EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 2: 244 - 252

DOI: https://doi.org/10.3724/SP.J.1047.2015.00244

光学与微波遥感的新疆积雪覆盖变化分析

  • 于泓峰 ,
  • 张显峰 , *
展开
  • 北京大学遥感与地理信息系统研究所,北京 100871
*通讯作者：张显峰(1967-),副教授,主要从事生态遥感、高光谱遥感数据智能处理与分析、遥感数据同化模拟等方向的研究。E-mail:

作者简介：于泓峰(1991-),男,硕士生,主要从事雪冰遥感反演和雪灾评价研究。E-mail:

收稿日期: 2014-06-20

  要求修回日期: 2014-10-27

  网络出版日期: 2015-02-10

基金资助

国家科技支撑计划课题(2012BAH27B03)

新疆兵团援疆项目(2014AB021)

收起

Retrieval and Analysis of Snow-covered Days in Xinjiang Based on Optical and Microwave Remote Sensing Data

  • YU Hongfeng ,
  • ZHANG Xianfeng , *
Expand
  • Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China
*Corresponding author: ZHANG Xianfeng, E-mail:

Received date: 2014-06-20

  Request revised date: 2014-10-27

  Online published: 2015-02-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

利用2002-2013年冬季的MODIS光学遥感数据,以及AMSR-E、AMSR2与MWRI被动微波遥感数据,建立了新疆地区冬季每日积雪分布遥感反演模型。首先,将Terra与Aqua双星MODIS的积雪产品融合,初步去云并最大化积雪信息;然后,利用AMSR-E/AMSR2和MWRI被动微波数据进行每日雪盖提取;最后,利用被动微波遥感数据反演得到的每日雪盖结果对双星融合后依然有云的像元进行替换,得到每日积雪分布情况。据此模型提取了11年间冬季的积雪天数信息,结合气象台站观测数据,分析了新疆冬季积雪的年内和年际变化规律。结果表明,新疆地区积雪主要分布在北部新疆,积雪天数与地形关系密切,山区积雪天数较多,盆地及城市区积雪天数较少;积雪天数年内变化是从11月到次年1月随温度降低逐渐增加,从1月到3月积雪天数则逐渐减少。新疆地区积雪天数在这11年中存在一定的波动,积雪天数与该年的平均气温,以及月低于0℃的天数存在显著相关性,与降雪量关系不明显。新疆地区近年来积雪天数重心有向西向南移动的趋势,这可能与全球气候变暖导致多年积雪融化有关。

关键词： 积雪天数; MODIS; AMSR-E; AMSR2; MWRI; 协同反演; 新疆

本文引用格式

于泓峰 , 张显峰 . 光学与微波遥感的新疆积雪覆盖变化分析[J]. 地球信息科学学报, 2015 , 17(2) : 244 -252 . DOI: 10.3724/SP.J.1047.2015.00244

Abstract

As an important land cover type of the Earth’s surface, snowpack has a huge effect on water cycle, climate change, environment and human activities. The snow covers are sensitive in indicating climate change and extreme weather events. Thus, it is significant to map the snowpack’s distribution and study the change trend of its time series. This study is focused on the use of the MODIS, AMSR-E, AMSR2 and MWRI data in winter (from November to March) from 2002 to 2013 to develop a retrieval model of daily snow distribution in Xinjiang. The technical process of establishing this model is divided into the following steps. First, data fusion was employed to handle the Terra and Aqua MODIS snow cover products, reduce the proportion of cloud pixels, and maximize the percentage of snow pixels, because the cloud has more mobility and it can change rapidly during the Terra and Aqua transit time. Second, AMSR-E, AMSR2 and MWRI data were used to retrieve daily snow cover map. Third, the two snow cover products were fused to produce cloud-free snow cover products. Based on the proposed approach, daily snow cover data of the entire Xinjiang were extracted for the winter days from 2002 to 2013. After that, the snow-covered days were extracted from the daily snow cover data using a statistical approach. For example, if a pixel location on the images was identified “snow” in three consecutive days, it was recognized as the type of “snow” and the count of days is “3”; otherwise, it was recognized as “non-snow” type. This algorithm was adopted to avoid mistakes in counting snow-covered days when the pixel location was only covered by snow within a short period that is less than a day. The method complies with the continuity aspect of the “snow cover” definition. The number of days covered with snow was finally retrieved for each pixel location in every winter using this proposed algorithm. The map of the averaged snow-covered days shows that the snow-covered days of Xinjiang have a close relationship with terrain, and the number of the snow-covered days in the mountainous areas is bigger than that in the basin and urban areas. The snow packs were mainly distributed in the northern part of Xinjiang. From November to January, snow-covered days increased because the temperature decreased, while from January to March, the number of the snow-covered days decreased with the rise of temperature. The snow-covered days of Xinjiang reveal some fluctuations from 2002 to 2013. The monthly snow-covered days showed significant correlation with the monthly average temperature and the number of days in a month having temperature lower than 0℃. The snow-covered days have no obvious relationship with snowfall. In recent years, the gravity centre of the snow-covered days in Xinjiang area has a southward and eastward movement trend, which may relate to the global warming. Further studies are needed to explain this issue in future.

Key words： snow-covered days; MODIS; AMSR-E; AMSR2; MWRI; co-retrieval; Xinjiang

1 引言

新疆位于亚欧大陆中部,中国西北边陲,地貌轮廓总的特点是山脉与盆地相间排列,俗称“三山夹两盆” [1]。新疆属于温带大陆性气候,冬季漫长而严寒,夏季短促而炎热,春秋季天气变化剧烈[2]。新疆独特的地理位置,脆弱的生态,使其对气候变化反应十分敏感[3]。积雪是新疆地区极为重要的水分资源。丰雪年对春季农耕生产和土壤保墒可起重要的补水作用,对牧草生长和荒漠生态环境改善意义重大,同时,对山区冰雪存储积累也起到积极作用[4]。但是,过于频繁的降雪可能会引起大量积雪覆盖地面,导致牲畜无法觅食,形成“白灾”;如果春季温度上升速度快,可能还会引发融雪型洪水。
传统积雪监测方法主要依靠地面气象台站观测。董安祥等[5]利用气象台站资料,通过复经验正交函数法,分析了北疆40年积雪天数的时空变化特征。符传博等[6]根据1950-2005年间的新疆气象台站的观测资料,总结出积雪多年平均的地理分布特征表现为北部多于南部,山区多于平原;在55年的积雪天数表征为先较大幅度下降,而后呈波动式缓慢上升的过程。李培基[7]利用气象观测数据和多波段微波扫描辐射仪（SMMR）的数据得出,虽然近50年新疆冬季变暖十分显著,但积雪并未持续减少的结论。然而,在全球温度变暖的前提下,国内外研究表明,包括新疆在内的北半球区域的积雪会在未来40年呈减少趋势[8-9]。
遥感技术以其大范围、多时相等特点逐渐成为积雪观测的主要手段。光学遥感由于其相对微波遥感较高的空间分辨率及成熟的算法[10],在积雪观测中发挥了重要作用[1,11]。董安青[12]利用MODIS数据对新疆积雪覆盖与气象因素的相关性进行了研究;沙依然等[13]利用风云1号卫星数据,以2002-2003年新疆冬季为例,建立了积雪的计算方法及监测模型;李良序等[14]利用NOAA卫星数据分析了1990-2000年间的新疆旬平均积雪盖度变化;张文博等[15]利用MODIS与DEM数据相结合的方法,分析了2002-2009年间天山地区积雪面积天数的变化特征;Wang等[16]以中国新疆北部为例,对MODIS传感器8天合成的积雪产品,以及云掩膜产品作了评价;娄梦筠等[17]利用MODIS传感器8天合成的积雪产品,对2002-2011年间新疆积雪时空分布特征进行了研究;Xie等[18]以2003-2004年美国科罗拉多高原和中国新疆北部为例,将MODIS传感器的积雪产品进行了融合,对降低云像元比例,以及提高积雪像元比例的效果进行了评价。但是,降雪天气往往伴随着云层密布及恶劣的气象条件,会严重影响光学遥感数据对积雪观测的精度,甚至无法获取积雪分布信息。因此,必须借助多平台多传感器来联合观测积雪,发挥光学与微波遥感各自的优势,才能准确获取大范围雪情参数。Liang等[19]将MODIS传感器的每日积雪产品与AMSR-E数据相结合,对新疆北部地区2002-2005年间积雪情况进行了统计。结果表明,融合后的数据观测精度为75.4%,相比MODIS传感器每日积雪产品的33.7%的观测精度有了明显的提高。Gao等[20]以2006-2007年的费尔班克斯和苏西特纳山谷为例,将MODIS传感器每日积雪产品与AMSR-E数据相结合来观测积雪情况,结果表明,融合后数据的积雪观测精度为86%,相比MODIS传感器每日积雪产品49%的观测精度有了明显的提高。因此,将光学数据和被动微波数据联合起来共同观测积雪,可为雪灾的灾情监测、积雪资源的合理利用,以及积雪对气候变化的响应等研究提供较为准确的基础数据。
可见,以气象台站观测研究积雪难以得到空间连续的监测结果,不能反映无台站分布区域的情况;而单一依靠光学或微波遥感,也难以获取准确的积雪分布。随着多波段、多平台遥感系统的在轨运行,为积雪监测提供了多种数据源,如何有效融合多源遥感信息,更准确地提取积雪分布就变得尤其重要。本研究利用新疆地区2002-2013年间MODIS传感器的每日雪盖数据、AMSR-E和AMSR-2传感器的亮温数据、FY-3B卫星搭载的MWRI传感器的每日雪深雪水当量产品,以及气象观测数据等,提取新疆的积雪分布,并对过去11年的积雪天数进行统计分析,揭示了新疆积雪天数时空变化特征与趋势。

2 新疆积雪覆盖遥感识别分析

2.1 基于双星MODIS的积雪覆盖信息提取

利用美国地球观测系统数据和信息系统提供的分辨率为500 m的每日积雪产品MOD10A1和MYD10A1。MODIS传感器提供的每日积雪产品在晴天下积雪识别精度很高,整体精度达到90%以上[21]。其中,MOD10A1产品是由搭载在Terra卫星（每天约10:30过境）的MODIS传感器得到的,MYD10A1产品是由搭载在Aqua卫星（每天约13:30过境）的MODIS传感器得到的。积雪主要是以归一化差分积雪指数（NDSI）提取,如式（1）[22]所示。
N DSI = Band 4 - Band 6 Band 4 + Band 6 （1）
式中,Band 4和Band 6分别为MODIS可见光波段（0.545~0.565 μm）与近红外波段（1.628~1.652 μm）的反射率。当NDSI≥0.4时,识别为积雪像元。为了提高积雪像元的判断精度,加入了以下2个判别标准： Band 2 ≥ 0.11 与 Band 4 ≥ 0.1 。其中,Band 2（0.841~0.876 μm）≥0.11用于区分积雪和清澈水体,清澈水体在可见光波段反射率较高,其NDSI≥0.4,但在其他波段吸收较强,Band 2不会大于0.1,因此,可被区分开来;而Band 4≥0.1主要用来区分积雪和浓密植被等暗目标,暗目标在Band4的值远小于0.1,因此,Band 4≥0.1可以有效区分积雪和暗目标像元[23]。
获取了2002-2013年冬季（11月到次年3月）MOD10A1产品和MYD10A1产品,涵盖时间共1595天、22 330幅覆盖新疆区域的数据。利用MODIS数据处理工具软件(MODIS Reprojection Tool, MRT),对图像进行拼接和坐标变换。将图像正弦投影转化为地理坐标,参考椭球体为WGS84,最近临法重采样。该数据预处理功能在Linux环境下利用IDL编程实现批处理。在预处理之后,对上、下午的MODIS积雪产品进行最大雪盖合成。考虑到云有较大的动态性,故可据上、下午的积雪产品合成达到初步去云的目的。对同一像元,仅在上、下午同时为云时,才最终判断为有云覆盖;当上午或下午被判为积雪,则合成结果为有积雪覆盖。图1和图2是以2012年1月隔天的数据为例,对上、下午的积雪产品及融合后的结果的对比。
Fig. 1 Statistics of the cloud pixels of the fused snow data synthesized by the AM and PM MODIS snow products

图1 上、下午积雪产品云像元融合效果统计

Fig. 2 Statistics of the snow pixels of the fused snow data synthesized by the AM and PM MODIS snow products

图2 上、下午积雪产品积雪像元融合效果统计

由图1和图2知,利用上、下午融合去云效果明显：融合后的结果积雪像元所占比例比原始数据提高了5个百分点,云像元所占比例下降约10个百分点。但是,融合后云像元所占比例依旧很大,这会对积雪天数的统计造成很大影响。因此,需要利用被动微波数据反演结果以进一步去云。

2.2 基于AMSR-E及AMSR2的积雪分布提取

AMSR-E后继的AMSR2传感器于2012年5月搭载在GCOM-W1（Global Change Observation Mission-Water）卫星发射升空。该卫星与Aqua卫星处于相同轨道,主要任务是建立全球的长期水循环和气候观测系统[24]。AMSR-E亮温数据中采用的像元大小为25 km,AMSR2重采样为10 km。本研究从美国冰雪中心获取了AMSR-E传感器L3级每日升降轨的亮温数据,时间是2002-2011年的11月到次年3月,共33 930景数据,并在日本宇航局GCOM-W1的数据服务中心获取了2012年11月至2013年3月AMSR2传感器的L3级每日升降轨亮温数据,共5800景数据。首先,根据新疆行政边界对AMSR-E和AMSR2亮温数据进行裁剪,然后,为解决单日升降轨数据的裂隙问题,采用升降轨数据平均合成的方法[25]获得新疆区域单日的完整数据。
本研究,采用Grody等[25]提出的积雪分类方法：先区分散射体和发射体,但积雪、冻土、寒漠等都是散射体,下一步即为剔除具有类似积雪散射特征的其他非积雪像元。具体判别准则如下[26]：
（1）散射体判别
积雪作为散射体在高频波段散射作用更强,使得低频通道和高频通道的亮温差为正值。定义散射指数：scat=max（Tb18V-Tb36V,Tb23V-Tb89V）,当scat≥5 K时,即为散射体。
（2）非积雪像元剔除
针对新疆地区,非积雪像元主要有冻土和寒漠。通过大量的对比和相关实验,区分冻土可用以下几个关系式判断：Tb18V-Tb36V≤7 K,Tb23V-Tb89V≤10 K,利用这2式便可以剔除冻土像元,但在这一过程中往往也会剔除浅雪部分,故加入了下式：Tb18V-Tb18H≥8 K予以限制。
剔除寒漠的判别式主要有3个：Tb18V-Tb36V≤ 13 K,Tb36V-Tb89V≤13 K,Tb18V-Tb18H≥18 K。
通过以上判定方法就可以得到AMSR-E及AMSR2传感器的每日雪盖图。

2.3 基于MWRI的积雪覆盖信息提取

因为AMSR-E传感器于2011年10月出现仪器故障停止工作,而后继的AMSR2传感器于2012年5月发射升空,从2012年7月起提供数据,所以2011年至2012年冬季既没有AMSR-E也没有AMSR2数据。因此,该年的被动微波数据采用FY-3B星上搭载的MWRI传感器数据来补充。
从国家卫星气象服务网下载了2011年11月至2012年3月共152天的MWRI雪深雪水当量产品,分辨率为25 km。利用MWRI传感器数据反演雪深的算法为全球算法和区域算法。其中,全球算法与利用AMSR-E传感器数据反演雪深的算法基本一致,是一种半经验的算法;区域算法也是一种半经验算法,并且只适用于中国地区。具体来说,是在全球算法的基础上,考虑了雪盖下的地表情况,将地表类型分为森林、草地、裸露土壤和耕地4种。对每一个卫星像元点,其雪深是不同地表特征下雪深的加权之和[27]。将下载的2011年11月至2012年3月的雪深雪水当量产品首先按照新疆地区进行裁剪,然后利用升降轨合成的方法获得新疆地区完整的单日数据。数据预处理完后,对每日雪盖进行提取,对雪深值大于0的像元,则认为该像元为积雪覆盖像元。按此方法得到新疆地区2011-2012年冬季的每日雪盖图。
在分别利用光学遥感数据,以及被动微波数据反演得到的新疆地区雪盖情况之后,便对这两种数据进行协同提取,进一步去云。由于MODIS积雪产品的空间分辨率较高,因此,协同提取以MODIS积雪产品为基础。具体来说,对于同一区域,如果MODIS积雪产品上显示为云,则用被动微波数据的相同区域代替。因为被动微波数据可以穿透云雾,利用二者“协同”提取的结果基本上可去除云的影响。但是,MODIS积雪产品的空间分辨率为500 m,而被动微波数据反演得到的积雪覆盖信息的空间分辨率分别为25 km与10 km。因此,二者融合的过程中,由于空间分辨率的不同,会有尺度效应问题的存在。被动微波数据的空间分辨率低,用其替换空间分辨率较高的光学数据时,被动微波数据存在混合像元问题,当积雪分布范围占被动微波像元比例很小时可能会低估积雪分布,而当积雪分布范围占被动微波像元比例很高时,则存在高估积雪分布的可能,这种局限性是因不同分辨率图像的合成所致。
在完成去云处理后,便可对积雪天数进行统计分析。考虑积雪是一个持续性的过程,降雪可能在遥感卫星过境后迅速融化,不能形成稳定积雪覆盖,因此,不宜采用积雪一天即为一个积雪日的标准。本文提出采用连续积雪3天才算3个有效积雪日的统计规则,对连续性小于3天的情况不予计算。因为若连续积雪两天,由于上、下午MODIS积雪产品合成的原因,可能仅有当天下午和第二天上午有雪,即第一天MODIS传感器下午积雪产品和第二天MODIS传感器上午积雪产品显示有雪,但上、下午星最大雪盖合成之后这两天皆有雪,这种情况也不符合积雪天数连续性的定义。故采用连续积雪3天才算3个有效积雪日作为衡量标准是比较合适的。

2.4 气象观测数据的应用分析

在中国气象科学数据共享服务网下载了2002年至2013年3月的每一年11月至次年3月每天的气象台站观测数据。新疆共有56个气象台站,分布较为均匀。研究中应用到的气象台站观测数据包括台站编号、台站经纬度坐标、平均气温及当日20时到次日20时的降水量。以气象台站每天的观测数据为基础,计算或统计出各年冬天新疆地区的月平均气温、月平均降雪和月平均气温低于0℃的天数。将气象数据与遥感数据反演出的积雪天数相结合,以便分析积雪天数年内、年际变化的气象因素。

3 积雪覆盖变化遥感监测结果与分析

3.1 新疆地区积雪天数年内变化

在获得了2002-2013年冬天的积雪覆盖天数结果后,利用统计分析的方法对新疆11年冬季积雪分布范围的时空特征进行了分析。图3是新疆地区11年的平均积雪天数统计。图3（a）是新疆地区11年的冬季平均积雪天数统计结果,为进一步研究新疆地区积雪天数的多少与地形的关系,作出了新疆地区11年平均积雪天数的等值线图,等值线的取值间隔为10 d,并将等值线图与新疆地区DEM叠加（图3（b））。
Fig. 3 Averaged snow-covered days in Xinjiang during the 11 years from 2002 to 2013

图3 新疆地区11年平均积雪天数统计

从图3（a）可见,统计结果与对新疆地区的先验性认知一致。在冬季的积雪期内,阿勒泰山区、天山山区和昆仑山山区的中高海拔地区始终被积雪覆盖（积雪天数大于120 d）。无积雪区主要集中在塔里木盆地和准噶尔盆地,与地形因素基本一致。而图3（b）进一步印证了新疆地区积雪天数的空间分布与地形的影响。山区积雪天数较多,盆地及城市区域积雪天数较少。
为反映同一像元在11年内的最大、最小积雪天数,分别对每个像元进行了11年内的积雪天数的最大值与最小值合成,并与积雪天数平均值进行比较,如图4所示。
Fig. 4 Synthesized results of the maximum and minimum snow-covered days during the 11 years in Xinjiang

图4 新疆地区11年积雪天数的最大与最小值合成结果

将图4与图3比较看出,除山区外,北疆11年积雪天数最大值与最小值之间相差较大,相差在30天左右;11年积雪天数最大值与最小值和积雪天数平均值相比有15天左右的差距。在南疆三者间的差异不大,仅在昆仑山区和沙漠边缘有差异。这是因为南疆主要为沙漠地区,降雪较少故积雪天数也较少,差异也就不明显。从最小值合成结果还可看出哪些地区的降雪年际波动较大。
图5是新疆地区11月、12月、1月、2月、3月的11年平均积雪天数统计结果。从图5可见,11月由于降雪量小和气温较高,降雪不易转化为积雪,因此,大部分地区积雪天数较少,仅在山区高海拔地区积雪天数较多;12月由于气温逐渐降低,导致12月的积雪天数明显多于11月;1月份由于气温达到最低,故积雪天数也达到了峰值。进入2月之后,虽然仍会有降雪过程,但随着气温的上升,积雪开始融化,所以,积雪天数相比1月开始略有下降。到3月气温明显上升,出现了大规模的融雪过程,不同纬度和海拔位置积雪天数明显下降。在融雪过程中,如果温度升高过快,积雪大量融化,可能会造成融雪型洪水。
Fig. 5 Statistics of the averaged snow-covered days for each month in winter periods of the 11 years in Xinjiang

图5 新疆地区11年冬季各月的平均积雪天数统计结果

3.2 年际变化及与地形和气象因素的影响分析

从图3可见,新疆积雪区域主要分布在北部和西部,包括阿勒泰地区、塔城地区、昌吉地区、伊犁地区、博尔塔拉地区等。因此,在统计积雪天数的年际变化,以及与地形和气象因素的影响时,以北疆为研究区域。新疆南部积雪天数较少甚至是无积雪,因此年际变化不明显,地形和各气象因素的影响也不显著。图6是北疆地区积雪天数和海拔高度的回归分析结果图。
Fig. 6 The regression relation of the snow-covered days and altitude in northern Xinjiang

图6 北疆地区积雪天数和海拔高度的回归分析结果

从图6可看出,北疆地区积雪天数与海拔高度有较好的一致性。回归分析结果表明,R2为0.77,说明北疆地区11年间的积雪天数与海拔高度呈明显的正相关,海拔较高的山地积雪天数较多,海拔较低的盆地积雪天数较少,与经验结果一致。
图7是北疆地区11年的月积雪天数和月平均气温的统计图。其中,月平均温度是利用气象台站每日记录的平均气温数据进行月平均得到的。从图7可见,在2002年11月至2013年3月内,北疆地区没有出现极端的降雪过程,积雪天数分布总体比较均匀,并且无论是年内还是年际,积雪天数与气温都呈现比较明显的负相关性,相关系数为-0.88。年内一般1月份气温最低,积雪天数最多;12月、2月气温较1月稍高,积雪天数较1月有所减少,11月、3月温度相对最高,积雪天数也最少。2008年11月至2009年3月的冬季积雪天数最少,且气温与其他年相比也最高。总体来看,北疆11年来的积雪天数波动不大,且与月均气温有很好的相关性。
Fig. 7 Comparison of the averaged monthly snow-covered days and averaged temperature for each month in winter periods of the 11 years in northern Xinjiang

图7 北疆地区11年来每月积雪天数和平均气温统计图

除气温之外,影响积雪天数的气象因素可能有每月气温低于0 ℃的天数,月平均降雪量等。积雪天数与低于0 ℃的天数呈现比较好的正相关性,但低于0 ℃天数的曲线在各年份间基本没有变化,这是因为即使是积雪天数较少的年份,北疆地区的12月、1月和2月气温也都是低于0 ℃的。因此,低于0 ℃的天数仅仅可以反映出积雪天数的年内变化,无法反映出积雪天数的年际变化。积雪天数与平均降雪量的关系并不明显,这是因为降雪不等于积雪,降雪量的多少并不能决定积雪天数。相比于降雪量,更重要的是气温,只有气温低于0 ℃,降雪才能转化为积雪并持续存在。

3.3 积雪分布重心随时间的变化规律

为进一步分析北疆地区积雪天数的年际变化规律,本研究引入积雪重心的概念。其与物理学中的重心概念类似,积雪重心就是某一年积雪天数的等效作用点。具体的计算方法是将每一个像元的积雪天数作为该像元的“权”,先将积雪天数分别与每一个像元的经纬度坐标相乘,然后对北疆地区进行加权平均,最后求得的经纬度坐标即为该年冬季北疆地区积雪天数的重心。引入积雪重心的概念,将北疆地区每一年的积雪天数等效于一个点,这样就可通过分析11年的积雪重心变化来反映气象条件的变化。积雪重心的移动趋势反映了11年北疆地区积雪天数变动的大趋势,继而可以推断相关气象条件的变化趋势。
图8是北疆地区11年来积雪重心的经纬度变化。从图8可看出,11年来积雪重心的经度变化规律并不明显,仅在最近几年有向西移动的趋势。但是,最近5年积雪重心的纬度总体有向南移动的趋势。这可能是因为全球气候变暖,造成新疆北部山区常年积雪开始逐渐融化,或者是新疆降雪范围增大,因此表现为积雪重心南移的倾向。
Fig. 8 The longitude and latitude movement of the snow-covered days gravity center in northern Xinjiang

图8 北疆地区积雪重心的经度与纬度变化趋势

4 结语

本文利用光学遥感数据和被动微波遥感数据相结合的方法,提取了新疆地区2002-2013年间冬季每日积雪分布信息,并采用统计分析方法计算了新疆地区11年来冬季时段的积雪天数,分析了其时空分布特征。研究表明,通过整合光学与微波遥感传感器各自的优势,可以较好地去除云的影响,得到时空连续的积雪分布。经研究发现,新疆地区每年积雪天数与地形关系密切;积雪天数变化是11月至1月积雪天数逐渐增多,1月至3月积雪天数逐渐减少;2002-2013年的11年间北疆地区的积雪天数分布存在波动,但波动范围不大。平均积雪天数主要与月平均气温和月低于0 ℃的天数有关,与平均降雪量关系不明显;2002年以来北疆地区积雪分布重心有向西、向南移动的趋势,这可能与全球气温变暖致使北部山区长年积雪融化有关。
今后,可联合分析积雪厚度与积雪天数的耦合变化,进一步揭示区域积雪覆盖对气候变化的响应。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张佳华,吴杨,姚凤梅,等.利用卫星遥感和地面实测积雪资料分析近年新疆积雪特征[J].高原气象,2008,27(3):551-557.

[2]
裴欢. 基于MODIS数据的北疆积雪信息提取及其应用研究[D].乌鲁木齐:新疆大学,2006.

[3]
贺晋云,张明军,王鹏,等.新疆气候变化研究进展[J].干旱区研究,2011,28(3):499-508.

[4]
刘艳,阮惠华,张云惠,等.1961年至2008年新疆北疆地区积雪的时空演变特征[J].资源科学,2012,34(4):629-635.

[5]
董安祥,郭慧,王丽萍,等.近40年北疆年积雪日数变化的CEOF分析[J].高原气象,2004,23(6):936-940.

[6]
符传博,丹利,吴涧,等.新疆地区雪深和雪压的分布及其55年的变化特征分析[J].地球物理学进展,2011,26(1):182-193.

[7]
李培基. 新疆积雪对气候变暖的响应[J].气象学报,2001,59(4):491-501.

[8]
Räisänen J.Warmer climate: Less or more snow?[J]. Climate Dynamics, 2008,30(2-3):307-319.

[9]
王澄海,王芝兰,沈永平,等.新疆北部地区积雪深度变化特征及未来50 a的预估[J].冰川冻土,2010,32(6):1059-1065.

[10]
刘俊峰,陈仁升.基于MODIS双卫星积雪遥感数据的积雪日数空间分布研究[J].冰川冻土,2011,33(3):504-511.

[11]
马勇刚,黄粤,陈曦,等.新疆积雪覆盖时空变异分析[J].水科学进展,2013,24(4):483-489.

[12]
董安青. 基于遥感方法的新疆积雪覆盖与气象因子的相关性研究[D].乌鲁木齐:新疆师范大学,2009.

[13]
沙依然,王茂新.气象卫星遥感资料在积雪监测中的应用[J].气象,2004,30(4):33-36.

[14]
李良序,黄镇,傅华,等.新疆雪盖特征分析[J].新疆气象,2001,24(5):21-23.

[15]
张文博,肖鹏峰,冯学智,等.基于MODIS数据的我国天山典型区积雪特征研究[J].遥感技术与应用,2012,27(5):746-753.

[16]
Wang X, Xie H, Liang T.Evaluation of MODIS snow cover and cloud mask and its application in northern Xinjiang, China[J]. Remote Sensing of Environment, 2008,112(4):1497-513.

[17]
娄梦筠,刘志红,娄少明,等.2002-2011年新疆积雪时空分布特征研究[J].冰川冻土,2013,35(5):1095-1102.

[18]
Xie H, Wang X, Liang T. Development and assessment of combined terra and aqua snow cover products in colorado plateau, USA and northern Xinjiang, China[J]. Journal of Applied Remote Sensing.2009, 3(1):033559-033559-14.

[19]
Liang T G, Huang X D, Wu C X, et al.An application of MODIS data to snow cover monitoring in a pastoral area: A case study in northern Xinjiang, China[J]. Remote Sensing of Environment, 2008,112(4):1514-26.

[20]
Gao Y, Xie H, Lu N, et al.Toward advanced daily cloud-free snow cover and snow water equivalent products from Terra-Aqua MODIS and aqua AMSR-E measurements[J]. Journal of Hydrology, 2010,385(1):23-35.

[21]
Hall D K, Riggs G A.Accuracy assessment of the MODIS snow products[J]. Hydrological Processes. 2007,21(12):1534-47.

[22]
侯慧姝,杨宏业.MODIS积雪产品及研究应用概述[J].遥感技术与应用,2009,24(2):252-256.

[23]
曹云刚,刘闯.从AVHRR到MODIS的雪盖制图研究进展[J].地理与地理信息科学,2005,21(5):15-19.

[24]
Imaoka K, Kachi M, Kasahara M, et al.Instrument performance and calibration of AMSR-E and AMSR2[C]. ISPRS Commission Technical Commission VIII Symposium: Networking the World with Remote Sensing, 2010:1-4.

[25]
Grody N C, Basist A N.Global identification of snowcover using SSM/I measurements[J]. Geoscience and Remote Sensing, IEEE Transactions on, 1996,34(1):237-249.

[26]
包慧漪. 基于MODIS与AMSR-E数据的雪情参数反演与应用研究[D].北京:北京大学,2013.

[27]
Jiang L M, Wang P, Zhang L X, et al.Improvement of snow depth retrieval for FY3B-MWRI in China[J]. Science China: Earth Sciences, 2014,57(6):1278-1292.

Options
文章导航

/

〈 〉