基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究

doi:10.7522/j.issn.1000-0240.2022.0026

冰川冻土 ›› 2022, Vol. 44 ›› Issue (1): 147-158.doi: 10.7522/j.issn.1000-0240.2022.0026

基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究

孙兴亮¹^,²^,³^,⁴(), 郝晓华²(), 王建², 赵宏宇⁵, 纪文政²

^1.兰州交通大学测绘与地理信息学院，甘肃兰州 730070
^2.中国科学院西北生态环境资源研究院，甘肃兰州 730000
^3.地理国情监测技术应用国家地方联合工程研究中心，甘肃兰州 730070
^4.甘肃省地理国情监测工程实验室，甘肃兰州 730070
^5.北京师范大学地表过程与资源生态国家重点实验室，北京 100875

收稿日期:2021-07-09 修回日期:2021-10-08 出版日期:2022-02-28 发布日期:2022-03-28
通讯作者: 郝晓华 E-mail:0219771@stu.lzjtu.edu.cn;haoxh@lzb.ac.cn
作者简介:孙兴亮，硕士研究生，主要从事积雪遥感研究. E-mail： 0219771@stu.lzjtu.edu.cn
基金资助:
国家重点研发计划项目(2019YFC1510503);国家自然科学基金项目(41971325);兰州交通大学优秀平台(201806)

Research on retrieval of MODIS fraction snow cover based on spectral environmental random forest regression model

Xingliang SUN¹^,²^,³^,⁴(), Xiaohua HAO²(), Jian WANG², Hongyu ZHAO⁵, Wenzhen JI²

^1.Faculty of Geomatics，Lanzhou Jiaotong University，Lanzhou 730070，China
^2.Northwest Institute of Ecology and Environmental Resources，Chinese Academy of Sciences，Lanzhou 730000，China
^3.National-Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring，Lanzhou 730070，China
^4.Gansu Provincial Engineering Laboratory for National Geographic State Monitoring，Lanzhou 730070，China
^5.State Key Laboratory of Earth Surface Processes and Resource Ecology，Beijing Normal University，Beijing 100875，China

Received:2021-07-09 Revised:2021-10-08 Online:2022-02-28 Published:2022-03-28
Contact: Xiaohua HAO E-mail:0219771@stu.lzjtu.edu.cn;haoxh@lzb.ac.cn

摘要/Abstract

摘要：

积雪面积比例（Fractional Snow Cover， FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度，相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系，可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor， SE-RFR）模型，用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat 8地表反射率数据获取的FSC数据作为参考值，对SE-RFR模型的反演精度进行评估。研究表明，利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104，精度较高。此外，根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知，加入环境信息的随机森林回归模型提高了FSC反演的精度，特别是在受环境信息影响较大的青藏高原地区，RMSE从0.200降低到0.181。最后，将SE-RFR模型与目前使用广泛的MODIS FSC反演模型FSC_NDSI、MODSCAG和SSEmod进行了比较，结果表明SE-RFR模型的RMSE与FSC_NDSI、MODSCAG和SSEmod模型的RMSE相比，平均RMSE分别提高了12.0%、8.3%和5.5%。总体来说，SE-RFR模型可以准确地提取MODIS FSC，对于区域乃至全球FSC产品制备具有广泛的应用前景。

关键词: MODIS, 光谱信息, 环境信息, 积雪面积比例, FSC, 随机森林

Abstract:

The fractional snow cover （FSC） data can quantitatively describe the extent of snow cover in a pixel on the sub-pixel scale， and can estimate the area of snow cover more accurately than binary snow area data. The random forest regression model based on machine learning can represent high-dimensional nonlinear relationships， which can significantly improve the inversion accuracy of MODIS FSC. In this study， a new regression model， Spectral Environment Random Forest Regressor （SE-RFR） model， was constructed using random forest regression model combined with spectral and environmental information， which was used to retrieve the FSC from MODIS data in China. We used the FSC obtained from Landsat 8 surface reflectance data in a typical snow area in China as a reference value to evaluate the inversion accuracy of the SE-RFR model. Research shows that the RMSE and MAE of FSC data obtained by SE-REF are 0.160 and 0.104， respectively， which has high accuracy. The SE-RFR model is compared with the Spectral Random Forest Regressor （S-RFR） without environmental information. It shows that the random forest regression model with environmental information improves the accuracy of FSC inversion， especially in the Qinghai-Tibet Plateau region， which is influenced by environmental information， and the RMSE decreased from 0.200 to 0.181. Finally， the SE-RFR model was compared with the currently widely used MODIS FSC inversion models FSC_NDSI， MODSCAG and SSEmod. The results showed that the average RMSE of the SE-RFR model is increased by 12.0%， 8.3% and 5.5%， respectively， compared with the RMSE of the FSC_NDSI， MODSCAG and SSEmod models. In general， the SE-RFR model can accurately extract MODIS FSC， which has wide application prospects for the preparation of regional and even global FSC products.

Key words: MODIS, fractional snow cover, spectrum information, environmental information, random forest

中图分类号:

P426.63⁺5

孙兴亮, 郝晓华, 王建, 赵宏宇, 纪文政. 基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究[J]. 冰川冻土, 2022, 44(1): 147-158.

Xingliang SUN, Xiaohua HAO, Jian WANG, Hongyu ZHAO, Wenzhen JI. Research on retrieval of MODIS fraction snow cover based on spectral environmental random forest regression model[J]. Journal of Glaciology and Geocryology, 2022, 44(1): 147-158.

图/表 13

图1

表1

图2

图3

表2

表3

表4

图4

表5

图5

图6

表6

图7

参考文献 36

1	Zhang Tingjun. Influence of the seasonal snow cover on the ground thermal regime： an overview［J］. Reviews of Geophysics， 2005， 43（4）： RG4002.
2	Sturm M， Holmgren J， McFadden J P， et al. Snow-shrub interactions in Arctic tundra： a hypothesis with climatic implications［J］. Journal of Climate， 2001， 14（3）： 336-344.
3	Robinson D A， Dewey K F， Heim R R. Global snow cover monitoring： an update［J］. Bulletin of the American Meteorological Society， 1993， 74（9）： 1689-1696.
4	König M， Winther J G， Isaksson E. Measuring snow and glacier ice properties from satellite［J］. Reviews of Geophysics， 2001， 39（1）： 1-27.
5	Dozier J， Painter T H. Multispectral and hyperspectral remote sensing of alpine snow properties［J］. Annual Review of Earth and Planetary Sciences， 2004， 32： 465-494.
6	Hall D K， Benson C S， Field W O. Changes of glaciers in glacier bay， Alaska， using ground and satellite measurements［J］. Physical Geography， 1995， 16（1）： 27-41.
7	Zhao Hongyu， Hao Xiaohua， Zheng Zhaojun， et al. A new algorithm of fractional snow cover basing on FY-3D/MERSI-Ⅱ［J］. Remote Sensing Technology and Application， 2018， 33（6）： 1004-1016.
	赵宏宇，郝晓华，郑照军，等. 基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法［J］. 遥感技术与应用， 2018， 33（6）： 1004-1016.
8	Salomonson V V， Appel I. Development of the Aqua MODIS NDSI fractional snow cover algorithm and validation results［J］. IEEE Transactions on Geoscience and Remote Sensing， 2006， 44（7）： 1747-1756.
9	Hao Shirui， Jiang Lingmei， Wang Gongxue， et al. The effect of scale and snow fragmentation on the accuracy of fractional snow cover data over the Tibetan Plateau［C］//2017 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. Fort Worth， TX， USA. Piscataway， NJ： IEEE， 2017： 4250-4253.
10	Lei Huajin， Li Hongyi， Wang Jian， et al. MODIS fractional snow cover products preparing on Tibetan Plateau based on environmental information and regression model［J］. Remote Sensing Technology and Application， 2020， 35（6）： 1303-1311.
	雷华锦，李弘毅，王建，等. 基于环境信息和回归模型的青藏高原MODIS积雪面积比例产品制备［J］. 遥感技术与应用， 2020， 35（6）： 1303-1311.
11	Liston G E. Interrelationships among snow distribution， snowmelt， and snow cover depletion： Implications for atmospheric， hydrologic， and ecologic modeling［J］. Journal of Applied Meteorology， 1999， 38（10）： 1474-1487.
12	Carey C J， Hart S C， Aciego S M， et al. Microbial community structure of subalpine snow in the sierra Nevada， California［J］. Arctic， Antarctic， and Alpine Research， 2016， 48（4）： 685-701.
13	Hao Xiaohua， Wang Jie， Wang Jian， et al. Observations of snow mixed pixel spectral characteristics using a ground-based spectral radiometer and comparing with unmixing algorithms［J］. Spectroscopy and Spectral Analysis， 2012， 32（10）： 2753-2758.
	郝晓华，王杰，王建，等. 积雪混合像元光谱特征观测及解混方法比较［J］. 光谱学与光谱分析， 2012， 32（10）： 2753-2758.
14	Barton J S， Hall D K， Riggs G A. Remote sensing of fractional snow cover using Moderate Resolution Imaging Spectroradiometer （MODIS） data［C］// Proceedings of the 57th Eastern Snow Conference. 2000： 171-183.
15	Kaufman Y J， Kleidman R G， Hall D K， et al. Remote sensing of subpixel snow cover using 0.66 and 2.1 μm channels［J］. Geophysical Research Letters， 2002， 29（16）： 28-1.
16	Salomonson V V， Appel I. Estimating fractional snow cover from MODIS using the normalized difference snow index［J］. Remote Sensing of Environment， 2004， 89（3）： 351-360.
17	Painter T H， Rittger K， McKenzie C， et al. Retrieval of subpixel snow covered area， grain size， and albedo from MODIS［J］. Remote Sensing of Environment， 2009， 113（4）： 868-879.
18	Shi Jiancheng. An automatic algorithm on estimating sub-pixel snow cover from modis［J］. Quaternary Sciences， 2012， 32（1）： 6-15.
	施建成. MODIS亚像元积雪覆盖反演算法研究——纪念杰出的地理学家、冰川学家施雅风先生逝世一周年［J］. 第四纪研究， 2012， 32（1）： 6-15.
19	Zhao Hongyu， Hao Xiaohua， Wang Jian， et al. The spatial-spectral-environmental extraction endmember algorithm and application in the MODIS fractional snow cover retrieval［J］. Remote Sensing， 2020， 12（22）： 3693.
20	Dobreva I D， Klein A G. Fractional snow cover mapping through artificial neural network analysis of MODIS surface reflectance［J］. Remote Sensing of Environment， 2011， 115（12）： 3355-3366.
21	Czyzowska-Wisniewski E H， van Leeuwen W J D， Hirschboeck K K， et al. Fractional snow cover estimation in complex alpine-forested environments using an artificial neural network［J］. Remote Sensing of Environment， 2015， 156： 403-417.
22	Hou Jinliang， Huang Chunlin. An application of ANN for mountainous snow cover fraction mapping with MODIS and ancillary topographic data［C］//2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS. Melbourne， VIC， Australia. Piscataway， NJ： IEEE， 2013： 1186-1189.
23	Hou Jinliang， Huang Chunlin. Improving mountainous snow cover fraction mapping via artificial neural networks combined with MODIS and ancillary topographic data［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（9）： 5601-5611.
24	Liang Hui， Huang Xiaodong， Sun Yanhua， et al. Fractional snow-cover mapping based on MODIS and UAV data over the Tibetan Plateau［J］. Remote Sensing， 2017， 9（12）： 1332.
25	Du Xu， Feng Jingyu， Shaoqing Lü， et al. PM_2.5 concentration prediction model based on random forest regression analysis［J］. Telecommunications Science， 2017， 33（7）： 66-75.
	杜续，冯景瑜，吕少卿，等. 基于随机森林回归分析的PM_2.5浓度预测模型［J］. 电信科学， 2017， 33（7）： 66-75.
26	Liu Changyu， Huang Xiaodong， Li Xubing， et al. MODIS fractional snow cover mapping using machine learning technology in a mountainous area［J］. Remote Sensing， 2020， 12（6）： 962.
27	Liang Hui. Fractional snow-cover mapping based on MODIS data over the Tibetan Plateau［D］. Lanzhou： Lanzhou University， 2019.
	梁慧. 青藏高原MODIS积雪面积比例制图算法研究［D］. 兰州：兰州大学， 2019.
28	Zhao Hongyu. Long time series of cloud-free fractional snow cover products in China［D］. Beijing： University of Chinese Academy of Sciences， 2020.
	赵宏宇. 中国区域长时间序列积雪面积比例产品的制备［D］. 北京：中国科学院大学， 2020.
29	Sulla-Menashe D， Friedl M A. User guide to collection 6 MODIS land cover （MCD12Q1 and MCD12C1） product［J］. USGS： Reston， VA， USA， 2018： 1-18.
30	Wang Xiaoyan， Chen Siyong， Wang Jian. An adaptive snow identification algorithm in the forests of northeast China［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2020， 13： 5211-5222.
31	Breiman L. Random forests［J］. Machine Learning， 2001， 45（1）： 5-32.
32	Breiman L. Bagging predictors［J］. Machine Learning， 1996， 24（2）： 123-140.
33	Tyralis H， Papacharalampous G， Tantanee S. How to explain and predict the shape parameter of the generalized extreme value distribution of streamflow extremes using a big dataset［J］. Journal of Hydrology， 2019， 574： 628-645.
34	Kokhanovsky A A， Zege E P. Scattering optics of snow［J］. Applied Optics， 2004， 43（7）： 1589.
35	Hao Xiaohua， Wang Jie， Wang Jian， et al. The measurement and retrieval of the spectral reflectance of different snow grain size on northern Xinjiang， China［J］. Spectroscopy and Spectral Analysis， 2013， 33（1）： 190-195.
	郝晓华，王杰，王建，等. 北疆地区不同雪粒径光谱特征观测及反演研究［J］. 光谱学与光谱分析， 2013， 33（1）： 190-195.
36	Hall D K， Kelly R E J， Riggs G A， et al. Assessment of the relative accuracy of hemispheric-scale snow-cover maps［J］. Annals of Glaciology， 2002， 34： 24-30.

光谱信息		环境信息
地表反射率数据	b01 （620~670 nm）	角度数据	传感器天顶角
	b02 （841~876 nm）		传感器方位角
	b03 （459~479 nm）		太阳天顶角
	b04 （545~565 nm）		太阳方位角
	b05 （1 230~1 250 nm）	地形	DEM高程
	b06 （1 628~1 652 nm）		坡度
	b07 （2 105~2 155 nm）		坡向
指数数据	NDVI	其他	地表覆盖类型
	NDSI		地表温度
	NDFSI		降雪

区域	RMSE	MAE
林区	0.235	0.192
非林区	0.139	0.085

FSC分级	FSC数值区间	RMSE	MAE
低值区	（0.15，0.50］	0.222	0.177
中值区	（0.50，0.80］	0.183	0.146
高值区	（0.80，1.00］	0.122	0.071

[1]	邹逸凡,孙鹏,张强,马梓策,吕胤锋,卞耀劲,刘瑞琳. 2001—2019年横断山区积雪时空变化及其影响因素分析[J]. 冰川冻土, 2021, 43(6): 1641-1658.
[2]	刘志云,黄川,于晖,钟振涛,崔福庆. 青藏工程走廊活动层厚度预测模型与分布特征研究[J]. 冰川冻土, 2021, 43(5): 1458-1467.
[3]	唐志光,邓刚,胡国杰,王欣,蒋宗立,桑国庆. 亚洲高山区积雪物候时空动态及其对气候变化的响应[J]. 冰川冻土, 2021, 43(5): 1400-1411.
[4]	王健顺, 王云龙, 周敏强, 刘畅宇, 黄晓东. 基于随机森林算法的青藏高原AMSR2被动微波雪深反演[J]. 冰川冻土, 2020, 42(3): 1077-1086.
[5]	郭慧, 陈思勇, 王晓艳. 基于MODIS数据的东北地区积雪覆盖率估算[J]. 冰川冻土, 2019, 41(5): 1183-1191.
[6]	魏亚瑞, 郝晓华, 王建, 李弘毅, 赵宏宇, 高扬, 邵东航, 钟歆玥, 李红星. 基于MODIS数据的北疆积雪黑碳和雪粒径反演及时空变化分析[J]. 冰川冻土, 2019, 41(5): 1192-1204.
[7]	周敏强, 王云龙, 梁慧, 曾桐瑶, 黄文洁, 王健顺, 黄晓东. 青藏高原Soumi-NPP和MODIS积雪范围产品的对比分析[J]. 冰川冻土, 2019, 41(1): 36-44.
[8]	徐田利, 邬光剑, 张学磊, 燕妮, 杨松. 基于MODIS数据的青藏高原冰川反照率时空分布及变化研究[J]. 冰川冻土, 2018, 40(5): 875-883.
[9]	刘金平, 张万昌, 邓财, 聂宁. 2000-2014年西藏雅鲁藏布江流域积雪时空变化分析及对气候的响应研究[J]. 冰川冻土, 2018, 40(4): 643-654.
[10]	顾吉林, 刘淼, 汤宏山. 基于MODIS卫星遥感图像数据典型地表发射率光学特性分析[J]. 冰川冻土, 2018, 40(4): 784-791.
[11]	郜燕芳, 李俊明, 刘东伟, 任周鹏, 王楠楠. 基于随机森林模型的城市不透水面提取研究——以呼和浩特市为例[J]. 冰川冻土, 2018, 40(4): 828-836.
[12]	秦艳, 丁建丽, 赵求东, 刘永强, 马勇刚, 穆艾塔尔·赛地. 2001-2015年天山山区积雪时空变化及其与温度和降水的关系[J]. 冰川冻土, 2018, 40(2): 249-260.
[13]	邱玉宝, 张欢, 除多, 张雪成, 于小淇, 郑照军. 基于MODIS的青藏高原逐日无云积雪产品算法[J]. 冰川冻土, 2017, 39(3): 515-526.
[14]	鲍伟佳, 刘时银, 吴坤鹏, 王荣军, 蒋宗立. 一种基于MODIS积雪产品的雪线高度提取方法[J]. 冰川冻土, 2017, 39(2): 259-272.
[15]	李玉婷, 柳锦宝, 王增武, 巴桑, 肖垚. 2003-2012年四川省积雪时空动态变化与气候响应研究[J]. 冰川冻土, 2016, 38(6): 1491-1500.

基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究

Research on retrieval of MODIS fraction snow cover based on spectral environmental random forest regression model

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 36

相关文章 15

Metrics

本文评价

推荐阅读 0

	RMSE	MAE
总体	0.160	0.104
北疆	0.110	0.058
东北-内蒙古	0.169	0.113
青藏高原	0.181	0.129

积雪区	模型	RMSE	MAE
总体	S-RFR	0.171	0.107
总体	SE-RFR	0.160	0.104
北疆	S-RFR	0.125	0.069
北疆	SE-RFR	0.110	0.058
东北-内蒙古	S-RFR	0.172	0.112
东北-内蒙古	SE-RFR	0.169	0.112
青藏高原	S-RFR	0.200	0.131
青藏高原	SE-RFR	0.181	0.129

方法	RMSE	MAE
FSC_NDSI	0.280	0.208
MODSCAG	0.243	0.136
SSEmod	0.215	0.117
SE-RFR	0.160	0.104