段 芸，王星东

（河南工业大学信息科学与工程学院，河南 郑州 450001）

积雪有高反射率、高相变潜热和低导热性等特征[1]，通过影响地表能量的平衡来影响气候系统，也是地球系统5 层冰层的重要组成部分[2]。东北3 省地处中国的最北面，研究表明东北大部分地区为世界3 个最稳定的积雪区[3]。

微波可以穿透一定厚度的积雪，学者们可使用微波遥感技术对积雪深度进行监测[4]。积雪深度反演算法在国内外早已发展并在不断完善。CHANG 等[5]基于均质积雪的辐射传输方程得到SMMR 的雪深反演算法；FOSTER 等[6]对Chang 算法加以修改，认为植被覆盖率会

影响雪深探测，提出了NASA96 算法；蒋玲梅等[7]将不同下垫面类型的影响因素加入雪深反演算法中，完善了用于雪深反演的风云业务化算法，根据经验证明取得了较好的反演精度。

FY-3B 卫星上的微波成像系统，拥有5 个双极性的亮温信道，可以提供全天候的土壤水分、积雪深度及大气湿度等多个方面的信息。选取东北3 省作为研究区域，根据不同的下垫面类型，建立相应的积雪深度反演算法模型，并结合实测数据，对模型精度进行验证。

1 研究区域与研究数据源

1.1 东北地区积雪情况概述

本研究范围选取在中国东北部地区，其位置为38°43'N—53°33'N，118°53'E—135°05'E。东北地区的森林覆盖率比较高，研究表明东北地区是世界3 大积雪区。

1.2 数据介绍与处理

所用数据包括FY-3B 卫星微波成像仪（MWRI）数据、中科院资源科学中心2020 中国土地利用类型遥感监测数据、MOD13Q1 数据及实测积雪数据。

1.2.1 FY3B-MWRI 亮温数据

本文中主要使用卫星降轨数据，覆盖不全的地方需要用升轨数据补充。

1.2.2 土地利用遥感监测数据

中国科学院资源环境科学数据中心提供的东北部3 省的2020 年中国土地利用遥感监测数据如图1 所示。通过对现有分类数据进行重分类，获得不同下垫面土地类型的重分类数据。

图1 东北3 省土地利用类型图

1.2.3 MOD13Q1 数据

MOD13Q1 数据是MODIS 陆地方面的产物，该数据为一个三级网格产品，最大空间分辨率为250 m，每16 d 提供一次数据。

1.2.4 实测雪深数据

实测雪深数据由WheatA 小麦芽软件提供，它整合了农业生产、市场、气象、土壤、海洋和环境监测等多板块内容。吉林省长春市牡丹江气象观测站的实测数据分布如图2 所示。

图2 吉林省长春市牡丹江气象站实测数据分布图

2 积雪深度反演及精度验证

2.1 数据处理

2.1.1 FY-3B 数据处理

FY-3B HDF 数据首先通过Latitude 和Longitude数据生成GLT 文件，用GLT 文件对FY-3B 的原始数据进行几何校正，再对校正后的数据进行拼接与掩膜操作。

2.1.2 估算植被覆盖度

2.1.2.1 植被覆盖度估算模型

本文使用MOD13Q1 数据来近似估计植物覆盖度（ⅤFC）。李苗苗等在像元二分模型的基础上研究的模型为：

式（1）中：I为植被覆盖度（ⅤFC）；J为归一化植被指数值（NDⅤI）；Jsoil为完全是裸土的植被覆盖区域的NDⅤI 值；Jveg为完全被植被所覆盖的像元的NDⅤI 值。

式（1）中2 个值的计算公式为：

2.1.2.2 估算模型

研究区域中可以近似取Imax=100%，Imin=0%，此时Jmin=-0.015 410，Jmax=0.355 573。

利用式（4）计算，得到东北3 省植被覆盖度数据，如图3 所示。

图3 东北3 省植被覆盖度

式（4）中：b1为待计算频段数据。

2.1.3 土地利用类型数据重分类

重分类是将原始数据重分类为4 种不同的下垫面类型，包括森林、农田、草地和裸地等，结果如图4所示。利用此结果结合植被覆盖率可得到上述4 种下垫面的覆盖度。

图4 东北3 省土地利用类型重分类

2.2 被动微波遥感雪深反演

结合土地利用类型数据，对不同的下垫面类型建立不同的积雪深度反演模型，对东北3 省地区进行积雪深度反演研究，基于式（5）计算亮温值，即：

式（4）中：Tb为某一频率波段对应的亮度温度值，b1为待计算频段数据。

2.2.1 不同下垫面的积雪深度反演模型

结合土地利用类型数据，对不同的下垫面类型建立不同的积雪深度反演模型，对东北3 省地区进行积雪深度反演研究，具体如下：

式（6）—式（9）中：SDfarmland、SDgrass、SDforest、SDbarren分别为农田、草地、森林、裸地下垫面的积雪深度；Tb18、Tb36、Tb89、Tb10分别为18 GHz、36 GHz、89 GHz、10 GHz 频段亮度温度值；H为水平极化；V为垂直极化。

2.2.2 积雪深度反演结果

利用上述所提出的积雪深度反演模型，结合研究区域的农田、草地、森林及裸地覆盖度数据，得到积雪深度反演结果，如图5—图8 所示。

图5 农田雪深反演结果

图6 草地雪深反演结果

图7 森林雪深反演结果

图8 裸地雪深反演结果

2.3 精度验证

利用上述8 个气象站点实测积雪深度数据实测值与论文反演结果值进行精度验证，计算2 组数据的RMSE 值为5.99 cm，如图9 所示。

图9 本文所用算法反演值与实测值散点图

同时采用Chang 算法（公式（10））进行积雪深度反演，计算2 组数据的RMSE 值为12.283 84 cm，如图10 所示。

图10 Chang 算法积雪反演值与实测值散点图

3 结束语

本文针对东北地区的下垫面特征，分别研究了农田、草地、森林及裸地的积雪深度反演算法，并结合实测数据对算法的精度进行验证，结论如下：①本文研究的积雪深度反演算法与Chang 算法对研究地区积雪深度反演的结果表明，本文研究的算法较相比Chang算法，积雪深度反演的精度得到了很大提高；②对于具有不同积雪特性及下垫面类型的地区，应当将下垫面类型纳入考量范围；③本文仅从不同下垫面的角度进行中国东北部积雪的反演，虽然可以解释一些现象，但关于更深层次的东西还需进一步挖掘。