風三微波亮溫數據在北疆地區的雪深反演研究

李 楊，張 璞，劉 艷，盧新玉，馬麗云

（1.中國氣象局 烏魯木齊沙漠氣象研究所，烏魯木齊830002；2.烏魯木齊氣象衛星地面站，烏魯木齊830011；3.新疆氣象臺，烏魯木齊830002）

風云三號氣象衛星（FY-3）是我國新一代極軌氣象衛星，具有高靈敏度、高光譜分辨率、高精度、寬視場、定量遙感等特點［1］，并首次設計搭載了微波成像儀（MWRI），能夠利用被動微波遙感技術獲取雪深、雪水當量等重要的積雪參數，進而運用于大范圍冰雪資源的動態監測和反演。

北疆是我國三大穩定季節積雪區之一［2］，也是新疆主要的畜牧業基地。由于冬、春季雪災頻繁，造成大批牲畜因雪災而死亡，交通和通訊設備遭到破壞，嚴重影響了草地畜牧業的可持續發展［3］。同時冰雪融水是北疆地區河流的主要補給來源［4］，大范圍冰雪資源動態監測和反演對水資源的合理利用、農業生產規劃和防災減災都具有重要的生產和科學意義。

各國冰雪科學工作者利用NOAA、陸地衛星和EOS等多光譜遙感數據研究大范圍積雪動態變化、積雪深度反演等方面取得了長足的進展［5－9］，其中微波遙感以其較強的穿透能力和全天候的優勢在土壤水分［10］、積雪參量的反演方面具有廣闊的應用前景。近10 a，科學家們在Chang算法［11］的基礎上開展了大量卓有成效的研究［12－13］，為微波遙感積雪參數反演的發展奠定了堅實的基礎。但目前還未見針對北疆特殊地理環境下積雪參數的微波遙感研究，鑒于此，本文擬使用風云三號衛星微波成像儀（FY3／MWRI）數據結合北疆氣象臺站實測雪深，探索適用于北疆地區的的微波遙感雪深反演算法。

1 研究區概況與數據處理

1.1 研究區概況

北疆位于天山以北，阿爾泰山以南，處于42°—50°N，79°—92°E之間，面積為39萬k m2（圖1）。冬季降雪較多，主要以穩定的季節性積雪為主，每年11月至次年3月為積雪穩定期，平均雪深在10 c m以上，最深能達到50 c m以上［14］，該地區地勢相對平坦，森林覆蓋度較低，地表大型水體較少，較適宜開展大范圍微波積雪深度的反演。

1.2 數據及處理方法

1.2.1 風云三號微波亮溫數據 衛星數據為FY-3BMWRIL1數據，使用了18.7 GHz、36.5 GHz垂直和水平極化4個通道的降軌亮溫數據（文中記為19 V，19 H，37 V，37 H）。MWRI L1產品是經過數據預處理生成的包含了定標、定位信息，能夠用于定量產品計算和其他科學應用、標準HDF5格式的科學數據［15］。獲取時間是2010年11月—2011年3月，由于積雪中的液態水含量對微波信號的影響很大，為了避免白天由于融雪產生的影響，本研究只采用降軌衛星數據。FY-3B M WRI L1數據處理流程如圖2所示。

圖1 北疆地區氣象站示意圖

圖2 FY-3B MWRI L1數據處理流程

1.2.2 MODIS雪蓋數據 MODIS雪蓋數據來源于NASA國家雪冰中心（NSIDC）的數據發布中心（DAAC），為Terra／MOD10 A1每日積雪合成產品，本研究使用覆蓋北疆地區的2010年11月1日—2011年3月31日的MOD10A1數字圖像302景。

利用 MODIS重投影工具（MRT）、Arcview及ENVI軟件對MODIS雪蓋數據進行合并、重采樣、裁剪等多種處理工作，最后得到北疆各氣象站點對應的像元數據，用于模型建立時剔除非雪像元。

1.2.3 氣象站實測積雪深度數據和其他輔助數據積雪資料為2010年11月—2011年3月北疆48個氣象站冬春兩季的逐日積雪深度數據。氣象站海拔范圍從280 m到3 500 m，覆蓋了北疆不同的地表類型，圖l上標注了北疆實測雪深氣象站的分布。其他輔助數據還包括研究區高程和土地利用數據。

2 積雪深度反演

2.1 原 理

衛星傳感器上獲得的微波亮溫來自大氣、雪蓋和地表的能量輻射，雪顆粒是強散射體，土壤的向上微波輻射會被覆蓋其上的積雪散射。積雪越深，其散射越強，則到達衛星傳感器的輻射強度越弱。因而這種散射作用可用于探測積雪的存在和厚度［16］。積雪的散射主要受到雪層的深度、雪密度、雪粒大小以及雪表面粗糙度的影響［17］。

20世紀70年代末，Chang等基于輻射傳輸理論和米氏散射理論，在假設雪密度為0.3 g／c m3且雪粒徑為0.35 mm的前提下，得到利用SMMR被動微波亮溫數據反演雪深的算法，成為利用SMMR和SSM／I數據反演雪深的基本算法［5］。

式中：SD——雪深（c m）；T18H，T37H——SMMR的18 GHz和37 GHz的水平極化亮度溫度數據。

當前基于被動微波數據的雪深算法大都是在Chang算法的基礎上根據當地的具體條件進行修正。

2.2 北疆積雪深度反演算法的建立

2.2.1 數據篩選 通過對MODIS雪蓋產品的計算處理，得到與風云三號微波數據相同時段的北疆積雪覆蓋數據，首先剔除非雪像元，以保證在有積雪覆蓋地表的像元上進行雪深反演。

使用被動微波數據進行雪深反演主要受到濕雪、水域、森林及微波混合像元等問題的影響，因此在建立反演模型時需要剔除一些不合理的觀測數據。通過研究各臺站雪深觀測值和各波段亮溫數據之間的相關性，采用如下方法對觀測數據進行進一步篩選：

（1）剔除無圖像和處于裂隙中無有效數值的樣本。

（2）18.7 GHz和36.5 GHz通道的被動微波亮溫數據只能探測到＞2.5 c m的雪深，實際中對風三微波亮溫數據和實測雪深的對比分析發現，5 c m以下的雪深判識誤差非常大，因此剔除了臺站雪深＜5 c m的觀測樣本。

（3）北疆地區當日最高溫≥6℃時，融雪現象較為嚴重，因此剔除了日最高溫≥6℃的觀測樣本。

（4）雪中含水量的影響。濕雪中的含水量會影響雪層的介電常數，導致微波輻射不能精確監測積雪深度，采用Neale等［18］區分干雪和濕雪的判別標準去除濕雪像元，只對干雪像元進行雪深反演。

（5）深霜層的影響。當月平均氣溫＜－10℃，且雪蓋較淺（0.5～10.0 c m）時，一般在雪蓋和地表之間會形成深霜層。深霜層與積雪相似的微波輻射特性對積雪深度的反演有顯著影響。因此也剔除了受深霜層影響的部分觀測樣本。

（6）通過輔助數據進一步去除了受水體、森林影響較大及處于城鎮地區的站點。

經過上述篩選方法得到1 603對有效樣本（表1），對有效樣本的亮溫差值與實測雪深進行回歸分析，建立北疆地區基于FY-3B微波亮溫數據的雪深反演模型。

表1 建模樣本和驗證樣本數量對

2.2.2 北疆積雪深度反演算法的建立 北疆地域遼闊，各地區之間地形、氣候、下墊面等地理環境差異較大，氣象站點稀少且分布不均，因此，本研究中將北疆地區分為天山北坡、阿勒泰地區、塔額盆地、伊犁地區、古爾班通古特沙漠等5個典型區，對有效樣本的亮溫差值和實測雪深按照各分區進行回歸分析，得到北疆各分區的積雪深度算法。

阿勒泰地區積雪深度反演算法：

天山北坡積雪深度反演算法：

塔額盆地積雪深度反演算法：

伊犁地區積雪深度反演算法：

古爾班通古特沙漠積雪深度反演算法：

式中：SD——雪深，c m；T19H，T37H——18.7 GHz和36.5 GHz的水平極化亮溫值。

圖3 北疆典型區域FY-3B亮溫差實測雪深散點圖

對各模型進行檢驗，其相關系數R分別為0.71，0.70，0.65，0.42，0.61，經F 檢驗，均通過了0.001的顯著性水平。因此建立的反演模型具有顯著的統計學意義，擬合模型是合理的。圖3為阿勒泰地區和天山北坡兩個典型區域有效樣本高溫差值與實測雪深的散點圖。

3 反演結果評價

3.1 反演算法訂正結果與誤差

利用反演算法（2）—（6）式對北疆積雪深度進行計算，并與實測值進行對比，結果表明，天山北坡、阿勒泰地區、塔額盆地、伊犁地區、古爾班通古特沙漠5個典型區估計雪深的標準差分別為5.6，11.2，11.5，6.7，2.7 c m，誤差百分比分別為 29.9%，36.9%，35.7%，42.2%，17.0%。公式（2）—（6）擬合誤差分布的直方圖（圖4）。

圖4 北疆典型區域模型反演雪深誤差分布直方圖

由圖4可以看出，在天山北坡、阿勒泰地區和伊犁地區，絕對誤差分布在10 c m以內的達到80%，其中天山北坡模型反演雪深的誤差最小，而塔額盆地模型反演雪深的誤差較大。

3.2 積雪深度反演算法的驗證

用所建模型（式2—6）反演了2011年12月—2012年2月北疆地區的積雪深度，并使用各臺站實測雪深值對模型進行了驗證，驗證樣本數見表1。

表2為北疆各分區在不同雪深范圍的平均反演相對誤差，由表2可以看出，當實測雪深在15 c m以上時，北疆各分區的負向平均誤差均大于正向平均誤差，誤差平均值為負值，說明模型反演的雪深總體低估了實際雪深；而當實測雪深在15 c m以下時，正向平均誤差均大于負向平均誤差，說明模型反演的雪深總體高估了實際雪深。

表2 北疆各分區在不同雪深范圍的平均反演相對誤差

圖5為阿勒泰地區反演誤差百分比隨雪深的變化。圖5說明實測雪深在15 c m以上時，模型反演雪深與實測誤差明顯較小，而實測雪深在15 c m以下時誤差很大。特別是在溫度較低、積雪較深的阿勒泰地區和塔額盆地，這種差別尤為明顯。這可能是由于北疆地區冬季氣溫較低，更易形成深霜層和凍土層［19］，從而對微波輻射產生較大的影響。

圖5 阿勒泰地區模型反演雪深隨實測雪深的誤差變化

從不同分區來看，天山北坡、阿勒泰地區的反演誤差較小，實測雪深在15 c m以上時的誤差百分比僅為8%和11%（表2）。天山北坡和阿勒泰地區測站較多，代表性相對較好，這是造成其反演誤差較小的主要原因。古爾班通古特沙漠雖然反演誤差最小，但是測站很少，其代表性還待進一步考證。

4 結論與討論

根據地理環境和氣候差異將新疆北疆地區分為天山北坡、阿勒泰地區、塔額盆地、伊犁地區和古爾班通古特沙漠5個典型區域，計算了2010—2011年冬春兩季FY-3B微波成像儀（MWRI）L1 18.7 GHz和36.5 GHz垂直／水平極化4通道降軌亮溫數據，采用Neale干濕雪判別標準去除濕雪像元，同時結合MOD10 A1日雪蓋產品剔除無雪區，得到各個分區積雪區域內的干雪像元亮溫數據，將其與對應氣象站同期實測雪深進行回歸擬合，其中，實測雪深滿足日最高溫＜6℃和雪深≥5兩個條件，最終建立了北疆地區5個典型分區的干雪雪深反演模型。結果顯示：

（1）天山北坡、阿勒泰地區氣象站分布均勻且數量較多，反演誤差較小，實測雪深≥15 c m時，誤差百分比僅為8%和11%，且模型反演的雪深低估了實際雪深；古爾班通古特沙漠測站雖少，但其模型反演誤差最小，由于該區域站點較少，模型代表性不夠；

（2）北疆冬季氣溫較低，易形成深霜層和凍土層，這會對微波輻射形成較大的影響，在冬季溫度較低、積雪深度較大的阿勒泰地區和塔額盆地，表現得尤為明顯。

從總體上看，被動微波數據由于受到空間分辨率的限制，反演產品在監測積雪面積方面精度不如可見光，但它在估算雪深和雪水當量方面具有不可替代的作用。如何利用高分辨率的光學遙感影像與微波遙感數據融合來進一步分析積雪的空間分布狀況，從而更準確地反演積雪參數，將是下一步進行研究的內容。

［1］ 楊虎，施建成.FY-3微波成像儀地表參數反演研究［J］.遙感技術與應用，2005，20（1）：194-200.

［2］ 秦大河，陳宜瑜.中國氣候與環境演變［M］.北京：科學出版社，2005.

［3］ 許鵬，阿里木江，王博，等.新疆草地資源及其利用［M］.烏魯木齊：新疆科技衛生出版社，1993.

［4］ 宋文娟，熊黑鋼.新疆開墾河流域徑流變化特征分析［J］.水土保持研究，2008，15（4）：224-227.

［5］ 車濤，李新.利用被動微波遙感數據反演我國積雪深度及其精度評價［J］.遙感技術與應用，2004，19（5）：301-

306.

［6］ 高峰，李新，Ar mstrong R L，等.被動微波遙感在青藏高原積雪業務監測中的初步應用［J］.遙感技術與應用，2003，18（6）：360-363.

［7］ 麻旭輝，劉志輝，肖繼東.NOAA／AVHRR與EOS／MODIS的積雪監測模式對比［J］.水土保持研究，2008，15（3）：220-225.

［8］ 劉艷，張璞.基于遙感的徑流豐枯與高山區積雪關系分析［J］.水土保持研究，2010，17（3）：44-48.

［9］ 劉艷，李楊，張璞.瑪納斯河流域融雪徑流與積雪—氣象因子分析［J］.水土保持研究，2010，17（2）：145-149.

［10］ 劉明輝，王飛，李銳，等.土石山林區和黃土塬農區不同覆蓋類型土壤水分差異性分析［J］.水土保持研究，2011，18（3）：187-190.

［11］ Chang A T C，Foster J L，Hall D K.Ni mbus-7 smmr derived global snow cover parameters［J］.Annals of Glaciology，1987，9：39-44.

［12］ 曹梅盛，李培基.中國西部積雪微波遙感監測［J］.山地研究，1994，12（4）：230-234.

［13］ Foster J L，Chang A T C，Hall D K.Comparison of

snow mass esti mates fr om a prototype passive microwave snow algorith m，a revised algorit h m and a sno w dept h cli matology ［J］.Remote Sensing of Environment，1997，62（2）：132-142.

［14］ 崔彩霞，楊青，王勝利.1960—2003年新疆山區與平原積雪長期變化的對比分析［J］.冰川凍土，2005，27（4）：486-490.

［15］ 楊軍，董超華等.新一代風云極軌氣象衛星業務產品及應用［M］.北京：科學出版社，2011.

［16］ Hall D K，Str ur m M.Passive microwave remote and in situ measurements of arctic and subarctic snow cover in Alaska［J］.Remote Sensing Environ ment，1991，38（3）：161-172.

［17］ Tho mas H P，Jeff Dozier，Dar A R，et al.Retrieval of Sub-pixel snow-covered area and grain size fro m i maging spectro meter data［J］.Remote Sensing of Environment，2003，85：64-77.

［18］ Neale C，Mc Farland M L，Chang K.Land surface type classification using microwave brightness temperatures from the special sensor microwave／imager［J］.IEEE Trans.Geosci.Remote Sens.，1990，28（5）：829-837.

［19］ 馬虹，胡汝驥.積雪對凍土熱狀況的影響［J］.干旱區地理，1995，18（4）：23-27.