全 文 :书基于 犕犗犇10犃1和犃犕犛犚犈的北疆
牧区积雪动态监测研究
冯琦胜,张学通,梁天刚
(兰州大学草地农业科技学院 农业部草地农业生态系统学重点实验室,甘肃 兰州730020)
摘要:准确监测牧区积雪覆盖范围,对有效防灾减灾和牧区畜牧业持续发展具有特别重要的意义。利用积雪产品
和气象台站的观测资料,对比分析了北疆地区2002年11月1日-2005年3月31日三个积雪季的AMSRE每日
雪水当量产品及其与 MOD10A1每日积雪分类产品合成的图像 MODAE1的积雪识别精度。结果表明,1)AMSR
E每日雪水当量产品的积雪识别率为66.59%,总精度为69.49%;2)利用用户自定义的合成算法计算的合成图像
MODAE1,结合了AMSRE雪水当量产品不受天气影响和 MOD10A1每日积雪产品较高空间分辨率的优点,积雪
识别率达76.43%;3)雪深和土地覆盖对合成图像 MODAE1的积雪识别率具有重要的影响。在雪深为1~40cm
时,合成图像的积雪识别精度随雪深的增加而增大;在雪深为31~40cm时,积雪识别率可达90.19%;在雪深大于
40cm时,积雪识别率开始下降。在牧区合成图像的积雪识别率可达77.6%,而在开阔的灌丛区积雪识别率略有
下降,为72.7%。
关键词:MODIS;AMSRE;雪水当量;积雪合成产品;精度分析
中图分类号:S127;T979 文献标识码:A 文章编号:10045759(2009)01012509
积雪是地表覆盖的重要组成部分,积雪的反射率比土壤、植被的反射率高得多。积雪严重影响地表的辐射平
衡和天气气候的变化,而且积雪融水也是干旱、半干旱地区生态系统的重要水源[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[2~9]。
美国航空航天局(NationalAeronauticsandSpaceAdministration,NASA)自2000年和2002年分别开始接
收和分发 MODIS/TERRA和AMSRE/AQUA卫星数据产品以来,对 MODIS和AMSRE(AdvancedMicro
waveScanningRadiometerEarthObservingSystem)积雪产品的精度评价及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[10~16]。作为美国国家海洋大气局(NationalOceanicandAtmosphericAdministra
tion,NOAA)系列气象卫星的后续卫星,当前正在运行的2颗对地观测卫星TERRA(上午星)和AQUA(下午
星)都搭载了中分辨率成像光谱仪(moderateresolutionimagingspectroradiometer,MODIS)。此外,AQUA卫
星上还搭载了AMSRE被动微波辐射计。该辐射计在AMSR传感器的基础上进行了多项改进。在6.9~89.0
GHz内有6个频段,都具有双极化方式,比以往的扫描多通道微波辐射计(scanningmultichannelmicrowavera
diometer,SMMR)、微波成像辐射计(specialsensormicrowave/imager,SSM/I)等被动微波辐射计提供了更高空
间分辨率和更多微波波段的信息。毛克彪等[17]研究了AMSRE微波极化指数与 MODIS植被指数的关系,发现
二者呈指数关系;乔平林等[18]利用AMSRE微波遥感数据反演土壤湿度;孙之文等[19]利用AMSRE雪水当量
产品建立了新疆雪深反演和雪水当量的半经验算法;延昊[1]对比分析了 MODIS和微波辐射计AMSRE识别积
雪范围的方法,发现由于云层的影响,MODIS资料划分的积雪面积比实际分布小,AMSRE识别的积雪边界线
轮廓不清晰。但是,迄今为止在利用 MODIS和AMSRE雪水当量的合成产品监测积雪动态变化方面的研究还
第18卷 第1期
Vol.18,No.1
草 业 学 报
ACTAPRATACULTURAESINICA
125-133
2009年2月
收稿日期:20080324;改回日期:20080414
基金项目:国家自然科学基金项目(30571316)资助。
作者简介:冯琦胜(1983),男,甘肃镇原人,在读硕士。Email:fengqsh06@lzu.cn
通讯作者。Email:tgliang@lzu.edu.cn
较少。
本研究结合地理信息系统技术,通过对新疆北部地区(以下简称“北疆地区”)MODIS积雪分类产品和被动微
波辐射计AMSRE雪水当量产品进行合成处理与分析,探索研究了 MODIS每日积雪分类产品 MOD10A1与
AMSRE每日雪水当量产品AMSRESWE的合成算法及精度,以期为进一步改善北疆牧区积雪遥感监测提供
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°。境内有山地、平原和沙漠3个大的地貌单元。受西伯利亚气流
影响,常在10月-次年4月发生雪灾天气,1月份极端最低气温达-40℃,积雪期长达120d左右,积雪最大厚度
60cm,山区达1.2m。全区共有11种草地类型,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%。北疆地区是我国3大积雪分布中心之一,也
是新疆主要的畜牧业基地。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,严重影响着草地畜牧业的可持续发展[4,20~22]。
1.2 研究材料
本研究主要利用了以下数据,1)MODIS遥感图像:利用美国国家冰雪数据中心(NationalSnowandIceData
Center,NSIDC)网站[23]下载 MODIS/TERRA每日积雪分类产品 MOD10A1,时间范围为2002年11月1日-
2005年3月31日的3个积雪季,每日涉及的图像有2幅,编码为h23v04和h24v04。研究区3个积雪季的
MOD10A1产品,共计888幅。2002-2004年 MODIS年土地覆盖数据 MOD12Q1产品,每年2幅,编码为
h23v04和h24v04,共计6幅。2)AMSRE每日雪水当量产品[24]:通过 NSIDC网站订购下载AMSRE/AQUA
的雪水当量(snowwaterequivalent,SWE)产品AMSRESWE,时间范围与 MODIS数据相同,数字图像的格式
为 HDFEOS。覆盖范围为北半球,投影格式为EASEGrid_north。研究区3个积雪季AMSRE雪水当量产品
共448幅。3)气象资料:北疆地区20个地面气象观测站测量的日降雪量、积雪深度等资料。4)辅助数据库:主要
有北疆地区地、州、市和县级行政分区、积雪定位观测站点空间分布。
1.3 研究方法
利用ENVI4.2和ArcGIS9.1软件,对 MODIS每日积雪分类产品 MOD10A1图像和AQUA雷达的AM
SRESWE每日雪水当量产品进行处理,具体步骤如下,1)MOD10A1每日积雪分类产品图像拼接与坐标变换:
利用 MODIS数据处理工具软件 MRT(MODISreprojectiontool),对北疆地区的 MODIS/TERRA每日积雪分
类产品 MOD10A1进行接边和坐标变换处理。同时,将正弦曲线投影转换为地理坐标,椭球体选为 WGS84,重
采样方法选用最邻近法,图像文件转换为GeoTIFF格式。2)AMSRE每日雪水当量产品处理:在ENVI4.2下
导入HDF数据,打开SWE_NorthernPentad,将影像保存为img格式,并定义投影为EASEGrid_north,在EN
VI下将image数据转为GeoTIFF格式;在ArcCatalog9.1下将GeoTIFF格式的图像投影定义为EASEGrid_
north。3)图像格式及投影转换:采用ArcGIS工作站版的宏语言工具,将 MOD10A1每日积雪分类产品和AM
SRE雪水当量产品的GeoTIFF格式的图像转换为GRID格式,格网分辨率分别设置为500和25000m。采用
ArcMap中的ProjectRaster投影转换工具将其投影转为Albers等积圆锥投影。将AMSRE雪水当量产品进行
重采样,格网大小定义为500m。4)MOD10A1每日积雪分类产品与AMSRE每日雪水当量产品的合成算法:
利用ArcGIS9.1软件下ArcToolBox中的工具建模,将AMSRE每日雪水当量产品和 MOD10A1每日积雪分
类产品合成新的积雪产品,记作MODAE1。除在MOD10A1或AMSRESWE无数据的情况下未进行合成图像
外,研究区共合成438幅 MODAE1合成图像。
图像合成的目的在于结合AMSRE每日雪水当量产品不受云干扰和 MOD10A1每日积雪分类产品空间分
辨率和无云状况下积雪分类精度高的特点,尽可能地消除 MOD10A1每日积雪分类产品中云对积雪分类的影
响,从而更准确地反映积雪分布范围。经过反复试验,每日合成图像 MODAE1的第犻行第犼列的像元犜犻犼合成和
赋值的规则总结如下,1)合成图像数值统一采用 MOD10A1的地类编码值[12],像素空间分辨率规定为500m。
621 ACTAPRATACULTURAESINICA(2009) Vol.18,No.1
如果某天无 MOD10A1或 AMSRESWE数据,则不生成该天的合成图像。2)当 MODIS每日积雪分类产品
MOD10A1图像的一个像素无有效数值(如0,1,4,11,254或255)而相应的AQUA雷达AMSRESWE每日产
品的像素为任一地类值时,合成图像取AMSRESWE在该点的地类值。3)当MODIS每日积雪产品MOD10A1
图像的一个像素为陆地而 AMSRESWE每日产品判断为水体、陆地或无数据时,合成结果赋为陆地。当
MOD10A1图像判断为陆地而AMSRESWE图像为雪,并且在该 MOD10A1图像像素及其周围8个像素中出
现频率最大的数≥50(如50,100或200)时,即该像素周围分布有较多的云、积雪覆盖的湖冰或雪时,则合成结果
赋为雪;否则,若在该像素及其周围8个像素中出现频率最大的数<50(如0,25,37)时,认为在该像素周围没有
雪分布,合成结果取陆地。4)当 MOD10A1图像的一个像素判断为云时,若AMSRESWE图像判断为陆地,则
赋以陆地;若AMSRESWE图像判断为水体,则赋为水体;若AMSRESWE图像无数据,则赋为云;若AMSR
ESWE图像判断为雪而 MOD10A1图像判断为云,并且在该像素及其周围8个像素中出现频率最大的数≥50
时,则合成结果赋为雪;否则,合成结果取该像素及其周围8个像素内出现频率最大的数所对应的地类。5)当
MOD10A1图像的一个像素判断为水体、积雪或积雪覆盖的湖冰,而AMSRESWE图像判断为任一地类时,合
成结果赋以 MOD10A1图像相应地类的代码(表1)。
表1 合成图像 犕犗犇犃犈1赋值规则
犜犪犫犾犲1 犆狅犿狆狅狊犻狋犻狀犵狉狌犾犲狊狅犳犕犗犇犃犈1犻犿犪犵犲
MOD10A1代码(意义)
Code(Mean)
AMSRESWE
0陆地Land 0~240积雪Snow 254水体 Water 255无数据Nodata
0\1\4\11\254\255(无意义 Nodata) 25 200 37 0
25(陆地Land) 25 200,犽≥200;25,犽<25 25 25
37(水体 Water) 37 37 37 37
50(云Cloud) 25 200,犽≥200;25,犽<25 37 50
100(积雪覆盖的湖冰Snowcoveredlakeice) 100 100 100 100
200(积雪Snow) 200 200 200 200
注:犽表示 MOD10A1图像的3×3像素块中出现频率最大的数值。
Note:犽meansthemajoritynumberof3×3pixelsthatcorrespondtoMOD10A1image.
2 结果与分析
2.1 AMSRE每日雪水当量产品精度分析
北疆地区2002年11月1日-2005年3月31日的3个积雪季期间,共有448个时相的AMSRE每日雪水
当量产品,除去每日图像无数据区域(轨道裂隙)的地面气象台站观测的样本数外,共计有7758对观测值。统计
分析每个气象台站对应的AMSRESWE产品像元的积雪识别状况[12],结果表明,AMSRE每日雪水当量产品
分类总精度为69.49%,积雪识别精度为66.59%。在3个积雪季中,分类总精度介于66.42%~71.06%,多测
误差为15.2%~30.2%,漏测误差为32.4%~34.4%。其中,2003年11月-2004年3月积雪季的积雪识别精
度最低,多测误差和漏测误差都最高(表2)。对各观测站数据的对比分析表明,AMSRE每日雪水当量产品分类
的多测误差较低,仅为5.01%,但漏测误差较高,达25.49%。在部分地面台站,积雪精度低于40%,如北塔山、
哈巴河和阿勒泰(表3)。导致积雪识别精度低的主要原因是台站积雪厚度低于0.5cm的天数较多,从而引起较
高的漏测误差。另外,AMSRE每日雪水当量产品的空间分辨率为25km,1个格网单元代表地面上625km2 的
范围,只区分为陆地(SWE=0)或积雪 (SWE=0~240)2种类型,而气象台站的观测数据精确到某一个站点上,
两者在空间尺度上存在的较大差异也是引起积雪识别精度低的重要原因。因此,AMSRE雪水当量产品可在较
大尺度范围内研究积雪的时空分布,但在区域积雪分布动态研究中受精度低和空间分辨率小的双重制约。
721第18卷第1期 草业学报2009年
表2 不同积雪季犃犕犛犚犈雪水当量产品的积雪精度及误差
犜犪犫犾犲2 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犃犕犛犚犈犛犠犈狆狉狅犱狌犮狋狊犻狀狋犺犲犱犻犳犳犲狉犲狀狋狊狀狅狑犮狅狏犲狉狊犲犪狊狅狀狊
起止时间Time
(年月日Yearmonthday)
气象台站
Climatestation
AMSRE
积雪Snow 无积雪Nosnow 总计Total
20021101-20030331
积雪Snow 1316(66.6%) 661(33.4%) 1977
无积 Nosnow 98(15.2%) 548(84.8%) 646
总计 Total 1414 1209 2623
总精度 Overalaccuracy 71.06%
20031101-20040331
积雪Snow 1373(65.7%) 717(34.3%) 2090
无积雪Nosnow 136(30.2%) 314(69.8%) 450
总计 Total 1509 1031 2540
总精度 Overalaccuracy 66.42%
20041101-20050331
积雪Snow 1254(67.6%) 600(32.4%) 1854
无积雪Nosnow 155(20.9%) 586(79.1%) 741
总计 Total 1409 1186 2595
总精度 Overalaccuracy 70.91%
20021101-20050331
积雪Snow 3943(66.6%) 1978(33.4%) 5921
无积雪Nosnow 389(21.2%) 1448(78.8%) 1837
总计 Total 4332 3426 7758
总精度 Overalaccuracy 69.49%
表3 不同台站犃犕犛犚犈雪水当量产品的积雪精度及误差
犜犪犫犾犲3 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犃犕犛犚犈犛犠犈狆狉狅犱狌犮狋狊犻狀狋犺犲犱犻犳犳犲狉犲狀狋狊狋犪狋犻狅狀狊
编号
Code
气象台站名称
Climatestationname
土地覆盖类型
Landcovertype
AMSRE雪水当量数据AMSRESWE
一致性Agreement
积雪Snow无积雪Nosnow
非一致性Disagreement
多测Extra漏测 Missed
记录天数
Daysin
record(d)
总精度Overal
accuracy
(%)
积雪精度Snow
accuracy
(%)
1 哈巴河 Habahe 农田Croplands 49 57 0 300 406 26.11 14.04
2 吉木乃Jimunai 草地 Grasslands 293 36 10 58 397 82.87 83.48
3 福海Fuhai 草地 Grasslands 292 57 25 41 415 84.10 87.69
4 阿勒泰Aletai 草地 Grasslands 122 38 0 246 406 39.41 33.15
5 富蕴Fuyun 草地 Grasslands 283 38 27 44 392 81.89 86.54
6 塔城Tacheng 草地 Grasslands 148 82 13 148 391 58.82 50.00
7 和布克赛尔
Hebukesaier
开阔的灌丛
Openshrublands
192 90 18 91 391 72.12 67.84
8 青河Qinghe 草地 Grasslands 345 28 7 32 412 90.53 91.51
9 阿拉山口
Alashankou
城市建筑用地
Urbanandbuiltup
139 103 99 56 397 60.96 71.28
10 托里Tuoli 草地 Grasslands 276 48 45 16 385 84.16 94.52
11 北塔山Beitashan 草地 Grasslands 34 60 34 262 390 24.10 11.49
12 温泉 Wenquan 草地 Grasslands 234 82 3 71 390 81.03 76.72
13 精河Jinghe 农田Croplands 86 181 7 116 390 68.46 42.57
14 石河子Shihezi 城市建筑用地
Urbanandbuiltup
210 87 11 70 378 78.57 75.00
15 蔡家湖Caijiahu 草地 Grasslands 246 91 5 35 377 89.39 87.54
16 奇台Qitai 草地 Grasslands 199 73 0 91 363 74.93 68.62
17 伊宁Yining 农田Croplands 218 98 37 32 385 82.08 87.20
18 昭苏Zhaosu 农田Croplands 179 61 0 123 363 66.12 59.27
19 乌鲁木齐
Urumchi
城市建筑用地
Urbanandbuiltup
162 75 3 127 367 64.58 56.06
20 乌苏 Wusu 草地 Grasslands 236 63 45 19 363 82.37 92.55
总计Total 3943 1448 389 1978 7758 69.49 66.59
百分比Percentageoftotal(%) 50.82 18.66 5.01 25.49
821 ACTAPRATACULTURAESINICA(2009) Vol.18,No.1
2.2 合成图像 MODAE1精度分析
在北疆地区3个积雪季期间,共合成438个时相的 MODAE1图像,对应的地面气象台站观测的样本数共计
8028对。对合成图像单个像元同气象台站观测数据的分台站对比分析表明,MODAE1图像的总分类精度为
76.36%,积雪识别精度达76.43%(表4)。对比AMSRE雪水当量产品,各个台站的积雪识别精度都有所提高,
其中变化幅度最大的为哈巴河站点,积雪识别精度从14.04%提高到75.56%。MODAE1比AMSRESWE图
像的积雪识别精度提高10%。比较积雪季分析合成图像的分类精度可以发现,3个积雪季的总精度介于74.96%
~79.96%,积雪分类精度为76.2%~76.7%,多测误差为18.3%~31.0%,漏测误差为23.3%~23.8%,其中,
2003年11月-2004年3月积雪季的积雪识别精度最低(表5)。对比AMSRE雪水当量产品,多测误差稍有上
升,漏测误差减小幅度超过10%。
2.3 土地利用类型对合成图像精度的影响
对比分析北疆地区3个积雪季期间4种不同土地覆盖类型的合成图像数据表明,在农田、草原、开阔的灌丛
和城市建筑用地上,合成图像的积雪识别精度分别为74.4%,77.6%,72.7%和75.1%,总精度分别达78.12%,
76.58%,73.77%和75.65%,多测误差分别为12.9%,27.5%,23.4%和28.4%(表6)。合成图像在牧区的积雪
识别精度最高,城市建筑用地和农田次之,开阔灌丛的积雪识别精度最低。合成图像在城市建筑用地上的多测误
差最大,在开阔灌丛上的漏测误差最大。
表4 不同台站合成图像的积雪精度及误差
犜犪犫犾犲4 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲犕犗犇犃犈1犻狀狋犺犲犱犻犳犳犲狉犲狀狋狊狋犪狋犻狅狀狊
编号
Code
气象台站名称
Climatestationname
合成图像 MODAE1
一致性Agreement
积雪Snow无积雪Nosnow
非一致性Disagreement
多测Extra漏测 Missed
记录天数
Daysin
record(d)
总精度
Overalaccuracy
(%)
积雪精度
Snowaccuracy
(%)
1 哈巴河 Habahe 272 61 2 88 423 78.72 75.56
2 吉木乃Jimunai 331 30 15 34 410 88.05 90.68
3 福海Fuhai 305 60 25 32 422 86.49 90.50
4 阿勒泰Aletai 218 39 0 157 414 62.08 58.13
5 富蕴Fuyun 316 41 28 27 412 86.65 92.13
6 塔城Tacheng 162 92 14 142 410 61.95 53.29
7 和布克赛尔 Hebukesaier 216 85 26 81 408 73.77 72.73
8 青河Qinghe 346 28 8 25 407 91.89 93.26
9 阿拉山口Alashankou 175 122 95 20 412 72.09 89.74
10 托里Tuoli 292 35 64 12 403 81.14 96.05
11 北塔山Beitashan 54 47 48 241 390 25.90 18.31
12 温泉 Wenquan 249 85 4 64 402 83.08 79.55
13 精河Jinghe 130 184 11 71 396 79.29 64.68
14 石河子Shihezi 232 96 11 63 402 81.59 78.64
15 蔡家湖Caijiahu 249 89 10 33 381 88.71 88.30
16 奇台Qitai 229 75 3 75 382 79.58 75.33
17 伊宁Yining 234 101 45 23 403 83.13 91.05
18 昭苏Zhaosu 222 67 3 113 405 71.36 66.27
19 乌鲁木齐Urumchi 179 72 9 111 371 67.65 61.72
20 乌苏 Wusu 240 70 43 22 375 82.67 91.60
总计Total 4651 1479 464 1434 8028 76.36 76.43
百分比Percentageoftotal(%) 57.9 18.4 5.8 17.9
921第18卷第1期 草业学报2009年
表5 不同积雪季合成图像的积雪精度及误差
犜犪犫犾犲5 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲犕犗犇犃犈1犻狀狋犺犲犱犻犳犳犲狉犲狀狋狊狀狅狑犮狅狏犲狉狊犲犪狊狅狀狊
起止时间Time
(年月日Yearmonthday)
气象台站
Climatestation
MODAE1
积雪Snow 无积雪Nosnow 总计Total
20021101-20030331
积雪Snow 1595(76.7%) 4842(23.3%) 2079
无积雪Nosnow 124(18.3%) 555(81.7%) 679
总计 Total 1719 1039 2758
总精度Overalaccuracy 77.96%
20031101-20040331
积雪Snow 1572(76.3%) 487(23.7%) 2059
无积雪Nosnow 149(31.0%) 332(69.0%) 481
总计 Total 1721 819 2540
总精度Overalaccuracy 74.96%
20041101-20050331
积雪Snow 1484(76.2%) 463(23.8%) 1947
无积雪Nosnow 191(24.4%) 592(75.6%) 783
总计 Total 1675 1055 2730
总精度Overalaccuracy 76.04%
20021101-20050331
积雪Snow 4651(76.4%) 1434(23.6%) 6085
无积雪Nosnow 464(23.9%) 1479(76.1%) 1943
总计 Total 5115 2913 8028
总精度Overalaccuracy 76.35%
表6 在不同土地利用条件下合成图像的积雪精度和误差
犜犪犫犾犲6 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲犕犗犇犃犈1狌狀犱犲狉狋犺犲犱犻犳犳犲狉犲狀狋犾犪狀犱犮狅狏犲狉犮狅狀犱犻狋犻狅狀狊
土地覆盖类型
Landcovertype
气象台站
Climatestation
MODAE1
积雪Snow 无积雪Nosnow
总计
Total
农田Croplands
积雪Snow 858(74.4%) 295(25.6%) 1153
无积雪Nosnow 61(12.9%) 413(87.1%) 474
总计Total 919 708 1627
总精度Overalaccuracy 78.12%
草地Grasslands
积雪Snow 2991(77.6%) 864(22.4%) 3855
无积雪Nosnow 262(27.5%) 691(72.5%) 953
总计Total 3253 1555 4808
总精度Overalaccuracy 76.58%
开阔的灌丛Openshrublands
积雪Snow 216(72.7%) 81(27.3%) 297
无积雪Nosnow 26(23.4%) 85(76.6%) 111
总计Total 242 166 408
总精度Overalaccuracy 73.77%
城市建筑用地
Urbanandbuiltup
积雪Snow 586(75.1%) 194(24.9%) 780
无积雪Nosnow 115(28.4%) 290(71.6%) 405
总计Total 701 484 1185
总精度Overalaccuracy 75.65%
2.4 积雪深度对合成图像积雪识别精度的影响
对北疆地区3个积雪季期间20个地面台站观测的雪深与相应的合成图像分类结果比较表明,在雪深低于
40cm时,积雪深度越深合成图像积雪识别率越高。积雪深度为1~10cm时,合成图像MODAE1的积雪识别精
度为60.66%;当雪深为31~40cm时,积雪识别精度达到90.19%,当积雪深度大于41cm时,积雪识别精度开
始下降(表7),这可能是由样本数过少导致的结果。从理论上而言,雪深越大积雪识别精度应该越高。
031 ACTAPRATACULTURAESINICA(2009) Vol.18,No.1
表7 不同雪深条件下合成图像的积雪精度和误差
犜犪犫犾犲7 犈狉狉狅狉狊犪狀犱犪犮犮狌狉犪犮狔狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲犕犗犇犃犈1狌狀犱犲狉狋犺犲犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺犮狅狀犱犻狋犻狅狀狊
台站雪深
Stationsnowdepth(cm)
一致性Agreement
积雪Snow 无积雪Nosnow
非一致性Disagreement
多测Extra 漏测 Missed
记录天数
Daysinrecord(d)
积雪精度
Snowaccuracy(%)
0 0 1479 464 0 1943 -
1~10 1152 0 0 747 1899 60.66
11~20 1815 0 0 378 2193 82.76
21~30 1128 0 0 226 1354 83.31
31~40 432 0 0 47 479 90.19
41~50 101 0 0 23 124 81.45
51~60 23 0 0 13 36 63.89
总计 Total 4651 1479 464 1434 8028 76.43
通过对北疆地区 MOD10A1每日积雪分类产品、AMSRE每日雪水当量产品以及二者的合成图像 MO
DAE1的对比分析发现,除AMSRE每日雪水当量产品为无数据(255)的区域外,合成图像可以很好地消除云的
影响,较准确地反映积雪最大覆盖范围。由于AMSRE每日雪水当量产品的空间分辨率为25km,同一个像素
内通常包含多种地物,在 MOD10A1每日积雪分类产品有大范围云覆盖的区域,合成图像对应的像素块一般会
产生方格子状的陆地或雪的分布区域(图1)。这是本研究提出的合成算法需要进一步研究和改进的问题。
3 结论
北疆地区AMSRE雪水当量产品的平均积雪识别精度为66.59%,总的分类精度为69.49%。由于AMSR
E雪水当量产品空间分辨率较低,同一个像素内通常包括多种地物,对雪深小于0.5cm的积雪识别能力差,因此
图1 2002年11月1日 犕犗犇10犃1影像(犪)、犃犕犛犚犈
犛犠犈影像(犫)和合成图像(犮)
犉犻犵.1 犕犗犇10犃1(犪),犃犕犛犚犈犛犠犈(犫)犪狀犱犮狅犿狆狅狊犻狋犲
犻犿犪犵犲犕犗犇犃犈1(犮)狅狀犖狅狏犲犿犫犲狉1,2002
131第18卷第1期 草业学报2009年
积雪的识别精度较低,不适合牧区雪灾期间每日积雪分布范围的动态监测。依据本研究提出的算法,合成图像
MODAE1可以结合 MODIS较高的空间分辨率和AMSRE每日雪水当量产品不受云干扰的优点,将全天候积
雪动态监测的精度提高到76.4%。
合成图像的积雪识别精度受土地利用类型和雪深的影响。在开阔的灌丛地区,积雪识别精度只有72.7%,
在雪深为40cm以上的地区,积雪识别精度降低。另外,合成图像在消除云的影响和保证积雪面积最大的同时,
增大了多测误差。尽管如此,由于合成图像具有较高的时间分辨率,可以最大限度地消除云对积雪识别的干扰,
有效地降低漏测误差,因此可广泛地应用于研究区每日积雪最大覆盖范围的动态监测,在牧区雪灾研究中具有重
要的应用价值。
参考文献:
[1] 延昊.利用 MODIS和AMSRE进行积雪制图的比较分析[J].冰川冻土,2005,27(4):515519.
[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):122128.
[3] 郝璐,王静爱,满苏尔,等.中国雪灾时空变化及畜牧业脆弱性分析[J].自然灾害学报,2002,11(4):4348.
[4] 高卫东,刘明哲,魏文寿,等.新疆精(河)-伊(宁)铁路沿线雪害形成机制及其防治工程措施[J].山地学报,2005,23(1):43
52.
[5] 周陆生,李海红,王青春.青藏高原东部牧区大-暴雪过程及雪灾分布的基本特征[J].高原气象,2000,19(4):450458.
[6] 周陆生,王青春,李海红,等.青藏高原东部牧区大-暴雪过程雪灾灾情实时预评估方法的研究[J].自然灾害学报,2001,10
(2):5865.
[7] 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):115120.
[8] 赵雪雁.高寒牧区草地退化的人文因素研究———以甘南牧区玛曲县为例[J].草业学报,2007,16(6):113120.
[9] 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):100106.
[10] MaurerEP,RhoadsJD,DubayahRO,犲狋犪犾.Evaluationofthesnowcoveredareadataproductfrom MODIS[J].Hydro
logicalProcesses,2003,17:5971.
[11] KleinAG,BarnettAC.ValidationofdailyMODISsnowcovermapsoftheupperRioGrandeRiverBasinforthe2000-
2001snowyear[J].RemoteSensingofEnvironment,2003,86:162176.
[12] LampkinDJ,YoolSR.Monitoringmountainsnowpackevolutionusingnearsurfaceopticalandthermalproperties[J].
HydrologicalProcess,2004,18:35273542.
[13] SimicA,FernandesR,BrownR,犲狋犪犾.Validationofvegetation,MODIS,andGOES+SSM/Isnowcoverproductsover
Canadabasedonsurfacesnowdepthobservations[J].HydrologicalProcess,2004,18:10891104.
[14] 梁天刚,高新华,黄晓东,等.新疆北部 MODIS积雪制图算法的分类精度[J].干旱区研究,2007,24(4):446452.
[15] 崔霞,冯琦胜,梁天刚.基于遥感技术的植被净初级生产力研究进展[J].草业科学,2007,24(10):3642.
[16] 李霞,崔霞,黄晓东,等.北疆不同草地类型 MODIS植被指数的时空变化研究[J].草业科学,2007,24(9):511.
[17] 毛克彪,唐华俊,周清波,等.AMSRE微波极化指数与 MODIS植被指数关系研究[J].国土资源遥感,2007,3(1):2731.
[18] 乔平林,张继贤,王翠华.应用AMSRE微波遥感数据进行土壤湿度反演[J].中国矿业大学学报,2007,36(1):262265.
[19] 孙之文,施建成,蒋玲梅,等.被动微波遥感反演中国西部地区雪深、雪水当量算法初步研究[J].地球科学进展,2006,21(12):
13631369.
[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,1993.213215.
[21] 杨莲梅,杨涛,贾丽红,等.新疆大-暴雪气候特征及其水汽分析[J].冰川冻土,2005,27(3):389396.
[22] 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):135139.
[23] HalDK,RiggsGA,SalomonsonVV,犲狋犪犾.MODISsnowcoverproducts[J].RemoteSensingofEnvironment,2002,83:
181194.
[24] 毛克彪,覃志豪,李满春,等.AMS被动微波数据介绍及主要应用研究领域分析[J].遥感信息,2005,3:6365.
231 ACTAPRATACULTURAESINICA(2009) Vol.18,No.1
犇狔狀犪犿犻犮犿狅狀犻狋狅狉犻狀犵狅犳狊狀狅狑犮狅狏犲狉犫犪狊犲犱狅狀犕犗犇10犃1犪狀犱犃犕犛犚犈
犻狀狋犺犲狀狅狉狋犺狅犳犡犻狀犼犻犪狀犵犘狉狅狏犻狀犮犲,犆犺犻狀犪
FENGQisheng,ZHANGXuetong,LIANGTiangang
(ColegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity;KeyLaboratoryof
GrasslandAgroecologySystem,MinistryofAgriculture,Lanzhou730020,China)
犃犫狊狋狉犪犮狋:Accuratemonitoringofsnowcoveredareasplaysasignificantroleindynamicstudiesandprevention
ofsnowcauseddisastersandofsustainabledevelopmentinpastoralareas.Usingsnowcoverproductsand
climaticstationdata,thesnowclassificationaccuracywasanalyzedforAMSREdailySWE(snowwaterequiv
alent)productsandcompositeimagesusingAMSRESWEandMOD10A1dailysnowcoverproductsinthe
threesnowseasonsofNovember1toMarch31from2002to2005inthenorthofXinjiangProvince.Results
suggestedthatthesnowclassificationaccuracyforAMSREdailySWEproductsis66.59%andtheoveral
accuracyis69.49%.Thecompositeimages(denotedMODAE1),calculatedbytheuserdefinedcomposite
algorithm,combinedtheadvantagesofAMSRESWEproductsthatarenotaffectedbyweatherandof
MOD10A1dailysnowcoverproductswithhigherspatialresolutionsothatthesnowclassificationaccuracy
reached76.43%.Thesnowdepthandlandcoverhaveanimportanteffectontheaccuracyofsnowclassification
fortheMODAE1compositeimages.Thesnowclassificationaccuracyforthecompositeimagesincreasedwhen
thesnowdepth(SD)wasbetween1and40cm,reached90.19% whenSDwas31-40cm;butstartedto
decreasewhenSDwasmorethan40cm.Thesnowclassificationaccuracyinthepastoralareasreached77.6%,
butdeclinedto72.7%inopenshrublandareas.
犓犲狔狑狅狉犱狊:MODIS;AMSRE;snowwaterequivalent;snowcompositeproduct;accuracyanalysis
331第18卷第1期 草业学报2009年