全 文 ：书基于 犕犗犇犐犛数据的青海省积雪
覆盖范围监测算法探索
王雪璐，王玮，冯琦胜，吕志邦，梁天刚
（兰州大学草地农业科技学院 草地农业生态系统国家重点实验室，甘肃 兰州７３００２０）
摘要：以青海省作为研究区，利用 ＭＯＤＩＳ每日地表反射率产品 ＭＯＤ０９ＧＡ和逐日雪被合成产品 ＭＯＤ１０Ａ１，通过
调整ＮＤＳＩ阈值，合成积雪分类图像，根据气象台站实测雪深数据，评价积雪分类精度，探索研究了适合该地区的
ＮＤＳＩ阈值。研究结果表明，１）ＮＳＩＤＣ发布的全球 ＭＯＤＩＳ积雪产品 ＭＯＤ１０Ａ１在青海高原的积雪分类精度较低，
在晴空下雪深大于３ｃｍ的积雪分类精度为８６．０１％。２）研究区适合的 ＮＤＳＩ阈值为０．３７。在晴空下雪深大于３
ｃｍ时，合成雪被图像的积雪分类精度可达９０．３７％，总精度９９．５１％，多测误差０．２２％，漏测误差９．６３％。３）同
ＭＯＤＩＳ逐日雪被产品 ＭＯＤ１０Ａ１进行雪深分段精度比较，发现整体上自定义雪被图像的积雪分类精度较高，合成
图像更符合青海高原积雪空间分布的真实情况。
关键词：ＭＯＤ０９ＧＡ；ＭＯＤ１０Ａ１；ＮＤＳＩ；青海省；积雪分类精度
中图分类号：Ｓ１２７ 文献标识码：Ａ 文章编号：１００４５７５９（２０１２）０４０２９３０７
雪盖的时空动态分布是全球大气模拟的关键因子，对全球水循环和气候变化的研究起到至关重要的作用［１］。
青海高原地区是我国主要的积雪分布区之一，同时也是我国六大牧区之一，雪灾是该地区冬春季最主要的自然灾
害，严重影响草地畜牧业的可持续发展。而遥感技术以其视野广、时间分辨率高、信息量大、客观真实性强等优
点，可实时监测大范围雪灾的成灾过程。因此，提高对该地区积雪范围的监测精度，对牧区防灾减灾具有特别重
要的意义［２６］。
积雪在可见光波段具有较高的反射率，在短波红外波段有较强的吸收特性，而大多数云在可见光波段和短段
红外波段均具有较高的反射率。基于这种特殊的光谱特性，研究发现归一化差值雪被指数 （ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒ
ｅｎｃｅｓｎｏｗｉｎｄｅｘ，ＮＤＳＩ）不仅可以识别出积雪，而且还是一个理想的云雪识别器，因此可以使用中分辨率成像光
谱仪（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ）第４波段（０．５４５～０．５６５μｍ）和第６波段（１．６２８
～１．６５２μｍ）反射率计算的ＮＤＳＩ，作为监测积雪的重要指标
［７］。国内外在ＭＯＤＩＳ积雪产品精度评价方面，已开
展了大量的研究工作。在北美、欧洲和我国北疆等地的研究结果表明，在晴空条件下 ＭＯＤ１０Ａ１产品的积雪判
识精度在８０％以上。Ｌｉａｎｇ等［８］研究结果表明北疆地区的该产品积雪分类精度为９８．２％；Ｋｅｉｔｈ和Ａｍｉｒ［９］在亨
伯河流域的研究结果表明该产品２００８年１－３月雪盖比例在７５．０８％～９３．８７％。然而，在我国青藏高原和高山
地区的积雪分类精度相对较低，存在少分积雪而多分陆地的现象。张学通［１０］研究表明晴空条件下青海省
ＭＯＤ１０Ａ１积雪分类精度仅为４３．５％。曹云刚等［１１］研究表明由于青藏高原山区地表坡度较大、地表粗糙度高、
地表覆盖类型复杂等原因，容易出现斑块状积雪，因此严重影响了 ＭＯＤ１０Ａ１的积雪监测精度。郝晓华等［１２］利
用ＬａｎｄｓａｔＥＴＭ＋以祁连山中部地区为例对 ＭＯＤ１０Ａ１产品的ＮＤＳＩ阈值进行了检验，结果表明该产品采用的
ＮＤＳＩ阈值０．４偏高，造成了山区积雪面积低估的现象。本研究以青海省为例，利用美国国家雪冰数据中心
（ＮａｔｉｏｎａｌＳｎｏｗａｎｄＩｃｅＤａｔａＣｅｎｔｅｒ，ＮＳＩＤＣ）的 ＭＯＤＩＳ地表反射产品 ＭＯＤ０９ＧＡ，结合青海省气象台站数据，
探索研究了适合青海高原积雪监测的ＮＤＳＩ阈值，以期为准确监测青藏高原地区积雪分布范围提供科学依据。
第２１卷 第４期
Ｖｏｌ．２１，Ｎｏ．４
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
２９３－２９９
２０１２年８月
收稿日期：２０１１０４１１；改回日期：２０１１１１２４
基金项目：教育部高等学校科技创新工程重大项目培育资金项目（７０８０８９），国家高技术研究发展专项（２００７ＡＡ１０Ｚ２３２）和国家科技支撑计划项
目（２００９ＢＡＣ５３Ｂ０１）资助。
作者简介：王雪璐（１９８６），女，陕西榆林人，在读硕士。Ｅｍａｉｌ：ｗａｎｇｘｌ＿２０１０＠ｌｚｕ．ｃｎ
通讯作者。Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
１ 材料与方法
１．１ 研究区概况
青海省位于青藏高原的东北部，北纬３１°３９′～３６°１２′，东经８９°４５′～１０２°２３′，东西长度约１２００ｋｍ，南北宽约
８００ｋｍ，总面积７２．２３万ｋｍ２。东部地区地势起伏多山，但海拔较低，西部地区地势平缓，主要由高原和盆地结
构组成。全省高原地区面积占总面积的８０％以上，平均海拔在３０００ｍ以上，海拔３０００ｍ以下区域仅占全省总
面积的２６．３％；海拔３０００～５０００ｍ的地区占地面积最大，约为全省面积的６７％；５０００ｍ以上的地区仅占全省
面积的５％。全省依地形可分为祁连山地、柴达木盆地和青南高原三区。气候属典型的高原大陆性气候，年平均
气温为－５．６～８．６℃、年降水量为１５～７５０ｍｍ。天然草地以草甸植被为主，可利用草场占全省总国土面积的
４３．８％，其中高寒草甸和高寒草原总面积达２．４４８１６×１０７ｈｍ２，占全省草地面积的８０．８８％，其余部分为少量荒
漠草地植被［１３１５］。雪灾是该省境内主要的自然灾害之一，主要分布在青南高原地区，包括玉树、果洛两州及海南、
黄南两州的南部，其中玉树、杂多、曲麻莱、清水河、玛多、达日高海拔区域雪灾尤为频繁，且范围广，影响大，对草
地畜牧业所造成的损失也最严重［１６］。
１．２ 研究数据
通过ＮＳＩＤＣ网站，订购并下载了２００７年１０月－２００８年３月的每日 ＭＯＤ０９ＧＡ（ＳｕｒｆａｃｅＲｅｆｌｅｃｔａｎｃｅＤａｉｌｙ
Ｌ２ＧＧｌｏｂａｌ１ｋｍａｎｄ５００ｍ）和 ＭＯＤ１０Ａ１（ＭＯＤＩＳ／ＴｅｒｒａＳｎｏｗＣｏｖｅｒＤａｉｌｙＬ３Ｇｌｏｂａｌ５００ｍＧｒｉｄ）产品。覆
盖研究区的图像轨道号分别为ｈ２５ｖ０５和ｈ２６ｖ０５，共１８３ｄ，共计７３２幅。ＭＯＤ０９ＧＡ和 ＭＯＤ１０Ａ１产品均以
ＨＤＦ－ＥＯＳ分层数据格式（ｈｉｅｒａｒｃｈｉｃａｌｄａｔａｆｏｒｍａｔ，ＨＤＦ）保存［１７］。同时，为了开展积雪监测精度研究，收集
了青海省２００７年１０月－２００８年３月共计１８３ｄ４７个台站的气象观测数据，包括台站经纬度、海拔、雪深、平均
气温等资料。在积雪观测时，雪深以整数登记，将小于０．５ｃｍ的积雪记录为无雪。共计８６０１条记录。
１．３ 积雪图像的分类方法
积雪分类算法的核心是归一化雪被指数的计算，此外还要排除水体和一些暗物体的影响，因此利用
ＭＯＤ０９ＧＡ资料判别积雪的公式如下：
犖犇犛犐＝犅犪狀犱４－犅犪狀犱６犅犪狀犱４＋犅犪狀犱６
（１）
犅犪狀犱２＞１１％ （２）
犅犪狀犱４＞１０％ （３）
式中，犅犪狀犱２、犅犪狀犱４和犅犪狀犱６分别代表 ＭＯＤ０９ＧＡ地表反射产品第２波段、第４波段和第６波段的反射率值，
其空间分辨率为５００ｍ。
在ＮＳＩＤＣ发布的全球 ＭＯＤＩＳ雪被产品（如 ＭＯＤ１０Ａ１等）中，积雪制图算法主要包括以下３个条件：当
ＮＤＳＩ≥０．４时，认为可识别出雪盖面积占５０％以上的单个像元，为积雪判识的主要条件之一。水体在可见光波
段和短波近红外波段的反射率和积雪类似，但可通过其第２波段的反射率小于１１％的特性将其排除；同时通过
暗物质在第４波段反射率小于１０％这一约束，可防止一些可见光波段反射率极低的暗色物体被误判为积雪。
在森林覆盖区，由于植被对雪盖反射率的影响，需要对积雪判别条件进行相应的调整，将满足０．１＜ＮＤＳＩ＜
０．４且ＮＤＶＩ＞０．１的像元也识别为有雪［４］。
犖犇犞犐＝犅犪狀犱２－犅犪狀犱１犅犪狀犱２＋犅犪狀犱１＞０．１
（４）
式中，犅犪狀犱１和犅犪狀犱２分别代表 ＭＯＤ０９ＧＡ地表反射产品第１波段和第２波段的反射率值，其空间分辨率为
５００ｍ。
１．４ 研究区ＮＤＳＩ阈值的确定
影像的积雪分类精度是确定ＮＤＳＩ阈值的关键。依据青海省４７个气象台站的实际观测值，比较分析不同
ＮＤＳＩ阈值条件下的积雪分类图像精度，确定适合研究区积雪分类的ＮＤＳＩ阈值。积雪分类图像的精度主要通过
积雪分类精度Ｒ（％）、总精度Ｐ（％）、漏测误差Ｄ（％）和多测误差Ｖ（％）这些指标进行综合评价。其计算公式如
４９２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
下：
犚＝犓犈×１００
（５）
犘＝
（犓＋犛）
犜 ×１００
（６）
犇＝犕犈×１００
（７）
犞＝犖犣×１００
（８）
式中，犓 代表影像和地面台站均有雪的样本数，犈代表地面台站有雪的样本数，犛代表影像和地面台站均无雪的
样本数，犜代表地面台站总样本数，犕 代表影像数据无雪但地面台站有雪的样本数，犖 代表影像数据有雪但地面
台站无雪的样本数，犣代表地面无雪样本数。
１．５ 自定义积雪分类图像的合成
对 ＭＯＤ０９ＧＡ和 ＭＯＤ１０Ａ１数据进行预处理，分别得到 ＭＯＤＩＳ的１，２，４，６波段反射率数据。依据公式
（１）计算研究区逐日ＮＤＳＩ图像，采用不同的ＮＤＳＩ阈值分别对积雪进行分类，并结合ＮＤＶＩ计算林区雪盖，使用
ｂａｎｄ２＞０．１１和ｂａｎｄ４＞０．１两个阈值消除水体和暗物质的干扰，利用 ＭＯＤ１０Ａ１产品确定云覆盖范围，合成不
同ＮＤＳＩ阈值的积雪分类图像（图１）。合成图像的编码方式和 ＭＯＤ１０Ａ１积雪分类图像一致，即２５为陆地，５０
为云，２００为积雪。
图１ 用户自定义积雪分类图像合成流程图
犉犻犵．１ 犉犾狅狑犮犺犪狉狋犳狅狉犮狅犿狆狅狊犻狋犻狅狀狅犳狌狊犲狉犱犲犳犻狀犲犱狊狀狅狑犮犾犪狊狊犻犳犻犮犪狋犻狅狀犻犿犪犵犲
２ 结果与分析
２．１ ＭＯＤ１０Ａ１积雪分类精度分析
青海省２００７年１０月－２００８年３月的积雪季共有１８３个时相的 ＭＯＤ１０Ａ１积雪分类产品，结合４７个气象
台站观测的８６０１条实测雪情记录数据，对该产品进行精度分析的结果表明，ＭＯＤ１０Ａ１产品在晴空状况下的积
雪分类精度仅为４８．９７％，总精度为９５．５６％。当雪深在１～３ｃｍ时，积雪漏测误差为７２．６５％，受其影响积雪分
５９２第２１卷第４期 草业学报２０１２年
类精度仅为２７．３５％，总精度为９５．８５％；当雪深大于３ｃｍ 时，积雪分类精度为８６．０１％（表１），总精度为
９９．２１％。由此可见，研究区 ＭＯＤ１０Ａ１积雪分类精度明显低于该产品在其他研究区的精度验证结果。由于
ＭＯＤ１０Ａ１积雪分类产品是以 ＭＯＤＩＳＬ１Ｂ数据为基础，通过大气校正、几何纠正，结合云掩膜产品和水体掩膜
产品，利用归一化雪被指数ＮＤＳＩ的阈值来判识积雪。在ＮＳＩＤＣ发布的 ＭＯＤＩＳ雪盖产品中，通用的ＮＤＳＩ阈值
为０．４０。该阈值是 Ｈａｌ和Ｒｉｇｇｓ［１８］在美国阿拉斯加、加利福尼亚、蒙大拿、明尼苏达地区利用ＴＭ 雪盖图验证
确定的，他指出部分区域的ＮＤＳＩ阈值是否合理仍然需要试验。因此，有必要对青藏高原地区积雪分类图像的
ＮＤＳＩ阈值进行调整，以提高该地区的积雪分类精度。
表１ 犕犗犇１０犃１产品的积雪分类精度
犜犪犫犾犲１ 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犻犲狊狅犳犮狅犿狆狅狊犻狋犲犻犿犪犵犲犕犗犇１０犃１犳狅狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
雪深
Ｓｎｏｗｄｅｐｔｈ（ｃｍ）
一致性Ａｇｒｅｅｍｅｎｔ
积雪Ｓｎｏｗ 无积雪Ｎｏｓｎｏｗ
非一致性Ｄｉｓａｇｒｅｅｍｅｎｔ
多测Ｅｘｔｒａ 漏测 Ｍｉｓｓｅｄ
样本数
ＳａｍｐｌｅＮｏ．
积雪精度
Ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ（％）
０ ０ ４４１２ １６ ０ ４４２８ ０
１～３ ６７ ０ ０ １７８ ２４５ ２７．３５
＞３ １２３ ０ ０ ２０ １４３ ８６．０１
２．２ ＮＤＳＩ阈值比较分析
已有研究表明，当雪深介于０．５～３ｃｍ 时，ＭＯＤＩＳ传感器的积雪识别精度较低［８］。黄晓东等［１９］对北疆牧
区 ＭＯＤＩＳ积雪制图 ＭＯＤ１０Ａ１精度评价结果表明，积雪深度１～３ｃｍ时积雪分类精度为７．５％。张学通［１０］对
青海省２００２年１０月－２００８年３月的６个积雪季 ＭＯＤ１０Ａ１精度评价研究结果表明，１～３ｃｍ厚度的积雪分类
精度仅为２９．９３％。由于 ＭＯＤＩＳ图像的空间分辨率较低（５００ｍ），部分地区的地表坡度较大、常有裸露的石块
和少量植被等地物干扰，所以积雪深度小于３ｃｍ时，地表难以被积雪均匀地覆盖，导致 ＭＯＤＳＩ的积雪分类精度
偏低。因此，本研究在探讨青海省积雪分类精度时，主要利用雪深大于３ｃｍ的台站积雪实测样本数据，分析确定
该研究区的最佳ＮＤＳＩ阈值。
为了更精准地监测青海省雪盖变化情况，提高积雪分类图像的精度，本研究分别合成了ＮＤＳＩ≥０．５０，０．４９，
……，０．２１和０．２０时的雪被分类图像，结合气象台站实测数据，分别统计了台站有雪图像也有雪、台站有雪而图
像无雪、台站无雪但图像有雪、台站无雪图像也无雪的样本数，并计算了相关精度评价指标。研究结果表明，晴空
下当雪深大于３ｃｍ时，随着ＮＤＳＩ阈值的减小，积雪分类精度和多测误差均逐渐增高，漏测误差逐渐减小。即
ＮＤＳＩ阈值越大，识别出来的有雪像元越少。当ＮＤＳＩ阈值小于０．３７时，较多非雪像元被误判为有雪像元，而当
ＮＤＳＩ阈值大于０．４４时，许多有雪像元不能被识别出来。因此，该研究区ＮＤＳＩ的理想阈值应该在０．３７～０．４４。
分析总精度在不同ＮＤＳＩ阈值下的变化曲线，发现当ＮＤＳＩ阈值分别为０．４４，０．４３，０．３８，０．３７时，雪被分类图像
的总精度最高，均为９９．５１％（表２）。当ＮＤＳＩ阈值为０．３８和０．３７时，积雪分类精度明显高于当ＮＤＳＩ阈值为
０．４４和０．４３时的积雪分类精度，而相应的漏测误差也降低了近２％，多测误差基本保持不变（只上升了０．０２％）。
对ＮＤＳＩ≥０．３８和ＮＤＳＩ≥０．３７的雪被图像进行精度比较发现，当ＮＤＳＩ≥０．３７时，其积雪分类精度比ＮＤＳＩ≥
０．３８的积雪分类精度高出０．７％，且漏测误差低于ＮＤＳＩ≥０．３８时的雪被图像，所以最终确定ＮＤＳＩ≥０．３７作为
青海省积雪分类的阈值。
为了更全面地评价自定义ＮＤＳＩ阈值的合理性，本研究分析了 ＮＤＳＩ≥０．３７时雪被图像的雪深分段精度。
结果表明，用户自定义ＮＤＳＩ阈值的雪被图像积雪分类精度也具有随积雪深度的增大而提高的特点（表３）。当
雪深在１～３ｃｍ时，雪被图像的积雪分类精度相对较低，仅为４３．５６％。这主要是由于研究区内雪深较浅时ＮＤ
ＳＩ雪被算法受其他地物的影响所造成的。当雪深大于３ｃｍ时，积雪分类精度可达９０．３７％，总精度为９９．５１％。
由此可见，研究区ＮＤＳＩ阈值确定为０．３７时，可以有效地提高积雪分类精度和总精度。
６９２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
２．３ 自定义图像与 ＭＯＤ１０Ａ１的精度比较
利用青海省２００７年１０月—２００８年３月的
ＭＯＤ１０Ａ１雪被产品及相应的气象台站实测数据，
比较分析了自定义合成雪被图像同 ＭＯＤＩＳ每日雪
被产品的积雪分类精度。研究结果表明，自定义雪
被产品的积雪分类精度为 ６２．３１％，总精度为
９７．１８％，而 ＭＯＤ１０Ａ１产品的积雪分类精度为
４８．９７％，总精度为９５．５６％。同 ＭＯＤ１０Ａ１产品相
比较，自定义雪被图像的积雪分类精度和总精度都
有不同程度的提高，尤其是积雪分类精度可提高
１３％，多测误差从０．３６％降为０．２２％，漏测误差从
５２．１２％降至３７．６９％。因此，改进后的方法无论在
漏测与多测误差上还是分类精度上都好于 ＮＳＩＤＣ
的 ＭＯＤＩＳ雪被产品，更适合于青海高原的积雪分
类和动态监测。
对比分析在不同雪深情况下 ＭＯＤ１０Ａ１雪被
产品和用户自定义图像的积雪分类精度表明，当气
象台站记录雪深为０ｃｍ时，即实测值为陆地的情况
下，自定义雪被图像和 ＭＯＤ１０Ａ１雪被产品的多测
误差分别为０．２２％和０．３６％。这说明 ＮＤＳＩ阈值
的适度下调并没有对多测误差和总精度造成不良的
影响。当雪深为１～３ｃｍ 时，自定义雪被图像和
ＭＯＤ１０Ａ１产品的积雪漏测样本数分别是１１４和
１７８，漏测误差分别为５６．４４％和７２．６５％。自定义
图像积雪分类精度为４３．５６％，ＭＯＤ１０Ａ１积雪分
类精度为２７．３５％。说明自定义图像在对浅雪（雪
深为１～３ｃｍ）区域积雪漏测的状况有明显改善。
随着 积 雪 深 度 的 增 加，自 定 义 雪 被 图 像 和
ＭＯＤ１０Ａ１雪被图像的积雪分类精度都在提高，当
雪深在４～６ｃｍ时，自定义雪被图像的积雪分类精
度为８９．０９％，明显高于 ＭＯＤ１０Ａ１的积雪分类精
度７６．９２％。当雪深≥７ｃｍ时，其积雪分类精度分
别为９１．２５％和９１．３６％（表４）。
表２ 不同犖犇犛犐阈值下的积雪判识精度评价结果
犜犪犫犾犲２ 犃犮犮狌狉犪犮狔犪狀犱犲狉狉狅狉狊犳狅狉狊狀狅狑犮狅狏犲狉犻犿犪犵犲狊
狌狀犱犲狉犱犻犳犳犲狉犲狀狋犖犇犛犐狋犺狉犲狊犺狅犾犱狊 ％
ＮＤＳＩ阈值
ＮＤＳＩ
ｔｈｒｅｓｈｏｌｄｓ
漏测误差
Ｍｉｓｃｌａｓｓｉｆｙｉｎｇ
ｓｎｏｗａｓｌａｎｄ
多测误差
Ｍｉｓｃｌａｓｓｉｆｙｉｎｇ
ｌａｎｄａｓｓｎｏｗ
总精度
Ｏｖｅｒａｌ
ａｃｃｕｒａｃｙ
积雪分类精度
Ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎ
ａｃｃｕｒａｃｙ
≥０．５０ １６．３０ ０．１１ ９９．４２ ８３．７０
≥０．４９ １５．５６ ０．１１ ９９．４４ ８４．４４
≥０．４８ １４．８１ ０．１１ ９９．４６ ８５．１９
≥０．４７ １４．０７ ０．１３ ９９．４６ ８５．９３
≥０．４６ １３．３３ ０．１３ ９９．４９ ８６．６７
≥０．４５ １３．３３ ０．１５ ９９．４６ ８６．６７
≥０．４４ １１．８５ ０．１５ ９９．５１ ８８．１５
≥０．４３ １１．８５ ０．１５ ９９．５１ ８８．１５
≥０．４２ １１．８５ ０．２０ ９９．４６ ８８．１５
≥０．４１ １１．８５ ０．２０ ９９．４６ ８８．１５
≥０．４０ １１．８５ ０．２０ ９９．４６ ８８．１５
≥０．３９ １１．１１ ０．２０ ９９．４９ ８８．８９
≥０．３８ １０．３７ ０．２０ ９９．５１ ８９．６３
≥０．３７ ９．６３ ０．２２ ９９．５１ ９０．３７
≥０．３６ ９．６３ ０．２４ ９９．４９ ９０．３７
≥０．３５ ９．６３ ０．２６ ９９．４６ ９０．３７
≥０．３４ ９．６３ ０．２６ ９９．４６ ９０．３７
≥０．３３ ９．６３ ０．２９ ９９．４４ ９０．３７
≥０．３２ ９．６３ ０．３１ ９９．４２ ９０．３７
≥０．３１ ８．８９ ０．３１ ９９．４４ ９１．１１
≥０．３０ ８．８９ ０．３３ ９９．４２ ９１．１１
≥０．２９ ８．８９ ０．３３ ９９．４２ ９１．１１
≥０．２８ ８．８９ ０．３５ ９９．４０ ９１．１１
≥０．２７ ８．１５ ０．３５ ９９．４２ ９１．８５
≥０．２６ ８．１５ ０．３８ ９９．４０ ９１．８５
≥０．２５ ６．６７ ０．４０ ９９．４２ ９３．３３
≥０．２４ ６．６７ ０．４２ ９９．４０ ９３．３３
≥０．２３ ６．６７ ０．４４ ９９．３８ ９３．３３
≥０．２２ ６．６７ ０．４９ ９９．３４ ９３．３３
≥０．２１ ６．６７ ０．５３ ９９．２９ ９３．３３
≥０．２０ ５．９３ ０．５３ ９９．３１ ９４．０７
表３ 犖犇犛犐≥０．３７时合成图像的积雪分类精度
犜犪犫犾犲３ 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犻犲狊狅犳狌狊犲狉犱犲犳犻狀犲犱狊狀狅狑犮狅狏犲狉犻犿犪犵犲狊狌狀犱犲狉犖犇犛犐≥０．３７犳狅狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
雪深
Ｓｎｏｗｄｅｐｔｈ（ｃｍ）
一致性Ａｇｒｅｅｍｅｎｔ
积雪Ｓｎｏｗ 无积雪Ｎｏｓｎｏｗ
非一致性Ｄｉｓａｇｒｅｅｍｅｎｔ
多测Ｅｘｔｒａ 漏测 Ｍｉｓｓｅｄ
样本数
Ｓａｍｐｌｅ
积雪精度
Ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ（％）
０ ０ ４５２０ ９ ０ ４５２９ ０
１～３ ８８ ０ ０ １１４ ２０２ ４３．５６
＞３ １２２ ０ ０ １３ １３５ ９０．３７
７９２第２１卷第４期 草业学报２０１２年
表４ 不同雪深下自定义产品与 犕犗犇１０犃１产品的积雪分类精度
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犻犲狊狅犳狌狊犲狉犱犲犳犻狀犲犱狊狀狅狑犮狅狏犲狉犪狀犱犕犗犇１０犃１犻犿犪犵犲狊犳狅狉犱犻犳犳犲狉犲狀狋狊狀狅狑犱犲狆狋犺狊
图像Ｉｍａｇｅｓ 参考指标Ｒｅｆｅｒｅｎｃｅｉｎｄｅｘ
雪深Ｓｎｏｗｄｅｐｔｈ（ｃｍ）
０ １～３ ４～６ ≥７
自定义图像
Ｕｓｅｒｄｅｆｉｎｅｄ ｓｎｏｗ ｃｏｖｅｒｉｍａｇｅｓ
（个Ｎｏ．）
积雪Ｓｎｏｗ（个Ｎｏ．） ０ ８８ ４９ ７３
无积雪Ｎｏｓｎｏｗ（个Ｎｏ．） ４５２０ ０ ０ ０
多测Ｅｘｔｒａ（个Ｎｏ．） ９ ０ ０ ０
漏测 Ｍｉｓｓｅｄ（个Ｎｏ．） ０ １１４ ６ ７
积雪精度Ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ（％） ０ ４３．５６ ８９．０９ ９１．２５
ＭＯＤ１０Ａ１ 积雪Ｓｎｏｗ（个Ｎｏ．） ０ ６７ ４０ ７４
无积雪Ｎｏｓｎｏｗ（个Ｎｏ．） ４４１２ ０ ０ ０
多测Ｅｘｔｒａ（个Ｎｏ．） １６ ０ ０ ０
漏测 Ｍｉｓｓｅｄ（个Ｎｏ．） ０ １７８ １２ ７
积雪精度Ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ（％） ０ ２７．３５ ７６．９２ ９１．３６
３ 结论与讨论
本研究通过对青海省范围内 ＭＯＤ１０Ａ１雪盖产品精度分析，发现其积雪分类精度并不理想，在雪深大于３
ｃｍ时的晴空条件下为８０．６１％；同时结合青海省气象台站的实测雪情数据，比较了不同ＮＤＳＩ阈值雪被图像的
精度，确定出晴空下雪深大于３ｃｍ时ＮＤＳＩ阈值为０．３７的雪被图像精度最高，其积雪分类精度可达９０．３７％，总
精度９９．５１％，多测误差０．２２％，漏测误差为９．６３％；最后在比较了 ＭＯＤ１０Ａ１产品和自定义ＮＤＳＩ≥０．３７的积
雪分类图像精度后发现，雪深分段统计的结果表明，当雪深＜７ｃｍ时雪被图像的分类精度较 ＭＯＤ１０Ａ１产品有
很大的改善作用；当雪深≥７ｃｍ时，积雪分类精度无明显变化。
由此可见，通过下调ＮＤＳＩ阈值至０．３７能够较好地提高积雪识别的准确率，特别是当雪深＜７ｃｍ时，积雪
分类精度较 ＭＯＤ１０Ａ１产品有明显的提高。这是由于在薄雪地区，积雪容易受地表其他地物的影响，很难完整
地覆盖图像中的整个像元，导致用来判识积雪的反射率特征不够明显。因此，下调ＮＤＳＩ域值可以使更多的浅雪
像元识别出来，从而提高浅层积雪和山区积雪的识别精度；当雪深≥７ｃｍ时，自定义雪被产品的积雪分类精度同
ＭＯＤＩＳ每日雪被产品的精度基本相同，都高于９０％。说明本研究雪被算法的改进并未对≥７ｃｍ的积雪识别起
到明显效果。这可能是由于本研究是基于ＮＤＳＩ阈值的积雪分类算法改进，以调整ＮＤＳＩ阈值的方法来提高积
雪识别精度。而这种方法是通过降低或提升积雪判别条件来实现的，因此对雪盖反射率特征显著的深层积雪影
响不大。
总体来说，本研究通过改进青海省积雪覆盖度图像算法，使自定义积雪分类图像的积雪精度明显高于
ＭＯＤ１０Ａ１产品，尤其是提高了对浅层积雪的识别率，不仅适用于提取该研究区内的雪被图像，而且更加符合我
国青藏高原地区的实际情况，对该研究区的积雪监测具有重要意义。
该项研究存在的一些不足和有待进一步解决的问题主要有以下几点。首先，精度评价准确性受气象台站分
布位置限制。本研究所利用的积雪实测数据全部来自于青海省内的４７个气象台站，其中大部分台站分布在青海
省的东北部，导致实测数据在地理上的分布不均，不能够准确而全面地代表整个研究区的情况，从而影响了研究
的最终结果。其次，由于 ＭＯＤ０９ＧＡ数据量较大，从订购下载到保存再到数据的处理的过程比较复杂，因此本研
究只选择了２００７—２００８年这一积雪季对该区域ＮＤＳＩ阈值进行了初步的探索。在以后的研究中，可扩展 ＭＯ
ＤＩＳ资料的时空分布范围，如开展多个积雪季的整个青藏高原地区的研究，检验自定义ＮＤＳＩ阈值的合理性，从
而提高研究结果的准确性。
８９２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１２） Ｖｏｌ．２１，Ｎｏ．４
参考文献：
［１］ 梁继，张新焕，王建．基于ＮＤＶＩ背景场的雪盖制图算法探索［Ｊ］．遥感学报，２００７，１１（１）：８５９３．
［２］ 张娟，冯蜀青，徐维新．ＭＯＤＩＳ数据在青海省积雪监测中的应用［Ｊ］．青海气象，２００６，１：５５５７．
［３］ 周陆生，李海红，汪青春．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）：４８０４５８．
［４］ 王丽红，付培建，鲁安新．遥感技术在牧区雪灾监测研究中的应用［Ｊ］．遥感技术与应用，１９９８，１３（２）：３２３６．
［５］ 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）：１６７１７４．
［６］ 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）：
１６．
［７］ ＨａｌＤＫ，ＲｉｇｇｓＧＡ，ＳａｌｏｍｏｎｓｏｎＶＶ．ＡｌｇｏｒｉｔｈｍＴｈｅｏｒｅｔｉｃａｌＢａｓｉｓＤｏｃｕｍｅｎｔ（ＡＴＢＤ）ｆｏｒｔｈｅＭＯＤＩＳＳｎｏｗａｎｄＳｅａＩｃｅ
ＭａｐｐｉｎｇＡｌｇｏｒｉｔｈｍｓ［ＤＢ／ＯＬ］．［２０１１１１２５］．ｈｔｔｐ：／／ｍｏｄｉｓ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ／ｄａｔａ／ａｔｂｄ／ａｔｂｄ＿ｍｏｄ１０．ｐｄｆ．２００１．
［８］ ＬｉａｎｇＧ，ＨｕａｎｇＤ，ＷｕＸ．ＡｎａｐｐｌｉｃａｔｉｏｎｏｆＭＯＤＩＳｄａｔａｔｏｓｎｏｗｃｏｖｅｒｍｏｎｉｔｏｒｉｎｇｉｎａｐａｓｔｏｒａｌａｒｅａ：ＡｃａｓｅｓｔｕｄｙｉｎＮｏｒｔｈ
ｅｒｎＸｉｎｊｉａｎｇ，Ｃｈｉｎａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２：１５１４１５２６．
［９］ ＫｅｉｔｈＮＡ，ＡｍｉｒＡＫ．ＩｎｖｅｓｔｉｇａｔｉｏｎｏｆＭＯＤＩＳＳｎｏｗＭａｐｐｉｎｇｉｎＡＢｏｒｅａｌＦｏｒｅｓｔＷａｔｅｒｓｈｅｄ［Ｃ］．Ｂａｌｔｉｍｏｒｅ：ＡＳＰＲＳ，２００９．
［１０］ 张学通．青海省积雪监测与青南牧区雪灾预警研究［Ｄ］．兰州：兰州大学，２０１０．
［１１］ 曹云刚，杨秀春，徐斌，等．ＭＯＤＩＳ在青藏高原大范围积雪制图中的应用及存在的问题［Ｊ］．科技导报，２００７，２５（２１）：５１５４．
［１２］ 郝晓华，王建，李弘毅．ＭＯＤＩＳ雪盖制图中 ＮＤＳＩ阈值的检验———以祁连山中部山区为例［Ｊ］．冰川冻土，２００８，３０（１）：
１３２１３８．
［１３］ 张国胜，伏洋，杨琼，等．青海省天然草地类型空间分布特征及气候分区［Ｊ］．草业科学，２００９，２６（１）：２３２９．
［１４］ 陈钟，冯琦胜，黄晓东，等．青海省主要类型天然草地ＥＶＩ动态变化［Ｊ］．草业科学，２０１０，２７（５）：２３２９．
［１５］ 李东，黄耀，吴琴，等．青藏高原高寒草甸生态系统土壤有机碳动态模拟研究［Ｊ］．草业学报，２０１０，１９（２）：１６０１６８．
［１６］ 徐裕华．高原牧区雪冻灾害的气候特征［Ｊ］．四川气象，１９９８，（２）：２８３２．
［１７］ ＲｉｇｇｓＧＡ，ＨａｌＤＫ，ＳａｌｏｍｏｎｓｏｎＶＶ．ＭＯＤＩＳＳｎｏｗＰｒｏｄｕｃｔｓＵｓｅｒＧｕｉｄｅＣｏｌｅｃｔｉｏｎ５［ＤＢ／ＯＬ］．［２０１１０１２０］．ｈｔｔｐ：／／
ｍｏｄｉｓｓｎｏｗｉｃｅ．ｇｓｆｃ．ｎａｓａ．ｇｏｖ／ｕｐｌｏａｄｓ／ｓｕｇ＿ｃ５．ｐｄｆ．２００６．
［１８］ ＨａｌＤＫ，ＲｉｇｇｓＧＡ．ＡｃｃｕｒａｃｙａｓｓｅｓｓｍｅｎｔｏｆｔｈｅＭＯＤＩＳｓｎｏｗｃｏｖｅｒｐｒｏｄｕｃｔｓ［Ｊ］．ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓ，２００７，２１：
１５３４１５４７．
［１９］ 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）：７２２７２９．
犃狊狀狅狑犮狅狏犲狉犿犪狆狆犻狀犵犪犾犵狅狉犻狋犺犿犫犪狊犲犱狅狀犕犗犇犐犛犱犪狋犪犻狀犙犻狀犵犺犪犻犘狉狅狏犻狀犮犲
ＷＡＮＧＸｕｅｌｕ，ＷＡＮＧＷｅｉ，ＦＥＮＧＱｉｓｈｅｎｇ，ＬＶＺｈｉｂａｎｇ，ＬＩＡＮＧＴｉａｎｇａｎｇ
（ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙ
ｏｆＧｒａｓｓｌａｎｄａｎｄＡｇｒｏｅｃｏｓｙｓｔｅｍｓ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：ＵｓｉｎｇｔｈｅＭＯＤＩＳ（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ）ｓｕｒｆａｃｅｒｅｆｌｅｃｔａｎｃｅｐｒｏｄｕｃｔｏｆ
ＭＯＤ０９ＧＡ，ｔｈｅｄａｉｌｙｃｏｍｐｏｓｉｔｅｐｒｏｄｕｃｔｏｆＭＯＤ１０Ａ１，ａｎｄｓｎｏｗｄｅｐｔｈｄａｔａｏｂｓｅｒｖｅｄｉｎｃｌｉｍａｔｅｓｔａｔｉｏｎｓ，ｔｈｅ
ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｕｎｄｅｒｄｉｆｆｅｒｅｎｔＮＤＳＩ（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｓｎｏｗｉｎｄｅｘ）ｔｈｒｅｓｈｏｌｄｓｗｅｒｅｓｔｕｄｉｅｄ．
ＴｈｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｓｅｓｎｏｗｃｏｖｅｒｍａｐｓｗｅｒｅｅｖａｌｕａｔｅｄｔｏｆｉｎｄａｃｒｅｄｉｂｌｅＮＤＳＩｔｈｒｅｓｈｏｌｄｉｎ
ＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ．１）Ｗｉｔｈａｃｌｅａｒｓｋｙ，ｔｈｅｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆＭＯＤ１０Ａ１ｗａｓ８６．０１％ ｗｈｅｎｓｎｏｗ
ｄｅｐｔｈｗａｓｍｏｒｅｔｈａｎ３ｃｍ．２）Ｉｎｔｈｅｓｔｕｄｙａｒｅａｓ，ｔｈｅｃｒｅｄｉｂｌｅＮＤＳＩｔｈｒｅｓｈｏｌｄｖａｌｕｅｗａｓ０．３７．Ｗｈｅｎｓｎｏｗ
ｄｅｐｔｈｗａｓｍｏｒｅｔｈａｎ３ｃｍ，ａｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｕｓｅｒｄｅｆｉｎｅｄｉｍａｇｅｓｕｎｄｅｒｃｌｅａｒｓｋｉｅｓｗａｓ
９０．３７％，ｗｉｔｈａｎｏｖｅｒａｌａｃｃｕｒａｃｙｏｆ９９．５１％，ｃｏｍｍｉｓｓｉｏｎｅｒｒｏｒｏｆ０．２２％，ａｎｄｏｍｉｓｓｉｏｎｅｒｒｏｒｏｆ９．６３％．３）
ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅＭＯＤ１０Ａ１ｐｒｏｄｕｃｔ，ｔｈｅｕｓｅｒｄｅｆｉｎｅｄｓｎｏｗｃｏｖｅｒｉｍａｇｅｓｈａｄｈｉｇｈｅｒｏｖｅｒａｌａｃｃｕｒａｃｙａｎｄ
ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｆｏｒｄｉｆｆｅｒｅｎｔｓｎｏｗｄｅｐｔｈｓ．Ｔｈｕｓ，ｔｈｅｎｅｗＮＤＳＩｔｈｒｅｓｈｏｌｄｗａｓｍｏｒｅｓｕｉｔａｂｌｅｆｏｒ
ｔｈｉｓｓｔｕｄｙａｒｅａｉｎｓｎｏｗｃｏｖｅｒｍａｐｐｉｎｇ．
犓犲狔狑狅狉犱狊：ＭＯＤ０９ＧＡ；ＭＯＤ１０Ａ１；ＮＤＳＩ；ＱｉｎｇｈａｉＰｒｏｖｉｎｃｅ；ｓｎｏｗｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ
９９２第２１卷第４期 草业学报２０１２年