冰川冻土, 2023, 45(3): 1155-1167 doi: 10.7522/j.issn.1000-0240.2023.0088

冰冻圈技术

联合SAR与光学遥感数据的山区积雪消融识别

陈刚,1,2, 陈兴杰3, 张彦丽,1

1.西北师范大学 地理与环境科学学院，甘肃 兰州 730070

2.国家能源集团宁夏煤业有限责任公司清水营煤矿，宁夏 银川 751400

3.甘肃省自然资源行业职业技能鉴定指导中心，甘肃 兰州 730000

Mountain snow ablation recognition combined with SAR and optical remote sensing data

CHEN Gang,1,2, CHEN Xingjie3, ZHANG Yanli,1

1.College of Geography and Environment Sciences，Northwest Normal University，Lanzhou 730070，China

2.National Energy Group Ningxia Coal Industry Co. ，Ltd. Qingshuiying Coal Mine，Yinchuan 751400，China

3.Gansu Provincial Natural Resources Industry Vocational Skills Appraisal and Guidance Center，Lanzhou 730000，China

通讯作者: 张彦丽，副教授，主要从事定量遥感及其应用研究. E-mail： zyl0322@nwnu.edu.cn

收稿日期: 2023-01-30   修回日期: 2023-04-26  

基金资助: 国家自然科学基金项目.  42361058.  41871277

Received: 2023-01-30   Revised: 2023-04-26  

作者简介 About authors

陈刚，硕士研究生，主要从事矿山测量及地质勘测研究.E-mail：2020222831@nwnu.edu.cn , E-mail：2020222831@nwnu.edu.cn

摘要

积雪消融是气候变化和水资源管理的重要影响因素。本文联合Sentinel-1与Sentinel-2时序数据，提出了一种联合SAR与光学遥感数据的积雪消融识别方法。以祁连山区八宝河流域为研究区，利用ESTARFM时空数据融合模型得到与Sentinel-1同时相的Sentinel-2模拟数据，提取流域积雪覆盖范围；基于SAR多时相多极化变化检测算法提取湿雪；结合光学遥感与DEM数据对SAR提取的湿雪进行校正，最终获得八宝河流域消融期内18个时相干湿雪分布。利用GF-2影像和消融期的Sentinel-2影像分别对积雪和湿雪面积进行精度验证，结果表明该方法能够快速识别积雪消融时空变化，总体分类精度OA高达99%，Kappa系数高达0.86。同时，利用同一天早晚过境相差约12小时的升、降轨SAR数据对比分析了积雪消融变化特征。根据实验数据集分析表明，八宝河流域内干湿雪分布随时间剧烈变化，消融初期湿雪主要集中在河谷低海拔区域且消融速度快，随着气温的升高积雪消融至高海拔区域，而干雪主要分布在四周高海拔山区。且由于过境时间的差异，在整个消融期，降轨数据提取的湿雪面积小于升轨数据提取的湿雪面积。

关键词： 积雪消融 ; ESTARFM时空数据融合 ; Sentinel-1 ; Sentinel-2

Abstract

Snow cover is an important indicator of global climate change， and its surface high reflection and rapid ablation change characteristics affect the energy and water vapor exchange between the earth’s land surface and the atmosphere. Therefore， accurate identification of snow ablation information is crucial for local climate research and water resources management. The traditional methods of snow cover monitoring at meteorological stations and field measurements are not only time-consuming and laborious， but also limited in observation range， which cannot fully reflect the characteristics of snow cover at regional scale. Nowadays， satellites images with large-area simultaneous observation capabilities have become an important data source for snow cover monitoring. Optical remote sensing can reliably extract snow coverage， but it is easily affected by weather factors such as clouds and fog， and is not sensitive to dry/wet snow distinction， making it difficult to identify wet snow information. Synthetic aperture radar （SAR） not only overcomes the influence of atmospheric conditions， but also is sensitive to changes in dielectric constant caused by snow ablation， and can accurately identify wet snow. However， the common microwave wavelength is much larger than the particle size of dry snow， making it difficult to directly identify dry snow cover.In this paper， a snow cover ablation recognition method is proposed by combing SAR and optical remote sensing data. Taking Babao River basin as the research area， firstly， Sentinel-2 simulation data simultaneously with Sentinel-1 were obtained to extract the snow cover range by using the ESTARFM fusion model with MODIS and Sentinel-2 images. Wet snow cover was extracted based on a multi temporal and multi polarization SAR change detection algorithm. Then， by making a difference between the wet snow extracted from SAR and the snow cover extracted from Sentinel-2 simulation data， the distribution of wet and dry snow was obtained during the ablation period （February to May） in 2020. And the uncertainty of dry and wet snow obtained is corrected through two methods： （1） the wet snow outside the snow coverage area is divided into snow free pixels based on the snow cover extracted by Sentinel-2； （2） by calculating the average elevation of wet snow on semi-shady slope， semi-sunny slope and sunny slope， all the dry snow below this elevation was corrected as wet snow. Finally， the distribution of dry and wet snow in 18 days during the ablation period in Babao River basin was obtained. At the same time， GF-2 images was used to verify the accuracy of the snow cover range， and the Sentinel-2 image during the severe ablation period were used to verify the accuracy of the wet snow distribution. The results show that the method can quickly identify the characteristics of snow ablation in Babao River basin， and the overall classification accuracy OA is as high as 99%， and the Kappa coefficient is as high as 0.86.Experiments show that the spatial distribution of dry and wet snow cover changes drastically with time in the Babao River basin during the ablation period in 2020. In the initial stage of ablation the wet snow at the is mainly concentrated in the low-altitude area of the valley， while dry snow is mainly distributed in surrounding high altitude mountainous areas. Subsequently， the wet snow area extracted from the descending orbit and ascending orbit data shows an increasing trend， while the snow cover area is basically stable. As the temperature further increases， the snow cover in high-altitude areas begains to melt. And due to the difference in satellite transit time， the area of wet snow extracted from descending orbit data is smaller than that extracted from ascending orbit data during the entire ablation period. This method can fully utilize the advantages of SAR and optical remote sensing images to quickly monitor snow cover ablation changes except for forest cover areas， and provide reliable basic data for research on climate change， water resource management， and other related fields.

Keywords： snow ablation ; ESTARFM spatiotemporal data fusion ; Sentinel-1 ; Sentinel-2

PDF (9656KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

陈刚, 陈兴杰, 张彦丽. 联合SAR与光学遥感数据的山区积雪消融识别[J]. 冰川冻土, 2023, 45(3): 1155-1167 doi:10.7522/j.issn.1000-0240.2023.0088

CHEN Gang, CHEN Xingjie, ZHANG Yanli. Mountain snow ablation recognition combined with SAR and optical remote sensing data[J]. Journal of Glaciology and Geocryology, 2023, 45(3): 1155-1167 doi:10.7522/j.issn.1000-0240.2023.0088

0 引言

积雪是全球气候变化的重要指示器，其快速消融变化影响着地球陆地表面与大气之间的能量流通和水汽交换［1-2］。季节性积雪是我国西北干旱半干旱区域淡水资源的重要组成部分，实时准确地监测积雪消融变化对局部气候研究和水资源管理至关重要。传统的气象台站积雪监测和人工野外测量方法不仅费时费力，而且不能全面观测区域尺度的积雪特性［3］。

自20世纪70年代以来，具有大面积同步观测的卫星遥感已成为积雪观测的重要工具。根据积雪在可见光/近红外波段的强反射而在短波红外波段强吸收的特性，科研人员广泛使用Landsat和MODIS等传感器各波段的比值/差值运算、归一化差分积雪指数（NDSI）等方法研究积雪的覆盖范围变化［4-5］。Dozier［6］首次提出了NDSI，用于区分积雪、厚云和其他地物。Hall等［7］基于NDSI提出了积雪制图SNOMAP算法，成功用于地球观测系统（EOS）的中分辨率成像光谱仪（MODIS）数据，并发布了MODIS全球每日（MOD10A1）与8日（MOD10A2）积雪产品。Gascoin等［8］利用高空间分辨率Sentinel-2和Landsat-8数据提取了精度较高的山区积雪分布图。陈鹏等［9］利用风云三号卫星（FY-3D）基于NDSI积雪提取算法对天山中段进行积雪提取，发现其积雪提取精度比MOD10A1更高。然而，由于光学遥感数据难以区分湿雪和干雪，且卫星接收的辐射信号还会受到云、雾等天气因素影响，使得积雪遥感消融识别受到限制。

微波遥感不仅克服了大气条件的影响，而且对积雪消融引起的介电常数变化较为敏感［10］。无论是主动微波还是被动微波遥感，传感器接收的信号均受积雪湿度、密度、颗粒大小以及地表粗糙度等性质影响［11］。由于被动微波遥感数据空间分辨率往往较低，难以满足流域小尺度积雪消融研究。高分辨率合成孔径雷达SAR（米级）具有全天候全天时对地观测能力，能够有效监测积雪消融变化［12-13］。研究发现，湿雪将明显降低SAR后向散射信号［14-16］，因此国内外学者通常使用SAR融雪影像与只有干雪或无雪的参考影像后向散射系数进行对比，用于区分干湿雪［17-19］。Rott等［20］首次提出SAR多时相变化检测法，计算多时相ERS-1/2 SAR数据融雪影像与同轨道参考影像（未融雪影像）的后向散射系数差值，基于阈值分割方法得到积雪消融分布图。Nagler等［21］提出SAR多时相多极化变化检测算法，通过将Sentinel-1数据的VV极化与VH极化进行权重组合，并引入卫星局地入射角提高了山区融雪提取精度。然而，由于C波段的波长远大于干雪粒径，SAR数据对干雪的后向散射回波较弱［22-23］，虽然该方法可以较高精度地识别湿雪但无法直接区分干雪。

众多学者为了充分利用光学遥感与微波遥感各自优势，提出了联合SAR与光学遥感数据的积雪消融识别方法，通常基于光学遥感数据波段比或NDSI方法提取积雪覆盖范围，利用SAR数据提取湿雪，从而获得干湿雪分布［24-26］。Koskinen等［27］利用ERS-2 SAR和NOAA/AVHRR数据监测芬兰北部春季融雪过程，通过地面实测资料发现联合SAR和光学遥感数据可以精确的监测积雪消融变化。Snapir等［25］使用Sentinel-1数据基于多时相多极化变化检测算法提取湿雪，联合MODIS积雪产品（MOD10A1和MYD10A1）生成每月的干湿雪分布图，并利用数字高程模型（DEM）对山区SAR湿雪低估现象进行校正。该方法能够有效监测积雪深度减少而积雪面积几乎没有减少的潜在融雪过程，但为了便于两种数据联合监测，将SAR空间分辨率降低为500 m，增加了干湿雪识别的不确定性。Varade等［26］联合Sentinel-1/2数据研究喜马拉雅山脉的干湿雪分布：基于Sentinel-1数据利用SAR变化检测算法提取湿雪；基于Sentinel-2多光谱数据计算NDSI提取积雪。然而，上述研究会出现以下两方面问题，使得干湿雪提取精度降低：一是对SAR提取的湿雪不确定性通常不做校正处理；二是山区积雪消融较为快速，SAR与光学卫星数据之间存在时相差异将导致一定不确定性。因此，在联合SAR与光学数据识别山区积雪消融研究中，如何获得同时相的两种数据尤为重要。研究人员通过利用Zhu等［28］提出的ESTARFM时空数据融合模型，将日尺度MODIS数据与Landsat、Sentinel-2等高空间分辨率影像进行融合，获得相应日尺度高分辨率影像，便于湖泊、积雪等时序变化研究［29-31］。

本文以祁连山区东北部八宝河流域为研究区，提出了一种联合Sentinel-1 SAR与Sentinel-2光学遥感数据的积雪消融识别研究方法。基于ESTARFM时空数据融合模型，通过Sentinel-2与MODIS产品获得与Sentinel-1同时相的Sentinel-2模拟数据用于积雪面积提取；使用SAR多时相多极化变化检测算法将VV和VH极化进行权重组合提取流域内的湿雪，并引入DEM数据对SAR提取湿雪的低估现象进行校正，获得2020年2—5月干湿雪时空分布。

1 研究区与数据

1.1　研究区概况

八宝河流域位于祁连山区东北部（37°43′15″~38°18′24″ N，100°00′35″~101°09′04″ E），如图1所示。流域总面积约为2 511 km2，东西全长约104 km［32］，流域地形复杂，周围被高山环绕，海拔介于2 603~4 969 m。流域年平均气温为-4.2 ℃，冬季降雪频繁，每年10月—次年4月流域降雪较多，是众多寒冷高山盆地的典型代表［33］。流域主要土地覆盖类型为：林地、草地、苔藓、裸地、水体、冰川和积雪［34-35］。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区概况

Fig. 1   Overview of the study area


1.2　实验数据集

如表1所示，本研究所用的数据集包括三类：微波遥感数据、光学遥感数据和DEM等辅助数据。

表1   数据基本信息

Table 1  Basic data information

数据集名称空间分辨率时间/数据量数据来源用途
Sentinel-1A及精密轨道数据5 m（距离向）×20 m（方位向）2020年2—5月26景降轨数据，11景升轨数据ESA湿雪提取
Sentinel-210/20/60 m2020年2—5月30景数据融合与积雪提取
MOD09GA500 mNASA
ESA_WorldCover10 m2020年ESA湿雪校正
SRTM DEM30 m—USGS地形校正、配准、湿雪平均海拔计算
GF-20.8 m2020年3月23日2景遥感科学国家重点实验室积雪精度验证
ERA5-Land0.1°2020年2—5月哥白尼气候变化服务数据平台辅助分析

新窗口打开| 下载CSV


（1）Sentinel-1A SLC产品：本研究选择重访周期12 d的Sentinel-1A SLC级产品升、降轨数据（VV、VH极化方式），经过多视处理（多视数：方位向1×距离向3）后得到制图分辨率为12.5 m的结果。其中降轨需要2景数据镶嵌在一起完全覆盖整个流域，升轨数据只需1景即可覆盖。参考气象站点观测数据和历史积雪研究资料［35-37］，将2020年2—5月确定为流域的积雪消融期。然而，由于5月份Sentinel-1A升轨数据缺失，本研究选取了13个时相26景降轨数据和11个时相11景升轨数据。其中，选取2020年2—5月共10个时相的20景降轨数据和2—4月共8个时相的8景升轨数据用于湿雪提取。此外，根据Sentinel-2影像提取的积雪分布选择Sentinel-1三天（2020年8月12日、8月24日和9月5日）降轨与升轨影像作为参考影像。同时，为了提高数据处理精度，获取了Sentinel-1卫星过境21 d后对应的精密轨道数据POD（优于5 cm）。

（2）Sentinel-2和MOD09GA产品：由于覆盖整个研究区需要3景Sentinel-2或1景MOD09GA影像，同时根据ESTARFM融合模型原理，融合1个时相的Sentinel-2模拟影像，需要2个时相Sentinel-2与3个时相MOD09GA影像。因此，本研究选取了10个时相共30景云量<5%的Sentinel-2 L1C影像和30景MOD09GA影像。以Sentinel-2为基准，对MOD09GA数据进行重投影和重采样等预处理［31］，基于ESTARFM模型融合得到与Sentinel-1相同空间分辨率的Sentinel-2模拟影像用于提取积雪。

（3）辅助数据主要包括四类：SRTM DEM、地表覆盖数据集ESA_WorldCover、GF-2数据和ERA5-Land。其中，DEM与ESA_WorldCover用于SAR数据地形校正以及SAR提取的湿雪校正；2景GF-2数据用于验证积雪提取精度。ERA5-Land是欧洲中期天气预报中心（European Centre For Medium-Range Weather Forecasts，ECWMF）哥白尼气候变化服务计划的成果之一，是全球陆面气候再分析数据集，本文利用逐日平均气温数据进行积雪消融变化辅助分析和佐证。

2 原理与方法

湿雪SAR后向散射强度与积雪含水量、雪深、地表粗糙度和介电性质等有关，随着积雪液态水含量增加，其介电常数虚部大幅增加，电磁波对积雪穿透深度急剧减小，使得后向散射系数明显降低。然而，SAR数据极易穿透干雪，难以定量研究积雪消融变化。光学遥感对高反射率的积雪信号极其敏感，但在深雪区域，融雪使积雪深度减小，而积雪覆盖范围并未减少，目前多光谱遥感数据难以识别这种积雪消融信息。因此，需要通过联合SAR与光学数据得到研究区干湿雪分布［24-26］。此外，Sentinel-1与Sentinel-2卫星过境时间差异较大，难以获得两种卫星同时相过境的数据。本文基于ESTARFM时空数据融合模型，获得与SAR同时相的多光谱模拟数据，将两种卫星数据时间差异引起的积雪消融降至最低，从而提高干湿雪提取精度。

本文联合SAR与光学遥感数据识别积雪消融变化，主要包括三个步骤：首先，使用ESTARFM融合模型得到与SAR同时相的光学模拟影像，并提取积雪覆盖范围；再利用SAR多时相多极化变化检测算法提取湿雪；最后，基于积雪与湿雪信息通过DEM对干湿雪进行校正，得到研究区的干湿雪分布，其技术流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   联合SAR与光学数据的山区积雪消融识别流程

Fig. 2   Flow chart of snow ablation recognition in mountainous areas combined with SAR and optical remote sensing data


2.1　基于光学数据的积雪提取

首先通过ESTARFM融合模型利用两对基准时刻的高时间分辨率MOD09GA影像和高空间分辨率Sentinel-2影像及一景待融合时刻（与Sentinel-1同时相）的MOD09GA影像，获得待融合时刻的Sentinel-2模拟影像，其理论方法详见文献［28］。并根据积雪在可见光/近红外波段的高反射率，而在短波红外的低反射率原理提取积雪［31］。本文利用Hall等［7］提出的积雪识别SNOMAP算法，在NDSI≥0.40阈值基础上，增加了近红外波段反射率≥0.11与绿波段反射率≥0.10的判别因子［38］。最终，将Sentinel-2模拟影像满足以上三个条件的像元判定为积雪，计算公式如下所示：

NDSI=ρ3-ρ11ρ3+ρ11≥0.40ρ8a≥0.11ρ3≥0.10

式中：ρ3、ρ11、ρ8a分别为Sentinel-2数据的第3、第11和第8a波段的反射率。

2.2　基于SAR数据的湿雪提取

SAR多时相多极化变化检测算法是通过计算融雪影像与同轨道参考影像（未融雪影像）后向散射系数的差值，根据-2 dB阈值提取湿雪像元。将局地入射角（θ）小于18°和大于78°区域进行掩膜处理［20］，对VV与VH极化后向散射系数做去噪处理［39］。再将多个时相的融雪影像与参考影像的后向散射系数做差，即可得到VV与VH极化的变化检测影像，如式（2）所示。

IF(θ<18° and θ>78°)→掩膜IF(σVV<-20 dB and -30 dB<σVH<-24 dB)→去噪R=σws-σref

式中：σVV、σVH分别为VV与VH极化的后向散射系数；σws、σref分别为融雪影像和参考影像的后向散射系数；R为变化检测影像的后向散射系数。

为了抑制后向散射随时间变化的影响以及减弱SAR散斑噪声，选择与融雪影像相同成像模式的多个时相无雪/干雪影像后向散射系数均值作为参考影像，但是八宝河流域没有完全被干雪全覆盖的影像。通过光学影像发现流域内有三天（2020年8月12日、2020年8月24日和2020年9月5）基本无积雪覆盖。因此，选择这三天Sentinel-1影像，通过计算后向散射系数均值分别得到降轨与升轨参考影像。此外，由于SAR交叉极化在地形陡峭地区对同极化提取湿雪的灵敏度降低有补偿作用［21］，因此将VV和VH极化后向散射系数进行权重组合，即：

RC=WRVH+(1-W)RVV

式中：RC为权重组合的后向散射系数；W为权重系数，其大小随θ而变化［21］，如式（4）所示。

IF(θ<θ1)→W=1.0IF(θ1≤θ≤θ2)→W=K1+(θ2-θ)(θ2-θ1)IF(θ>θ2)→W=K

式中：K为常量0.5；θ1为20°；θ2为45°。基于以上公式，即可获得湿雪覆盖范围。

2.3　联合SAR与光学数据的干湿雪提取与校正

光学遥感数据对高反射率的积雪信号极其敏感，可以准确地提取积雪覆盖范围信息。但光学遥感数据会受到云、雾等天气因素影响，同时光学遥感数据难以区分湿雪和干雪。微波遥感不仅克服了大气条件的影响，而且对积雪消融引起的介电常数变化较为敏感，但SAR数据极易穿透干雪，无法直接识别干雪。因此，可以充分利用SAR与光学遥感数据的优势，将光学提取的积雪与SAR提取的湿雪相减得到流域的干湿雪分布，如式（5）所示。

NDSI≥0.40ρ8a≥0.11      ρ3≥0.10        =2 积雪0 非积雪-RC<-2 dB=1 湿雪0 非湿雪=0 非积雪1  湿雪2 干雪

根据式（5），分别基于同一天过境的Sentinel-2和Sentinel-1数据获得积雪和湿雪信息，通过两者相减即可获得干雪空间分布。然而，由于提取的湿雪信息存在一定的不确定性，需要对其进行校正处理，主要包括两部分：（1）以Sentinel-2提取的积雪为基准，校正Sentinel-1所提取的湿雪分布，将积雪面积外的湿雪标记为误分像元，并校正为无雪；（2）通过DEM计算半阴坡、半阳坡、阳坡的平均湿雪海拔，对低于平均湿雪海拔的干雪校正为湿雪。通过以上两方面的校正处理，最终得到精度较高的干湿雪分布，便于积雪消融变化识别。

3 结果与分析

3.1　精度评价

3.1.1　积雪识别精度评价

本文选取2020年3月23日GF-2影像对2020年3月21日Sentinel-2模拟影像积雪提取进行精度评估，评价指标包括生产者精度（PA）、使用者精度（UA）、总体分类精度（OA）、错分误差（CE）、漏分误差（OE）和Kappa系数。由于获取的GF-2影像未完全覆盖整个流域，因此选择A、B两个样区进行验证（图1）；同时由于GF-2影像缺少短波红外波段，则利用可见光波段均值（MeanVis）来提取积雪［40］，其中B样区积雪提取结果如图3所示。结果显示，基于Sentinel-2提取的积雪与GF-2提取的积雪空间分布具有较高一致性。表2统计结果也表明，基于ESTARFM融合得到的Sentinel-2模拟影像提取的积雪精度较高，两个样区的OA均大于79%，Kappa系数均大于0.57。由于GF-2影像与Sentinel-2模拟影像时间相隔两天，因此两种数据提取的积雪面积存在积雪消融引起的分类误差。结合ERA5-Land气温数据和地表覆盖数据集发现，2020年3月21—23日气温升高，在灌木、裸地、草地和苔藓区域由于积雪消融产生了一些分类误差像元。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2020年3月23日GF-2与2020年3月21日Sentinel-2模拟影像积雪提取对比（以B样区为例）

Fig. 3   Comparison of snow extraction from GF-2 on March 23， 2020， and Sentinel-2 simulated images on March 21， 2020 （Taking sample area B as an example）： GF-2 true color image （a）； GF-2 image snow extraction result （b）； land cover dataset （c）； Sentinel-2 false colour composite image （d）； snow extraction result of Sentinel-2 simulated image （e）； snow error distribution map （f）


表2   A和B样区积雪提取精度验证

Table 2  Accuracy verification of snow extraction result in A and B sample areas

GF-2影像（真值）Sentinel-2模拟影像
积雪像元非积雪像元
样区A积雪像元2 209 704216 758
非积雪像元223 910466 750
PA=91%；UA=90.7%；OA=86%；CE=9.3%；OE=8.9%；Kappa=0.60
样区B积雪像元1 558 505293 007
非积雪像元339 111847 595
PA=84.2%；UA=82.1%；OA=79%；CE=17.9%；OE=16.8%；Kappa=0.57

新窗口打开| 下载CSV


3.1.2　湿雪精度评价

由于验证湿雪信息较为困难，很多研究利用剧烈消融期光学影像提取的积雪面积验证湿雪［21，24］。因此，为了评价SAR多时相多极化变化检测算法提取湿雪的精度，选择2020年消融末期积雪消融剧烈的4月26日Sentinel-2影像提取的积雪作为湿雪“真值”，对同一天的升、降轨SAR湿雪提取结果进行验证。从图4可以看出，基于Sentinel-2提取的积雪面积与SAR提取湿雪的空间分布具有较高一致性，构建两者的混淆矩阵，如表3所示。结果表明，基于SAR提取的湿雪精度较高：降轨数据PA为99.4%，UA为98.7%，OA为98%，Kappa系数为0.80；升轨数据PA为99.6%，UA为99.1%，OA为99%，Kappa系数为0.86。总体而言，SAR升轨数据提取的湿雪精度高于降轨数据，可能与两者时相差异引起的积雪消融有关。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   湿雪验证及误差空间分布（以2020年4月26日为例）

Fig. 4   Wet snow verification and error spatial distribution map （Taking April 26， 2020 as an example）： Sentinel-2 false colour composite image （a）； snow extraction result of Sentinel-2 image （b）； extraction of wet snow from descending orbit data （c）； error distribution map of descending orbit data （d）； extraction of wet snow from ascending orbit data （e）； error distribution map of ascending orbit data （f）


表3   SAR多时相多极化变化检测算法湿雪提取精度验证

Table 3  Verification of wet snow extraction accuracy of SAR multi-temporal multi-polarization change detection algorithm

Sentinel-2影像（湿雪真值）Sentinel-1影像
湿雪像元非湿雪像元
2020-04-26降轨湿雪像元7 529 61639 749
非湿雪像元93 728274 443
PA=99.4%；UA=98.7%；OA=98%；CE=2.3%；OE=0.5%；Kappa=0.80
2020-04-26升轨湿雪像元7 541 99427 371
非湿雪像元65 538302 633
PA=99.6%；UA=99.1%；OA=99%；CE=0.89%；OE=0.36%；Kappa=0.86

新窗口打开| 下载CSV


3.2　湿雪信息校正

研究发现，SAR提取的湿雪信息存在一定的不确定性，在Sentinel-2提取的积雪覆盖范围外，SAR仍然检测到了湿雪，其原因可能在于融雪影像与参考影像后向散射系数阈值法提取差异所产生，也可能是由于积雪融化产生的土壤积水被错误地提取为湿雪［24］。本文以Sentinel-2提取的积雪为基准，将积雪面积外的湿雪视为误分像元。由图5可以看出，尽管误分像元仅占总积雪面积的极小部分（最高占0.48%），但是其面积随着SAR提取的湿雪面积的增加而扩大，且主要分布在裸地、草地、苔藓及灌木区域，在这些区域随着植被的生长，土壤表面散射逐渐被体积散射所取代［25］，增加了湿雪提取的不确定性。因此，为了避免森林冠层导致后向散射差异而误判为湿雪［24］，利用ESA_WorldCover数据集将森林区域进行掩膜处理。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   误分像元和积雪像元以及Sentinel-1湿雪像元的比率

Fig. 5   The ratio of misclassified pixels to snow pixels and Sentinel-1 wet snow pixels： descending orbit data （a）； ascending orbit data （b）


此外，通过引入DEM数据对联合SAR与光学遥感数据得到的干湿雪分布进行校正。图6描述了2020年2月26日的干湿雪校正过程：首先分别计算半阴坡、半阳坡和阳坡湿雪的平均融化海拔高度；再将图6（a）中低于湿雪平均海拔的干雪像元经过DEM数据划分为低于阳坡湿雪平均海拔的干雪、低于半阳坡湿雪平均海拔的干雪和低于半阴坡湿雪平均海拔的干雪；最后将低于平均融化高度的所有干雪像元校正为湿雪像元，如放大图6（b）所示。图7统计了八宝河流域2020年消融期干湿雪面积及其校正前后的变化曲线，其中，绿色虚线为Sentinel-1检测到的湿雪，绿色实线为经过平均融化海拔高度校正的湿雪。可以看出，经校正的湿雪面积高于未校正的湿雪面积，2020年2—5月积雪和干雪面积逐渐减小，而湿雪面积逐渐增大，但由于受降雪影响4月26日后干雪面积有所增加而湿雪面积逐渐减小。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   利用DEM数据干湿雪校正过程（以2020年2月26日为例）

Fig. 6   Wet and dry snow correction process chart using DEM data （Taking February 26， 2020 as an example）： uncorrected wet and dry snow distribution （a）； enlarged view after correction （b）


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   积雪面积与干湿雪校正面积曲线

Fig. 7   Curves of snow cover area and dry and wet snow correction area： descending orbit data （a）； ascending orbit data （b）


3.3　八宝河流域干湿雪时空变化特征
3.3.1　积雪时空变化特征

本文基于ESTARFM数据融合模型得到2020年2—5月与Sentinel-1数据同时相的Sentinel-2模拟数据，用于提取积雪面积。从图8可以看出，2020年2—4月积雪面积呈逐渐减小的趋势，但在4—5月积雪面积变化很小。根据ERA5-Land气温与降水数据可知，在2020年4月后气温升高但有小规模降雪发生，因此4—5月积雪面积总体变化不大，且主要分布在高海拔山区。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   基于Sentinel-2影像的八宝河流域2020年2—5月积雪分布

Fig. 8   Snow distribution map of Babao River basin from February to May 2020 based on Sentinel-2 images


3.3.2　干湿雪时空变化特征

以上结果表明，联合SAR与光学数据能够准确识别八宝河流域积雪消融变化。图9为流域2020年消融期18个时相的（降轨10个时相，升轨8个时相）干湿雪分布结果，其中同一天升、降轨卫星过境时间相差约为12小时。可以看出，流域内干湿雪分布随时间变化剧烈，消融初期湿雪主要集中在河谷低海拔区域且消融速度快，干雪主要分布在四周高海拔山区。消融末期随着气温的升高积雪消融至高海拔区域。图10表明，湿雪面积变化与ERA5-Land气温数据变化趋势较为一致，同一天升轨与降轨数据提取的湿雪面积差与当日平均温度呈正相关，气温越高湿雪面积差越大，即积雪消融越剧烈。此外，由于降轨数据比升轨数据早12小时左右，因此在整个消融期降轨数据提取的湿雪面积整体小于升轨数据。在消融初期（2月14日）气温升高，升轨和降轨数据提取的湿雪面积均增加，而积雪面积基本保持稳定状态。3月9日—4月14日积雪开始剧烈消融，湿雪面积逐渐增大，积雪面积逐渐减小。4月26日以后随着气温的升高积雪消融至高海拔区域，积雪基本消融为湿雪状态，且积雪和湿雪的面积均开始减小。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   基于Sentinel-1/2数据的八宝河流域2020年2—5月干湿雪分布

Fig. 9   Distribution map of dry and wet snow in Babao River basin from February to May 2020 based on Sentinel-1/2 data


图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   2020年八宝河流域积雪消融期（2—5月）湿雪面积与气温变化曲线对比图

Fig. 10   Comparison of wet snow area and temperature change curves during the snow ablation period （February to May） in the Babao River basin in 2020


4 结论与讨论

本文以祁连山八宝河流域为研究区，充分利用SAR与光学遥感数据的优势，基于Sentinel-1和Sentinel-2数据，提出一种联合SAR与光学遥感数据的积雪消融识别方法，获得2020年消融期（2—5月）的干湿雪分布。此外，本文对SAR提取的湿雪信息不确定性进行校正。根据实验数据集分析表明，该方法提取流域的干湿雪分布精度较高，能够快速识别八宝河流域积雪消融时空变化。同时结合气温数据，发现流域内干湿雪分布随时间剧烈变化，消融初期降轨和升轨数据提取的湿雪面积均呈增加的趋势，而积雪面积基本呈稳定的状态。随着气温升高，积雪开始剧烈消融，湿雪面积逐渐增加而积雪面积开始减小，且在整个消融期，同时相的升轨数据提取的湿雪面积大于降轨数据提取的湿雪面积。

然而，该方法提取的结果仍然存在不确定性，主要包括两个方面：（1）由于在植被茂密的森林区域湿雪与干雪的后向散射系数差低至-1 dB，使其很难被检测到［41，24-25］，而本文仅利用ESA_WorldCover数据集将森林区域进行掩膜处理，使得森林区域积雪消融信息缺失。（2）Sentinel-1卫星在八宝河流域过境时间为上午7时（北京时间，下同；降轨）和晚上7时（升轨），均不是识别积雪消融的最佳时间，由于积雪在早上和晚上可能会重新冻结，将导致湿雪提取的低估。后续研究中可以选择其他正午时刻过境的卫星或者结合气象站点温度观测值来校正湿雪的低估。

参考文献

Qin Dahe. Introduction to cryosphere science［M］. Beijing： Science Press， 2017.

[本文引用: 1]

秦大河. 冰冻圈科学概论［M］. 北京： 科学出版社， 2017.

[本文引用: 1]

Wang Jian， Che Tao， Li Zhen， et al.

Investigation on snow characteristics and their distribution in China

［J］. Advances in Earth Science， 2018， 33（1）： 12-26.

[本文引用: 1]

王建， 车涛， 李震， 等.

中国积雪特性及分布调查

［J］. 地球科学进展， 2018， 33（1）： 12-26.

[本文引用: 1]

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.

[本文引用: 1]

Sidjak R W.

Glacier mapping of the Illecillewaet icefield， British Columbia， Canada， using Landsat TM and digital elevation data

［J］. International Journal of Remote Sensing， 1999， 20（2）： 273-284.

[本文引用: 1]

Zhang Hongfeng， Ouyang Zhiyun， Zheng Hua， et al.

Valuation of glacier ecosystem services in the Manas River watershed， Xinjiang

［J］. Acta Ecologica Sinica， 2009， 29（11）： 5877-5881.

[本文引用: 1]

张宏锋， 欧阳志云， 郑华， 等.

新疆玛纳斯河流域冰川生态系统服务功能价值评估

［J］. 生态学报， 2009， 29（11）： 5877-5881.

[本文引用: 1]

Dozier J.

Spectral signature of alpine snow cover from the landsat thematic mapper

［J］. Remote Sensing of Environment， 1989， 28： 9-22.

[本文引用: 1]

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.

[本文引用: 2]

Gascoin S， Grizonnet M， Bouchet M， et al.

Theia snow collection： high-resolution operational snow cover maps from Sentinel-2 and Landsat-8 data

［J］. Earth System Science Data， 2019， 11（2）： 493-514.

[本文引用: 1]

Chen Peng， Wang Yong， Zhang Qing， et al.

Comparison of the accuracy of normalized snow cover indices between FY-3D/MERSI-Ⅱ and MODIS

［J］. Arid Land Geography， 2020， 43（2）： 434-439.

[本文引用: 1]

陈鹏， 王勇， 张青， 等.

基于FY-3D/MERSI-Ⅱ归一化积雪指数和MOD10A1的精度对比分析

［J］. 干旱区地理， 2020， 43（2）： 434-439.

[本文引用: 1]

Rott H， Mätzler C.

Possibilities and limits of synthetic aperture radar for snow and glacier surveying

［J］. Annals of Glaciology， 1987， 9： 195-199.

[本文引用: 1]

Shi Jiancheng， Dozier J.

Inferring snow wetness using C-band data from SIR-C’s polarimetric synthetic aperture radar

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1995， 33（4）： 905-914.

[本文引用: 1]

Baghdadi N， Fortin J P， Bernier M.

Accuracy of wet snow mapping using simulated Radarsat backscattering coefficients from observed snow cover characteristics

［J］. International Journal of Remote Sensing， 1999， 20（10）： 2049-2068.

[本文引用: 1]

Li Zhen， Liao Jingjuan， Zhang Ping， et al. Synthetic aperture radar surface parameters inversion model and method［M］. Beijing： Science Press， 2011.

[本文引用: 1]

李震， 廖静娟， 张平， 等. 合成孔径雷达地表参数反演模型与方法［M］. 北京： 科学出版社， 2011.

[本文引用: 1]

Ulaby F T， Stiles W H， Brunfeldt D， et al.

1-35 GHz microwave scatterometer

［C］//1979 IEEE MTT-S International Microwave Symposium Digest. Piscataway， NJ： IEEE， 2010： 551-553.

[本文引用: 1]

Mätzler C.

Applications of the interaction of microwaves with the natural snow cover

［J］. Remote Sensing Reviews， 1987， 2（2）： 259-387.

Shi Jiancheng， Dozier J， Rott H.

Snow mapping in alpine regions with synthetic aperture radar

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1994， 32（1）： 152-158.

[本文引用: 1]

Floricioiu D， Rott H.

Seasonal and short-term variability of multifrequency， polarimetric radar backscatter of Alpine terrain from SIR-C/X-SAR and AIRSAR data

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2001， 39（12）： 2634-2648.

[本文引用: 1]

Ashcraft I S， Long D G.

Comparison of methods for melt detection over Greenland using active and passive microwave measurements

［J］. International Journal of Remote Sensing， 2006， 27（12）： 2469-2488.

He Guangjun， Feng Xuezhi， Xiao Pengfeng， et al.

Dry and wet snow cover mapping in mountain areas using SAR and optical remote sensing data

［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2017， 10（6）： 2575-2588.

[本文引用: 1]

Rott H， Nagler T.

Capabilities of ERS-1 SAR for snow and glacier monitoring in alpine areas

［J］. European Space Agency-Publications-ESA SP， 1994， 361： 965-965.

[本文引用: 2]

Nagler T， Rott H， Ripper E， et al.

Advancements for snowmelt monitoring by means of sentinel-1 SAR

［J］. Remote Sensing， 2016， 8（4）： 348.

[本文引用: 4]

Langley K， Hamran S E， Hogda K A， et al.

Use of C-band ground penetrating radar to determine backscatter sources within glaciers

［J］. IEEE Transactions on Geoscience and Remote Sensing， 2007， 45（5）： 1236-1246.

[本文引用: 1]

Liang Dong， Guo Huadong， Zhang Lu， et al.

Time-series snowmelt detection over the Antarctic using Sentinel-1 SAR images on Google Earth Engine

［J］. Remote Sensing of Environment， 2021， 256： 112318.

[本文引用: 1]

Rondeau-Genesse G， Trudel M， Leconte R.

Monitoring snow wetness in an alpine basin using combined C-band SAR and MODIS data

［J］. Remote Sensing of Environment， 2016， 183： 304-317.

[本文引用: 6]

Snapir B， Momblanch A， Jain S K， et al.

A method for monthly mapping of wet and dry snow using Sentinel-1 and MODIS： application to a Himalayan river basin

［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 74： 222-230.

[本文引用: 3]

Varade D， Dikshit O， Manickam S.

Dry/wet snow mapping based on the synergistic use of dual polarimetric SAR and multispectral data

［J］. Journal of Mountain Science， 2019， 16（6）： 1435-1451.

[本文引用: 3]

Koskinen J， Metsämäki S， Grandell J， et al.

Snow monitoring using radar and optical satellite data

［J］. Remote Sensing of Environment， 1999， 69（1）： 16-29.

[本文引用: 1]

Zhu Xiaolin， Chen Jin， Gao Feng， et al.

An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions

［J］. Remote Sensing of Environment， 2010， 114（11）： 2610-2623.

[本文引用: 2]

Hao Guibin， Wu Bo， Zhang Lifu， et al.

Temporal and spatial variation analysis of the area of Siling Co Lake in Tibet based on ESTARFM （1976—2014）

［J］. Journal of Geo-Information Science， 2016， 18（6）： 833-846.

[本文引用: 1]

郝贵斌， 吴波， 张立福， 等.

ESTARFM模型在西藏色林错湖面积时空变化中的应用分析（1976—2014年）

［J］. 地球信息科学学报， 2016， 18（6）： 833-846.

[本文引用: 1]

Wang Jianxun， Hua Li， Deng Shichao， et al.

Extraction of paddy rice in hilly area of South China based on spatial-temporal fusion of GF-1 and MODIS data

［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2019， 40（5）： 37-46.

王建勋， 华丽， 邓世超， 等.

基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究

［J］. 中国农业资源与区划， 2019， 40（5）： 37-46.

Liu Q， Zhang Y.

Study on snow cover change based on the fusion of Sentinel-2 and MODIS images

［J］. ISPRS Annals of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2022， 3： 333-338.

[本文引用: 3]

Shen Shi， Ye Sijing， Cheng Changxiu， et al.

Persistence and corresponding time scales of soil moisture dynamics during summer in the Babao River basin， Northwest China

［J］. Journal of Geophysical Research： Atmospheres， 2018， 123（17）： 8936-8948.

[本文引用: 1]

Li Haojie， Li Hongyi， Wang Jian， et al.

Monitoring high-altitude river ice distribution at the basin scale in the northeastern Tibetan Plateau from a Landsat time-series spanning 1999—2018

［J］. Remote Sensing of Environment， 2020， 247： 111915.

[本文引用: 1]

Ge Y， Wang J H， Heuvelink G B M， et al.

Sampling design optimization of a wireless sensor network for monitoring ecohydrological processes in the Babao River basin， China

［J］. International Journal of Geographical Information Science， 2015， 29（1）： 92-110.

[本文引用: 1]

Yan Yuna， Che Tao， Li Hongyi， et al.

Using snow remote sensing data to improve the simulation accuracy of spring snowmelt runoff： take Babao River basin as an example

［J］. Journal of Glaciology and Geocryology， 2016， 38（1）： 211-221.

[本文引用: 2]

闫玉娜， 车涛， 李弘毅， 等.

使用积雪遥感面积数据改善山区春季融雪径流模拟精度

［J］. 冰川冻土， 2016， 38（1）： 211-221.

[本文引用: 2]

Shen Liucheng， Wu Tao， You Qinglong， et al.

Analysis of the characteristics of spatial and temporal variations of snow depth and their causes over the central and eastern Tibetan Plateau

［J］. Journal of Glaciology and Geocryology， 2019， 41（5）： 1150-1161.

沈鎏澄， 吴涛， 游庆龙， 等.

青藏高原中东部积雪深度时空变化特征及其成因分析

［J］. 冰川冻土， 2019， 41（5）： 1150-1161.

Zhang Yanli， Hu Jiazheng， Chen Gang， et al.

A D-InSAR method to improve snow depth estimation accuracy

［J］. Chinese Science Bulletin， 2022， 67（25）： 3064-3080.

[本文引用: 1]

张彦丽， 胡嘉正， 陈刚， 等.

一种提高积雪深度估算精度的D-InSAR方法

［J］. 科学通报， 2022， 67（25）： 3064-3080.

[本文引用: 1]

Yang X C， Gao Y G， Bin X， et al.

Remote sensing monitoring of grassland snow in China： from October 2007 to March 2008

［J］. Geographical Research， 2008， 27（5）： 1109-1117.

[本文引用: 1]

Miranda N， Meadows P， Hajduch G， et al.

The Sentinel-1A instrument and operational product performance status

［C］//2015 IEEE International Geoscience and Remote Sensing Symposium （IGARSS）. Piscataway， NJ： IEEE， 2015： 2824-2827.

[本文引用: 1]

Song Yuyu.

Reconstruct the snow under the cloud and the cloud shadow in the Sentinel-2 data on the GEE platform and study its temporal and spatial changes

［D］. Lanzhou： Northwest Normal University， 2021.

[本文引用: 1]

宋雨钰.

基于GEE和Sentinel-2数据的云及云影下积雪重建与时空变化研究

［D］. 兰州： 西北师范大学， 2021.

[本文引用: 1]

Koskinen J T， Pulliainen J T， Hallikainen M T.

The use of ERS-1 SAR data in snow melt monitoring

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1997， 35（3）： 601-610.

[本文引用: 1]

/

〈 〉

陇ICP备2021001824号-10
　 甘公网安备 62010202000676号
网站版权 © 《冰川冻土》编辑部
地址：兰州市天水中路8号　
邮编：730000　电话：0931-8260767　
E-mail：edjgg@lzb.ac.cn
总访问量 　 今日访问 　 在线人数
技术支持：北京玛格泰克科技发展有限公司