全 文 ：书基于 犕犗犇犐犛和犃犕犈犚犈资料的
青藏高原牧区雪被制图研究
王玮，黄晓东，吕志邦，梁天刚
（草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州７３００２０）
摘要：本研究利用青藏高原地区２００２－２００８年 ＭＯＤＩＳ／ＴｅｒｒａＡｑｕａ逐日雪被产品（ＭＯＤ１０Ａ１及 ＭＹＤ１０Ａ１）和
ＡＭＳＲＥ／Ａｑｕａ每日雪水当量产品ＡＥ＿ＤｙＳｎｏ，研究了 ＭＯＤＩＳ和ＡＭＳＲＥ逐日数据的融合算法，合成出逐日无云
积雪分类图像 ＭＡＴＳ１０Ａ１，并利用气象台站提供的雪情数据验证了合成图像的积雪分类精度。研究结果表明：１）
在青藏高原地区，虽然在晴空时 ＭＯＤＩＳ积雪分类精度较高（当雪深＞３ｃｍ时达到８０．８２％），但 ＭＯＤ１０Ａ１和
ＭＹＤ１０Ａ１图像中的平均云量比分别达到３９．７４％和４８．７４％，无法对牧区雪情进行实时监测。２）ＭＯＤ１０Ａ１和
ＭＹＤ１０Ａ１的合成图像（ＭＯＹＤＴＳ１０Ａ１）云量比为２４．１３％，不但消除了大部分云的影响，而且提高了积雪分类精
度（积雪分类精度为８１．６７％）。３）合成图像 ＭＡＴＳ１０Ａ１结合了ＡＭＳＲＥ资料不受天气影响和 ＭＯＤＩＳ雪被产品
较高空间分辨率的优点，不仅完全消除了云的干扰，同时具有较高的积雪分类精度（７９．３６％）。因此，这种改进型
算法生成的逐日无云图像，在青藏高原牧区雪灾监测与预警研究中将具有重要的应用前景。
关键词：ＭＯＤＩＳ；ＡＭＳＲＥ；雪盖制图；数据融合；精度评价
中图分类号：Ｓ８１２．１；Ｓ１２７　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１３）０４０２２７１２
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１３０４２８　　
　　我国青藏高原地区平均海拔在４０００ｍ以上，不仅是我国三大积雪分布区之一，也是我国的主要牧区。由于
该地区生产方式相对落后，经营粗放，基础设施极为薄弱，抵抗自然灾害的能力又非常有限，从而导致冬春季大量
的降雪经常引发区域性的灾害，严重制约着当地草地畜牧业的可持续发展［１５］。据６省灾害大典［６１１］有记载的数
据统计，建国以来青藏高原地区２１６个县共计发生雪灾３２２８次。如２００４年５月上旬，青海省同德县发生特大
雪灾，死亡家畜５７６２８头［１０］；西藏那曲县１９７１－２００１年１０月－次年５月，共有７４个月发生了雪灾［１１］，占总月
数的２９．８％。因此，准确监测青藏高原牧区的积雪覆盖范围，深入研究雪灾频发地区的积雪动态变化，对防灾减
灾，维持草地畜牧业的可持续发展都具有极其重要的意义。
由于积雪覆盖面积的动态变化状况对全球水体和能量循环以及社会经济和生态环境均具有重大的影响［３５］，
因此，美国航空航天局（ＮａｔｉｏｎａｌＡｅｒｏｎａｕｔｉｃｓａｎｄＳｐａｃｅＡｄｍｉｎｉｓｔｒａｔｉｏｎ，ＮＡＳＡ）自２０００年开始免费分发 ＭＯ
ＤＩＳ（ｍｏｄｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ）和ＡＭＳＲＥ（ａｄｖａｎｃｅｄｍｉｃｒｏｗａｖｅｓｃａｎｎｉｎｇｒａ
ｄｉｏｍｅｔｅｒｅａｒｔｈｏｂｓｅｒｖｉｎｇｓｙｓｔｅｍ）／Ａｑｕａ卫星数据产品以来，对 ＭＯＤＩＳ和ＡＭＳＲＥ积雪产品的精度评价及应
用研究便成为全球从事冰雪圈科研工作者关注的热点问题［１２１７］。已有研究表明，ＭＯＤＩＳ雪被产品在无云情况
下对积雪有较高的分类精度［１８２２］，但是由于积雪和云具有类似的反射光谱特性，所以在使用该资料监测积雪面积
时，容易受到天气状况的影响［２３］。而Ａｑｕａ卫星上搭载的ＡＭＳＲＥ被动微波辐射计，由于空间分辨率较低（２５
ｋｍ），在区域性积雪覆盖范围监测方面存在较大偏差［２４］，因此，该数据主要应用于全球或半球的雪深、积雪覆盖
范围等方面的研究工作［２５］。Ｌｉａｎｇ等［２６，２７］以新疆北部地区为研究区，通过研究 ＭＯＤＩＳ每日积雪产品
（ＭＯＤ１０Ａ１／Ｔｅｒｒａ）和被动微波雪水当量产品ＡＭＳＲＥＳＷＥ的合成算法，研发出不受天气影响的每日积雪产品
ＭＯＤＡＥ，该产品在各种天气状况下的积雪分类精度可达到７４．５％，远高于美国国家雪冰数据中心（Ｎａｔｉｏｎａｌ
第２２卷　第４期
Ｖｏｌ．２２，Ｎｏ．４
草　业　学　报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ 　　
２２７－２３８
２０１３年８月
收稿日期：２０１１１０１２；改回日期：２０１１１２１６
基金项目：国家自然科学基金项目（４１１０１３３７，３１２２８０２１）和教育部科技创新工程重大项目培育资金项目（７０８０８９）资助。
作者简介：王玮（１９８５），男，甘肃兰州人，在读博士。Ｅｍａｉｌ：ｗａｎｇｗｅｉ９９６９＠１６３．ｃｏｍ
通讯作者。Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
ＳｎｏｗａｎｄＩｃｅＤａｔａＣｅｎｔｅｒ，ＮＳＩＤＣ）发布的 ＭＯＤＩＳ每日雪盖产品在各种天气状况下的积雪分类精度。冯琦胜
等［２８］在Ｌｉａｎｇ等［２７］提出的积雪合成算法基础上，进一步比较了 ＭＯＤ１０Ａ１、ＡＭＳＲＥ以及用户自定义合成的积
雪图像 ＭＯＤＡＥ１的积雪分类精度，结果表明 ＭＯＤＡＥ１结合了 ＡＭＳＲＥ雪水当量产品不受天气影响和
ＭＯＤ１０Ａ１每日积雪产品具有较高空间分辨率的优点，在各种天气状况下，其积雪识别率可以达到７６．４３％，但
同时也指出，由于ＡＭＳＲＥ数据空间分别率低，在同一个像素内可能包含多种地物类型，在 ＭＯＤＩＳ数据有大范
围云覆盖的区域，合成图像一般会产生“方格子”状的陆地或雪的分布区域，导致局部地区多测误差较大。Ｗａｎｇ
等［２９］利用 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１每日雪被产品合成的积雪图像云量比 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１减少了大约
１０％，但是并没有完全消除云对积雪分类精度的影响。Ｇａｏ等［３０］利用 ＭＯＤＩＳ／ＴｅｒｒａＡｑｕａ和ＡＭＳＲＥＳＷＥ产
品合成无云雪被数据（ＭＯＤ＿ＡＥＳＣ），积雪识别精度达到８５．６％，但是同时也指出，在大范围的积雪监测及制图
中，该研究方法仍然需要进一步验证。
为了进一步克服ＭＯＤＩＳ每日产品中云对积雪分类精度的影响，本研究利用青藏高原地区每日ＭＯＤＩＳ积雪
分类产品 ＭＯＤ１０Ａ１、ＭＹＤ１０Ａ１和被动微波辐射计ＡＭＳＲＥ每日雪水当量产品ＡＥ＿ＤｙＳｎｏ，在Ｌｉａｎｇ等［２６，２７］
提出的合成算法基础上，进一步探讨了在更大研究范围内的积雪图像合成算法及精度，以期为获取每日无云积雪
面积数据，进一步改善青藏高原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
以张镱锂等［３１］所提出的青藏高原范围作为研究区。在中国境内，青藏高原范围涉及６个省区、２０１个县
（市），分布在西藏自治区、青海省、云南省西北部、四川省西部、甘肃省中南部以及新疆维吾尔自治区南缘等部分
地区。西起帕米尔高原，东至横断山脉，东西长约２９４５ｋｍ；南自喜马拉雅山脉南缘，北起昆仑山～祁连山北侧，
南北宽达１５３２ｋｍ，范围为２６°００′１２″～３９°４６′５０″Ｎ，７３°１８′５２″～１０４°４６′５９″Ｅ，面积为２５７２．４×１０３ｋｍ２，占我国
陆地总面积的２６．８％ （图１）［３２］。青藏高原是我国主要牧区之一，草地类型以高寒草甸、高寒草原为主，由于该地
区生产方式相对落后，基础设置较为薄弱，所以冬春季大量的降雪经常造成大批家畜因冻饿而死亡的情况，严重
制约着草地畜牧业的可持续发展［３３３５］；同时该地区还是我国纬度较低面积最大的低温区，境内具有丰富的积雪资
源，而在全球变暖的背景下，青藏高原地区的积雪变化对东亚大气环流、夏季风降水和全球气候变化等都显得尤
为重要。
１．２　研究数据与来源
１．２．１　地面气象数据　收集了青藏高原地区１０６个地面气象台站在２００２年１月１日至２００８年１２月３１日的
每日降雪量（ｃｍ）、积雪深度（ｃｍ）、最高温度（°Ｃ）、最低温度（°Ｃ）、平均温度（°Ｃ）、降水量（ｍｍ）和平均风速（ｍ／ｓ）
等指标。在积雪观测时，雪深以整数记录，将小于０．５ｃｍ的积雪记录为无雪，否则，记录为有雪。统计实测数据
表明，青藏高原地区降雪主要集中在每年的９月底到次年的４月初，针对其积雪分布规律，选取积雪积累期的实
测雪深数据进行对比分析。
１．２．２　卫星遥感数据　本研究使用的 ＭＯＤＩＳ雪盖产品包括Ｔｅｒｒａ星（ＭＯＤ１０Ａ１）和 Ａｑｕａ星（ＭＹＤ１０Ａ１）２
种。该产品是通过一系列自动识别算法得到的，详细算法可参考 Ｈａｌ等［３６］编写的算法理论基础文件（ＡＴＢＤ）或
ＭＯＤＩＳ雪产品用户手册［３７，３８］。由于 ＭＯＤＩＳ数据量大，波段多，应用范围广，因此ＮＡＳＡ采取了分类处理的方
式，ＮＳＩＤＣ从２０００年２月２４日开始发布覆盖全球的 ＭＯＤＩＳ积雪产品数据［２６］。目前发布的全球雪盖产品包括
两个版本，第四版本（Ｖ００４）和第五版本（Ｖ００５），Ｖ００５版本是在Ｖ００４的基础上进行了算法改进，所以本研究使
用的雪盖产品是通过 ＮＳＩＤＣ网站［３９］下载的 Ｖ００５版本的 ＭＯＤＩＳ／Ｔｅｒｒａ和 ＭＯＤＩＳ／Ａｑｕａ每日积雪分类产品
ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１。
Ａｑｕａ卫星上搭载的ＡＭＳＲＥ传感器，可以提供全球陆地、海洋及大气等方面的被动微波观测资料，通过
ＮＳＩＤＣ网站下载了与 ＭＯＤＩＳ资料相同时相的ＡＭＳＲＥ每日雪水当量产品 ＡＥ＿ＤｙＳｎｏ（ＡＭＳＲＥ／ＡｑｕａＤａｉｌｙ
Ｌ３ＧｌｏｂａｌＳｎｏｗＷａｔｅｒＥｑｕｉｖａｌｅｎｔＥＡＳＥＧｒｉｄｓ）。该资料的格式为 ＨＤＦＥＯＳ，空间分辨率为２５ｋｍ，图像覆盖
整个北半球，投影格式为ＥＡＳＥＧｒｉｄ＿ｎｏｒｔｈ。
８２２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４
图１　青藏高原地区的数字高程模型（犇犈犕）及地面气象观测台站
犉犻犵．１　犔狅犮犪狋犻狅狀狅犳狋犺犲１０６犮犾犻犿犪狋犲狊狋犪狋犻狅狀狊犪狀犱犱犻犵犻狋犪犾犲犾犲狏犪狋犻狅狀犿狅犱犲犾（犇犈犕）犱犪狋犪犻狀犜犻犫犲狋犪狀犘犾犪狋犲犪狌
１．３　研究方法
１．３．１　数据预处理　每日覆盖整个青藏高原研究区需要１３幅 ＭＯＤＩＳ影像，轨道号分别为ｈ２３ｖ０４，ｈ２３ｖ０５，
ｈ２４ｖ０４，ｈ２４ｖ０５，ｈ２４ｖ０６，ｈ２５ｖ０４，ｈ２５ｖ０５，ｈ２５ｖ０６，ｈ２６ｖ０４，ｈ２６ｖ０５，ｈ２６ｖ０６，ｈ２７ｖ０５和ｈ２７ｖ０６。由于 ＭＯＤＩＳ雪
被产品和 ＡＭＳＲＥ 雪水当量数据的投影方式和空间分辨率都不相同，因此在积雪图像融合前首先对
ＭＯＤ１０Ａ１、ＭＹＤ１０Ａ１以及ＡＥ＿ＤｙＳｎｏ数据进行了预处理，主要包括：１）ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１每日积雪分
类产品的图像拼接与坐标变换。利用 ＭＯＤＩＳ数据处理工具软件（ＭＯＤＩＳＲｅｐｒｏｊｅｃｔｉｏｎＴｏｏｌｓ，ＭＲＴ）分别对
ＭＯＤ１０Ａ１和ＭＹＤ１０Ａ１积雪产品进行接边和坐标变换处理。最后将图像处理成ｇｒｉｄ格式，分辨率为５００ｍ，采
用Ａｌｂｅｒｓ等积圆锥投影。２）将分辨率为２５０００ｍ的ＡＥ＿ＤｙＳｎｏ雪水当量数据进行重采样，重采样方法选用最
邻近法，格网大小定义为５００ｍ，并将其投影方式转为Ａｌｂｅｒｓ等积圆锥投影。
根据气象台站实测数据可知，青藏高原地区降雪主要集中在每年的９月底到次年的４月初，因此，以当年的
１０月１日开始，到次年的３月３１日作为一个积雪季，研究区２００２年到２００８年共有６个积雪季（表１）。
１．３．２　积雪图像去云合成算法　１）ＭＯＤＩＳ积雪图像合成规则：由于Ｔｅｒｒａ和Ａｑｕａ卫星都是太阳同步极地轨
道卫星，只是过境时间不同，所以在每日雪被产品 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１的云量也不相同。因此，对 ＭＯＤＩＳ
可见光资料进行以下融合处理：①参考ＭＯＤＩＳ多日合成产品（ＭＯＤ１０Ａ２）的雪被制图算法［４０］，制定出每日积雪
最大合成的方法，将预处理好的 ＭＯＤＩＳ每日雪被图像 ＭＯＤ１０Ａ１／Ｔｅｒｒａ和 ＭＹＤ１０Ａ１／Ａｑｕａ进行逐日积雪最
大合成，具体合成规则如表２所示；②在１）基础上再次进行云像素的判别，若当日合成图像（ＴＳ）的第犻行第犼列
为云，即ＴＳｉｊ＝５０，同时与之相对应的前一日和后一日积雪图像中的第犻行第犼列为同一地类且不是云时，即
ＹＳｉｊ＝ＮＳｉｊ≠５０，则当日 ＭＯＹＤ１０Ａ１图像中该像素（ＴＳｉｊ）赋为前一日的地类，合成图像记作 ＭＯＹＤＴＳ１０Ａ１
（图２）。
９２２第２２卷第４期 草业学报２０１３年
表１　青藏高原地区预处理数据统计结果
犜犪犫犾犲１　犕犗犇犐犛狊狀狅狑犮狅狏犲狉犻犿犪犵犲狊狌狊犲犱犻狀狋犺犻狊狊狋狌犱狔
积雪季
Ｓｎｏｗ
ｓｅａｓｏｎ
ＭＯＤ１０Ａ１
图像数
Ｔｏｔａｌ
ｉｍａｇｅｓ
（Ｎｏ．）
缺失图像
Ｍｉｓｓｉｎｇｄａｔｅ
（月．日
Ｍｏｎｔｈ．ｄａｙ）
平均云量
Ｍｅａｎ
ｃｌｏｕｄ
（％）
图像云量
Ｆｒｅｑｕｅｎｃｙｏｆｉｍａｇｅｓ
ｗｉｔｈｃｌｏｕｄ（％）
＞２０％ ＞５０％
ＭＹＤ１０Ａ１
图像数
Ｔｏｔａｌ
ｉｍａｇｅｓ
（Ｎｏ．）
缺失图像
Ｍｉｓｓｉｎｇｄａｔｅ
（月．日
Ｍｏｎｔｈ．ｄａｙ）
平均云量
Ｍｅａｎ
ｃｌｏｕｄ
（％）
图像云量
Ｆｒｅｑｕｅｎｃｙｏｆｉｍａｇｅｓ
ｗｉｔｈｃｌｏｕｄ（％）
２０％ ５０％
ＡＥ＿ＤｙＳｎｏ
图像数
Ｔｏｔａｌ
ｉｍａｇｅｓ
（Ｎｏ．）
缺失图像
Ｍｉｓｓｉｎｇｄａｔｅ
（月．日
Ｍｏｎｔｈ．ｄａｙ）
２００２－２００３ １８１ ２．１ ３９．８３ ８９．５０ ２５．９７ １８１ １１．２５ ４８．９４ ９７．７９ ４６．４１ １８２ －
２００３－２００４ １７４ １２．１７－１２．２４ ３７．７５ ８３．９１ ２５．２９ １８３ － ４６．８５ ９３．４４ ４６．４５ １７６ １０．３０－１１．５
２００４－２００５ １８２ － ４３．８１ ９１．７６ ３５．７１ １８２ － ５３．７２ ９９．４５ ５９．３４ １８１ １１．１９
２００５－２００６ １８２ － ３７．３３ ８６．８１ １７．０３ １８２ － ４６．２０ ９６．１５ ３９．５６ １８１ １１．１７
２００６－２００７ １８２ － ３８．６７ ９１．２１ ２２．５３ １８２ － ４７．８８ ９９．４５ ４１．７６ １８２ －
２００７－２００８ １８３ － ４０．９７ ８６．８９ ３１．６９ １８２ １２．３１ ４９．１５ ９３．４１ ４７．２５ １８１ １１．２７－１１．２８
表２　犕犗犇１０犃１与 犕犢犇１０犃１图像合成规则
犜犪犫犾犲２　犚狌犾犲狊犳狅狉犮狅犿狆狅狊犻狋犻狀犵犕犗犇１０犃１犪狀犱犕犢犇１０犃１
ＭＯＤ１０Ａ１代码
ＭＯＤ１０Ａ１ｃｏｄｅｖａｌｕｅｓ
ＭＹＤ１０Ａ１代码 ＭＹＤ１０Ａ１ｃｏｄｅｖａｌｕｅｓ
０＼１＼１１＼２５４＼２５５ ２５（陆地Ｌａｎｄ） ３７（水体Ｌａｋｅ） ５０（云Ｃｌｏｕｄ） １００（湖冰Ｌａｋｅｉｃｅ） ２００（积雪Ｓｎｏｗ）
０＼１＼１１＼２５４＼２５５ ０ ２５ ３７ ５０ １００ ２００
２５（陆地Ｌａｎｄ） ２５ ２５ ３７ ２５ １００ ２００
３７（水体Ｌａｋｅ） ３７ ３７ ３７ ３７ １００ ２００
５０（云Ｃｌｏｕｄ） ５０ ２５ ３７ ５０ １００ ２００
１００（湖冰Ｌａｋｅｉｃｅ） １００ １００ １００ １００ １００ ２００
２００（积雪Ｓｎｏｗ） ２００ ２００ ２００ ２００ ２００ ２００
　０、１、１１、２５４和２５５分别代表传感器数据丢失、不确定、夜晚或传感器停止工作或在极地区域、传感器数据饱和及填充数据。
　Ｔｈｅｖａｌｕｅｏｆ０，１，１１，２５４ａｎｄ２５５ｒｅｐｒｅｓｅｎｔｄａｔａｍｉｓｓｉｎｇ，ｎｏｄｅｃｉｓｉｏｎｏｆｄａｔａ，ｎｉｇｈｔｏｒｗｈｅｎｓｅｎｓｏｒｓｔｏｐｓｗｏｒｋｉｎｇｏｒｉｎｔｈｅｐｏｌａｒｒｅｇｉｏｎｓ，ｓｅｎ
ｓｏｒｄａｔａｓａｔｕｒａｔｉｏｎａｎｄｆｉｌｉｎｇｄａｔａ，ｒｅｓｐｅｃｔｉｖｅｌｙ．
２）ＭＯＤＩＳ雪盖合成图像与ＡＥ＿ＤｙＳｎｏ资料合成算法：为了进一步消除ＭＯＤＩＳ合成图像（ＭＯＹＤＴＳ１０Ａ１）
中云对积雪分类的影响，更准确地监测该地区积雪时空分布范围，在Ｌｉａｎｇ等［２６，２７］、黄晓东等［２１］及冯琦胜等［２８］
对北疆牧区积雪图像合成方法基础上［２２］，结合青藏高原地区气候特点，经过反复试验和分析，本研究制定出以下
合成规则：①当 ＭＯＤＩＳ合成图像的第ｉ行第ｊ列为云（Ｓｉｊ＝５０）或者为无效数值（如０、１、１１、２５４或２５５），而相应
的ＡＥ＿ＤｙＳｎｏ的像素为任一地类值时，合成图像取ＡＥ＿ＤｙＳｎｏ的地类值；②当 ＭＯＤＩＳ合成图像为积雪、陆地、
水体、积雪覆盖的湖冰，而对应的ＡＥ＿ＤｙＳｎｏ判断与其不一致时，合成结果赋予 ＭＯＤＩＳ合成图像的地类值（表
３，图２）。
１．３．３　积雪分类精度评价方法　结合１０６个地面台站的观测数据和相对应的合成图像分类结果，分析 ＭＯＤＩＳ
雪盖产品及用户自定义雪盖图像的总体精度Ｏａ（％）和积雪分类精度Ｓａ（％），以及下垫面类型对积雪分类精度的
影响。为此，在精度评价中考虑以下６个方面的样本数：１）地面台站记录和积雪图像均有雪（雪深≥０．５ｃｍ）的样
本数（Ｓｂ）；２）地面台站记录有雪而图像分为无雪类型的样本数（Ｓｓ），即为漏测数；３）台站记录有雪而图像分为云
的样本数（Ｓｃ）；４）地面台站记录和图像均无雪的样本数（Ｌｂ）；５）地面台站记录无雪而图像分为有雪类型的样本数
（Ｌｓ），即为多测数；６）地面台站记录无雪而图像分为云的样本数（Ｌｃ）。因此，分类总精度Ｏａ（％）和积雪精度Ｓａ
（％）可以采用以下公式表示：
犗犪＝
犛犫＋犔犫
犛犫＋犛狊＋犔犫＋犔狊×１００％
（１）
犛犪＝
犛犫
犛犫＋犛狊×１００％
（２）
０３２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４
２　结果与分析
图２　犕犗犇犐犛资料与犃犕犛犚犈雪水当量图像合成处理流程
犉犻犵．２　犉犾狅狑犮犺犪狉狋狅犳犕犗犇犐犛犪狀犱犃犕犛犚犈犮狅犿狆狅狊犻狋犲犪犾犵狅狉犻狋犺犿
　　　ＴＳｉｊ表示当日图像中的第犻行第犼列的像素值，ＹＳｉｊ表示前一日图像的第
犻行第犼列的像素值，ＮＳｉｊ表示后一日图像中的第犻行第犼列的像素值。
ＴＳｉｊｅｘｐｒｅｓｓｅｓｔｈｅｐｉｘｅｌｖａｌｕｅｉｎｒｏｗ犻ａｎｄｃｏｌｕｍｎ犼ｏｆｔｏｄａｙ’ｓｉｍａｇｅ，ＹＳｉｊ
ｅｘｐｒｅｓｓｅｓｔｈｅｐｉｘｅｌｖａｌｕｅｉｎｒｏｗ犻ａｎｄｃｏｌｕｍｎ犼ｏｆｙｅｓｔｅｒｄａｙ’ｓｉｍａｇｅａｎｄ
ＮＳｉｊｅｘｐｒｅｓｓｅｓｔｈｅｐｉｘｅｌｖａｌｕｅｉｎｒｏｗ犻ａｎｄｃｏｌｕｍｎ犼ｏｆｎｅｘｔｄａｙ’ｓｉｍａｇｅ．
２．１　ＭＯＤＩＳ雪盖产品 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１
精度评价
在青藏高原２００２年１０月－２００８年３月的６
个积雪季内，共有１０８４幅 ＭＯＤ１０Ａ１图像，共计
１１４９０４对观测值，其中地面台站与积雪图像观测
均有雪的样本数（Ｓｂ）有２２７３个，占台站记录有雪
总样本数的１９．１３％，台站观测有雪而图像为无雪
（Ｓｓ）或云（Ｓｃ）的样本数分别为１９３３和７６７７个，占
台站记录有雪总样本数的１６．２７％和６４．６０％。而
在无云情况下，台站记录有雪的样本数为４２０６个，
仅占其记录有雪总样本数的３５．４０％。由此可见，
云对该地区积雪监测的影响较为严重。将积雪按不
同深度进行分段，分析不同积雪深度时 ＭＯＤ１０Ａ１
的分类精度。结果表明：在晴空天气状况下，雪深≥
３ｃｍ时 ＭＯＤ１０Ａ１图像的积雪分类精度（Ｓａ）为
８０．８２％，总精度（Ｏａ）为９８．７９％。随着积雪深度的
增加，积雪分类精度逐渐提高。当积雪深度在１～３
ｃｍ时，积雪识别率较低，仅为３４．９１％；当雪深为４～６ｃｍ时，积雪识别精度为７１．６１％；当雪深为７～９ｃｍ时，积
雪识别精度为８８．７６％；当雪深≥１０ｃｍ时，积雪识别精度达９４．２４％（表４）。而在同一时段内的 ＭＹＤ１０Ａ１积雪
图像中，共有１１５７５２对观测值，其中Ｓｂ 的样本数有１４６６个，仅占台站记录有雪总样本数的１１．８１％，Ｓｓ和Ｓｃ
的样本数分别为２１２４和８８２０个，占台站记录有雪总样本数的１７．１２％和７１．０７％，去除受云影响的采样值后，
台站记录有雪的样本数为３５９０个，仅占其记录有雪总样本数的２８．９３％，相对于 ＭＯＤ１０Ａ１图像而言，积雪有
效样本数明显减少，云样本数（Ｓｃ）大量增加，图像受云影响严重。通过分析不同积雪深度ＭＹＤ１０Ａ１的积雪分类
精度发现：当雪深≥３ｃｍ时ＭＹＤ１０Ａ１图像的积雪分类精度为７１．７５％，总精度为９８．００％。当积雪深度在１～３
ｃｍ时，积雪分类精度为１５．５９％，几乎无法识别出积雪；随着积雪深度的增加，其积雪分类精度有提高的趋势，当
雪深为４～６ｃｍ时，积雪识别精度为６２．９３％；而当雪深为７～９ｃｍ时，积雪识别精度达到８７．５７％；当雪深≥１０
ｃｍ时，积雪识别精度达到最高，为９１．７５％（表４）。
由此可见，在不同雪深条件下，ＭＯＤ１０Ａ１图像的积雪分类精度和总体精度明显高于 ＭＹＤ１０Ａ１图像，但两
者都受云的影响较大，在各种天气状况下难以准确监测青藏高原地区的积雪覆盖面积。
表３　犕犗犇犐犛与犃犕犛犚犈图像合成规则
犜犪犫犾犲３　犚狌犾犲狊犳狅狉犮狅犿狆狅狊犻狋犻狀犵犕犗犢犇犜犛１０犃１犪狀犱犃犈＿犇狔犛狀狅
ＭＯＹＤＴＳ１０Ａ１图像数值
ＭＯＹＤＴＳ１０Ａ１ｃｏｄｅｖａｌｕｅｓ
ＡＥ＿ＤｙＳｎｏ图像数值ＡＥ＿ＤｙＳｎｏｃｏｄｅｖａｌｕｅｓ
０（陆地Ｌａｎｄ） ０～２４０（积雪Ｓｎｏｗ） ２５４（水体Ｌａｋｅ） ２５５（无数据Ｄａｔａｍｉｓｓｉｎｇ）
０（无数据 Ｄａｔａｍｉｓｓｉｎｇ） ２５ ２００ ３７ ０
２５（陆地 （Ｌａｎｄ） ２５ ２５ ２５ ２５
３７（水体Ｌａｋｅ） ３７ ３７ ３７ ３７
５０（云Ｃｌｏｕｄ） ２５ ２００ ３７ ５０
１００（湖冰Ｌａｋｅｉｃｅ） １００ １００ １００ １００
２００（积雪Ｓｎｏｗ） ２００ ２００ ２００ ２００
１３２第２２卷第４期 草业学报２０１３年
表４　不同雪深条件下 犕犗犇犐犛雪盖产品的分类精度
犜犪犫犾犲４　犛狀狅狑犮犾犪狊狊犻犳犻犮犪狋犻狅狀犪犮犮狌狉犪犮狔狅犳犻犿犪犵犲犕犗犇犐犛狌狀犱犲狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
数据类型
Ｄａｔａｔｙｐｅ
雪深
Ｓｎｏｗｄｅｐｔｈ（ｃｍ）
Ｓｂ Ｓｓ Ｓｃ Ｌｂ Ｌｓ Ｌｃ
积雪精度
Ｓｎｏｗａｃｃｕｒａｃｙ（％）
总精度
Ｏｖｅｒａｌａｃｃｕｒａｃｙ（％）
ＭＯＤ１０Ａ１ ０ ０ ０ ０ ６４０７０ ４７０ ３１５８２ － －
１～３ ８５４ １５９２ ５２１４ ０ ０ ０ ３４．９１ ９６．９２
４～６ ７５１ ２８０ １３１８ ０ ０ ０ ７１．６１ ９８．８１
７～９ ３０８ ３９ ６５６ ０ ０ ０ ８８．７６ ９９．２６
≥１０ ３６０ ２２ ４８９ ０ ０ ０ ９４．２４ ９９．２６
＞３ １４１９ ３４１ ２４６３ ０ ０ ０ ８０．８２ ９８．７９
ＭＹＤ１０Ａ１ ０ ０ ０ ０ ５６３８４ ７４２ ３９４４１ － －
１～３ ３０８ １６６８ ５７０４ ０ ０ ０ １５．５９ ９５．９２
４～６ ６８４ ４０３ １７７４ ０ ０ ０ ６２．９３ ９８．０３
７～９ １９６ ２８ ７８５ ０ ０ ０ ８７．５７ ９８．５８
≥１０ ２７８ ２５ ５５７ ０ ０ ０ ９１．７５ ９８．６９
＞３ １１５８ ４５６ ３１１６ ０ ０ ０ ７１．７５ ９８．００
　Ｓｂ，Ｓｓ，Ｓｃ，Ｌｂ，Ｌｓ，Ｌｃ分别代表台站有雪影像有雪，台站有雪影像错分为陆地，台站有雪影像分为云，台站无雪影像是陆地，台站无雪影像错分为雪，
台站无雪影像是云的样本数。下同。
　Ｓｂ，Ｓｓ，Ｓｃ，Ｌｂ，Ｌｓ，Ｌｃｒｅｐｒｅｓｅｎｔｔｈｅｓａｍｐｌｉｎｇｎｕｍｂｅｒｏｆｓｎｏｗｓｅｅｎｂｙｂｏｔｈｃｌｉｍａｔｅｓｔａｔｉｏｎｓａｎｄｓａｔｅｌｉｔｅ，ｔｈｅｎｕｍｂｅｒｏｆｓｎｏｗｓｅｅｎｏｎｌｙｂｙｓｔａｔｉｏｎｓ
ｂｕｔｍｉｓｃｌａｓｓｉｆｉｅｄｉｎｔｏｌａｎｄｂｙｓａｔｅｌｉｔｅ，ｔｈｅｎｕｍｂｅｒｏｆｓｎｏｗｓｅｅｎｏｎｌｙｂｙｓｔａｔｉｏｎｓｂｕｔｃｌａｓｓｉｆｉｅｄｉｎｔｏｃｌｏｕｄｂｙｓａｔｅｌｉｔｅ，ｔｈｅｎｕｍｂｅｒｏｆｓｎｏｗｆｒｅｅｌａｎｄ
ｓｅｅｎｂｙｂｏｔｈｃｌｉｍａｔｅｓｔａｔｉｏｎｓａｎｄｓａｔｅｌｉｔｅ，ｔｈｅｎｕｍｂｅｒｏｆｓｎｏｗｆｒｅｅｌａｎｄｓｅｅｎｂｙｏｎｌｙｔｈｅｓｔａｔｉｏｎｓｂｕｔｍｉｓｃｌａｓｓｉｆｉｅｄａｓｓｎｏｗｂｙｓａｔｅｌｉｔｅ，ａｎｄｔｈｅｎｕｍ
ｂｅｒｏｆｓｎｏｗｆｒｅｅｌａｎｄｓｅｅｎｂｙｏｎｌｙｔｈｅｓｔａｔｉｏｎｓｂｕｔｃｌａｓｓｉｆｉｅｄａｓｃｌｏｕｄｂｙｓａｔｅｌｉｔｅ．Ｔｈｅｓａｍｅｂｅｌｏｗ．
２．２　ＭＯＤＩＳ雪盖合成图像 ＭＯＹＤ１０Ａ１和 ＭＯＹＤＴＳ１０Ａ１精度评价
用户自定义合成积雪图像ＭＯＹＤ１０Ａ１，在６个积雪季内共有１０７２幅，总计１１３６３２个同气象台站相对应的
采样值，其中Ｓｂ的样本数有２６３３个，占台站记录有雪总样本数的２２．２４％，Ｓｓ 和Ｓｃ 的样本数分别为２６００和
６６０５个，占台站记录有雪总样本数的２１．９６％和５５．８０％。去除Ｓｃ的采样值后，台站记录有雪的样本数为５２３３
个，占其记录有雪总样本数的４４．２１％。由此可见，采样值中有云样本数比 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１中的都有所
减少，且合成图像中的云量也有所降低。当雪深≥３ｃｍ时 ＭＯＹＤ１０Ａ１图像的积雪分类精度（Ｓａ）为８１．１０％，总
精度（Ｏａ）为９８．１３％（表５）。因此，在青藏高原地区，合成图像ＭＯＹＤ１０Ａ１不仅能够降低部分地区的云量，而且
在积雪深度＞７ｃｍ时积雪识别率可达到９０％以上，为进一步积雪图像的去云融合处理奠定了基础。
ＭＯＹＤＴＳ１０Ａ１雪盖图像在２００２年１０月－２００８年３月６个积雪季内，共有１０７２幅，总计１１３６３２对采样
值，其中Ｓｂ的样本数相对于 ＭＯＹＤ１０Ａ１图像的有所提高，为３１１９个，占台站记录有雪总样本数的２４．８７％，而
Ｓｓ和Ｓｃ的样本数有所降低，分别为３７２２和５７０１个，占台站记录有雪总样本数的２９．６８％和４５．４５％。在晴空
时，台站记录有雪的样本数为６８４１个，占其记录有雪总样本数的５４．５５％。因此，从以上统计可以得出，合成图
像的积雪像素有所增加，且云量也进一步降低。当雪深≥３ｃｍ时 ＭＯＹＤＴＳ１０Ａ１图像的积雪分类精度（Ｓａ）为
８１．６７％，总精度（Ｏａ）为９８．７４％（表５）。然而，当积雪深度＞７ｃｍ时合成图像 ＭＯＹＤＴＳ１０Ａ１的积雪识别率为
８０％以上，没有ＭＯＹＤ１０Ａ１的积雪分类精度高。这主要是因为ＭＯＹＤＴＳ１０Ａ１图像在去除部分地区云的同时，
不仅增加了积雪一致性的样本数，而且增加了漏测的可能性，从而造成积雪精度稍有下降。但是总体而言，当雪
深≥３ｃｍ时 ＭＯＹＤＴＳ１０Ａ１图像的积雪分类精度在８０％以上，不仅好于 ＭＯＹＤ１０Ａ１的积雪识别率，而且进一
步消除了图像中的部分云量，提高了积雪分类精度，所以 ＭＯＹＤＴＳ１０Ａ１合成图像对青藏高原积雪监测具有更
为重要的意义。
２３２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４
表５　不同雪深条件下 犕犗犇犐犛积雪合成图像的分类精度
犜犪犫犾犲５　犛狀狅狑犮犾犪狊狊犻犳犻犮犪狋犻狅狀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犐犛狌狀犱犲狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
数据类型
Ｄａｔａｔｙｐｅ
雪深
Ｓｎｏｗｄｅｐｔｈ（ｃｍ）
Ｓｂ Ｓｓ Ｓｃ Ｌｂ Ｌｓ Ｌｃ
积雪精度
Ｓｎｏｗａｃｃｕｒａｃｙ（％）
总精度
Ｏｖｅｒａｌａｃｃｕｒａｃｙ（％）
ＭＯＹＤ１０Ａ１ ０ ０ ０ ０ ７１１８４ １０５３ ２３１２７ － －
１～３ ９９４ ２２１８ ４４４１ ０ ０ ０ ３０．９５ ９５．６７
４～６ ７５７ ２９７ １２４８ ０ ０ ０ ７１．８２ ９８．１４
７～９ ４２７ ４６ ５３６ ０ ０ ０ ９０．２７ ９８．５３
≥１０ ４５５ ３９ ３８０ ０ ０ ０ ９２．１１ ９８．５３
＞３ １６３９ ３８２ ２１６４ ０ ０ ０ ８１．１０ ９８．１３
ＭＯＹＤＴＳ１０Ａ１ ０ ０ ０ ０ ７８３０１ １１４８ １５２５７ － －
１～３ １０７０ ３２６２ ３７８５ ０ ０ ０ ２４．７０ ９４．７４
４～６ ９６７ ３０６ １１０５ ０ ０ ０ ７５．９６ ９８．２０
７～９ ５１５ ９５ ４９４ ０ ０ ０ ８４．４３ ９８．４５
≥１０ ５６７ ５９ ３１７ ０ ０ ０ ９０．５８ ９８．４９
＞３ ２０４９ ４６０ １９１６ ０ ０ ０ ８１．６７ ９８．０４
２．３　云对 ＭＯＤＩＳ积雪分类精度的影响
青藏高原地区６个积雪季中，ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１图像的平均云量分别为３９．７４％和４８．７９％，云量大
于５０％以上的图像分别占总图像数的２１．４０％和３２．８６％。图３ａ和图３ｂ分别为青藏高原２００８年２月２日的
ＭＯＤ１０Ａ１和ＭＹＤ１０Ａ１图像，可以发现云像素数占有很大比重，几乎无法准确监测研究区内积雪覆盖面积。结
合气象台站实测数据，分析不同云量（Ｃ）状况下４种合成图像的积雪识别率，结果表明，当Ｃ≤２０％时，图像对积
雪的识别率都很高，ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１为７３．６８％和６９．８１％，合成图像 ＭＯＹＤ１０Ａ１和 ＭＯＹＤＴＳ１０Ａ１
分别为８１．８２％和７９．０３％；但是随着云量的增加，积雪识别率逐渐降低，当２０％＜Ｃ≤５０％时，ＭＯＤ１０Ａ１和
ＭＹＤ１０Ａ１的积雪识别率为６１．８６％和４３．２４％，合成图像 ＭＯＹＤ１０Ａ１和 ＭＯＹＤＴＳ１０Ａ１分别为６０．２７％和
６１．４４％；当５０％＜Ｃ≤８０％时，ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１的积雪识别率降低至５３．４４％和３４．７９％，合成图像
ＭＯＹＤ１０Ａ１和 ＭＯＹＤＴＳ１０Ａ１的积雪识别率也有所降低，分别为５４．２６％和５４．３２％；当 Ｃ＞８０％时，
ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１的积雪识别率仅为４７．０６％和３３．３３％（表６）。由此可见，ＭＯＤ１０Ａ１雪被产品在青藏
高原地区无云天气下积雪识别精度较高，可达到８０％左右，但是该产品在研究区范围较大时受云层影响非常严
重。当图像中的云量小于２０％时，积雪识别精度较高。同 ＭＯＤ１０Ａ１图像相比，ＭＯＹＤＴＳ１０Ａ１图像合成算法
可降低约１５％的云量。尽管如此，ＭＯＹＤＴＳ１０Ａ１图像依然受云的干扰，在实际应用中同样受天气状况的制约。
２．４　ＭＡＴＳ１０Ａ１雪盖合成图像精度评价
在２００２年１０月－２００８年３月６个积雪季内，自定义合成的每日 ＭＡＴＳ１０Ａ１图像共有１０７２幅，总计
１１３６３２对采样值，其中地面台站与积雪图像观测均有雪的样本数有６９４７个，占台站记录有雪总样本数的
５５．５１％，台站观测有雪而图像无雪的样本数为５５６８个，占台站记录有雪总样本数的４４．４９％。将积雪按不同深
度进行分类，分析不同积雪深度时 ＭＡＴＳ１０Ａ１的分类精度。结果表明，当雪深＞３ｃｍ时，合成图像 ＭＡＴＳ１０Ａ１
的积雪分类精度为７９．３６％，总精度为９７．５５％。ＭＡＴＳ１０Ａ１图像的积雪识别精度，也具有随雪深增加而增加的
特点。当积雪深度为１～３ｃｍ时，ＭＡＴＳ１０Ａ１的积雪分类精度为４２．５５％；当雪深在４～６ｃｍ时，积雪分类精度
为７４．６０％；在雪深为７～９ｃｍ时，积雪分类精度高达８４．４１％；当雪深≥１０ｃｍ时，积雪识别精度达到最高，为
８５．５８％（表７）。通过对比５种图像的平均积雪覆盖率可以发现，在６个积雪季内，ＭＡＴＳ１０Ａ１的积雪覆盖率最
高，达到２１．２４％，其次是 ＭＯＹＤＴＳ１０Ａ１，为８．５４％，ＭＯＹＤ１０Ａ１图像为７．７４％，而 ＭＯＤＩＳ雪被产品
ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１仅为５．７５％和４．１６％（图４）。由此可以看出，虽然 ＭＡＴＳ１０Ａ１合成图像积雪分类精
３３２第２２卷第４期 草业学报２０１３年
度略低于 ＭＯＹＤＴＳ１０Ａ１（该图像合成时增加了漏测误差，更为重要的是 ＭＯＹＤＴＳ１０Ａ１积雪识别精度仅代表
晴空条件下的有限区域），但是 ＭＡＴＳ１０Ａ１图像合成算法具有不受云层影响，且在各种天气状况下积雪识别率
高的优点。因此，ＭＡＴＳ１０Ａ１图像在青藏高原牧区积雪动态监测及雪灾预警等方面必将具有重要的应用价值。
图３　青藏高原地区２００８年２月２日 犕犗犇１０犃１（犪）和 犕犢犇１０犃１（犫）图像，以及
合成图像 犕犗犢犇１０犃１（犮）、犕犗犢犇犜犛１０犃１（犱）、犕犃犜犛１０犃１（犲）
犉犻犵．３　犕犗犇１０犃１（犪）犪狀犱犕犢犇１０犃１（犫）犻犿犪犵犲狊狅狀犉犲犫狉狌犪狉狔２狀犱，２００８犪狀犱犮狅犿狆狅狊犻狋犲犻犿犪犵犲狊犕犗犢犇１０犃１（犮），
犕犗犢犇犜犛１０犃１（犱），犕犃犜犛１０犃１（犲）狅犳犉犲犫狉狌犪狉狔２狀犱狋狅１０狋犺，２００８，犻狀犜犻犫犲狋犪狀犘犾犪狋犲犪狌
４３２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４
表６　不同云量下 犕犗犇犐犛合成图像的积雪识别率
犜犪犫犾犲６　犜犺犲狊狀狅狑犮犾犪狊狊犻犳犻犮犪狋犻狅狀犪犮犮狌狉犪犮狔犳狅狉犕犗犇犐犛犮狅犿狆狅狊犻狋犲犻犿犪犵犲狊犻狀犱犻犳犳犲狉犲狀狋犮犾狅狌犱狉犪狋犲
云量
Ｆｒｅｑｕｅｎｃｙｏｆｉｍａｇｅｓｗｉｔｈｃｌｏｕｄ
数据类型
Ｄａｔａｔｙｐｅ
有云图像数
Ａｍｏｕｎｔｏｆｉｍａｇｅｗｉｔｈｃｌｏｕｄ
台站样本数
Ａｍｏｕｎｔｏｆｓｔａｔｉｏｎｓａｍｐｌｅ
积雪精度
Ｓｎｏｗａｃｃｕｒａｃｙ（％）
Ｃ≤２０％ ＭＯＤ１０Ａ１ １２６（１１．６％） ２７２ ７３．６８
ＭＹＤ１０Ａ１ ３７（３．４％） ６３ ６９．８１
ＭＯＹＤ１０Ａ１ ２８９（２７．０％） ９７３ ８１．８２
ＭＯＹＤＴＳ１０Ａ１ ４９８（４６．５％） ２７１７ ７９．０３
２０％＜Ｃ≤５０％ ＭＯＤ１０Ａ１ ６７２（６２．０％） ２２９８ ６１．８６
ＭＹＤ１０Ａ１ ５４４（４９．８％） １３７４ ４３．２４
ＭＯＹＤ１０Ａ１ ６３２（５９．０％） ３１８６ ６０．２７
ＭＯＹＤＴＳ１０Ａ１ ５１０（４７．６％） ３５３０ ６１．４４
５０％＜Ｃ≤８０％ ＭＯＤ１０Ａ１ ２７６（２５．４％） １３０３ ５３．４４
ＭＹＤ１０Ａ１ ４７７（４３．７％） １５４７ ３４．７９
ＭＯＹＤ１０Ａ１ １４７（１３．７％） ８８７ ５４．２６
ＭＯＹＤＴＳ１０Ａ１ ６４（６．０％） ４９４ ５４．３２
Ｃ＞８０％ ＭＯＤ１０Ａ１ １０（１．０％） ３８ ４７．０６
ＭＹＤ１０Ａ１ ３４（３．１％） １０６ ３３．３３
ＭＯＹＤ１０Ａ１ ４（０．３％） ２２ ４７．４８
ＭＯＹＤＴＳ１０Ａ１ － －
　“有云图像数”括号中的数据表示云图像数与总图像数的比值。
　Ｔｈｅｄａｔａｉｎｂｒａｃｋｅｔｉｎａｍｏｕｎｔｏｆｉｍａｇｅｗｉｔｈｃｌｏｕｄｒｅｐｒｅｓｅｎｔｔｈｅｒａｔｉｏｏｆａｍｏｕｎｔｏｆｉｍａｇｅｓｗｉｔｈｃｌｏｕｄｏｖｅｒａｍｏｕｎｔｏｆａｌｉｍａｇｅｓ．
３　讨论
虽然 ＭＯＤ１０Ａ１和 ＭＹＤ１０Ａ１图像在晴空无云
条件下的积雪分类精度较高，积雪识别率可达８０％以
上，但是受云层影响严重，难以准确监测逐日积雪分布
范围（图３ａ，图３ｂ）。而 ＭＯＹＤ１０Ａ１合成图像仅能降
低青藏高原地区１０％左右的云量（图３ｃ），同样不能满
足动态监测积雪变化的需要；ＭＯＹＤＴＳ１０Ａ１图像虽
然能较好地反映积雪盖度，将云量控制在２５％以内
（图３ｄ）的同时，多测误差也降低到２．１％，且Ｓａ 和
Ｏａ分别达到８１．６７％和９８．０４％，但是ＭＯＹＤＴＳ１０Ａ１
图像不能够完全消除云的影响，这是该图像的主要缺
陷；而 ＭＡＴＳ１０Ａ１图像不仅具有较高的分辨率，同其
他合成图像相比较，可以完全消除云的影响，并有效地
表７　不同雪深条件下 犕犃犜犛１０犃１合成图像的分类精度
犜犪犫犾犲７　犛狀狅狑犮犾犪狊狊犻犳犻犮犪狋犻狅狀犪犮犮狌狉犪犮狔狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲
犕犃犜犛１０犃１狌狀犱犲狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
雪深
Ｓｎｏｗｄｅｐｔｈ
（ｃｍ）
Ｓｂ Ｓｓ Ｌｂ Ｌｓ 积雪精度
Ｓｎｏｗａｃｃｕｒａｃｙ
（％）
总精度
Ｏｖｅｒａｌａｃｃｕｒａｃｙ
（％）
０ ０ ０ ７８３０１１１４８ － －
１～３ ３４５１４６５９ ０ ０ ４２．５５ ９３．３７
４～６ １７７４ ６０４ ０ ０ ７４．６０ ９７．８６
７～９ ９１５ １６９ ０ ０ ８４．４１ ９８．３６
≥１０ ８０７ １３６ ０ ０ ８５．５８ ９８．４０
＞３ ３４９６ ９０９ ０ ０ ７９．３６ ９７．５５
将多测误差降到１．９％，在各种天气状况下 Ｓａ 和 Ｏａ 可分别达到７９．３６％和９７．５５％。因此，合成图像
ＭＡＴＳ１０Ａ１不仅具有 ＭＯＤＩＳ较高空间分辨率和ＡＭＳＲＥ不受天气状况影响的特点，而且可有效地提高积雪
监测的时空分辨率（图３ｅ）。但是，由图１可以看出地面气象台站主要分布在人口密集，海拔相对较低的东北部，
而在雪灾经常发生的青海南部和西藏北部地区，台站分布相对较少，从而造成气象台站的代表性较差，在精度验
证时存在较大的误差；同时由于ＡＭＳＲＥ数据的空间分辨率为２５ｋｍ，即在同一个像素内通常包含多种地物，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，并且在 ＭＯＹＤＴＳ１０Ａ１图像中
有云覆盖的区域，合成后的 ＭＡＴＳ１０Ａ１图像所对应的像素块一般会产生方格状的陆地或雪的分布区域，这些都
５３２第２２卷第４期 草业学报２０１３年
会对积雪分类精度造成一定的影响。根据“牧区雪灾等级”国家标准（ＧＢ／Ｔ２０４８２２００６），牧区雪灾的发生主要
是以积雪掩埋草地程度、积雪覆盖日数及草地积雪覆盖比率等指标进行判别的，而这些指标都需要积雪覆盖范围
数据提供支持。尽管近１０年以来，在青藏高原牧区广泛开展了“草原四配套”建设等以生态环境保护及农牧民增
收为目标的项目，对改善该地区现有的草地畜牧业生产及增强牧区抗灾能力都具有重要意义。但是，藏区游牧民
族几千年以来形成的传统生产和生活方式，在短期内还难以根本改变，在今后相当长的一段时期内，青藏高原地
区草地畜牧业仍然以自由放牧经营方式为主，当积雪覆盖厚度达到一定程度，则会对牧区造成草场掩埋、交通中
断、气温骤降，导致家畜采食困难，饲草供给不足，从而引发大批家畜因冻饿而死亡的灾害性损失。因此，深入研
究积雪制图合成算法，探索新的卫星遥感资料（如风云３号卫星、环境减灾卫星等）在积雪制图中的应用，进一步
提高遥感积雪识别精度，及时准确地监测孕灾环境，不仅是今后重要研究方向，而且对该地区防灾减灾具有重大
的现实意义。
图４　青藏高原２００２－２００８年６个积雪季平均逐日积雪覆盖率
犉犻犵．４　犇犪犻犾狔犪狏犲狉犪犵犲狊狀狅狑犮狅狏犲狉犪犵犲狉犪狋犻狅狅犳６狊狀狅狑狊犲犪狊狅狀犳狉狅犿２００２狋狅２００８犻狀犜犻犫犲狋犪狀犘犾犪狋犲犪狌
４　结论
１）在晴空条件下，当雪深＞３ｃｍ时青藏高原地区ＭＯＤ１０Ａ１及ＭＹＤ１０Ａ１雪盖产品的积雪分类精度分别为
８０．８２％和７１．７５％，但该类产品受云层等天气状况的影响较大，在牧区雪灾实时监测中基本上无法使用。
２）ＭＯＤ１０Ａ１雪被产品相比，用户自定义合成的 ＭＯＹＤＴＳ１０Ａ１逐日积雪图像，不仅可有效降低１５％左右
的云量，而且可以提高图像的积雪识别精度。在晴空状况下，当雪深＞３ｃｍ时积雪分类精度达到８１．６７％。
３）本研究提出的青藏高原 ＭＯＤＩＳ与ＡＭＳＲＥ数据的图像融合算法，不仅可以合成研究区各种天气状况下
逐日无云积雪数字图像（ＭＡＴＳ１０Ａ１），而且能够有效地提高积雪识别精度。当雪深＞３ｃｍ时积雪分类精度达
７９．３６％，总精度达９７．５５％。因此，逐日合成图像 ＭＡＴＳ１０Ａ１适于青藏高原的逐日雪盖动态监测，能够较准确
地反映研究区内的积雪时空变化动态，在青藏高原牧区雪灾监测与预警方面具有重要的应用价值。
参考文献：
［１］　雍世鹏，仝川，雍伟义，等．内蒙古锡林郭勒草原雪盖与植被覆盖重叠关系的遥感分析［Ｊ］．冰川冻土，１９９４，１（３）：２２４
２３８．
［２］　张店发，张祥华．中国北方草原雪灾的致灾机制探讨［Ｊ］．自然灾害学报，２００２，１１（２）：８０８４．
［３］　李培基．我国牧区雪灾监测预报研究亟待加强［Ｊ］．冰川冻土，１９９６，１８（４）：３７４３７５．
［４］　陈全功．青海省玉树藏族自治州的雪灾及其防御对策［Ｊ］．草业科学，１９９６，１３（６）：６０６３．
［５］　刘兴元，梁天刚，郭正刚．雪灾对草地畜牧业影响的评价模型及方法研究［Ｊ］．西北植物学报，２００４，２４（１）：９４９９．
［６］　丁一汇．中国气象灾害大典：综合卷［Ｍ］．北京：气象出版社，２００８：７４６８２４．
［７］　刘建华．中国气象灾害大典：云南卷［Ｍ］．北京：气象出版社，２００８：３６６４０３．
６３２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４
［８］　四川省卷编纂委员会．中国气象灾害大典：四川省卷［Ｍ］．北京：气象出版社，２００８：２５３２６１．
［９］　史玉光．中国气象灾害大典：新疆卷［Ｍ］．北京：气象出版社，２００８：１６４１８２．
［１０］　王莘本．中国气象灾害大典：青海卷［Ｍ］．北京：气象出版社，２００８：１３１１７５．
［１１］　刘光轩．中国气象灾害大典：西藏卷［Ｍ］．北京：气象出版社，２００８：１４８１５７．
［１２］　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．
［１３］　ＭａｕｒｅｒＥＰ，ＲｈｏａｄｓＪＤ，ＤｕｂａｙａｈＲＯ，犲狋犪犾．Ｅｖａｌｕａｔｉｏｎｏｆｔｈｅｓｎｏｗｃｏｖｅｒｅｄａｒｅａｄａｔａｐｒｏｄｕｃｔｆｒｏｍ ＭＯＤＩＳ［Ｊ］．Ｈｙｄｒｏ
ｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓ，２００３，１７：５９７１．
［１４］　ＫｌｅｉｎＡＧ，ＢａｒｎｅｔｔＡＣ．ＶａｌｉｄａｔｉｏｎｏｆｄａｉｌｙＭＯＤＩＳｓｎｏｗｃｏｖｅｒｍａｐｓｏｆｔｈｅｕｐｐｅｒＲｉｏＧｒａｎｄｅＲｉｖｅｒＢａｓｉｎｆｏｒｔｈｅ２０００２００１
ｓｎｏｗｙｅａｒ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８６：１６２１７６．
［１５］　ＳｉｍｉｃＡ，ＦｅｒｎａｎｄｅｓＲ，ＢｒｏｗｎＲ，犲狋犪犾．Ｖａｌｉｄａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎ，ＭＯＤＩＳ，ａｎｄＧＯＥＳ＋ＳＳＭ／Ｉｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓｏｖｅｒ
Ｃａｎａｄａｂａｓｅｄｏｎｓｕｒｆａｃｅｓｎｏｗｄｅｐｔｈｏｂｓｅｒｖａｔｉｏｎｓ［Ｊ］．ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓ，２００４，１８：１０８９１１０４．
［１６］　王志伟，张学通，周兆叶，等．牧区积雪监测中卫星资料应用的研究现状［Ｊ］．草业科学，２００９，２６（１）：３２３９．
［１７］　侯慧姝，杨宏业．ＭＯＤＩＳ积雪产品及研究应用概述［Ｊ］．遥感技术与应用，２００９，２４（２）：２５２２５６．
［１８］　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．
［１９］　于惠，张学通，王玮，等．基于ＡＭＳＲＥ数据的青海省雪深遥感监测模型及精度评价［Ｊ］．干旱区研究，２０１１，２８（２）：２５５
２６１．
［２０］　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．
［２１］　黄晓东，张学通，李霞，等．北疆牧区 ＭＯＤＩＳ积雪产品 ＭＯＤ１０Ａ１和 ＭＯＤ１０Ａ２的精度分析与评价［Ｊ］．冰川冻土，２００７，
２９（５）：７２２７２９．
［２２］　王玮，冯琦胜，张学通，等．基于 ＭＯＤＩＳ和ＡＭＳＲＥ资料的青海省旬合成雪被图像精度评价［Ｊ］．冰川冻土，２０１１，３３（１）：
８８１００．
［２３］　ＷａｎｇＸＷ，ＸｉｅＨＪ，ＬｉａｎｇＴＧ．ＥｖａｌｕａｔｉｏｎｏｆＭＯＤＩＳｓｎｏｗｃｏｖｅｒａｎｄｃｌｏｕｄｍａｓｋａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，
Ｃｈｉｎａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２：１４９７１５１３．
［２４］　ＬｏｒａＳＫ，ＲｉｃｈａｒｄＲＦ．Ｅｖａｌｕａｔｉｏｎｏｆｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｄｅｐｔｈｈｏａｒｄｏｍｉｎａｔｅｄ
ｓｎｏｗｐａｃｋｏｆｔｈｅＫｕｐａｒｕｋＲｉｖｅｒＷａｔｅｒｓｈｅｄ，Ａｌａｓｋａ，ＵＳＡ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９３：５１１５２７．
［２５］　ＷｕｌｄｅｒＭＡ，ＮｅｌｓｏｎＴＡ，ＤｅｒｋｓｅｎＣ．ＳｎｏｗｃｏｖｅｒｖａｒｉａｂｉｌｉｔｙａｃｒｏｓｓｃｅｎｔｒａｌＣａｎａｄａ（１９７８－２００２）ｄｅｒｉｖｅｄｆｒｏｍｓａｔｅｌｉｔｅｐａｓ
ｓｉｖｅｍｉｃｒｏｗａｖｅｄａｔａ［Ｊ］．ＣｌｉｍａｔｉｃＣｈａｎｇｅ，２００７，８２（１）：１１３１３０．
［２６］　ＬｉａｎｇＴＧ，ＺｈａｎｇＸＴ，ＸｉｅＨＪ，犲狋犪犾．ＴｏｗａｒｄｉｍｐｒｏｖｅｄｄａｉｌｙｓｎｏｗｃｏｖｅｒｍａｐｐｉｎｇｗｉｔｈａｄｖａｎｃｅｄｃｏｍｂｉｎａｔｉｏｎｏｆＭＯＤＩＳ
ａｎｄＡＭＳＲＥｍｅａｓｕｒｅｍｅｎｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２：３７５０３７６１．
［２７］　ＬｉａｎｇＴＧ，ＨｕａｎｇＸＤ，ＷｕＣＸ，犲狋犪犾．ＡｎａｐｐｌｉｃａｔｉｏｎｏｆＭＯＤＩＳｄａｔａｔｏｓｎｏｗｃｏｖｅｒｍｏｎｉｔｏｒｉｎｇｉｎａｐａｓｔｏｒａｌａｒｅａ：Ａｃａｓｅ
ｓｔｕｄｙｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，Ｃｈｉｎａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２：１５１４１５２６．
［２８］　冯琦胜，张学通，梁天刚．基于 ＭＯＤ１０Ａ１和 ＡＭＳＲＥ的北疆牧区积雪动态监测研究［Ｊ］．草业学报，２００９，１８（１）：１２５
１３３．
［２９］　ＷａｎｇＸＷ，ＸｉｅＨＪ，ＬｉａｎｇＴＧ，犲狋犪犾．ＣｏｍｐａｒｉｓｏｎａｎｄｖａｌｉｄａｔｉｏｎｏｆＭＯＤＩＳｓｔａｎｄａｒｄａｎｄｎｅｗｃｏｍｂｉｎａｔｉｏｎｏｆｔｅｒｒａａｎｄ
ａｑｕａｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓｉｎＮｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ，Ｃｈｉｎａ［Ｊ］．ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓ，２００８，ｄｏｉ：１０．１００２／ｈｙｐ．７１５１．
［３０］　ＧａｏＹ，ＸｉｅＨＪ，ＬｕＮ，犲狋犪犾．ＴｏｗａｒｄａｄｖａｎｃｅｄｄａｉｌｙｃｌｏｕｄｆｒｅｅｓｎｏｗｃｏｖｅｒａｎｄｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔｐｒｏｄｕｃｔｓｆｒｏｍＴｅｒｒａ
－ＡｑｕａＭＯＤＩＳａｎｄＡｑｕａＡＭＳＲＥｍｅａｓｕｒｅｍｅｎｔｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｌｏｇｙ，２０１０，３８５：２３３５．
［３１］　张镱锂，李炳元，郑度．论青藏高原范围与面积［Ｊ］．地理研究，２００２，２１（１）：１８．
［３２］　孙鸿烈．青藏高原的形成演化［Ｍ］．上海：上海科学技术出版社，１９９６：１９．
［３３］　刘兴元，龙瑞军，尚占环．草地生态系统服务功能及其价值评估方法研究［Ｊ］．草业学报，２０１１，２０（１）：１６７１７４．
［３４］　任继周，梁天刚，林慧龙，等．草地对全球气候变化的响应及其碳汇潜势研究［Ｊ］．草业学报，２０１１，２０（２）：１２２．
［３５］　韩立辉，尚占环，任国华，等．青藏高原“黑土滩”退化草地植物和土壤对秃斑面积变化的响应［Ｊ］．草业学报，２０１１，２０（１）：
１６．
［３６］　ＨａｌＤＫ，ＲｉｇｇｓＧＡ，ＳａｌｏｍｏｎｓｏｎＶＶ．Ａｌｇｏｒｉｔｈｍｔｈｅｏｒｅｔｉｃａｌｂａｓｉｓｄｏｃｕｍｅｎｔ（ＡＴＢＤ）ｆｏｒｔｈｅＭＯＤＩＳｓｎｏｗａｎｄｓｅａｉｃｅ
７３２第２２卷第４期 草业学报２０１３年
ｍａｐｐｉｎｇａｌｇｏｒｉｔｈｍｓ［ＥＢ／ＯＬ］．［２００１０９１６］．ｈｔｔｐ：／／ｍｏｄｉｓ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ／ｄａｔａ／ａｔｂｄ／ａｔｂｄ＿ｍｏｄ１０．ｐｄｆ．
［３７］　ＨａｌＤＫ，ＲｉｇｇｓＧＡ，ＳａｌｏｍｏｎｓｏｎＶＶ，犲狋犪犾．ＭＯＤＩＳｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，
８３：１８１１９４．
［３８］　ＲｉｇｇｓＧＡ，ＨａｌＤＫ，ＳａｌｏｍｏｎｓｏｎＶＶ．ＭＯＤＩＳｓｎｏｗｐｒｏｄｕｃｔｓｕｓｅｒｇｕｉｄｅｃｏｌｅｃｔｉｏｎ５［ＥＢ／ＯＬ］．［２００６１１２０］．ｈｔｔｐ：／／
ｍｏｄｉｓｓｎｏｗｉｃｅ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ／ｕｐｌｏａｄｓ／ｓｕｇ＿ｃ５．ｐｄｆ．
［３９］　ＮａｔｉｏｎａｌＳｎｏｗａｎｄＩｃｅＤａｔａＣｅｎｔｅｒ（ＮＳＩＤＣ）．ＭＯＤＩＳ／ＴｅｒｒａｓｎｏｗｃｏｖｅｒｄａｉｌｙＬ３ｇｌｏｂａｌ５００ｍｇｒｉｄ［ＥＢ／ＯＬ］．［２００６９１２］．
ｈｔｔｐ：／／ｎｓｉｄｃ．ｏｒｇ／ｄａｔａ／ｄｏｃｓ／ｄａａｃ／ｍｏｄｉｓ＿ｖ５／ｍｏｄ１０ａ１＿ｍｏｄｉｓ＿ｔｅｒｒａ＿ｓｎｏｗ＿ｄａｉｌｙ＿ｇｌｏｂａｌ＿５００ｍ＿ｇｒｉｄ．ｇｄ．ｈｔｍｌ．
［４０］　ＭＯＤＩＳＲｅｐｒｏｊｅｃｔｉｏｎＴｏｏｌ（ＭＲＴ）．Ｕｓｅｒ’ｓｍａｎｕａｌｒｅｌｅａｓｅ４．１［ＥＢ／ＯＬ］．［２０１１４２２］．ｈｔｔｐｓ：／／ｌｐｄａａｃ．ｕｓｇｓ．ｇｏｖ／ｓｉｔｅｓ／ｄｅ
ｆａｕｌｔ／ｆｉｌｅｓ／ｐｕｂｌｉｃ／ｍｒｔ４１＿ｕｓｅｒｍａｎｕａｌ＿０３２８１１．ｐｄｆ．
犃狊狋狌犱狔狅狀狊狀狅狑犿犪狆狆犻狀犵犻狀狋犺犲犜犻犫犲狋犪狀犘犾犪狋犲犪狌犫犪狊犲犱狅狀犕犗犇犐犛犪狀犱犃犕犛犚犈犱犪狋犪
ＷＡＮＧＷｅｉ，ＨＵＡＮＧＸｉａｏｄｏｎｇ，ＬＶＺｈｉｂａｎｇ，ＬＩＡＮＧＴｉａｎｇａｎｇ
（ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｒａｓｓｌａｎｄＡｇｒｏｅｃｏｓｙｓｔｅｍｓ，ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌＡｇｒｉｃｕｌｔｕｒｅ
ＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｔｈｅ２００２ｔｏ２００８ＭＯＤＩＳ／ＴｅｒｒａＡｑｕａｄａｉｌｙｓｎｏｗｐｒｏｄｕｃｔｓ（ＭＯＤ１０Ａ１ａｎｄＭＹＤ１０Ａ１）ａｎｄＡＭＳＲ
Ｅ／ＡｑｕａｄａｉｌｙｓｎｏｗｗａｔｅｒｅｑｕｉｖａｌｅｎｔｐｒｏｄｕｃｔＡＥ＿ＤｙＳｎｏｆｒｏｍｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｗｅｒｅｕｓｅｄｔｏｓｔｕｄｙｔｈｅｄａｉｌｙ
ｃｏｍｐｏｓｉｔｉｏｎａｌｇｏｒｉｔｈｍｏｆＭＯＤＩＳａｎｄＡＭＳＲＥｄａｔａ．Ｔｈｅａｃｃｕｒａｃｉｅｓｏｆｃｏｍｐｏｓｉｔｅｄｄａｉｌｙｃｌｏｕｄｆｒｅｅｓｎｏｗｃｌａｓｓｉ
ｆｉｃａｔｉｏｎｉｍａｇｅＭＡＴＳ１０Ａ１ｗｅｒｅｖａｌｉｄａｔｅｄｂａｓｅｄｏｎｓｎｏｗｄｅｐｔｈｄａｔａｆｒｏｍｃｌｉｍａｔｅｓｔａｔｉｏｎｓ．１）ＩｎｔｈｅＴｉｂｅｔａｎ
Ｐｌａｔｅａｕ，ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆＭＯＤＩＳｄａｉｌｙｓｎｏｗｐｒｏｄｕｃｔｉｓｈｉｇｈ（ｒｅａｃｈｉｎｇ８０．８２％ ｗｈｅｎｔｈｅｓｎｏｗ
ｄｅｐｔｈ＞３ｃｍ）ｕｎｄｅｒｃｌｅａｒｓｋｙｃｏｎｄｉｔｉｏｎｓ，ｂｕｔＭＯＤ１０Ａ１ａｎｄＭＹＤ１０Ａ１ａｒｅｎｏｔｓｕｉｔａｂｌｅｆｏｒｍｏｎｉｔｏｒｉｎｇｔｈｅ
ｓｎｏｗｄｉｓｔｒｉｂｕｔｉｏｎｉｎｒｅａｌｔｉｍｅｉｎｐａｓｔｏｒａｌａｒｅａｓｂｅｃａｕｓｅｔｈｅａｖｅｒａｇｅｃｌｏｕｄｒａｔｉｏｓａｒｅ３９．７４％ａｎｄ４８．７４％，ｒｅ
ｓｐｅｃｔｉｖｅｌｙ；２）Ｃｏｍｐｏｓｉｔｅｄｉｍａｇｅｓ（ＭＯＹＤＴＳ１０Ａ１）ｏｆＭＯＤ１０Ａ１ａｎｄＭＹＤ１０Ａ１ｎｏｔｏｎｌｙｅｌｉｍｉｎａｔｅｍｏｓｔｏｆ
ｔｈｅｃｌｏｕｄ’ｓｉｍｐａｃｔ（ｔｈｅａｖｅｒａｇｅｃｌｏｕｄｒａｔｉｏｉｓ２４．１３％）ｂｕｔａｌｓｏｉｍｐｒｏｖｅｓｔｈｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ
（ｒｅａｃｈｉｎｇ８１．６７％ ｗｈｅｎｔｈｅｓｎｏｗｄｅｐｔｈ＞３ｃｍ）；３）ＤａｉｌｙｃｌｏｕｄｆｒｅｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎｉｍａｇｅＭＡＴＳ１０Ａ１
ｃｏｍｂｉｎｅｓｔｈｅａｄｖａｎｔａｇｅｓｏｆＡＭＳＲＥ（ｃａｎｎｏｔｂｅａｆｆｅｃｔｅｄｂｙｗｅａｔｈｅｒｃｏｎｄｉｔｉｏｎｓ）ａｎｄＭＯＤＩＳ（ｒｅｌａｔｉｖｅｌｙｈｉｇｈ
ｒｅｓｏｌｕｔｉｏｎ），ｃｏｍｐｌｅｔｅｌｙｅｌｉｍｉｎａｔｅｓｔｈｅｉｎｔｅｒｆｅｒｅｎｃｅｏｆｃｌｏｕｄｓ，ａｎｄａｌｓｏｈａｓａｒｅｌａｔｉｖｅｌｙｈｉｇｈｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎ
ａｃｃｕｒａｃｙ（ｒｅａｃｈｉｎｇ７９．３６％ｗｈｅｎｔｈｅｓｎｏｗｄｅｐｔｈ＞３ｃｍ）．Ｔｈｅｒｅｆｏｒｅ，ｔｈｅｄａｉｌｙｃｌｏｕｄｆｒｅｅｉｍａｇｅｓｇｅｎｅｒａｔｅｄｂｙ
ｔｈｅｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｉｎｔｈｉｓｓｔｕｄｙｗｉｌｐｌａｙａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｓｎｏｗｄｉｓａｓｔｅｒｍｏｎｉｔｏｒｉｎｇａｎｄｅｖａｌｕａｔｉｏｎｉｎ
ｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｐａｓｔｏｒａｌａｒｅａｓｉｎｔｈｅｆｕｔｕｒｅ．
犓犲狔狑狅狉犱狊：ＭＯＤＩＳ；ＡＭＳＲＥ；ｓｎｏｗｍａｐｐｉｎｇ；ｄａｔａｃｏｍｐｏｓｉｔｉｏｎ；ａｃｃｕｒａｃｙａｓｓｅｓｓｍｅｎｔ
８３２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．４