風(fēng)三微波亮溫?cái)?shù)據(jù)在北疆地區(qū)的雪深反演研究

李 楊，張 璞，劉 艷，盧新玉，馬麗云

（1.中國(guó)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(wèi)星地面站，烏魯木齊830011；3.新疆氣象臺(tái)，烏魯木齊830002）

風(fēng)云三號(hào)氣象衛(wèi)星（FY-3）是我國(guó)新一代極軌氣象衛(wèi)星，具有高靈敏度、高光譜分辨率、高精度、寬視場(chǎng)、定量遙感等特點(diǎn)［1］，并首次設(shè)計(jì)搭載了微波成像儀（MWRI），能夠利用被動(dòng)微波遙感技術(shù)獲取雪深、雪水當(dāng)量等重要的積雪參數(shù)，進(jìn)而運(yùn)用于大范圍冰雪資源的動(dòng)態(tài)監(jiān)測(cè)和反演。

北疆是我國(guó)三大穩(wěn)定季節(jié)積雪區(qū)之一［2］，也是新疆主要的畜牧業(yè)基地。由于冬、春季雪災(zāi)頻繁，造成大批牲畜因雪災(zāi)而死亡，交通和通訊設(shè)備遭到破壞，嚴(yán)重影響了草地畜牧業(yè)的可持續(xù)發(fā)展［3］。同時(shí)冰雪融水是北疆地區(qū)河流的主要補(bǔ)給來(lái)源［4］，大范圍冰雪資源動(dòng)態(tài)監(jiān)測(cè)和反演對(duì)水資源的合理利用、農(nóng)業(yè)生產(chǎn)規(guī)劃和防災(zāi)減災(zāi)都具有重要的生產(chǎn)和科學(xué)意義。

各國(guó)冰雪科學(xué)工作者利用NOAA、陸地衛(wèi)星和EOS等多光譜遙感數(shù)據(jù)研究大范圍積雪動(dòng)態(tài)變化、積雪深度反演等方面取得了長(zhǎng)足的進(jìn)展［5－9］，其中微波遙感以其較強(qiáng)的穿透能力和全天候的優(yōu)勢(shì)在土壤水分［10］、積雪參量的反演方面具有廣闊的應(yīng)用前景。近10 a，科學(xué)家們?cè)贑hang算法［11］的基礎(chǔ)上開(kāi)展了大量卓有成效的研究［12－13］，為微波遙感積雪參數(shù)反演的發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。但目前還未見(jiàn)針對(duì)北疆特殊地理環(huán)境下積雪參數(shù)的微波遙感研究，鑒于此，本文擬使用風(fēng)云三號(hào)衛(wèi)星微波成像儀（FY3／MWRI）數(shù)據(jù)結(jié)合北疆氣象臺(tái)站實(shí)測(cè)雪深，探索適用于北疆地區(qū)的的微波遙感雪深反演算法。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)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(wàn)k m2（圖1）。冬季降雪較多，主要以穩(wěn)定的季節(jié)性積雪為主，每年11月至次年3月為積雪穩(wěn)定期，平均雪深在10 c m以上，最深能達(dá)到50 c m以上［14］，該地區(qū)地勢(shì)相對(duì)平坦，森林覆蓋度較低，地表大型水體較少，較適宜開(kāi)展大范圍微波積雪深度的反演。

1.2 數(shù)據(jù)及處理方法

1.2.1 風(fēng)云三號(hào)微波亮溫?cái)?shù)據(jù) 衛(wèi)星數(shù)據(jù)為FY-3BMWRIL1數(shù)據(jù)，使用了18.7 GHz、36.5 GHz垂直和水平極化4個(gè)通道的降軌亮溫?cái)?shù)據(jù)（文中記為19 V，19 H，37 V，37 H）。MWRI L1產(chǎn)品是經(jīng)過(guò)數(shù)據(jù)預(yù)處理生成的包含了定標(biāo)、定位信息，能夠用于定量產(chǎn)品計(jì)算和其他科學(xué)應(yīng)用、標(biāo)準(zhǔn)HDF5格式的科學(xué)數(shù)據(jù)［15］。獲取時(shí)間是2010年11月—2011年3月，由于積雪中的液態(tài)水含量對(duì)微波信號(hào)的影響很大，為了避免白天由于融雪產(chǎn)生的影響，本研究只采用降軌衛(wèi)星數(shù)據(jù)。FY-3B M WRI L1數(shù)據(jù)處理流程如圖2所示。

圖1 北疆地區(qū)氣象站示意圖

圖2 FY-3B MWRI L1數(shù)據(jù)處理流程

1.2.2 MODIS雪蓋數(shù)據(jù) MODIS雪蓋數(shù)據(jù)來(lái)源于NASA國(guó)家雪冰中心（NSIDC）的數(shù)據(jù)發(fā)布中心（DAAC），為T(mén)erra／MOD10 A1每日積雪合成產(chǎn)品，本研究使用覆蓋北疆地區(qū)的2010年11月1日—2011年3月31日的MOD10A1數(shù)字圖像302景。

利用 MODIS重投影工具（MRT）、Arcview及ENVI軟件對(duì)MODIS雪蓋數(shù)據(jù)進(jìn)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(diǎn)對(duì)應(yīng)的像元數(shù)據(jù)，用于模型建立時(shí)剔除非雪像元。

1.2.3 氣象站實(shí)測(cè)積雪深度數(shù)據(jù)和其他輔助數(shù)據(jù)積雪資料為2010年11月—2011年3月北疆48個(gè)氣象站冬春兩季的逐日積雪深度數(shù)據(jù)。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(lèi)型，圖l上標(biāo)注了北疆實(shí)測(cè)雪深氣象站的分布。其他輔助數(shù)據(jù)還包括研究區(qū)高程和土地利用數(shù)據(jù)。

2 積雪深度反演

2.1 原 理

衛(wèi)星傳感器上獲得的微波亮溫來(lái)自大氣、雪蓋和地表的能量輻射，雪顆粒是強(qiáng)散射體，土壤的向上微波輻射會(huì)被覆蓋其上的積雪散射。積雪越深，其散射越強(qiáng)，則到達(dá)衛(wèi)星傳感器的輻射強(qiáng)度越弱。因而這種散射作用可用于探測(cè)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(jì)70年代末，Chang等基于輻射傳輸理論和米氏散射理論，在假設(shè)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(dòng)微波亮溫?cái)?shù)據(jù)反演雪深的算法，成為利用SMMR和SSM／I數(shù)據(jù)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(shù)據(jù)。

當(dāng)前基于被動(dòng)微波數(shù)據(jù)的雪深算法大都是在Chang算法的基礎(chǔ)上根據(jù)當(dāng)?shù)氐木唧w條件進(jìn)行修正。

2.2 北疆積雪深度反演算法的建立

2.2.1 數(shù)據(jù)篩選 通過(guò)對(duì)MODIS雪蓋產(chǎn)品的計(jì)算處理，得到與風(fēng)云三號(hào)微波數(shù)據(jù)相同時(shí)段的北疆積雪覆蓋數(shù)據(jù)，首先剔除非雪像元，以保證在有積雪覆蓋地表的像元上進(jìn)行雪深反演。

使用被動(dòng)微波數(shù)據(jù)進(jìn)行雪深反演主要受到濕雪、水域、森林及微波混合像元等問(wèn)題的影響，因此在建立反演模型時(shí)需要剔除一些不合理的觀測(cè)數(shù)據(jù)。通過(guò)研究各臺(tái)站雪深觀測(cè)值和各波段亮溫?cái)?shù)據(jù)之間的相關(guān)性，采用如下方法對(duì)觀測(cè)數(shù)據(jù)進(jìn)行進(jìn)一步篩選：

（1）剔除無(wú)圖像和處于裂隙中無(wú)有效數(shù)值的樣本。

（2）18.7 GHz和36.5 GHz通道的被動(dòng)微波亮溫?cái)?shù)據(jù)只能探測(cè)到＞2.5 c m的雪深，實(shí)際中對(duì)風(fēng)三微波亮溫?cái)?shù)據(jù)和實(shí)測(cè)雪深的對(duì)比分析發(fā)現(xiàn)，5 c m以下的雪深判識(shí)誤差非常大，因此剔除了臺(tái)站雪深＜5 c m的觀測(cè)樣本。

（3）北疆地區(qū)當(dāng)日最高溫≥6℃時(shí)，融雪現(xiàn)象較為嚴(yán)重，因此剔除了日最高溫≥6℃的觀測(cè)樣本。

（4）雪中含水量的影響。濕雪中的含水量會(huì)影響雪層的介電常數(shù)，導(dǎo)致微波輻射不能精確監(jiān)測(cè)積雪深度，采用Neale等［18］區(qū)分干雪和濕雪的判別標(biāo)準(zhǔn)去除濕雪像元，只對(duì)干雪像元進(jìn)行雪深反演。

（5）深霜層的影響。當(dāng)月平均氣溫＜－10℃，且雪蓋較淺（0.5～10.0 c m）時(shí)，一般在雪蓋和地表之間會(huì)形成深霜層。深霜層與積雪相似的微波輻射特性對(duì)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(cè)樣本。

（6）通過(guò)輔助數(shù)據(jù)進(jìn)一步去除了受水體、森林影響較大及處于城鎮(zhèn)地區(qū)的站點(diǎn)。

經(jīng)過(guò)上述篩選方法得到1 603對(duì)有效樣本（表1），對(duì)有效樣本的亮溫差值與實(shí)測(cè)雪深進(jìn)行回歸分析，建立北疆地區(qū)基于FY-3B微波亮溫?cái)?shù)據(jù)的雪深反演模型。

表1 建模樣本和驗(yàn)證樣本數(shù)量對(duì)

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(qū)之間地形、氣候、下墊面等地理環(huán)境差異較大，氣象站點(diǎn)稀少且分布不均，因此，本研究中將北疆地區(qū)分為天山北坡、阿勒泰地區(qū)、塔額盆地、伊犁地區(qū)、古爾班通古特沙漠等5個(gè)典型區(qū)，對(duì)有效樣本的亮溫差值和實(shí)測(cè)雪深按照各分區(qū)進(jìn)行回歸分析，得到北疆各分區(qū)的積雪深度算法。

阿勒泰地區(qū)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(qū)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(qū)域FY-3B亮溫差實(shí)測(cè)雪深散點(diǎn)圖

對(duì)各模型進(jìn)行檢驗(yàn)，其相關(guān)系數(shù)R分別為0.71，0.70，0.65，0.42，0.61，經(jīng)F 檢驗(yàn)，均通過(guò)了0.001的顯著性水平。因此建立的反演模型具有顯著的統(tǒng)計(jì)學(xué)意義，擬合模型是合理的。圖3為阿勒泰地區(qū)和天山北坡兩個(gè)典型區(qū)域有效樣本高溫差值與實(shí)測(cè)雪深的散點(diǎn)圖。

3 反演結(jié)果評(píng)價(jià)

3.1 反演算法訂正結(jié)果與誤差

利用反演算法（2）—（6）式對(duì)北疆積雪深度進(jìn)行計(jì)算，并與實(shí)測(cè)值進(jìn)行對(duì)比，結(jié)果表明，天山北坡、阿勒泰地區(qū)、塔額盆地、伊犁地區(qū)、古爾班通古特沙漠5個(gè)典型區(qū)估計(jì)雪深的標(biāo)準(zhǔn)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(qū)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(qū)和伊犁地區(qū)，絕對(duì)誤差分布在10 c m以?xún)?nèi)的達(dá)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(yàn)證

用所建模型（式2—6）反演了2011年12月—2012年2月北疆地區(qū)的積雪深度，并使用各臺(tái)站實(shí)測(cè)雪深值對(duì)模型進(jìn)行了驗(yàn)證，驗(yàn)證樣本數(shù)見(jiàn)表1。

表2為北疆各分區(qū)在不同雪深范圍的平均反演相對(duì)誤差，由表2可以看出，當(dāng)實(shí)測(cè)雪深在15 c m以上時(shí)，北疆各分區(qū)的負(fù)向平均誤差均大于正向平均誤差，誤差平均值為負(fù)值，說(shuō)明模型反演的雪深總體低估了實(shí)際雪深；而當(dāng)實(shí)測(cè)雪深在15 c m以下時(shí)，正向平均誤差均大于負(fù)向平均誤差，說(shuō)明模型反演的雪深總體高估了實(shí)際雪深。

表2 北疆各分區(qū)在不同雪深范圍的平均反演相對(duì)誤差

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

圖5 阿勒泰地區(qū)模型反演雪深隨實(shí)測(cè)雪深的誤差變化

從不同分區(qū)來(lái)看，天山北坡、阿勒泰地區(qū)的反演誤差較小，實(shí)測(cè)雪深在15 c m以上時(shí)的誤差百分比僅為8%和11%（表2）。天山北坡和阿勒泰地區(qū)測(cè)站較多，代表性相對(duì)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(cè)站很少，其代表性還待進(jìn)一步考證。

4 結(jié)論與討論

根據(jù)地理環(huán)境和氣候差異將新疆北疆地區(qū)分為天山北坡、阿勒泰地區(qū)、塔額盆地、伊犁地區(qū)和古爾班通古特沙漠5個(gè)典型區(qū)域，計(jì)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?cái)?shù)據(jù)，采用Neale干濕雪判別標(biāo)準(zhǔn)去除濕雪像元，同時(shí)結(jié)合MOD10 A1日雪蓋產(chǎn)品剔除無(wú)雪區(qū)，得到各個(gè)分區(qū)積雪區(qū)域內(nèi)的干雪像元亮溫?cái)?shù)據(jù)，將其與對(duì)應(yīng)氣象站同期實(shí)測(cè)雪深進(jìn)行回歸擬合，其中，實(shí)測(cè)雪深滿(mǎn)足日最高溫＜6℃和雪深≥5兩個(gè)條件，最終建立了北疆地區(qū)5個(gè)典型分區(qū)的干雪雪深反演模型。結(jié)果顯示：

（1）天山北坡、阿勒泰地區(qū)氣象站分布均勻且數(shù)量較多，反演誤差較小，實(shí)測(cè)雪深≥15 c m時(shí)，誤差百分比僅為8%和11%，且模型反演的雪深低估了實(shí)際雪深；古爾班通古特沙漠測(cè)站雖少，但其模型反演誤差最小，由于該區(qū)域站點(diǎn)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(huì)對(duì)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(qū)和塔額盆地，表現(xiàn)得尤為明顯。

從總體上看，被動(dòng)微波數(shù)據(jù)由于受到空間分辨率的限制，反演產(chǎn)品在監(jiān)測(cè)積雪面積方面精度不如可見(jiàn)光，但它在估算雪深和雪水當(dāng)量方面具有不可替代的作用。如何利用高分辨率的光學(xué)遙感影像與微波遙感數(shù)據(jù)融合來(lái)進(jìn)一步分析積雪的空間分布狀況，從而更準(zhǔn)確地反演積雪參數(shù)，將是下一步進(jìn)行研究的內(nèi)容。

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

［2］ 秦大河，陳宜瑜.中國(guó)氣候與環(huán)境演變［M］.北京：科學(xué)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(wèi)生出版社，1993.

［4］ 宋文娟，熊黑鋼.新疆開(kāi)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(chē)濤，李新.利用被動(dòng)微波遙感數(shù)據(jù)反演我國(guó)積雪深度及其精度評(píng)價(jià)［J］.遙感技術(shù)與應(yīng)用，2004，19（5）：301-

306.

［6］ 高峰，李新，Ar mstrong R L，等.被動(dòng)微波遙感在青藏高原積雪業(yè)務(wù)監(jiān)測(cè)中的初步應(yīng)用［J］.遙感技術(shù)與應(yīng)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(jiān)測(cè)模式對(duì)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(qū)積雪關(guān)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—?dú)庀笠蜃臃治觯跩］.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(qū)和黃土塬農(nóng)區(qū)不同覆蓋類(lèi)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，F(xiàn)oster 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(guó)西部積雪微波遙感監(jiān)測(cè)［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(qū)與平原積雪長(zhǎng)期變化的對(duì)比分析［J］.冰川凍土，2005，27（4）：486-490.

［15］ 楊軍，董超華等.新一代風(fēng)云極軌氣象衛(wèi)星業(yè)務(wù)產(chǎn)品及應(yīng)用［M］.北京：科學(xué)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(duì)凍土熱狀況的影響［J］.干旱區(qū)地理，1995，18（4）：23-27.