基于GIS和RS的秦嶺主峰太白山積雪變化研究

王 娟，董金芳,2，何慧娟

(1.陜西省農業遙感與經濟作物氣象服務中心，西安 710016；2.陜西省氣象局秦嶺和黃土高原生態環境氣象重點實驗室，西安 710016)

積雪對地表輻射、能量循環和水循環有著非常重要的影響，是影響區域和全球氣候的一個重要因素[1]。秦嶺是中國南北氣候分界線，亦是黃河和長江流域分水嶺[2]，秦嶺主峰太白山積雪變化對我國氣候變化起著至關重要的作用，然而國內關于太白山積雪情況的研究甚少。在氣象情報不足、氣候條件惡劣的山區，應用觀測數據監測積雪變化難度極大，傳統監測高山積雪的方法是利用地面觀測站數據并結合實地考察來進行，這樣的方法因數據量少、信息不完整無法得到客觀實際的統計數據。利用遙感技術可客觀、較完整地監測太白山積雪變化情況。近年來，國內外應用遙感手段提取積雪的方法不斷更新，目前一般使用的方法大致分為混合像元分解法[3]及基于指數的提取方法[4-7]。混合像元分解法包括了監督分類及非監督分類等方法[8-10]。基于指數的方法是指通過給定閾值獲得冰川或積雪監測結果。國內外學者應用歸一化差分積雪指數開展眾多研究，利用歸一化差分積雪指數 (normalized difference snow index,NDSI)算法結合綜合閾值判別法進行積雪信息反演[11-14]。本文采用在NDSI指數的基礎上改進的基于近紅外波段和歸一化差分積雪指數的積雪面積提取方法SNOMAP算法，提取太白山積雪面積，并且利用太白山區域10個氣象站點的冬半年平均氣溫及降水量數據，分析積雪面積變化與氣候因素之間的關系，以期較為全面分析太白山區域積雪面積變化及其成因，為相應領域提供理論支持與參考。

1 研究區概況和資料方法

1.1 研究區概況

太白山是秦嶺山脈主峰[15]，位于陜西省寶雞市，秦嶺北麓，眉縣、太白縣、周至縣三縣境內。太白山是秦嶺山脈最高山峰[16]，海拔3 767.2 m。海拔3 000 m以上地帶發育有第四紀末冰川。太白山氣溫特點為隨海拔高度升高而垂直遞減，在特有的氣候環境下，動植物帶也呈明顯的垂直分布。

1.2 研究數據與方法

1.2.1 研究數據 遙感數據來自美國國家航空航天局(NASA)提供的Landsat TM、ETM及OLI_TIR數據，行列號為128～36，空間分辨率為30 m，時間序列為2000—2017年，集中選取冬半年(頭年11月1日—次年4月30日)之間的晴空數據。

氣象觀測數據來自于陜西省氣象信息中心，選用2000—2017年太白山區域10個氣象觀測站點冬半年的平均氣溫、降水量、積雪日數等觀測數據。

1.2.2 研究方法

(1)對遙感數據Landsat TM、ETM及OLI_TIR進行數據預處理，包括大氣校正和幾何校正。

(2)以NDSI指數為基礎，引入近紅外波段構建輔助判別因子的積雪面積提取方法(SNOMAP)，其算法公式為

積雪面積：(b4>Tsnow)&&(INDS>INDS(snow))。

(1)

b4是Landsat TM數據近紅外波段的反射率，Tsnow為近紅外波段閾值；INDS為歸一化差分積雪指數，INDS(snow)為歸一化積雪指數閾值。

對于Landsat TM、ETM影像，用第 2、5 波段的反射率(b2，b5)計算INDS，公式為

INDS=(b2-b5)/(b2+b5)。

(2)

對于Landsat OLI_TIR數據，用第 3、6波段的反射率(b3，b6)計算INDS，公式為

INDS=(b3-b6)/(b3+b6)。

(3)

通過參考相近地區研究成果(INDS≥0.38)[17], 結合目視解譯結果不斷調整閾值，確定研究區INDS閾值為0.33。同時使用氣象站點積雪觀測數據進行驗證。雷向杰等對1988—2010年冬半年積雪觀測數據及衛星遙感數據進行分析，結果顯示衛星遙感監測結果與積雪日數觀測數據趨勢一致[2]。

通過對研究區積雪、非積雪(森林、草地等)地物近紅外反射率的提取分析，發現近紅外波段積雪反射率遠大于其他地物反射率，加入近紅外波段進行積雪識別

(b4>0.11)&&(INDS≥0.33)。

(4)

(3)雪線高度利用ARCGIS地理信息軟件進行處理提取。

2 SNOMAP算法的驗證

2.1 不同方法提取積雪面積的比較

圖1a是2000年積雪遙感圖，從圖1a中可以看到黃色方框區域為山體背陰積雪覆蓋區域；圖1b為僅進行監督分類后得到的積雪覆蓋情況，可以看出原本背陰面的積雪(黃色方框區域)沒有提取，被誤分為其他地類；圖1c為SNOMAP算法通過目視解譯后選取恰當閾值，最終加入近紅外波段判別所得的積雪覆蓋情況，可以看到，原本背陰面的積雪(黃色方框區域)被識別。通過對比得到SNOMAP算法可以很好地識別積雪，減少了誤分、錯分等現象。

白色部分為積雪覆蓋。圖1 2000年太白山積雪分類對比圖(a 遙感圖，b 監督分類法提取結果，c SNOMAP算法提取結果)

2.2 遙感監測結果與氣象觀測數據的關系

分析2000—2017年太白山區降雪日數氣象資料，將太白山區冬季觀測的積雪日數進行排序，積雪日數排名前9位的年份中，2008年最多(18 d)，其次是2000年(14 d)，最少是2014年(9 d)。應用SNOMAP算法反演積雪日數排名前9位年份的積雪面積，并進行均值處理，分析該時間段冬季太白山區積雪面積(圖2)。2008年積雪覆蓋面積最大，為79.28 km2，降雪日數最少的2014年積雪面積均值為24.28 km2，兩年的積雪面積相差55.00 km2。太白山區積雪覆蓋面積與積雪日數呈顯著正相關關系(α=0.001)。通過與氣象觀測數據對比，應用SNOMAP算法反演所得的積雪變化情況與氣象觀測數據變化趨勢一致，采用SNOMAP算法反演積雪面積結果可信。

圖2 太白山積雪面積與積雪日數關系

3 太白山積雪變化分析

3.1 積雪變化

應用SNOMAP算法反演2000—2017年冬半年的遙感數據，提取積雪覆蓋面積。2000年太白山主峰積雪面積為52.96 km2，以2000年作為基準年，比較各年較2000年積雪面積變化情況(圖3)：積雪面積減少的年份有13 a，平均減幅為14.10%；較2000年減少最多是2014年，減幅達28.68%，尤其是2010年以后(除2012年以外)積雪面積較2000年減幅均在9%以上。較2000年積雪面積增加的年份僅有4 a，其中2008年及2012年增加較多，分別為27.1%和26.3%。

圖3 太白山積雪面積較2000年變化情況

從2000年和2017年積雪區域分布(圖4)可以看出：2000年積雪區域明顯大于2017年，2000年積雪覆蓋面積較大，零星積雪覆蓋較多；2017年積雪覆蓋面積較小，主要集中在海拔較高的區域，零星積雪覆蓋較少。

圖4 2000年與2017年太白山積雪區域分布

3.2 雪線變化

應用ARCGIS中二值圖像邊緣提取的方法提取太白山的冬季雪線。為降低誤差，選擇每年有明顯降水前的遙感圖像提取雪線。圖5是太白山2000年和2015年太白山冬季雪線示意圖，從圖中可以看出2015年的冬季雪線高度明顯高于2000年，2000年冬季雪線高度為3 195.88 m，2015年為3 447.54 m。

圖5 2000年與2015年太白山冬季雪線示意圖

從2000、2001、2003、2005、2010、2015年的雪線高度變化(圖6)可以看出，進入21世紀以來，太白山冬季雪線高度均在3 000 m以上，雪線高度在波動中呈上升趨勢，年均上升16.74 m。

圖6 太白山冬季雪線高度變化

4 冬半年氣候因子對積雪變化的影響

分析太白山地區10個氣象觀測站點冬半年氣象數據(圖7)，2000—2017年平均氣溫和降水量在波動中均呈上升趨勢。平均氣溫升高0.05 ℃/a，降水量增加3.16 mm/a。2000—2010年冬半年降水量年均增加4.96 mm，2010年以后年均增加9.46 mm；2010—2017年平均降水量123.36 mm，較2000—2017年均值增加13.97 mm。

圖7 2000—2017年太白山冬半年平均氣溫與降水量年際變化

對太白山地區10個氣象站點冬半年氣象數據與積雪面積進行相關性分析。積雪面積與冬半年平均氣溫及降水量之間的相關系數均未通過顯著性檢驗，但與平均氣溫相關性高，積雪面積與冬半年平均氣溫相關性較降水量大。太白積雪存在于太白山海拔3 000 m以上的地區，人類活動對其影響幾乎不存在，影響其變化的因子包括地形因子、植被類型因子及氣候因子等。在氣候因子中,氣溫的升高是太白山積雪面積減少的主要原因。

5 結論

(1)通過與氣象觀測數據及監督分類方法得到的結果比較，應用SNOMAP算法提取太白山積雪面積結果可靠。

(2)2000—2017冬半年，太白山積雪面積在波動中呈減少趨勢。進入21世紀以來，太白山冬季雪線高度均在3 000 m以上，雪線高度在波動中呈上升趨勢。

(3)積雪面積與冬半年平均氣溫及降水量之間的相關系數均未通過顯著性檢驗，積雪面積與冬半年平均氣溫相關性較降水量大。

(4)在提取積雪面積時應用SNOMAP算法，同時通過目視解譯對多景遙感圖像的積雪面積進行驗證，不斷優化閾值，可得到較滿意的實驗結果。但目視解譯對研究人員的經驗要求較高，研究人員的經驗對目視解譯的結果影響較大，在今后進一步研究中對算法進行進一步優化，減少因研究人員經驗而造成的結果偏差。