｐ
ｆｒｏｓｔｌａｙｅｒｓ，ｏｆｗｈｉｃｈｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｆａｃｔｏｒｗａｓｄｅｅｐｆｒｏｓｔｌａｙｅｒｓ．２）Ｔｈｅｒｅｗａｓａｓｉｇｎｉｆｉｃａｎｔｃｏｒｒｅｌａｔｉｏｎ
ｂｅｔｗｅｅｎｓｎｏｗｄｅｐｔｈ（ｙ）ｏｖｅｒ２．５ｃｍａｎｄｔｈｅｖｅｒｔｉｃａｌｐｏｌａｒｉｚａｔｉｏｎｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｄｉｆｆｅｒｅｎｃｅａｔ１８ａｎｄ
３６ＧＨｚ．Ｔｈｅｅｑｕａｔｉｏｎｗａｓ犛犇＝０．４９（犜犫１８犞－犜犫３６犞）＋８．７２，ａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｗａｓｕｐｔｏ０．６５．３）
Ｔｈｅａｖｅｒａｇｅｅｒｒｏｒｗａｓ－７．１ｃｍａｎｄａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒｗａｓ７．１ｃｍａｎｄ犚犕犛犈ｗａｓ７．７ｃｍｗｈｅｎｓｎｏｗ
ｄｅｐｔｈｗａｓ３－１０ｃｍ．Ｗｈｅｎｓｎｏｗｄｅｐｔｈｗａｓｂｅｔｗｅｅｎ１１ａｎｄ３０ｃｍ，ｔｈｅａｖｅｒａｇｅｅｒｒｏｒｗａｓ１．８ｃｍ，ａｖｅｒａｇｅ
ａｂｓｏｌｕｔｅｅｒｒｏｒｗａｓ４．９ｃｍ，ａｎｄ犚犕犛犈ｗａｓ９．１ｃｍ．Ｗｈｅｎｔｈｅｓｎｏｗｄｅｐｔｈｗａｓｏｖｅｒ３０ｃｍ，ａｖｅｒａｇｅｅｒｒｏｒｗａｓ
８．９ｃｍ，ａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒｗａｓ９．４ｃｍ，ａｎｄ犚犕犛犈ｗａｓ１８．１ｃｍ．４）Ｔｈｅｓｎｏｗｄｅｐｔｈｍｏｄｅｌｉｓｍｏｒｅａｃｃｕ
ｒａｔｅｔｈａｎｔｈｅＣｈａｎｇａｌｇｏｒｉｔｈｍｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ．Ｉｔｓｈｏｗｅｄａｇｏｏｄａｇｒｅｅｍｅｎｔｂｅｔｗｅｅｎｔｈｅｓｉｍｕｌａｔｅｄａｎｄ
ｍｅａｓｕｒｅｄｓｎｏｗｄｅｐｔｈｖａｌｕｅｓｗｈｅｎｔｈｅｓｕｒｆａｃｅｗａｓｃｏｖｅｒｅｄｂｙｍｉｄｄｌｅｄｅｐｔｈｓｎｏｗ．Ｈｏｗｅｖｅｒ，ｔｈｅｍｏｄｅｌ’ｓａｃｃｕ
ｒａｃｙｗａｓｌｏｗｅｒｗｈｅｎｔｈｅｓｕｒｆａｃｅｗａｓｃｏｖｅｒｅｄｂｙｆａｌｏｗｏｒｄｅｅｐｓｎｏｗ．Ｂａｓｉｃａｌｙ，ｔｈｅｍｏｄｅｌｃａｎｒｅｆｌｅｃｔｔｈｅｔｒｅｎｄ
ｏｆｓｎｏｗｄｅｐｔｈｖａｒｉａｔｉｏｎｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，ｂｕｔｉｔｈａｓａｌｏｗａｃｃｕｒａｃｙｆｏｒｆａｌｏｗｏｒｄｅｅｐｓｎｏｗ，ａｎｄｎｅｅｄｓｔｏ
ｂｅｉｍｐｒｏｖｅｄｉｎｔｈｅｆｕｔｕｒｅ．
犓犲狔狑狅狉犱狊：ｓｎｏｗｄｅｐｔｈ；ＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ；ＡＭＳＲＥ；ｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅ；ａｃｃｕｒａｃｙａｎａｌｙｓｉｓ
６１２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２００９） Ｖｏｌ．１８，Ｎｏ．４