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ＡＭＳＲＥ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ＡＭＳＲＥ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；ＡＭＳＲＥ；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：１００４５７５９（２００９）０１０１２５０９
　 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ＡＭＳＲＥ／ＡＱＵＡ卫星数据产品以来，对 ＭＯＤＩＳ和ＡＭＳＲＥ（ＡｄｖａｎｃｅｄＭｉｃｒｏ
ｗａｖｅＳｃａｎｎｉｎｇＲａｄｉｏｍｅｔｅｒＥａｒｔｈＯｂｓｅｒｖｉｎｇＳｙｓｔｅｍ）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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ微波遥感数据反演土壤湿度；孙之文等［１９］利用ＡＭＳＲＥ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ＡＭＳＲＥ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，ＡＭＳＲＥ识别的积雪边界线
轮廓不清晰。但是，迄今为止在利用 ＭＯＤＩＳ和ＡＭＳＲＥ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：２００８０３２４；改回日期：２００８０４１４
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。Ｅｍａｉｌ：ｆｅｎｇｑｓｈ０６＠ｌｚｕ．ｃｎ
通讯作者。Ｅｍａｉｌ：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ＡＭＳＲＥ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
ＡＭＳＲＥ每日雪水当量产品ＡＭＳＲＥＳＷＥ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）ＡＭＳＲＥ每日雪水当量产品［２４］：通过 ＮＳＩＤＣ网站订购下载ＡＭＳＲＥ／ＡＱＵＡ
的雪水当量（ｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔ，ＳＷＥ）产品ＡＭＳＲＥＳＷＥ，时间范围与 ＭＯＤＩＳ数据相同，数字图像的格式
为 ＨＤＦＥＯＳ。覆盖范围为北半球，投影格式为ＥＡＳＥＧｒｉｄ＿ｎｏｒｔｈ。研究区３个积雪季ＡＭＳＲＥ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
ＳＲＥＳＷＥ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）ＡＭＳＲＥ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ＥＡＳＥＧｒｉｄ＿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ＥＡＳＥＧｒｉｄ＿
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
ＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥ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 ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥＳＷＥ每日产
品的像素为任一地类值时，合成图像取ＡＭＳＲＥＳＷＥ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 ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥＳＷＥ图像判断为陆地，则
赋以陆地；若ＡＭＳＲＥＳＷＥ图像判断为水体，则赋为水体；若ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥＳＷＥ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）
ＡＭＳＲＥＳＷＥ
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Ｓｎｏｗｃｏｖｅｒｅｄｌａｋｅｉｃｅ） 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　ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥＳＷＥ产品像元的积雪识别状况［１２］，结果表明，ＡＭＳＲＥ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，ＡＭＳＲＥ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，ＡＭＳＲＥ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，ＡＭＳＲＥ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Ｙｅａｒｍｏｎｔｈｄａｙ）
气象台站
Ｃｌｉｍａｔｅｓｔａｔｉｏｎ
ＡＭＳＲＥ
积雪Ｓｎｏｗ 无积雪Ｎｏｓｎｏｗ 总计Ｔｏｔａｌ
２００２１１０１－２００３０３３１
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％
２００３１１０１－２００４０３３１
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％
２００４１１０１－２００５０３３１
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％
２００２１１０１－２００５０３３１
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
ＡＭＳＲＥ雪水当量数据ＡＭＳＲＥＳＷＥ
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
Ｕｒｂａｎａｎｄｂｕｉｌｔｕｐ
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
Ｕｒｂａｎａｎｄｂｕｉｌｔｕｐ
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
Ｕｒｂａｎａｎｄｂｕｉｌｔｕｐ
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ＡＭＳＲＥ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ＡＭＳＲＥＳＷＥ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ＡＭＳＲＥ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Ｙｅａｒｍｏｎｔｈｄａｙ）
气象台站
Ｃｌｉｍａｔｅｓｔａｔｉｏｎ
ＭＯＤＡＥ１
积雪Ｓｎｏｗ 无积雪Ｎｏｓｎｏｗ 总计Ｔｏｔａｌ
２００２１１０１－２００３０３３１
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％
２００３１１０１－２００４０３３１
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％
２００４１１０１－２００５０３３１
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％
２００２１１０１－２００５０３３１
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
Ｕｒｂａｎａｎｄｂｕｉｌｔｕｐ
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、ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ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ＡＭＳＲＥ进行积雪制图的比较分析［Ｊ］．冰川冻土，２００５，２７（４）：５１５５１９．
［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］　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）：４３４８．
［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）：４５０４５８．
［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）：５８６５．
［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）：１１５１２０．
［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）：１１３１２０．
［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）：１００１０６．
［１０］　ＭａｕｒｅｒＥＰ，ＲｈｏａｄｓＪＤ，ＤｕｂａｙａｈＲＯ，犲狋犪犾．Ｅｖａｌｕａｔｉｏｎｏｆｔｈｅｓｎｏｗｃｏｖｅｒｅｄａｒｅａｄａｔａｐｒｏｄｕｃｔｆｒｏｍ ＭＯＤＩＳ［Ｊ］．Ｈｙｄｒｏ
ｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓ，２００３，１７：５９７１．
［１１］　ＫｌｅｉｎＡＧ，ＢａｒｎｅｔｔＡＣ．ＶａｌｉｄａｔｉｏｎｏｆｄａｉｌｙＭＯＤＩＳｓｎｏｗｃｏｖｅｒｍａｐｓｏｆｔｈｅｕｐｐｅｒＲｉｏＧｒａｎｄｅＲｉｖｅｒＢａｓｉｎｆｏｒｔｈｅ２０００－
２００１ｓｎｏｗｙｅａｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８６：１６２１７６．
［１２］　ＬａｍｐｋｉｎＤＪ，ＹｏｏｌＳＲ．Ｍｏｎｉｔｏｒｉｎｇｍｏｕｎｔａｉｎｓｎｏｗｐａｃｋｅｖｏｌｕｔｉｏｎｕｓｉｎｇｎｅａｒｓｕｒｆａｃｅｏｐｔｉｃａｌａｎｄｔｈｅｒｍａｌｐｒｏｐｅｒｔｉｅｓ［Ｊ］．
ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓ，２００４，１８：３５２７３５４２．
［１３］　ＳｉｍｉｃＡ，ＦｅｒｎａｎｄｅｓＲ，ＢｒｏｗｎＲ，犲狋犪犾．Ｖａｌｉｄａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎ，ＭＯＤＩＳ，ａｎｄＧＯＥＳ＋ＳＳＭ／Ｉｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓｏｖｅｒ
Ｃａｎａｄａｂａｓｅｄｏｎｓｕｒｆａｃｅｓｎｏｗｄｅｐｔｈｏｂｓｅｒｖａｔｉｏｎｓ［Ｊ］．ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓ，２００４，１８：１０８９１１０４．
［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）：４４６４５２．
［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）：３６４２．
［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）：５１１．
［１７］　毛克彪，唐华俊，周清波，等．ＡＭＳＲＥ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）：２７３１．
［１８］　乔平林，张继贤，王翠华．应用ＡＭＳＲＥ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）：２６２２６５．
［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）：
１３６３１３６９．
［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，１９９３．２１３２１５．
［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）：３８９３９６．
［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）：１３５１３９．
［２３］　ＨａｌＤＫ，ＲｉｇｇｓＧＡ，ＳａｌｏｍｏｎｓｏｎＶＶ，犲狋犪犾．ＭＯＤＩＳｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３：
１８１１９４．
［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，２００５，３：６３６５．
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
ＦＥＮＧＱｉｓｈｅｎｇ，ＺＨＡＮＧＸｕｅｔｏｎｇ，ＬＩＡＮＧＴｉａｎｇａｎｇ
（ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ；ＫｅｙＬａｂｏｒａｔｏｒｙｏｆ
ＧｒａｓｓｌａｎｄＡｇｒｏｅｃｏｌｏｇｙＳｙｓｔｅｍ，ＭｉｎｉｓｔｒｙｏｆＡｇｒｉｃｕｌｔｕｒｅ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ａｃｃｕｒａｔｅｍｏｎｉｔｏｒｉｎｇｏｆｓｎｏｗｃｏｖｅｒｅｄａｒｅａｓｐｌａｙｓａｓｉｇｎｉｆｉｃａｎｔｒｏｌｅｉｎｄｙｎａｍｉｃｓｔｕｄｉｅｓａｎｄｐｒｅｖｅｎｔｉｏｎ
ｏｆｓｎｏｗｃａｕｓｅｄｄｉｓａｓｔｅｒｓａｎｄｏｆｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｉｎｐａｓｔｏｒａｌａｒｅａｓ．Ｕｓｉｎｇｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓａｎｄ
ｃｌｉｍａｔｉｃｓｔａｔｉｏｎｄａｔａ，ｔｈｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｗａｓａｎａｌｙｚｅｄｆｏｒＡＭＳＲＥｄａｉｌｙＳＷＥ（ｓｎｏｗｗａｔｅｒｅｑｕｉｖ
ａｌｅｎｔ）ｐｒｏｄｕｃｔｓａｎｄｃｏｍｐｏｓｉｔｅｉｍａｇｅｓｕｓｉｎｇＡＭＳＲＥＳＷＥａｎｄＭＯＤ１０Ａ１ｄａｉｌｙｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓｉｎｔｈｅ
ｔｈｒｅｅｓｎｏｗｓｅａｓｏｎｓｏｆＮｏｖｅｍｂｅｒ１ｔｏＭａｒｃｈ３１ｆｒｏｍ２００２ｔｏ２００５ｉｎｔｈｅｎｏｒｔｈｏｆＸｉｎｊｉａｎｇＰｒｏｖｉｎｃｅ．Ｒｅｓｕｌｔｓ
ｓｕｇｇｅｓｔｅｄｔｈａｔｔｈｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｆｏｒＡＭＳＲＥｄａｉｌｙＳＷＥｐｒｏｄｕｃｔｓｉｓ６６．５９％ａｎｄｔｈｅｏｖｅｒａｌ
ａｃｃｕｒａｃｙｉｓ６９．４９％．Ｔｈｅｃｏｍｐｏｓｉｔｅｉｍａｇｅｓ（ｄｅｎｏｔｅｄＭＯＤＡＥ１），ｃａｌｃｕｌａｔｅｄｂｙｔｈｅｕｓｅｒｄｅｆｉｎｅｄｃｏｍｐｏｓｉｔｅ
ａｌｇｏｒｉｔｈｍ，ｃｏｍｂｉｎｅｄｔｈｅａｄｖａｎｔａｇｅｓｏｆＡＭＳＲＥＳＷＥｐｒｏｄｕｃｔｓｔｈａｔａｒｅｎｏｔａｆｆｅｃｔｅｄｂｙｗｅａｔｈｅｒａｎｄｏｆ
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；ＡＭＳＲＥ；ｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔ；ｓｎｏｗｃｏｍｐｏｓｉｔｅｐｒｏｄｕｃｔ；ａｃｃｕｒａｃｙａｎａｌｙｓｉｓ
３３１第１８卷第１期 草业学报２００９年