吴晓晨 ，孟令奎 ，张东映 ，郭善昕 ，刁 伟 ，樊志伟 ，成建国

（1. 武汉大学遥感信息工程学院， 湖北 武汉 430079；2. 水利部水利信息中心，北京 100053）

0 前言

雪在全球气候系统中起着重要的作用，大范围积雪会影响到气候的变化、水资源的利用等。2008年初，我国南部遭遇历史罕见的冰雪灾害，给国民经济和人民生命财产安全造成极大的损失，因此进行冰雪监测显得尤其重要。

遥感技术在对大范围雪灾进行监测方面具有其他常规手段无法替代的优势，可以对冰雪覆盖范围、雪水当量、冰分布状况和形式、冰厚度等进行实时动态监测，从而判断出是否会发生雪灾。国内外学者已在该领域开展很多研究，并且总结出很多可用的冰雪监测算法。为了更好地利用遥感技术进行冰雪监测，提高监测精度，本文对常用监测方法的原理及优缺点进行分析。

1 利用光学传感器监测冰雪

1.1 Snowmap 算法

Snowmap 是由 Hall 等人[1]（1995 年）提出的针对 MODIS（中分辨率成像光谱仪）数据进行冰雪监测的算法。美国国家冰雪数据中心用该算法提供MODIS 每日、8 日和每月的冰雪覆盖产品。该算法使用归一化冰雪指数（NDSI），NDSI 由可见光和近红外波段反射率计算得到：式中：b4 和 b6 分别指 MODIS 的第 4 和 6 波段。

虽然这个公式对 Terra 和 Aqua MODIS 具有一般适用性，但是因为 Aqua MODIS 中的第 6 波段不能用，而 MODIS 的第 6 和 7 波段之间的相关性比较高，所以 NDSI（Aqua）的计算用第 7 波段。

相比第 6 波段，第 7 波段反射率的量级比较小些。此外，第 6 和 4 波段间的空间错误匹配占 0.1 个像素，而第 7 和 4 波段间的空间错误匹配占 0.3 个像素（Salomonson and Appel 2006 年）。但经 Riggs and Hall（2004 年）证实，更换波段后，极大地提高了Aqua MODIS 产品的精度。

NDSI 可以用来自动区分云和雪。在 MODIS 的第 6 波段（Aqua 取第 7 波段）云的反射率很高，而在此波段雪的反射率则接近零[1]（Hall 等人，1995）。一般用 NDSI＞0.4 这个阈值范围表示冰雪覆盖，这个值是由 Hall 等人（1995 年）在对美国区域进行监测后提出的。Klein 和 Barnett[2]（2003年）证明 NDSI＞ 0.4 是可以用来表示冰雪覆盖的。在森林覆盖区，因为森林的存在往往掩盖了冰雪覆盖的地方，所以这种方法可能会导致低估和高估。为了防止低估，需要降低 NDSI 阈值。Hall 等人[3]（2002 年）研究表明，当归一化植被指数（NDVI）大约为 0.1 时，NDSI ＜ 0.4 也表示冰雪，也可能表明该森林地区存在冰雪覆盖。为了防止高估，当某像素被检测为冰雪时，MODIS 的第 4 波段（Landsat TM 的第 2 波段）反射率必须超过 10%[4]（Klein，1998 年）。因为深色的表面，显著降低了反射率，因此导致 NDSI 计算时的分母相当小而计算得到的NDSI 值相当大，所以必须进行额外的反射率测试来提高产品的精度。可见光波段反射率很小的增长会导致像素的 NDSI 足够高，从而被误判为冰雪，所以 Snowmap 算法只适用于至少有 50% 的局部冰雪覆盖的影像。如果试图监测到更小范围的冰雪覆盖，可能会错误地将明亮、无雪的表面误认为冰雪覆盖表面。在晴空条件下，美国国家航空航天局（NASA）的 MODIS 每日冰雪覆盖产品的整体精度达到 93%，对于不同的土地覆盖类型和雪情，精度会有所不同[5]（Hall 和 Riggs 2007 年）。冰雪覆盖产品在所有气候条件下的整体精度是比较低的，对于Aqua MODIS，每日冰雪覆盖产品整体精度只达到31%；对于 Terra MODIS，精度达到 45%[6]（Gao 等人 2010 年）。

1.2 Snowcover 算法

Snowcover 算法[7]是 Fernandes 和 Zhao 在 2008年专门为覆盖北半球的 AVHRR（五光谱通道的扫描辐射仪）数据所研究的算法，使用表观反射率、NDVI、晴空表面的宽带反照率、表面温度、太阳天顶角及 1 个云模板进行分析。由于最初设计 Snowcover 算法是用于 1 km 分辨率的 AVHRR 影像，所以此算法也可对 5 km 分辨率的 AVHRR 陆地栅格单元进行冰雪覆盖监测。总结出的冰雪覆盖产品的计算步骤如下：1）由 1 个自适应排列滤波器对每个栅格单元进行时序滤波和插值；2）将 AVHRR数据的通道 1 正常化为标准采集几何形状；3）冰雪监测。针对此冰雪覆盖监测，每年都会对各个像素的时间稳定性进行分析。使用无雪和冰雪覆盖像素的表面温度及其 NDVI 的时间序列样本定义阈值，并用这个阈值进行最终的冰雪覆盖分类。只有当像素值在无雪像素的阈值之上时，此像素才被认为是冰雪。上述分析同样适用于在有云情况下估计冰雪覆盖。在夏、秋两季，最终的温度阈值可以消除错误分类。利用 Snowcover 算法得到 1982—2008 年间北冰洋西部 90% 的冰雪覆盖图，并对其中 50% 进行了测试，精度达到 87%[7]。

1.3 ARSIS 算法

到目前为止，冰雪覆盖产品常见的缺陷是空间分辨率比较低。1 个分辨率大小为 500 m×500 m 的像素可能不适合对本地或局部冰雪覆盖地区进行分类。Sirguey 等人[8]（2008 年）提出 ARSIS 算法，对MODIS 的空间分辨率降尺度后进行冰雪覆盖监测。ARSIS 算法就是将具有不同空间分辨率的 MODIS 通道融合到 1 个改进了的冰雪覆盖的产品中，具体的说，就是将 MODIS 的 1 个高分辨率波段与 1 个低分辨率波段进行融合得到 1 个新的高分辨率波段[9]（Ranchin 和 Wald 2000 年）。由于没有可用的全色波段，选择最接近各自低分辨率通道的高分辨率波段作为转换波段（MODIS b1≥ b3 和 b4; MODIS b2≥b5，b6，b7）。在计算得到新的 MODIS 通道及对地形和大气进行校正后，为得到子像素的冰雪覆盖信息，还需进行适用于 8 个端元的线性约束，从而得到更好的冰雪覆盖产品。将所得结果与 1 个 15 m 分辨率的 Aster（搭载在 Terra 卫星上的星载热量散发和反辐射仪）参考图像相比，整体高估的冰雪覆盖面积从4.1% 下降至 1.9%，平均绝对误差减少了 20%，同时，全球质量指数（一个普遍的图像质量指数[10]，Wang, Z. 和Bovik（2002 年））上升了 3%。同时，因为在陡峭的地形条件下，较低的分辨率可能会显著增加冰雪覆盖和局部冰雪覆盖的误判，所以此法对在陡峭的地形条件下实现环境和水文的冰雪覆盖监测是有利的。

2 局部冰雪覆盖监测算法

2.1 监督分类法

Pepe 等人[11]（2005 年）对 MERIS（中分辨率成像光谱仪）数据采用监督分类法估计局部冰雪覆盖。在交互选择训练样本的基础上，计算像素属于某个相应的土地覆盖物类别的概率。因此，每个土地覆盖类型创建的分类图中都包含了 1 个值，这个值描述了 1 个像素代表各自的土地覆盖类型的可能性。Fisher 和 Pathirana[12]（1990 年）表明，这种分类图可以用来估计局部土地覆盖信息，尤其对光谱特征显著的土地覆盖分类的准确度比较高（对于水体的相关系数为 0.984，对于湿地的相关系数为0.945）；另一方面，不同光谱特征的土地覆盖分类具有较小的相关性（对于建筑面积的相关系数为0.472，对于裸土区的相关系数为 0.504）。由于冰雪覆盖的光谱特征比较稳定（在可见光波段反射率高达90%，在近红外波段反射率接近零），所以对局部冰雪覆盖进行监督分类得到的结果具有良好的精度。

2.2 SnowFrac 算法

Vikhamar 和 Solberg[13]（2002 年）提出采用SnowFrac 法提高森林地区冰雪覆盖的监测精度。SnowFrac 是基于线性光谱混合模型开发的，线性光谱混合模型用来模拟森林像素反射。在线性光谱混合模型中先通过子模型对森林覆盖的数字地图和几个端元部分进行估计，可以根据一些主要的树种，对这个模型进行调整。因此，模型化后的像素反射率包括各个树种、冰雪或者裸土所占据的面积比例的总和。该模型的子模型有 BirchMod，ShadMod 和DiffusMod，其中，BirchMod 是考虑太阳高度角对 1个无叶的白桦树的有效分支面积进行计算得到树高的函数；ShadMod 用来估计太阳照射下树木在冰雪覆盖上造成的阴影；DiffusMod 用来计算被树冠屏蔽，而未到达传感器的散射和辐射量。通过端元分解整个线性光谱混合模型，一旦其他的变量已知，便可以用来估计局部冰雪覆盖。同时，每增加 1 个子模型，产品精度也会相应得到提高。例如，对于白桦林，ShadMod 模型将 R2从 0.48 增加到 0.62，最大程度地改进了结果精度。

3 利用光谱反射信息监测云层下的冰雪覆盖

3.1 Snowl 算法

Snowl 算法是 Parajka 等人[14]（2010 年）提出的基于 MODIS 冰雪覆盖产品决定雪线区域的算法。如果云覆盖像素位于雪线区域之上，则可以定义为冰雪覆盖；否则，会被重新分类为无雪。在标准的MODIS 冰雪覆盖产品中，此法能够将云层覆盖从60% 减少至 20%。但是如果云覆盖占整个场景的比例过大，此法将不能正常工作。根据云的阈值，最终结果的精度范围从 48.7% 至 81.5% 不等。

3.2 Terra 和 Aqua MODIS 卫星相结合的算法

Wang 和 Xie[15]（2009 年）提出利用 Terra 和Aqua MODIS 相结合的算法来减少云层覆盖的影响。使用这种方法，只需要 2 d 便可以从 MODIS 影像中提取出无云的冰雪范围。与 20 个气象观测站的现场测量相比，Aqua–Terra 综合产品的精度达到 90%。

根据 Wang 和 Xie 的研究成果，Gafurov and Bárdoyy[16]（2009年）采用 6 个连续步骤对云下冰雪进行内插，此法基于 MODIS 每日冰雪产品，而这些产品是由 Snowmap 算法得到的。具体步骤如下：第1 步，采用 Terra 和 Aqua MODIS 冰雪产品相结合的方法减少云覆盖的影响；第 2 步，进行冰雪信息的时间组合，对过去的 2 d 到未来 1 d 或者过去 1 d到未来 2 d 的无云分类结果进行分析；第 3 步，计算冰雪的最高和最低海拔估值，只能用于云覆盖率小于 30% 的场景；第 4 步，对各个云覆盖像素的 4 个相邻像素的冰雪状况进行分析，如果有 3 个及以上被列为冰雪覆盖，中心像素也将被划分为冰雪覆盖；第 5 步分析每个云覆盖像素的 8 个相邻像素，如果 1 个像素是冰雪覆盖，其直接相邻的像素被云遮住了，但云像素有 1 个更高的海拔，则这个相邻像素也被认为是冰雪覆盖；第 6 步，对整个雪季的各个像素的时间序列进行分析，以确定冰雪积累的开始日期和完全融化的结束日期。为了对结果进行验证，人为的将许多少量云覆盖的 MODIS 冰雪产品修改成具有大量云覆盖的产品。研究表明，第 1 步中 Terra 和 Aqua MODIS 的结合使结果得到了很大改善，第 4 步去除的云覆盖像素最少，第 6 步去除的最多。如果按指定的顺序执行第 2～5 步，则精度能达到 90%～96%。

4 利用无源微波传感器监测冰雪覆盖

Pulliainen 和 Hallikainen[17]（2001 年）对芬兰的Kemijoki 流域面积分别用传统的无源微波观测法和基于雪辐射模型的自动反演算法（又称为 HUT 法）计算雪水当量，并对 2 项结果进行了比较。

HUT 算法是基于积雪辐射模型的迭代算法，而积雪辐射模型是晶粒尺寸、冰雪密度和雪水当量的函数。1993—1994 年，对芬兰的 Kemijoki 流域进行夜间观测，结果表明，用传统无源微波观测时，垂直（V）偏振光得到的结果相关系数为 0.82，水平（H）偏振光得到的结果相关系数只有 0.76，而且，只有当最高气温高于 0°C 时，传统方法才能够进行。而 HUT 算法得到的结果相关系数 R = 0.93。此外，用 HUT 算法对 1993—1994 年，1997—1998 年的隆冬季节的冰雪覆盖进行计算，得到相关系数为0.75（观测温度低于 0℃）到 0.62（对所有隆冬季节的观测）。因此，HUT 比传统方法计算得到的雪水当量结果更好更为准确。

5 基于影像融合监测冰雪覆盖

5.1 基于影像融合的冰雪监测方法

Gao 等人（2010 年）首先结合 Aqua 和 Terra MODIS 进行去云处理，MODIS 产品的整体云覆盖（Aqua MODIS 为 60.0%，Terra MODIS 为 55.0%）减少到 47.8%；然后将 MODIS 可见光波段和AMSR-E 被动微波数据进行融合。AMSR-E 的 25 km像素分辨率降尺度到 500 m。使用融合后的 MODIS冰雪覆盖产品的冰雪覆盖像素的实际数量计算雪水当量 SWE。假设 MODIS 导出的冰雪覆盖像素的雪水当量是线性分布的，重新计算原雪水当量值：式中：SWEn指对于各个 500 m 分辨率的新 SWE 的值；SWE0指 AMSR-E 25 km 分辨率雪水当量值；Nsnow代表冰雪覆盖在 AMSR-E 像素中 MODIS 像素的数目。

对费尔班克斯和上苏西特纳谷、阿拉斯加区域进行组合产品的精度测试，并与 2006 年 10 月 1 日至 2007 年 9 月 30 日的实测数据相比较，融合后的冰雪覆盖产品的冰雪分类精度达到 86%，比单独使用 Terra-AquA MODIS 冰雪覆盖产品（49%）好得多，且略优于 AMSR-E 冰雪分类精度（85%）。

5.2 ANSA 算法

Foster 等人[18]（2011 年）提出 ANSA 算法。该算法结合 MODIS 的可见光波段，AMSR-E 的被动微波和星载微波散射计 QSCAT 的散射数据，产生的单一的冰雪数据集，包含雪水当量、冰雪范围、局部冰雪覆盖、雪包成熟、冰雪刚融化和已融化区。ANSA算法和现有方法的不同之处主要在于使用了散射数据。在默认情况下，天气晴朗时使用 MODIS 冰雪覆盖产品估计冰雪范围，因为它具有最好的精度；当有云层覆盖时，选择 AMSR-E 监测冰雪范围；QSCAT后向散射数据可以用来确定冰雪刚融化和已融化的区域。由此得来的 ANSA 混合产品的精度比单独的MODIS 和 AMSR-E 都要高，目前对此算法的研究工作集中在如何提高产品的分辨率上。

6 结语

遥感监测冰雪覆盖特征的可利用的方法包括设定单波段的简单阈值、波段比值、积雪指数（如NDSI）、依赖积雪短暂稳定性的算法，以及把混合像元看做矢量区分云和积雪的算法。根据可用的输入数据和需要研究的问题决定选择哪种算法进行监测。大量验证表明，用 Snowmap 算法对 MODIS 数据进行冰雪覆盖监测得到的结果，在晴空条件下是非常准确的。有些方法则需要额外的数据，比如水体模板，土地覆盖类型或数字高程模型（DEM），这些额外的数据可以防止算法将水体错误分类为积雪。此外，在积雪监测中森林覆盖率信息对阈值的调整是有帮助的。同时，用 DEM 可以计算坡度和坡向，也可以进一步提高算法的精度。还有一些算法将来自不同传感器的数据结合起来进行冰雪覆盖监测，比如，将光学反射率数据与微波数据相结合，可以在各种气候条件下进行冰雪监测，如果再将散射数据结合进来，便可以同时确定冰雪刚融化和已融化区，得到更全面的冰雪覆盖信息。

本文提到的方法可以进行每日冰雪覆盖监测和雪水当量的计算，精度取决于卫星传感器的选择、算法的使用，以及研究区域的辅助输入数据。虽然冰雪覆盖监测的算法在 20 世纪 60 年代已经开始发展，但仍然有很大的发展空间。可以引入新的传感器、研究新的适应性算法或者将旧的算法进行组合，这些都将是以后研究冰雪遥感监测的重点。

[1]HALL, D.K., RIGGS, G.A. and SALOMONSON, V.V..Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data[J]. Remote Sensing of E nvironment, 1995 (54): 127–140.

[2]KLEIN, A. and BARNETT, A.C.. Validation of daily MODIS snow cover maps of the Upper RioGrande River Basin for the 2000–2001 snow year[J]. Remote Sensing of Environment,2003, (86): 162–176.

[3]HALL, D.K., RIGGS , G.A., SALOMONSON, V.V..DIGIROLAMO, N.E. and BAYR, K .J., MODIS snow-cover products[J]. Remote Sensing of Environment, 2002 (83):181–194.

[4]KLEIN, A.G., HALL,D.K. and RIGGS, G.A.. Improving snow-cover mapping inforests through the use of a canopy ref l ectance model. Hydrological Processes[J].1998 (12):1723–1744.

[5]HALL,D.K. and RIGGS, G.A.. Accuracy assessment of the MODIS snow products[J]. Hydrological P rocesses, 2007 (21):1534–1547.

[6]GAO, Y.. XIE, H .. LU , N.. YAO,T. and LIANG, T.. Toward advanced daily cloud-free snow cover and snow water equivalent products from Terra–Aqua MODIS and Aqua AMSR-E measurements[J]. Journal of Hydrology, 2010 (385):23–35.

[7]FERNANDES,R.and ZHAO, H.. Mapping daily snow cover extent over land surfaces using NOAA AVHRR imagery[C]//In Paper Presented at 5th EARSeL Workshop: Remote Sensing of Land Ice and Snow. Bern, Switzerland: European Association of Remote Sensing Laboratories, 2008:1–8.

[8]SIRGUEY, P., MATHIEU, R., ARNOUD, Y., et al. Improving MODIS spatial resolution or snow mapping using wavelet fusion and ARSIS concept[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008 (5):78–82.

[9]RANCHIN , T. and WALD, L .. Fusion of high spatial and spectral resolution images:the ARSIS concept and its implementation[J]. Photogrammetric Engineering and Remote Sensing, 2000 (66): 49–61.

[10]WANG,Z.and BOVIK, A.C.. A universal image quality index[J]. IEEE Signal Processing Letters , 2002 (9): 81–84.

[11]PEPE, M., BRIVIO, P.A., RAMPINI, A., ROTANODARI,F. and BOSCHETTI, M., 2005, Snow cover monitoring in Alpine regions using ENVISAT optical data[J]. International Journal of Remote Sensing, 2010 (26): 4661–4667.

[12]FISHER, P.F. and PAT HIRANA, S.. The evaluation of fuzzy membership of land cover classes in the suburban zone[J]. Remote Sensing of Environment,1990 (34) : 121–132.

[13]VIKHAMAR, D.and SOLBERG, R.. Subpixel mapping of snow cover in forests by optical remote sensing[J]. Remote Sensing of Environment, 2002 (84): 69–82.

[14]PARAJKA, J., PEPE, M., RAMPINI, A., et al. A regional snow-line method for estimating snow cover from MODIS during cloud cover[J]. Journal of Hydrology, 2010 (381):203–212.

[15]WANG, X., XIE,H.and LIANG, T.. Development and assessment of combined Terra and Aqua MODIS snow cover products in Colorado Plateau, USA and Northern Xinjiang,China[J]. Journal of Applied Remote S ensing,2009a (3): 1–15.

[16]GAFUROV, A. and BÁRDOYY , A.. Cloud removal m ethodology from MODIS snow cover product[J]. Hydrology and Eart h System Sciences, 2009 (13): 1361–1373.

[17]PULLIAINEN, J.T. and HALLIKAINEN, M.. Retrieval of regional snow water equivalent from space-borne passive microwave observations[J]. Remote Sensing of Environment,2001 (75):76–85.

[18]FOSTER, J.L., HALL, D.K., EYLANDER, J.B., et al. A blended global snow product using VIS, passive microwave and scatterometer satellite data[J]. International Journal of Remote Sensing, 2011 (32): 1371–1395.

[19]WANG, X., XIE, H., LIANG, T, et al. Comparison and validat ion of MODIS standard and new combination of Terra and Aqua snow cover products in Northern Xinjiang,China[J].Hydrological Processes, 2009b (23): 419–429.

[20]郑照军，刘玉洁，张炳川. 中国地区冬季积雪遥感监测方法改进[J]. 应用气象学报，2004, 15 (增刊): 75–84.

[21]曾群柱. 我国西北若干种冰、雪及水体反射光谱特性的研究[J]. 中国科学（B 辑），1984 (4): 370–377.

[22]郭铌，杨兰芳，李民轩. 利用气象卫星资料研究祁连山区植被和积雪变化[J]. 应用气象学报，2003, 14 (6): 700–707.