HJ-1B的積雪參數反演研究

殷 慧，王思遠，孫云曉，常 清

(1.中國科學院大學，北京 100049； 2. 中國科學院 遙感與數字地球研究所，北京 100094)

一、引 言

積雪是地表覆蓋的重要組成部分，嚴重影響著全球氣候變化和地表循環[1]。積雪參數如雪蓋、雪深、雪類等特征對于理解氣候變化、水資源的合理利用和管理災害監測等領域有重要意義[2]。

遙感技術以其實時、范圍大、成本低等優點被廣泛應用于積雪參數反演中并取得了許多成果，但國內外遙感積雪反演大多是使用的國外衛星傳感器和國內分辨率較低的氣象衛星，如NOAA/AVHRR、EOS/MODIS、FY系列、AMSR-E、SSM/I、SMMR、Landsat5/TM、ETM+等[3]。李紅梅利用混合像元分解法研究了MODIS數據在大面積雪蓋動態監測中的應用[4]，毛克彪等利用被動微波數據AMSR-E對2008年中國南方積雪進行監測分析[5]，研究表明AMSE-E能夠很好地監測雪覆蓋面積變化，但精度不夠高。魏峰華等研究了具有19.5 m空間分辨率的中巴衛星在雪蓋提取中的應用[6]，徐根生等基于TM數據對MODIS的雪蓋產品進行了精度分析[7]，中巴地球資源衛星影像和TM影像適合流域尺度的積雪研究，但時間分辨率較低，不適合用于積雪動態研究。現有的雪深反演研究主要是基于微波數據的，Chang基于SMMR數據通過回歸分析研究了雪深反演模型[8]，但由于分辨率太粗，導致雪深被高估。少量的利用光學數據反演雪深的研究主要是利用MODIS、氣象數據等。李甫等基于MODIS數據反演了青海省2008年年初雪災中積雪面積、雪深等數據[9]，發現不同的NDSI閾值反映不同雪深層次。劉艷等通過分析雪深和反射光譜值的關系建立了雪深遙感反演公式，結果表明淺雪區反演精度比較高，可達80%左右，而深雪區反演精度較低，這是由于積雪超過一定深度后，它的反射率不會隨著雪深變化而變化[10]。HJ-1B衛星是專門用于災害監測的國產衛星之一，星上裝載了具有30 m空間分辨率的多光譜CCD相機和具有150 m(熱紅外波段外300 m)空間分辨率的紅外多光譜相機IRS，重訪周期為4天，包含了積雪研究中常用波段，因此HJ星可滿足流域尺度積雪動態監測的時空需求。目前，利用HJ數據進行的積雪參數反演研究并不多，楊思全等以HJ數據在西藏雪災監測評估中的應用為例，僅驗證了HJ數據應用在雪災監測評估中的可能性[11]，張旭等將HJ數據作為真值應用到MODIS數據的雪蓋率研究[12-13]中，但研究中均缺少對環境星的積雪信息提取方法的深入研究，對HJ數據應用到雪深反演中的研究更少。為了充分利用國產HJ星數據，充分發揮其在積雪參數反演中的能力，本文研究利用環境數據進行雪蓋及淺雪區雪深反演的方法，進行雪蓋反演時，針對同時具有HJ-1B/CCD、IRS數據和只有CCD或者IRS 3種情況展開積雪信息提取方法研究；在進行淺雪區雪深反演時，利用兩種不同的統計回歸模型進行交叉驗證、對比研究。

二、研究區與數據

1. 研究區概況

西藏那曲地區地處藏北高原，地理位置分布在86°00′—95°05′E和29°55′—32°15′N之間。那曲平均海拔在4 600 m左右，由于氣溫的垂直遞減作用再加上那曲地區屬亞寒帶氣候區，年平均氣溫僅為-0.9℃～3.3℃，氣候干燥，年降水量380 mm，因此積雪融水是其重要的水資源。

由于該區年平均氣溫較低，因此幾乎每年都有積雪發生，嚴重威脅著當地人畜生命安全、社會穩定和經濟的可持續發展，故對該研究區進行積雪研究具有重要的理論和現實意義。

2. 試驗數據及預處理

本文所使用的數據包括2009年2月9日的兩景HJ-1B/CCD2和HJ-1B/IRS數據，軌道號分別為P39R72和P42R69。這兩景圖像都已經過輻射校正和系統幾何校正。

進行雪蓋提取及雪深反演，需要獲取對應的地表反射率，故首先需要進行輻射定標、大氣校正。由于涉及的兩個不同傳感器遙感數據需要進行投影轉換、影像配準及重采樣，為了快速處理數據和方便比較試驗結果，本文對遙感圖像進行了裁剪，選取兩景影像的共同部分作為試驗區。

三、積雪參數反演

1. 積雪光譜特性分析

積雪的特殊波譜特性是進行積雪信息提取的基本依據。雪有很強的可見光反射和短波紅外吸收特性，即雪在波長0.1～0.8 μm光譜段(可見光波段)的反射率較高，達80%以上；然后隨著波長的增加反射率逐漸降低，在1.1～1.5 μm之間，反射率急劇下降，在1.55～1.75 μm短波紅外波段其反射率普遍低于一般地物。在可見光和近紅外波段，陸地、植被、水體比較容易區分[14]。

2. 雪蓋提取

目前，雪蓋反演的方法有亮度閾值法、雪蓋指數法、監督分類法等[15-16]。為避免由幅寬、空間分辨率等因素的差異而引起的HJ-1B衛星的CCD和IRS兩個傳感器在相同時間、相同區域數據難以獲取的問題，故需針對同時具有HJ-1B/CCD、IRS數據和只有CCD或者IRS 3種情況展開雪蓋提取方法研究。

(1) 歸一化積雪指數NDSI

歸一化積雪指數(normalized difference snow index，NDSI)是Hall等提出的目前應用最為廣泛的積雪判識方法，是利用積雪的可見光強反射和短波紅外低反射特點，進行歸一化處理，突出積雪特性，其表達式為

式中，CH(n)、CH(m)分別代表積雪可見光強反射波段n與短波紅外強吸收波段m的反射率[17]，根據HJ星傳感器波段設置特點，利用NDSI提取雪蓋時需同時獲取CCD和IRS影像。

本試驗區典型地物有水體、積雪和裸地，其中清澈水體與暗目標的NDSI值很高，易與積雪混淆，通過上一節的分析，可知積雪在可見光波段與水體反射特性相差較大，故可結合可見光波段加以區分，根據試驗采用以下閾值

NDSI>0.3， B2>0.25， B4>0.2

(2) 改進的積雪指數MNDSI

僅有IRS傳感器數據時，無法構建NDSI指數進行雪蓋提取，但積雪在IRS傳感器第1波段的反射率仍高于其他地物，根據這一特點宋珍等針對只有紅外多光譜相機IRS數據的情況下提出一種改進的歸一化差分積雪指數(modified normalized difference snow index，MNDSI)進行雪蓋提取，以IRS的第一波段替代NDSI中的強反射可見光波段[18]，定義為

式中，IRS-b1、IRS-b2分別代表IRS傳感器的第一波段和第二波段的反射率。通過該指數并結合IRS第一波段去掉水體及暗目標等易混地物。故針對只有IRS傳感器的情況，采用以下積雪信息提取方法

MNDSI>0.4， RIRS-b1>0.2

(3) ISODATA非監督分類

當只有CCD數據時，雖無法計算積雪指數，但可采用非監督分類、監督分類或者混合分類法進行雪蓋提取。本文采用迭代自組織數據分析技術(iterative self-organizing data analysis technique，ISODATA)，非監督分類法對CCD圖像進行分類，該方法具有簡單、快速和有效的特點。

3. 雪深反演方法

現有的利用光學遙感數據進行雪深反演的研究中，主要是通過建立相關波段反射率或波段反射率差、NDSI值與雪深之間的統計回歸模型進行反演的[19]。但在深雪區，積雪的反射率不隨雪深而變化，故光學數據僅適用于淺雪區的雪深反演，因此本文僅研究HJ數據在反演淺雪區雪深中的應用。董廷旭等通過分析NDSI值與近紅外波段的反射率與雪深之間的相關關系，提出以下雪深反演模型[20]

SD=33.572 6×NDSI+431 565×B4-33.233 4

(3)

式中，SD為積雪深度，單位為cm。為了驗證該模型在反演淺雪區雪深的可行性，本文還選取了基于NOAA/AVHRR數據的雪深與遙感參數的指數擬合模型進行交叉驗證及對比分析,利用HJ數據時計算方法為

SD=2.33×exp(3.98×(B2-B7))

(4)

四、試驗結果與分析

1. 雪蓋提取結果與分析

研究區的HJ真彩色影像如圖1(a)所示，以HJ-1B/CCD和IRS影像為數據源，分別進行雪蓋提取，其中利用NDSI指數法對CCD與IRS的組合影像進行雪蓋提取的結果如圖1(b)所示，利用MNDSI對IRS影像進行積雪信息提取的結果如圖1(c)所示，利用ISODATA對CCD影像進行處理的結果如圖1(d)所示。

從結果圖可以看出，3種情況所反演出的雪蓋范圍基本一致。對照CCD真彩色影像，并參考相應區域的較高分辨率的數據，合理選取樣本，根據驗證樣本計算3種方法中雪像元被正確提取的比例并進行精度評價，驗證樣本由人工目視解譯及相關輔助材料獲得，選取過程中滿足分布均勻、有代表性、與訓練樣本不重疊等條件。3種方法的提取結果和精度見表1，表中列出了3種方法提取出的雪像元個數、雪面積、雪蓋率以及雪像元被正確提取的比例。

圖1 HJ星雪蓋提取

表1 雪蓋提取結果及精度

由上表可以看出，3種情況下雪像元被正確提取的比例都超過80%，均滿足實際應用的需求，其中以基于CCD和IRS組合影像的NDSI積雪提取方法精度最高，達96.15%，這主要是因為NDSI充分利用了積雪可見光強反射和短波紅外強吸收的特性，并在一定程度上抑制地形及陰影的影響。基于IRS影像的MNDSI方法提取結果精度也較高，但由于IRS傳感器沒有可見光波段，會混淆清澈水體與積雪，而基于CCD影像的ISODATA方法提取雪蓋過程中由于沒有積雪的強吸收短波紅外波段，難免會影響到提取精度。

2. 雪深反演結果與分析

為了較好地反演淺雪區雪深，本文是在利用NDSI指數法提取雪蓋結果圖1(b)的基礎上進行雪深反演的，當雪深較淺時，積雪下墊面的光譜反射影響較大，利用模型進行雪深反演的誤差較大[20]，故本文不考慮雪深小于3 cm的積雪分布。利用式(3)所反演出的雪深分布情況如圖2(a)所示，利用式(4)所反演出的雪深結果如圖2(b)所示。

圖2 雪深反演

從結果圖可以看出，兩種模型所反演出的雪深分布情況基本一致，表2列出了兩種方法在不同雪深范圍內的雪像元個數以及利用兩種模型所得到的雪像元的一致個數：如果一個像元在兩種方法中反演雪深范圍相同，則判斷該像元即為兩種反演結果中一致的像元。本文對兩種雪深反演方法進行了交叉驗證，如對式(3)反演出的3～5 cm、5～7 cm及7～10 cm的雪像元與式(4)反演結果進行對比分析，結果與式(4)反演結果基本一致；反過來，同樣對式(4)反演出的3～5 cm、5～7 cm及7～10 cm的雪像元與式(3)的反演結果進行對比分析，結果與式(3)反演結果基本一致。另外計算兩種反演結果中一致的像元總個數為623 847，占式(3)反演出的3～10 cm總雪像元數的83.83%，占式(4)的82.12%。通過比較分析可以確定具有如此高一致性的結果偶然發生的可能性較小，故基于HJ-1B數據的兩種模型計算所得的淺雪區雪深分布具有可靠性。

表2 雪深反演比較

五、結束語

本文首先分析了積雪與典型地物的波譜反射特點，而后應用積雪遙感反演模型，研究了HJ星影像在雪蓋與雪深反演中的應用。結果表明:

1) 針對同時具有HJ-1B/CCD、IRS數據和只有CCD或IRS影像3種情況，分別研究相應的雪蓋提取方法，提取精度均在80%以上，滿足實際應用的需求，其中以基于CCD和IRS組合影像的NDSI積雪提取方法精度最高，達96.15%，這主要是因為NDSI充分利用了積雪可見光強反射和短波紅外強吸收的特性，并在一定程度上抑制地形及陰影的影響。

2) 利用兩種不同的統計模型反演淺雪區雪深，通過交叉驗證及對比分析，反演結果基本一致，高達80%的高一致性表明基于HJ-1B數據的兩種模型計算所得的淺雪區雪深分布具有可靠性，也說明利用HJ-1B數據進行積雪反演具有較強的實際應用價值。

在以上研究過程中，仍然存在一些不足，如缺少當地實測雪深數據，建立針對研究區的雪深經驗反演模型，只能應用通用經驗模型進行對比分析，雖然結果一致性很高，但對反演結果的真實精度尚缺少必要驗證，尚需以后野外的進一步試驗。

參考文獻：

[1] 穆松寧，周廣慶．冬季歐亞大陸北部新增雪蓋面積變化與中國夏季氣候異常的關系[J]．大氣科學，2010，34(1):213-226．

[2] 曹梅盛，李新，陳賢章，等．冰凍圈遙感[M]．北京: 科學出版社，2006：56-60．

[3] 吳楊，張佳華，徐海明，等．衛星反演積雪信息的研究進展[J]．氣象，2007，33(6): 3-10．

[4] 李紅梅.基于MODIS數據的積雪提取方法[J].陜西氣象，2009(2)：26-29.

[5] 毛克彪, 唐華俊, 周清波, 等. 利用被動微波數據AMSR - E對2008 年中國南方雪災監測分析[J]. 中國農業資源與區劃，2009,30(1)：46-50.

[6] 魏鋒華，李才興，扎西央宗.基于中巴資源衛星數據的積雪監測研究[J].國土資源遙感，2007(3):31-35.

[7] 徐根生，李高峰，張璞，等.基于TM數據的MODIS雪蓋產品精度分析[J].安徽農業科學，2012，40(20): 10 536-10 537.

[8] CHANG A T C, FOSTER J L, HALL D K. Nimbus-7 SMMR Derived Global Snow Cover Parameters[J]. Annals of Glaciology, 1987, 9(9): 39-44.

[9] 李甫，伏洋，肖建設，等.青海省2008年年初雪災及雪情遙感監測與評估[J].青海氣象，2008(2)：61-65.

[10] 劉艷.基于MODIS數據的積雪深度反演研究[D].武漢：武漢大學，2005.

[11] 楊思全，劉龍飛，王磊,等.環境減災衛星雪災監測評估應用研究[J].自然災害學報，2011，20(6):145-150.

[12] 張旭．基于多源遙感數據的雪蓋信息提取算法及其應用研究[D]．重慶: 西南大學，2010．

[13] 張旭，唐宏，趙祥，等． 基于 MODIS 與 HJ -1B 數據的雪蓋率反演及其相關因子分析[J]．長江流域資源與環境，2010，19(5):566-571．

[14] LI J L，LIANG T G, CHEN Q G. Estimating Grassland Yields Using Remote Sensing and GIS Technologies in China[J]. New Zealand Journal of Agricultural Researeh,1998，41(1):31-38.

[15] NEGI H S，KULKARNI A V，SEMWAL B S． Estimation of Snow Cover Distribution in Beas Basin，Indian Himalaya Using Satellite Data and Ground Measurements[J]．Journal of Earth System Science，2009，118(5):525-538．

[16] 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(3-4):203-212．

[17] HALL D K，RIGGS G A，SALOMONSON V V． Development of Methods for Mapping Global Snow Cover Using Moderate Resolution Imaging Spectroradiometer Data[J]． Remote Sensing of Environment，1995，54(2):127-140．

[18] 宋珍，陳曉玲，劉海,等. 基于HJ-1A/ 1B 衛星遙感數據的積雪識別方法研究[J].長江流域資源與環境，2011，20(5)：553-558.

[19] 李三妹,傅華,黃鎮,等.用EOS/MODIS資料反演積雪深度參量[J].干旱區地理, 2006, 29(5): 718-725.

[20] 董廷旭,蔣洪波, 陳超, 等.基于實測光譜分析的HJ-1B 數據淺層雪深反演[J].光譜學與光譜分析，2011，31(10)：2784-2788.