积雪是冰冻圈的重要组成部分和主要存在形式^［1-4］，主要分布在高纬度和高海拔环境中^［5-8］。积雪通过其高反照率特性对辐射平衡的敏感性和积雪融化过程中的能量分配影响全球气候变化^［9-13］。此外，在世界许多地方，积雪融水提供了年内绝大多数河流和地下水径流^［14-15］，这一季节性存储的水资源是全球变暖影响下变化最快的水文特征之一，对经济、生态系统功能和洪水灾害产生广泛的影响^［15-20］。

青藏高原地处北半球中低纬度，是世界上海拔最高的高原，平均海拔在4 000 m以上，位于亚洲高山区的核心区域。积雪是青藏高原季节性变化最大的下垫面，对区域乃至全球的气候变化具有重要影响^［21-25］，冰雪融水又是高原及其下游地区重要的水资源^{［1-2，23］}。同时，降雪过多和积雪持续时间过长会造成大范围雪灾，影响农业与畜牧业的发展以及人民群众的生命财产安全，是青藏高原面临的主要气象灾害之一。因此，对于积雪和雪灾监测而言，能否快速、准确地确定积雪范围对于确定雪灾的影响范围与划分灾情等级具有重要意义。

目前，MODIS是大范围积雪和雪灾监测最为有效的手段，也是青藏高原积雪业务化监测的主要卫星遥感数据，但是作为光学遥感，云的干扰使得对于积雪的实时监测应用存在很大的局限性，无法发挥其在积雪监测中的独特优势^［26-29］。NOAA IMS （Interactive Multisensor Snow and Ice Mapping System）雪冰产品是多源数据的融合产品，提供逐日无云的北半球积雪覆盖产品，随着更多卫星遥感数据的融合，产品精度和空间分辨率得到了提高，在全球雪冰监测领域应用越来越广泛^［30-31］。Mazari等^［32］利用地面自动积雪观测数据验证了IMS雪冰产品在美国科罗拉多高原的精度，认为在所有天气条件下IMS产品的制图精度要高于逐日Terra和Aqua合成的MODIS产品精度。Chen等^［33］利用地面雪深观测资料对北美地区IMS 4 km产品进行了验证，结果表明两者具有很好的一致性。Brubaker等^［34］发展了基于MODIS数据的假设检验方法来确定IMS和MODIS积雪产品之间的一致性，结果表明IMS和MODIS积雪产品大约有80%~90%的一致性。Frei等^［35］研究表明，在季节尺度上IMS和MODIS在北美地区最明显的差异出现在融雪季节。Chen等^［36］对2008年中国南部雪灾期间IMS与地面观测对比后发现，IMS积雪数据比被动微波遥感数据和MODIS积雪产品更为精确。

青藏高原积雪遥感监测业务面临的最大问题是如何在多云条件下能够有效地监测到地面积雪。MODIS逐日积雪产品虽比IMS空间分辨率高很多，但是受云的影响严重，图像平均被云覆盖1/2以上，在积雪的实时监测中无法发挥其作用。IMS雪冰产品可以有效弥补多云天气条件下MODIS无法监测地面积雪的问题，提升青藏高原积雪的近实时监测精度，但是应用前提是对其精度进行系统评估和分析。刘洵等^［37］、陈爱军等^［38］利用台站雪深观测资料分别对青藏高原IMS 4 km和1 km雪冰产品精度进行了验证，结果表明两者的总体准确率在85%以上，非积雪季超过了90%，夏季几乎接近100%，利用IMS雪冰产品监测高原积雪范围是可靠的。然而，这些精度评价采用的地面雪深观测数据时间尺度较短，仅为2年，且包括了总体精度几乎接近100%的非积雪季节。此外，验证中利用了青藏高原绝大多数台站的雪深资料，但是高原多数台站位于东部和南部河谷地区，这些台站积雪日数少，雪深有限。总体的积雪监测精度因这些站点和研究时段包括高原上积雪很少的夏季，而使得最终精度“提高”了很多。青藏高原积雪监测业务缺少积雪季IMS 4 km和1 km分辨率雪冰产品的定量化精度评价结果。

为此，本文在已有的研究基础上，以积雪日数较多为主要原则，在青藏高原三大积雪日数最长的区域中选取高原内陆中东部和喜马拉雅山脉南坡积雪观测具有代表意义的17个气象站进行研究。首先对这些站点的区域代表性和历史地理坐标精度进行了评估，在此基础上利用这些站点地面雪深观测资料分别对IMS 4 km和1 km分辨率产品在青藏高原积雪监测中的精度进行验证，提出在青藏高原积雪监测中的优势和不足，进而更好地应用于青藏高原近实时的大尺度积雪遥感监测业务。

研究区边界采用以自然地貌为主导因素，同时综合考虑海拔、高原面和山地完整性原则确定的青藏高原范围^［39］，见图1。高原主体部分在西藏自治区和青海省，面积为257.2×10⁴ km²，约占我国陆地总面积的26.8%。

IMS雪冰产品是由美国国家海洋和大气管理局（NOAA）下属的国家环境卫星数据信息服务中心（NESDIS，National Environmental Satellite， Data， and Information Service）制作，提供北半球逐日无云的积雪覆盖范围^［40］。研发IMS雪冰产品的最初目的是为NOAA国家环境预报中心（NCEP， National Centers for Environmental Prediction）的数值预报模式提供更为可靠的雪冰初始场^［30］。随着更多卫星遥感数据的融合和分辨率的提高，产品精度得到了不断提高，在全球雪冰监测和相关的应急响应及研究中得到越来越广泛的应用。

IMS融合了静止到极轨的不同卫星遥感数据，包括NOAA极轨卫星、地球静止轨道环境卫星（GOES）、日本GMS同步气象卫星、日本MTSAT多功能卫星、欧洲同步气象卫星（METEOSAT）、美国国防部极地轨道卫星（USDOD polar orbiters）和美国国防气象卫星计划卫星（DMSP），以及雷达和地面观测数据等。IMS还融合了美国国家冰雪中心（NIC， U.S. National Ice Center）的每周海冰分析产品和美国空军雪深与雪冰分析产品等^［30-31］。2001年2月起IMS雪冰产品融合了AVHRR的3A波段数据，2004年2月起MODIS第1波段数据也融合到该产品，分辨率由原来的24 km提高到4 km。从2014年12月2日起，IMS北半球雪冰产品分辨率再次提高到1 km。

IMS制图是以前一天的图作为初始状态，在此基础上分析人员根据输入数据的积雪覆盖范围绘制当天的IMS雪冰产品。算法采用了一系列决策树对积雪和非积雪区进行分类。IMS雪冰产品有别于其他积雪产品的关键特点是根据产品业务运行目的在数据分析过程中引入了人工判识^［40］。

美国国家冰雪数据中心（NSIDC， National Snow and Ice Data Center）提供了1997年至今24 km分辨率和2004年2月至今4 km分辨率ASCII格式IMS雪冰产品。2004年起还增加了在地理信息系统和图像处理软件中应用更加广泛的GeoTIFF格式数据，使更多的用户可以利用该产品开展相关的研究和雪冰监测应用。IMS雪冰产品采用以北极点为中心的极地方位投影（图2），时间分辨率为1天。产品中不同的像元值代表不同的地物：1代表海洋，2代表陆地，3代表海冰与湖冰，4代表积雪。

本研究使用了2010年9月1日至2019年5月31日共计9个积雪季的TIFF格式IMS雪冰产品，其中8天的数据缺失，分别为2012年9月8日、2014年1月2日、2014年10月20日和21日、2015年4月18日、2017年11月3日和4日、2018年1月29日。数据处理流程大致为：首先，从NSIDC或NOAA NIC网站下载TIFF格式的北半球IMS雪冰图像，将其转成ArcGIS GRID格式；其次，数据投影方式从极地方位投影转换成Albers投影，之后利用研究区边界逐一裁剪青藏高原范围内的IMS图像；再次，根据气象站点的坐标采样坐标点对应的IMS积雪像元值；最后，气象站的雪深数据与IMS积雪像元值在Excel软件中进行对比分析。

雪深观测数据是经过质量检测和控制的逐日雪深资料，由中国气象局国家气象信息中心气象资料室和西藏自治区气象局气象信息网络中心提供。为了利用地面台站观测数据对青藏高原1 km和 4 km分辨率IMS雪冰产品进行精度评价和适用性分析，根据积雪日数较多、观测场相对开阔平坦、地表类型相对均一且具有气候区域代表性和冰冻圈要素类型代表性的原则，在现有常规气象站中选取17个站用于IMS雪冰产品的验证和精度评价，其中4个站位于青藏高原强降雪中心喜马拉雅山脉南坡，1个位于藏南中部，其余12个站位于藏北至青海南部的青藏高原中东部典型积雪观测区（图1）。17个气象站中，玛多站2019年1月至5月是自动雪深观测数据，有1位小数点，通过四舍五入之后取整值用于卫星遥感积雪产品的验证真值，其他站是每日北京时间08：00人工观测的雪深数据。在气象站雪深观测数据中，32 766表示数据缺测或无观测任务，文中赋值雪深为0；32 700表示微量，文中雪深用0.5 cm来表示。

精度评估采用构建误差矩阵的方法，将实测雪深数据与IMS雪冰产品分类结果进行比较。如果两者都有积雪或都无积雪，则表明IMS雪冰产品监测积雪结果正确。如果两者出现不一致，则表明IMS雪冰产品分类积雪错误。错误分类分为漏判和误判两种情况：误判是指地面观测无积雪，但是IMS雪冰产品监测到有积雪；而漏判则相反，地面实测数据有积雪，但是IMS雪冰产品没有监测到积雪。构建的误差矩阵见表1。

式中：a为实测数据与IMS雪冰产品均有积雪的像元数；b为实测数据有积雪而IMS雪冰产品识别为无积雪的像元数；c为实测数据无积雪而IMS雪冰产品识别为有积雪的像元数；d为实测数据与IMS雪冰产品均无积雪的像元数。

漏判率（omission error rate）是指地面实测数据有积雪而IMS雪冰产品无积雪像元数与所有实测积雪像元数的比值；误判率（commission error rate）是指地面观测无积雪而IMS雪冰产品监测到有积雪像元数与所有实测无积雪像元数的比值；积雪分类精度（snow detection accuracy）是指正确分类出的积雪像元数与分类出的所有积雪像元的比值；无雪分类精度（no-snow detection accuracy）是指地面实测和IMS雪冰产品均无积雪像元数与分类结果中所有无雪像元的比值；总体精度（overall accuracy）是指地面实测和IMS雪冰产品均有积雪和均无积雪像元数与总像元数的比值。

2012—2013年在青藏高原开展野外积雪观测和考察时利用Trimble Geo XT GPS（global positioning system）接收机采集了青藏高原17个典型积雪观测气象站观测场的经纬度和高程信息。该GPS接收机精度达到实时亚米级。以此经纬度和高程为参考数据，与气象站历史记录的经纬度和高程信息进行了比较，结果发现两者之间存在一定的差异（表2）。在17个气象站中，安多站的经度差异最大，两者相差-0.5797°，即历史记录的经度值偏小0.5797°，实际地面距离达到54 588 m。其次，经度差异较大的气象站为普兰站，历史记录的经度偏大0.0735°，地面实际距离差异为7 092 m。之后是申扎站和帕里站，历史记录的经度比GPS接收机定位值偏小0.0714°和0.0705°，历史定位的气象站位置距参考值偏西6 827 m和6 953 m。此外，嘉黎站历史记录的经度较参考值偏大0.0534°，地面实际偏差为5.1 km，而聂拉木站偏小0.0146°，地面实际偏西1.4 km左右。其余气象站的经度误差较小，都不到1 km，均在650 m以下，其中浪卡子站和玛多站的误差不到100 m，分别是90 m和63 m。在17个气象站中，最大的纬度偏差同样出现在安多气象站，历史记录的纬度要大于参考值0.0804°，地面实际相距8 917 m，即气象站的实际位置偏北8 917 m。其次是聂拉木站、嘉黎站和申扎站，历史记录的气象站位置偏北2.9 km、2.7 km和2.1 km，以弧度单位计算分别是0.0258°、0.0241°和0.0189°。之后是班戈站、帕里站和错那站，纬度偏差0.010°~0.014°，其中班戈站和错那站位置偏南1.5 km和1.2 km，而帕里站偏北1.3 km。其余台站的纬度误差不到1 km，都小于790 m，其中玛多和托托河两站的纬度误差最小，在100 m以下，仅与参考值偏小68 m和偏大60 m，以弧度单位表示分别是0.0006°和0.0005°，其他8个站的纬度误差在200~790 m，以弧度单位计算在0.002°~0.007°范围之内。在17个气象站中，经度偏大的台站共有10个站，平均偏差为1.5 km，偏小的台站共有7个，平均达到10.2 km。同样，纬度偏大的台站共有10个站，平均偏差2.0 km，而偏小的气象站共计7个站，平均偏差为0.7 km。

从17个气象站记录的历史高程数据来看，多数台站的高程误差在±50 m以内，占全部台站的76%，但是个别台站的高程存在较大的差异，比如安多站历史记录的高程比当前GPS接收机定位海拔偏高102 m，而聂拉木气象站偏高58 m。相比这些高程偏高的台站，错那站历史记录的海拔比实际偏小86 m，浪卡子站偏小52 m，帕里站则偏小33 m，其余台站的高程偏差在±25 m以内。在17个气象站中，历史记录的高程偏大的台站共有6个，其中安多站和聂拉木站分别偏大102 m和58 m，其他都在25 m以下，而历史记录的高程偏小的台站共有11个，其中错那站偏小86 m，其次是浪卡子站和帕里站分别偏小52 m和33 m，其余台站的高程偏差不大，都在10 m以内。上述17个典型气象站中，西藏自治区境内的12个气象站于2009年安装了闪电定位仪，同时记录了GPS位置数据，获取的经纬度数据与2012—2013年野外考察时定位数据基本一致，绝大多数气象站的经纬度误差在25 m以内。此外，常规气象站点的位置信息仅到分，没有到秒，所以站点位置精度有限，所带来的经度平均误差在1.6 km以内，纬度平均误差在1.8 km以内（表3）。

由此可见，个别气象站历史定位数据与目前高精度GPS接收机观测的数据之间存在较大的差距，如安多站经度大约偏小0.6°，纬度则偏大0.08°。此外，目前常规气象台站经纬度坐标只到分，没有到秒，所带来的验证精度误差也是不容忽视的。因此，利用气象站点的观测数据对卫星遥感数据，特别是高分辨率卫星遥感数据进行验证和精度评价时，获取高精度的气象站位置信息是首要条件，才能让两者在位置上严格对应，保证验证结果的准确可靠。

以气象站实测雪深数据为参考值，对IMS 4 km分辨率雪冰产品在青藏高原积雪监测精度进行了评估。图3给出了2010年9月至2019年5月9个积雪季青藏高原IMS雪冰产品总体精度，范围在76.4%~83.2%，平均总体精度为80.1%，最低精度76.4%出现在2018/2019年积雪季，最高值83.2%出现在2015/2016年积雪季。从精度分析结果表4中可以看出，2018/2019年积雪季平均积雪日数最多，达到72 d，平均最大雪深和平均雪深也最大，分别是21 cm和8.1 cm，但其总精度最低；2015/2016年积雪季年积雪天数不到积雪日数最大时期的一半，为33 d，平均最大雪深和平均雪深最低，分别是8 cm和2.1 cm，但其总体精度在9个积雪季中最大，达83.2%。IMS雪冰产品总体上呈现地面观测的积雪日数越多，平均雪深越大，其总体监测精度越低的现象。反之亦然。从表4可以看出，IMS的积雪分类精度要明显小于无雪分类精度和总体精度，在35.8%~60.7%，平均为47.2%，且与积雪日数、平均和最大雪深呈现显著的正相关（表5），即积雪日数越多、平均和最大雪深越大，积雪分类精度就越高。IMS 4 km雪冰产品的无雪分类精度要高于总体精度，均在85%以上，平均为90.9%，且与积雪日数和雪深之间存在显著的负相关（表5）。精度评价分析还表明，IMS雪冰产品的误判率在13.2%~19.8%，平均为17.1%，漏判率明显比误判率要大（表4），最小为35.0%，最大为56.5%，平均为45.5%，两者存在明显的反相关，即有此消彼长的现象。

图4给出了青藏高原积雪观测典型气象站IMS 4 km雪冰产品总体精度评价结果，浪卡子气象站的总体精度和无雪分类精度在17个台站中最高，分别是95.7%和96.8%，其次是申扎站、托托河站和班戈站，均在90%以上，而嘉黎站的总体精度最低，只有36.2%，其次是石渠站，但其总体精度也在70%以上，达70.9%，其后依次是位于喜马拉雅山脉南坡的错那、聂拉木、普兰和帕里站，在72%~79%。这里也是青藏高原强降雪和三大积雪日数最多的区域之一，错那、聂拉木、普兰和帕里站是青藏高原境内位于喜马拉雅山脉南坡仅有的四个常规气象站。可见，IMS 4 km总体精度基本上表现为青藏高原西南喜马拉雅山脉南坡地形复杂且雪深和积雪日数较多的台站精度较低，而位于高原内陆地形相对平坦、雪深和积雪日数较少的气象站总体精度较高的特点。应指出的是，嘉黎站2010—2019年每个积雪季的总体精度均低于55%，范围在23.8%~53.5%，平均仅36.2%，与其余站点形成了鲜明差异。相比总体精度，17个站的无雪分类精度没有明显差异，均在81%以上，其中嘉黎站判识精度最高，达98.1%，而清水河站最小，为81.8%，平均为90.8%。嘉黎站的积雪分类精度最小，为30.3%，其次是申扎站和丁青站，分别为31.3%和36.4%，其余均大于40%，而清水河站的积雪分类精度最高，为72.7%，其次是玛多站70.2%，之后是班戈站和错那站，分别是54.2%和51.4%。总体上表现为积雪日数越多，其分类精度越高的特点。

相比分类精度，IMS雪冰产品的误判率和漏判率存在一定的区域性差异，其中嘉黎站的误判率异常偏大，达到88.0%，而且2010—2019年所有积雪季误判率均大于60%，最高为98.9%，出现在2015/2016年积雪季，其余台站的误判率为1%~26%。嘉黎是青藏高原降雪中心之一，其平均年降雪日数在青藏高原最多，达154 d^［41-42］。这里山脉纵横交错，嘉黎正好位于向东开口的喇叭口山谷中，南来气流携带充沛水汽到达此地后，由于地形辐合，强迫抬升，加强了上升运动及延续性，导致降雪异常偏多，积雪季节多云天气多^［43］。嘉黎气象站又位于河谷县城中心区域，降雪之后气温上升较快，易于积雪消融。积雪季节持续多日的多云天气，导致IMS无法有效地监测到地面积雪，进而出现了地面积雪过高估计和严重误判现象。漏判率正好与误判率相反，嘉黎站的漏判率在所有台站中最低，仅1.0%，而积雪日数最少的浪卡子站漏判率最高，达88.2%。在17个台站中，浪卡子站08：00观测到的平均年积雪日数最少，仅为9 d，2010—2019年积雪季积雪日数在4~16 d，而对应的漏判率在60%~100%，其中2010—2013年3个积雪季漏判率为100%，出现了所有积雪样本均被漏判的现象。总体上，高原内陆积雪日数较少的台站IMS产品的误判率少，漏判率高，而喜马拉雅山脉南坡和嘉黎—清水河—石渠一带高原中东部降雪和积雪日数较多的台站误判率高，漏判率较低。对于积雪日数很少的台站来说，受积雪覆盖范围和云等因素的影响，卫星遥感监测地面积雪偶然性强，极易出现所有样本可能被漏判的现象，进而导致总体精度很高，但是漏判率异常高的现象。所以，选取积雪日数较多的台站资料对卫星产品进行精度验证，才能较好地评估卫星遥感积雪产品在高原积雪监测中的适用性和应用潜力。

随着卫星遥感技术的发展，遥感对地观测的时空分辨率得到了空前的提高，更多卫星数据融合到IMS雪冰制图产品，其精度得到了不断改进。为了更好地满足北半球冰雪监测和研究需求，从2014年底开始，NOAA IMS雪冰产品分辨率从原来的4 km提高到了1 km，提高了16倍。本节利用17个代表性积雪观测气象站逐日雪深观测资料对青藏高原2015年9月至2019年5月共计4个积雪季的IMS 1 km雪冰产品进行了精度评价，并与IMS 4 km产品评价结果进行了对比。

IMS 1 km分辨率雪冰产品总体精度较高，在79.6%~85.2%，平均为83.3%。相比IMS 4 km产品80.4%的精度，总体精度平均提高了2.9%，积雪分类精度提升了0.9%，平均误判率减少了5.1%，漏判率反而有所增加，增加了4.1%（图5和表6）。由于产品空间分辨率的提高，2015—2019年IMS雪冰产品在青藏高原上监测的平均积雪日数从4 km分辨率的63 d减少至1 km分辨率的50 d，平均减少了13 d，与43 d的地面观测积雪日数更加接近，进而积雪误判率减少明显。从青藏高原17个气象站的积雪监测情况来看（图6），嘉黎站的总体精度提升最大，2015年9月至2019年9月期间，从4 km分辨率的32.5%提升到了1 km分辨率里的71.1%，平均提升了38.6%，主要是通过IMS 1 km雪冰产品减少积雪监测的误判率后实现的，平均误判率减少了71.7%，但是平均漏判率相应提高了59.0%。2015—2019年在IMS 4 km图像上嘉黎站监测到的平均积雪次数就有255次，实际观测的平均积雪日数只有70次，严重高估了积雪监测次数，使得出现了平均漏判率为0、误判率为91.2%和无雪分类精度为100%的监测结果，但是在1 km分辨率的图像上积雪监测次数平均只有69次，与70次的地面观测次数极为接近。该站的积雪分类精度提升也最大，从IMS 4 km分辨率的27.5%提高到了1 km分辨率的42.7%，平均提高了15.2%（图7）。除了嘉黎站之外，积雪监测总体精度提升较大的台站是错那站和索县站，也均在10%以下，分别是7.3%和3.7%，对于其余台站而言，IMS空间分辨率的提高对其积雪监测总体精度的提升和改进程度很小。但从积雪分类精度而言，错那站的积雪分类精度改进仅次于嘉黎站，精度平均提高了13.0%。2015年9月至2019年5月错那站IMS 4 km监测到的积雪日数是89次，对应的1 km监测的积雪日数是65次，后者与63次的地面观测次数更为接近，此外IMS 1 km产品的平均误判率减少了10.1%，而相应的平均漏判率变化不大。在17个代表性站点中，半数气象站的积雪分类精度得到了提高，除了嘉黎和错那两个站之外，那曲、申扎和班戈站的积雪分类精度提升了2.0%~4.1%，而个别站点出现了积雪分类精度减少情况，如帕里站的积雪监测精度减少了2.4%。

从前面的气象站坐标位置评估分析得知，17个站历史定位的坐标信息与当前高精度GPS接收机定位信息之间存在一定的偏差。为了定量分析这些差异对IMS雪冰产品精度评价可能产生的影响，分别利用历史定位的气象站坐标信息和GPS定位信息对2010—2019年积雪季IMS 4 km分辨率产品的积雪监测结果进行了对比分析。图8给出的结果表明，由于坐标位置的误差，导致部分台站的精度评价结果存在一定差异，其中普兰站的总体精度偏差最大，历史定位坐标的总体精度为49.2%，而基于GPS定位坐标采集的总体精度可以达到75.8%，两者相差26.6%，相应的积雪分类精度也从27.1%提高到41.6%，提高了14.5%。从图8同样可以看出，如果利用该站历史定位坐标对IMS 4 km进行精度评价，2010—2019年每年产生较大的总体精度误差。除了2018年9月至2019年5月之外，利用GPS定位数据可以明显提高普兰站IMS 4 km产品的精度评价效果，其主要原因是历史定位的普兰站实际上位于GPS定位点东面偏南距7 113 m的海拔4 804 m山坡上，而GPS定位的普兰站位于海拔3 878 m的河谷地区，两地的积雪覆盖分布存在明显的差异，进而产生显著的总体精度误差。此外，安多站采用GPS定位坐标之后，总体精度提高0.9%，积雪分类精度提高了6.0%，聂拉木站的总体精度提高了0.6%。嘉黎站的精度反而有所下降，下降了7.3%，其主要原因可能是积雪季这里多云天气为主，气象站又位于河谷县城，南北是近东西向的高山，地形复杂，加上该站的积雪日数在青藏高原所有台站中最多^［44］，导致积雪误判率显著高于其他台站，使得出现总体精度有所下降的情况。另外，历史定位的嘉黎气象站位置实际位于GPS定位点东北面5 771 m处海拔高度5 332 m山顶上。无论用历史定位坐标还是GPS定位坐标，采集的IMS 4 km分辨率数据由于极高的误判率和偶然因素使得出现总体精度有所下降的情况。此外，申扎站和帕里站也略有下降，下降幅度仅为0.6%。由于IMS 4 km空间分辨率较低，IMS分类精度因一些偶然因素发生变化。对剩余11个站而言，历史定位和GPS定位坐标之间的差异对IMS 4 km总体和积雪精度评价结果没有影响，见图9。

根据对17个气象站的定位坐标评估表明，个别气象站历史定位数据与目前高精度GPS接收机观测的数据之间存在较大的差距，如安多站的经度差异最大，达54 588 m，其次是普兰站，历史记录的经度偏大7 092 m，之后是帕里和申扎两个气象站，距参考值偏西6 953 m和6 827 m。此外，嘉黎站历史记录的经度较GPS接收机定位的参考值偏大5.1 km，而聂拉木站偏小1.4 km，其余气象站的经度误差不到1 km。在17个气象站中，最大的纬度偏差同样出现在安多气象站，历史记录的纬度偏大8 917 m，其次是聂拉木、嘉黎和申扎气象站，偏差分别是2.9 km、2.7 km和2.1 km。可见，IMS 4 km精度评价结果偏差较大的几个站都存在气象站历史定位数据与GPS接收机观测的数据之间存在较大差距，而经度误差不足1 km的台站，新旧坐标对IMS 4 km精度评价结果没有影响。很显然，目前个别台站的历史坐标与GPS定位坐标之间存在较大的差异，对卫星遥感积雪产品的精度验证和评估产生一定的影响，而绝大多数气象站点的历史坐标精度和其经纬度坐标仅到分没有到秒带来的误差，对于当前公里级别空间分辨率卫星遥感数据的精度评价影响不大。然而，今后随着卫星遥感技术的发展，遥感数据的时空分辨率将会大大提高，更高分辨率的积雪遥感产品将用于积雪监测和研究，尤其是当空间分辨率提高到几百米乃至几十米时，对于这些遥感数据的验证与实际应用，地面气象站点的坐标精度必须予以考虑。

IMS作为第一个多源数据融合的代表性积雪监测产品，除了用于数值预报模式初始场之外，随着更多卫星遥感数据的融合和分辨率的进一步提高，在北半球雪冰监测、气候变化以及相关的应急响应及研究中得到越来越广泛的应用。青藏高原是北半球中低纬度积雪覆盖最大的地区和欧亚大陆积雪的重要组成部分。刘洵等^［37］基于气象站实测雪深数据为真值的北疆、东北和青藏高原三个中国三大稳定积雪地区验证表明，IMS 4 km雪冰产品的年总体准确率在三大积雪区均超过了92%，非积雪季的总体准确率比积雪季要高，在积雪季的各个月份中，三个地区的总体准确率也均超过80%，5—9月非积雪季青藏高原地区也超过了90%。陈爱军等^［38］利用地面雪深观测资料对青藏高原IMS 1 km产品进行了验证，结果表明IMS 1 km冰雪产品的总体判识准确率在青藏高原大部分地区全年均在85%以上，夏季几乎接近100%，仅在冬季出现少数低值，最低约80%。Yang等^［45］以Landsat-5 TM积雪图像为真值对IMS雪冰产品进行了精度评价，结果表明总体精度大于79%。更多的IMS雪冰产品精度验证工作集中在北美地区。Brubaker等^［34］利用逐日地面观测数据，对美国大陆IMS雪冰产品进行了评估，结果表明在积雪累积期早起的10月IMS积雪判识率较低，小于20%，11月超过60%，12月高达到95%，3月积雪判识率大约是70%。IMS的无雪像素的判识精度在3月至10月是95%~100%，而12月无雪判识率下降至约80%。整个季节随着积雪覆盖范围的增加，IMS的积雪覆盖面积判识能力有提高（较少的漏判误差），但是非积雪面积识别能力有所下降（误判误差增多）。破碎积雪面积的判识能力总体上在积雪消融阶段要好于累计阶段。Chen等^［33］利用地面雪深资料对北美地区IMS 4 km产品进行了验证，结果表明两者具有很好的一致性，当冬季美国大陆1/4~1/3被积雪覆盖时两者的逐日一致率绝大部分为80%~90%，并且雪深越大一致性越高。两者最高的一致率出现在夏季，大约为100%，夏季很少站点被积雪覆盖，导致很高的一致率。其他在土耳其境内进行的验证结果表明^［46］，IMS积雪产品的总体正确率POD和空报率FAR分别是73.55%和25.11%。

本研究中，IMS 4 km雪冰产品在青藏高原的平均总体精度为80.1%，且呈现地面观测积雪日数越多，平均雪深越大，积雪识别精度越高的特点。IMS 4 km的无雪分类精度高于总体精度，均在85%以上，平均达90.9%。然而，IMS的平均积雪分类精度较低，在35.8%~60.7%，平均47.8%，存在观测的积雪日数和平均雪深越大，IMS积雪分类精度越高的特点。IMS雪冰产品在青藏高原积雪监测中的漏判明显，最小为35.0%，最大为56.5%，平均45.5%，而误判率相对较小，范围在13.2%~19.8%，平均17.1%。这些研究结论与已有的研究结果基本上是一致的。此外，青藏高原上气象台站的空间分布极不均匀，多数位于东部和南部，西部和西北部分布极为稀疏，而且气象观测站大多位于海拔较低的河谷^［41］。刘洵等^［37］利用了青藏高原地区108个气象站的资料，而陈爱军等^［38］利用了77个地面观测站点的逐日雪深。这些站点大部分位于青藏高原东部和南部，多数台站平均年积雪日数不足10 d。总体积雪监测精度因这些站点和研究时段包括了高原上积雪很少的夏季，使得最终精度会提高很多。在本研究中，以积雪日数较多为主要原则，在青藏高原三大积雪日数最长的区域中选取高原内陆中东部和喜马拉雅山脉南麓积雪观测具有代表意义的17个台站，且研究时段仅涵盖了2010—2019年9月至次年5月整个高原积雪季节，对于积雪日数很少而总体精度可能接近100%的夏季并未考虑，所以无论从站点代表性的选择、时间尺度的把握还是精度评价指标要素的选取上相比以往的研究更具代表性和普遍意义，得出的研究结论更加符合高原积雪监测的实际，在青藏高原积雪监测中更具现实指导意义。本研究得出的IMS雪冰产品在青藏高原积雪监测中漏判明显，相比误判率相对较小的结论也与上述的研究结果一致。实际上IMS雪冰产品相对高估了积雪面积，在青藏高原漏判率高的原因是IMS对零碎积雪的识别能力有限^［37］。由于研发IMS雪冰制图产品的主要目的之一是能够有效地监测北半球的陆地积雪，所以产品关注重点是积雪季的监测精度，对于非积雪季接近100%的积雪监测精度对于产品的实际应用价值不大。通过本研究揭示了青藏高原IMS雪冰产品精度的空间分布特点，主要表现在IMS 4 km总体精度基本上表现为青藏高原西南喜马拉雅山脉南坡地形复杂且雪深和积雪日数较多的台站总体精度较低，而位于高原内陆地形相对平坦、雪深和积雪日数较少的气象站总体精度较高的特点。高原内陆积雪日数较少的台站IMS产品的误判率少，漏判率高，而喜马拉雅山脉南坡和嘉黎—清水河—石渠一带高原中东部降雪和积雪日数较多的典型积雪观测台站误判率高，漏判率较低。

在系统评估青藏高原积雪观测典型气象站历史定位坐标精度基础上，对IMS 4 km和1 km分辨率雪冰产品在青藏高原的精度进行了验证和评价，定量分析了IMS空间分辨率从4 km到1 km的提高对青藏高原积雪监测精度产生的影响，最后，气象站历史定位和GPS定位坐标之间的差异对IMS精度评估结果产生的影响进行分析。得出了如下主要结论：

（1）青藏高原个别气象站历史定位坐标与当前GPS接收机观测位置之间存在较大的差距，如安多气象站经度偏小0.6°，纬度偏大0.08°，地面实际相距55 km和9 km。另外，常规气象台站经纬度坐标只到分没有到秒对目前主要卫星遥感产品的精度影响有限，但是随着卫星遥感数据分辨率的不断提高，所引起的误差是不容忽视的。精确的气象站点坐标信息是验证高分辨率卫星遥感数据的前提和定量分析站点要素变化所必须的。

（2）IMS 4 km分辨率雪冰产品在青藏高原的总精度在76.4%~83.2%，平均80.1%，总体上呈现地面观测的积雪日数越多，平均雪深越大，其监测精度越低的现象。IMS 4 km积雪分类精度在35.8%~60.7%，平均47.2%，平均误判率17.1%，平均漏判率45.5%，积雪日数和平均雪深越大，积雪分类精度就越高。IMS 4 km总体精度基本上表现为青藏高原西南喜马拉雅山脉南坡地形复杂且雪深和积雪日数较多的台站精度较低，而位于高原内陆地形相对平坦、雪深和积雪日数较少的气象站总体精度较高的特点。高原内陆积雪日数较少的台站IMS产品的误判率少，漏判率高，而喜马拉雅山脉南坡和嘉黎—清水河—石渠一带高原中东部降雪和积雪日数较多的典型积雪观测台站误判率高，漏判率较低。

（3）IMS 1 km分辨率雪冰产品相比IMS 4 km产品总体精度平均提高了2.9%，积雪分类精度平均提升0.9%，平均误判率减少5.1%，漏判率反而有所增加，平均增加了4.1%，主要是通过嘉黎站等个别台站的精度提升较大引起的，对于绝大多数青藏高原典型台站而言，IMS空间分辨率从4 km到1 km对其积雪监测总体精度的提升和改进程度很小。

（4）定量分析了青藏高原典型气象站历史坐标信息与当前高精度GPS接收机定位信息之间的差异对IMS雪冰产品精度评价可能产生的影响。由于坐标位置的误差，导致部分台站的精度评价结果存在一定差异，其中普兰站从历史定位坐标的总体精度49.2%提高到GPS定位的75.8%，积雪分类精度提高了14.5%。IMS 4 km精度评估结果较大的误差均发生在气象站历史定位数据与GPS接收机观测数据之间差距较大的几个站，而经度误差不足1 km的台站，新旧坐标对IMS 4 km精度评价结果没有影响。今后随着航空航天技术的发展，更高时空分辨率的遥感积雪产品将用于积雪监测和研究，精确的地面观测站坐标信息是开展遥感数据验证与实际应用的前提。

此外，除了利用地面站点观测数据作为真值对遥感积雪产品进行验证之外，目前更多的中低分辨率遥感积雪产品的验证采用高分辨率的卫星遥感影像作为真值进行的。下一步将利用Landsat和Sentinel-2等卫星遥感数据验证IMS雪冰产品在青藏高原的精度，进一步分析区域差异和产生的原因，进而使之更好地应用于青藏高原积雪监测和时空变化研究。