EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 11: 1721 - 1734

DOI: https://doi.org/10.12082/dqxxkx.2019.190058

地理空间分析综合应用

山东半岛降雪时空分布特征

  • 庞海洋 1, 2, 3 ,
  • 孔祥生 , 1, * ,
  • 贺正洋 2, 3 ,
  • 苏晓强 4
展开
  • 1. 鲁东大学资源与环境工程学院,烟台 264025
  • 2. 首都师范大学资源环境与旅游学院,北京 100048
  • 3. 城市环境过程与数字模拟国家重点实验室培育基地,北京 100048
  • 4. 长治市地质环境监测中心, 长治 046000
孔祥生（1969-）,男,山东乳山人,博士,副教授,主要从事遥感科学与技术的研究工作。E-mail:

庞海洋（1991-）,男,山东滨洲人,博士生,主要从事遥感科学与技术的科研工作。 E-mail: fuyunmeili@163.com

收稿日期: 2019-02-11

  要求修回日期: 2019-05-27

  网络出版日期: 2019-12-11

基金资助

国家自然科学基金项目(No.41271342)

山东省高等学校科技计划项目(J12LH01)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatiotemporal Distribution of the Snowfall in Shandong Peninsula

  • PANG Haiyang 1, 2, 3 ,
  • KONG Xiangsheng , 1, * ,
  • HE Zhengyang 2, 3 ,
  • SU Xiaoqiang 4
Expand
  • 1. College of resources and environmental engineering, Ludong University, Yantai 264025, China
  • 2. College of Resources Environment & Tourism, Capital Normal University, Beijing 100048, China;
  • 3. State Key Laboratory Incubation Base of Urban Environmental Processes and Digital Simulation, Beijing 100048, China
  • 4. Geological Environment Monitoring Center of Changzhi, Changzhi 046000, China
KONG Xiangsheng, E-mail:

Received date: 2019-02-11

  Request revised date: 2019-05-27

  Online published: 2019-12-11

Supported by

National Natural Science Foundation of China(No.41271342)

Shandong Province Higher Education Science and Technology Projects(J12LH01)

Copyright

Copyright reserved © 2016
Fold

摘要

以2000-2018年MODIS MOD10A1日产品数据为数据源,结合数字高程模型（DEM）及降水量、风向等气象数据,构建了积雪空间分布模型,能够有效地提取强降雪区域。以此为基础,利用相关分析、缓冲区分析等方法,探究山东半岛降雪时空分布特征,结果表明：① 将NDSI累积量与DEM数据相结合,能够有效构建山东半岛积雪空间分布模型,实现了对山东半岛强、弱降雪区域提取,NDSI累积量≥150的区域中,在强降雪区的面积占降雪范围的79.78%;② 降雪区域存在空间差异,呈现北多南少,东多西少的分布格局,以黄、渤海与山东半岛海陆分界线为基准,离岸距离39.1 km范围内降雪多,离岸距离39.1 km以外降雪少;山脉150 m高程线北侧迎风坡降雪多,南侧背风坡降雪少;③ 山东半岛强降雪年以3-5年为周期存在年际变化。探究山东半岛降雪长时间序列时空分布特征,在收集淡水资源,缓解用水紧张和灾害预防方面具有一定意义。

关键词： 山东半岛; NDSI; 积雪空间分布模型; 时空分布; MODIS; 数据高程模型（DEM）

本文引用格式

庞海洋 , 孔祥生 , 贺正洋 , 苏晓强 . 山东半岛降雪时空分布特征[J]. 地球信息科学学报, 2019 , 21(11) : 1721 -1734 . DOI: 10.12082/dqxxkx.2019.190058

Abstract

Snow accumulation is an important freshwater resource to alleviate the current situation of water stress; however, disasters may also happen when there is too much snow. Therefore, snowfall must be monitored. To extract the strong snowfall areas, a snow distribution model was constructed in this paper. MODIS products (MOD10A1) in the past 20 years from 2000 to 2018 were used as the main input data, and the digital elevation model (DEM) of Shandong Peninsula and meteorological data(e.g., precipitation and wind direction) were used as the auxiliary data. The model worked well in distinguishing strong and weak snowfall areas in Shandong Peninsula. Based on the snow covers information that was extracted by the snow distribution model, the spatiotemporal distribution characteristics were statistically analyzed. We found: (1) It can effectively construct the spatial distribution model of snow cover in Shandong Peninsula using the NDSI values accumulated over many years of snow and DEM data. and The boundary between strong and weak snowfall areas was successfully extracted using this model, and heavy snowfall areas covered 79.78% of the research area where the accumulated NDSI was above 150; (2) The spatial distribution of snow cover on the Shandong Peninsula is spatially uneven, which is generally characterized by rich snow on northeast and east, and less snow in south and west regions of Shandong Peninsula. There was more snow at the north side of mountains 150 m above sea level, and there was less snowfall in the south of mountains. Based on the boundary line between the Bohai Sea, Yellow Sea, and Shandong Peninsula, there was more snowfall within 39.1 km offshore distance. There was a correlation between snowfall areas and wind direction, and northerly winds were more likely to cause heavy snowfall. (3) The amount of snowfall in the Shandong Peninsula varied from 3 to 5 years in a cycle, there was a large snowfall every 3-5 years. But there was uncertainty in the snowfall areas, not all areas had strong snowfall. There was also a difference in the snowfall in each month, snowfall was mainly concentrated in December, and snowfall formed a small peak in late January of the following year. Our findings reveal the spatiotemporal distribution characteristics of long-term sequences and extraction methods of the snowfall in Shandong Peninsula, and indicate the cause of the snowfall. This study can helpin collecting fresh water resources and alleviating water stress and disaster prevention.

Key words： Shandong Peninsula; NDSI; snow distribution model; time and space distribution; MODIS; DEM

1 引言

随着经济的发展,用水矛盾愈发明显[1,2],在节约用水的同时更应拓宽淡水来源,降雪是山东半岛重要淡水补给形式之一,充足的降雪量对缓解半岛地区用水紧张的局面产生重要影响。同时降雪又是北方主要的灾害性天气之一[3,4],特别是极端降雪事件频频发生,严重威胁人民的生命、财产安全,对社会经济建设造成巨大损失[5]。例如,2005年烟台、威海地区年累积降雪量均超过80 mm,致使交通瘫痪,高速封路,直接经济损失超过5亿元以上。烟台、威海、青岛是山东半岛降雪最为严重的区域,素有“雪窝”之称,因此探究山东半岛降雪时空分布规律与方法,实时监测降雪量的大小在补充淡水资源、缓解用水紧张、灾害预防方面具有长远意义。
冷流降雪是山东半岛东北部沿海地区的主要降雪类型[6],是来自西北冷气团经过暖湿的渤海相互作用产生的降雪,其降雪过程在机理上与美国五大湖区降雪类型一致[7]。如杨成芳等[6]利用1965-2005年山东省降雪数据,统计分析得出山东半岛降雪受地形要素影响,主要集中在半岛的东北部,自东北向西南地区降雪量急剧减少,但山系对降雪的影响范围仍需要进一步精细研究;高晓梅等[8]基于站点降水资料,对莱州湾冷流降雪特征进行分析,得出冷流降雪次数与同年份冷空气次数有较强相关性;刘学刚等[3]采用NCEP全球2.5° × 2.5°再分析格点资料,对青岛降雪的时空特征及环流成因深入分析,提高青岛冬季降雪的预报准确率。
但以往的研究以地面站点收集的气象资料为主,由于气象站点分布数量少等特点,导致空间分辨率较低,多是通过差值模拟的形式研究降雪,缺乏大范围实时监测手段。在新疆、西藏、青海等地利用光学遥感监测积雪逐渐成熟,除多等[9]基于积雪产品和数字高程模型DEM数据,量化了西藏地区高程、坡度和坡向等地形要素对高原积雪时空分布的影响;姜萍等[10]、郑璞等[11]以Landsat ETM+为数据源,量化了新疆玛纳斯河流域归一化差值积雪指数阈值,最大程度消除了植被覆盖及结冰河流对积雪提取的影响;王雪璐等[12]对MODIS每日地表反射率产品MOD09GA和逐日雪被合成产品MOD10A1在青海地区的适用性进行了评估,得出MODIS逐日雪被产品MOD10A1进行雪深分段,能够提高积雪的分类精度;马荣等[13]将地面气象站数据与NCEP/NCAR数据相结合,指明了西北干旱区冬季积雪日数的时空变化特征及其变化原因。而在山东地区应用较少,烟台、威海是山东半岛冬半年降雪的主要区域,青岛与烟台、威海相邻,在强将降雪天气也极易受到影响,以往对于这一区域的冷流降雪成因做了详细的研究,但在这一机理下降雪时间分布特征、受降雪影响空间范围、降雪厚度、实际灾情等级等研究较少,不够精确。Hall等[14]根据积雪的光谱反射特征提出的NDSI方法,能够有效提取积雪信息,本文基于遥感手段,以空间分辨率500 m的MODIS（MOD10A1）为主要数据源,结合SRTM数据和气象数据,利用提出的雪分布模型对2000-2018年烟台市、威海市、青岛市降雪实时监测,对降雪时空分布特征进行详细的统计分析,得出了研究区范围内降雪强度逐旬和年际变化规律,划定强降雪区域范围,为该地区灾害预防、淡水资源收集等提供参考。

2 研究区概况、数据来源及研究方法

2.1 研究区概况

研究区（烟台市、威海市和青岛市）地处山东半岛的东北部,三面环海,北部濒临渤海,东部和南部与黄海相邻,地形以低山丘陵为主,最高处海拔达到1090 m,海拔150 m以上的山陵呈西南-东北和西北-东南走向,与山东半岛北部海岸线趋势相近,以暖温带湿润季风气候为主,夏季炎热多雨,冬季寒冷干燥,但受特殊的地理环境影响,冬季盛行西北风携带大量水汽,烟台、威海、青岛地区在山体北侧迎风坡,地形抬升,降雪量丰富,极易引发雪灾等气象灾害,享有“雪窝”之称（图1）。
图1 研究区位置及相关气象站点分布

Fig. 1 Study area and locations of the meteorological stations

2.2 数据来源

积雪在可见光波段具有高反射,在短波红外波段强吸收的特性,根据这一特性建立的NDSI指数（Normalized Difference Snow Index, NDSI）,能够有效提取积雪[15],MOD10A1就是基于NDSI指数提取的雪覆盖产品[16]。自2000年2月MODIS/TERRA发射成功以来,MODIS数据成为国内外学者常用的遥感数据之一,与其他卫星影像相比,MODIS具有较高的时间分辨率,可以实现一天内对同一地区2次重复观测,本文所用的遥感数据为2000-2018年12月、1月、2月的MOD10A1[17]产品数据,共1510景,空间分辨率500 m,其中包含NDSI数据、雪覆盖数据等数据集,MODIS降雪数据在空间上和时间上,都能对降雪过程进行更为精细的记录,在雪覆盖数据中具体编码及意义如表1。云在遥感影像上具有较高的反射率,在真彩色合成中为白色,与雪颜色接近,但通过纹理特征及短波红外处的反射率可以实现云雪区分[27],本文将云覆盖度的区域掩膜处理。
表1 MOD10A1编码及意义

Tab. 1 Codes and meanings of the MOD10A1 data

编码 地表类型及意义
0~100 积雪
200 数据缺失
201 未定
211 夜晚
237 陆地水
239 海洋
250 云
254 传感器饱和
255 填充的数据
气象数据主要为长岛、成山头、福山、龙口、平度、青岛、海阳、威海8个气象站点2000-2018年冬季（12月、1月、2月）的中国地面气候资料日值数据集(V3.0)[18],数据详细记录了站点日降水量、温度、最大风向、最大风向的风速、相对湿度等资料。为方便对冬季降雪描述,文中将计算年12月,次年1月、2月称为一个降雪年度。
DEM数字高程数据是指SRTM DEM分辨率原始高程数据,来源于中国科学院计算机网络信息中心国际科学数据镜像网站[19],空间分辨率为90 m,由美国SRTM系统获取的雷达影像数据计算所得,能够较为准确地获取地面的起伏信息。

2.3 研究方法

积雪空间分布模型是以区分降雪强度特征为目的,根据积雪的光谱特征和研究区地形特征提出的。美国喷气实验室[20]（Jet Propulsion Labortatory,JPL）提供的光谱数据表明,积雪光谱特征区别于其他地物类型（图2）,特别是新雪在可见光波段,其反射率能够达到0.8以上,同时在短波红外波段（1.5 μm左右）反射率较低,在0.2以下[21];土壤在可见光波段反射率在0.3以下,远低于相同波长下的积雪,而土壤在1.5 μm处的反射率要高于积雪;植被在可见光和短波红外波段反射率均较低。根据积雪的独特光谱特征,建立的NDSI指数成为提取积雪的有效手段[22,23]。
图2 地物光谱曲线

Fig. 2 Spectral curves of typical objects in the study area

根据积雪在可见光波段高反射,在短波红外波段强吸收的特性建立NDSI模型[14],计算公式如下：
NDSI = ρ green - ρ swir ρ green + ρ swir
式中： ρ green 、 ρ swir 分别是积雪在绿光波段、短波红外波段的反射率。当NDSI大于0.4时,判断为积雪。
NDSI累积量是积雪空间分布模型的重要参数,也是某一地区降雪强度的重要体现,积雪厚度越大,纯度越高,NDSI值越接近于1,因此NDSI值的大小可以初步判断降雪厚度[24,25],为精确探究研究区内积雪空间分布特征,将2000-2018年冬季积雪影像依次排序（1,2,3,…）,NDSI值进行累加处理,从总体掌握研究区内积雪空间分布,公式如下：
NDS I sum = ∑ 1 k ( NDS I i )
式中： NDS I sum 为2000-2018年间NDSI累积量;k为降雪总天数;i表示第i天降雪日; NDS I i 表示第i天NDSI值。
得到2000-2018年山东半岛积雪NDSI累积量（图3）。为了便于统计分析、直观展示NDSI累积量与高程信息的关系,以山东半岛NDSI累积量为基础,在降雪区域较厚（偏红）区域随机选取了188个采样点,并进行统计分析,图中绿、蓝2条曲线为山脉南、北两侧150 m高程线走向。
图3 2000-2018年山东半岛NDSI累积量及采样点分布

注：颜色偏红色表明近18个降雪年度间该地区累积雪量越大,颜色偏绿则表明该地区降雪量偏少。

Fig. 3 Distribution of the accumulated NDSI and sampling points in Shandong Peninsula from 2000 to 2018

地形因子是影响积雪空间分布模型的另一重要参数,山东半岛东北部低山丘陵特征,地形抬升对降雪强度起到增强作用。对188个采样点多年NDSI累积值与其高程分布关系分析,结果显示,95.3%的采样点NDSI累积值在150以上,仅有9个采样点低于150;高程低于150 m的采样点有126个,占采样点总数的67%,且离散点在散点上分布相对集中,高程高于150 m的采样点有62个,占33%,分布较为松散（图4）,可以看出地形高度对降雪的影响主要集中在海拔150 m以下,累积NDSI等于150可以作为区分强、弱降雪区的条件之一。
图4 山东半岛采样点NDSI累积量及高程

Fig. 4 Accumulation of NDSI and elevation at the sampling points in Shandong Peninsula

在NDSI累积量与地形因子基础上提出了积雪空间分布模型（式（3））,满足如下条件作为区分强降雪与弱降雪区域的分界线,分界线以北区域为强降雪区,面积约为9604.67 km2,占研究区总面积的31.86%,2000-2018年NDSI累积量≥150的区域中有79.78%的区域位于强降雪区域内。
NDS I sum ≥ a Ele ≤ b
式中：Ele为海拔高程;a是多年NDSI累积量,受降雪强度差异,积雪累积时间长短影响;b是影响降雪量变化的敏感高程。根据图4的统计特征,本文取a=150,b=150 m。

3 结果及分析

3.1 降雪的时间变化特征

3.1.1 逐旬时间变化
山东半岛降雪具在时间上、地域分布上具有一定独特性,本文对8个气象站点2000-2018年冬季降雪次数在12月、1月和2月进行逐旬统计（表2）,近18个降雪年度间,从降雪次数来看,主要集中在12月份,其中12月上旬年平均降雪次数在1.33次以上,远高于其他时间降雪次数,2月中旬降雪次数明显低于其他时间,除威海外,年平均降水次数低于1.11次;青岛、海阳降雪次数最高出现在2月上旬,与12月上旬平均降雪次数降水相当。位于东北区域的威海、成山头、福山气象站降雪次数较多,且在一个冬季时间段内,随时间的推移,降雪次数逐渐减少;位于偏南部的青岛、平度、海阳气象站降雪次数较少,逐旬年平均降雪次数在1.50次以下;位于西北一侧的龙口、长岛气象站降雪次数低于威海、成山头、福山站,高于青岛、平度、海阳站降水量,从降水总次数上来看,威海、福山、成山头地区1月下旬是降雪次数出现一个小高峰（图5）,这段时间仍是预防暴雪灾害的重要阶段之一。
表2 2000-2018年山东半岛冬季逐旬年平均降雪次数

Tab. 2 Summary of winter average snowfall count in every period of ten days in Shandong Peninsula from 2000 to 2018

站点 12月上旬 12月中旬 12月下旬 1月上旬 1月中旬 1月下旬 2月上旬 2月中旬 2月下旬
长岛 2.22 1.61 1.72 1.33 1.17 1.28 1.33 0.56 1.06
龙口 2.22 1.28 1.89 1.39 1.22 1.11 1.17 0.78 1.11
福山 2.50 2.28 2.33 2.00 2.00 2.06 1.72 1.11 1.33
成山头 3.00 2.33 2.28 1.44 1.78 2.22 1.56 0.94 1.28
平度 1.50 0.89 1.50 0.89 0.83 1.00 1.22 1.11 1.06
青岛 1.44 0.78 1.28 0.94 0.83 0.83 1.56 1.06 1.56
海阳 1.33 0.83 1.06 0.72 0.83 1.06 1.44 0.67 0.89
威海 3.33 2.94 2.89 2.06 2.11 2.33 1.33 1.44 1.33
图5 2000-2018年度山东半岛冬季逐旬平均降水次数变化

Fig. 5 Precipitation count change curve of winter in every period of ten days in Shandong Peninsula from 2000 to 2018

3.1.2 年际变化
将2000-2018年8个气象站点冬季降水量统计,发现山东半岛降雪量存在年际变化,降雪量和降雪次数以3-5年为周期波动变化（图6）,从总体来看2000-2001、2005-2006、2009-2010、2012-2013、2016-2017年山东半岛普遍降雪量较大,2001-2002、2007-2008、2008-2009、2011-2012、2013-2014、2017-2018年度降雪普遍偏少。从降水量年际变化来看,威海气象站降水量远高于其它气象站降水量,其次是福山、成山头气象站,具体的山东半岛冬季降雪量在空间上的反映将进一步说明。
图6 2000-2018年度山东半岛降水量与降水次数逐旬汇总

Fig. 6 Summary of winter precipitation and frequency of precipitation in each year in Shandong Peninsula from 2000 to 2018

3.2 降雪的空间分布特征

3.2.1 NDSI累积量空间分布
本文根据MOD10A1产品中的NDSI数据集提取烟台、威海、青岛2000-2018年度冬季的日积雪信息,并对这些区域NDSI指数累加统计,NDSI值越大说明这些区域降雪量越大,NDSI越小说明降雪越少,结合强、弱降雪分界线,重点分析积雪空间分布特征。
山东半岛强、弱降雪区分界线是根据多年降雪特征统计提取,每一年降雪特点又存在差异,从总体来看,强、弱降雪分界线能够较好的区分降雪区域,每年偏红色的主要降雪区域均在强、弱降雪分界线以北,特别是在2003-2004、2004-2005、2005-2006、2006-2007、2009-2010、2010-2011、2011-2012、2012-2013、2013-2014、2015-2016、2017-2018年度精度较好（图7）。
图7 2000-2018年度山东半岛积雪分布

Fig. 7 Yearly snow distribution in Shandong Peninsula from 2000 to 2018

2000-2018年度降雪分布来看（图7）,烟台和青岛偏北的县市及青岛的崂山区是降雪的主要区域,威海市2005-2006年度NDSI年累积量达到37.8,降雪是近18年来最严重的程度。强、弱降雪分界线以南区域降雪量较少,仅在2017-2018年度出现较大范围的降雪现象。从降雪范围来看,青岛市降雪要弱于烟台市和威海市,仅在2007-2008、2013-2014、2016-2017年度出现较大范围的降雪。
3.2.2 高程与NDSI累积量
理论上来讲,来自渤海的暖湿润气流受研究区山脉阻挡,气流抬升降温,进而产生降雪,会对烟台地区降雪产生增强作用,在这个过程中,高程变化是影响降雪的主要因素之一,定量分析NDSI与海拔高程的关系具有必要性。烟台地区是降雪的主要区域,也是地势起伏变化较为典型的地区,本文以降雪量较为丰富2012-2013年度NDSI年累积量为基础,选取21个采样点（图8）,定量分析地形与NDSI累积量的关系。
图8 2012-2013年度山东半岛NDSI年累积量及采样点分布

Fig. 8 Distribution of accumulated NDSI and sampling points in Shandong Peninsula from 2012 to 2013

通过采样点高程与2012-2013年度NDSI年累积量拟合,发现降雪量与海拔高度具有负相关性（图9）,拟合公式为：
Y = - 0.031 X + 24.97
图9 山东半岛高程与2012-2013年度NDSI累积量拟合

Fig. 9 Fitting curve of elevation and accumulated NDSI of year 2012-2013 in Shandong Peninsula

式中：Y表示2012-2013年度NDSI年累积量,X为海拔高程。相关系数为-0.68,R2=0.462,随海拔高度的增加,NDSI年累积量逐渐降低,说明冬季偏北风带来的水汽受地形阻挡,进行抬升,随高度的增加热量散失,产生降雪,海拔较低处是水汽堆积、降雪的主要区域,海拔较高地带大气含水量较少不易产生降雪,NDSI累积量较低。对近20年（2000-2018年）NDSI累积量统计时,发现强降雪区域主要集中分布在海拔150 m以下,近20年的NDSI累积量与地形的相关性并不显著,由于每年降雪区域会出现变动,多年NDSI累积量可以较好地表现积雪分布特征,但不能精确定量高程与NDSI的变化。
3.2.3 离岸距离与NDSI累积量
根据近18个降雪年度NDSI累积量空间分布,从定性上可以得出研究区（烟台、青岛）降雪范围主要集中在山东半岛东北部的沿岸地区,与众多学者通过雷达、气象数据得到的结论一致[6,26],但在空间上积雪的定量分布还没有明确的结论,本文以山东半岛与黄、渤海在119°31′4″E-122°42′9″E之间的海陆分界线为基础,垂直向南提取NDSI累积量≥150区域到海陆分界线的离岸距离,通过统计平均值得出,降雪范围主要分布在离岸距离39.1 km的范围内,以此为半径对海陆分界线向南做缓冲区（图10）。从而在定量上确定降雪主要集中在山东半岛北部沿海39.1 km范围内,与强、弱降雪分界线划分范围趋于一致,从侧面验证强、弱降雪分界线提取的精确性。
图10 2000-2018年度山东半岛NDSI累积量与离岸距离

Fig. 10 Accumulated NDSI and offshore distance in Shandong Peninsula from 2000 to 2018

3.3 降雪分布与风向关系

李建华等[26]指出冷流降雪是山东半岛东北部主要的降雪形式,强盛的冬季风经过渤海,携带大量的水汽到达半岛地区,受到低山、丘陵阻挡,在山脉北侧形成降雪。降雪的范围分布、降雪量大小与冷气团强弱（风力、风向）、地形、海拔密切相关,为进一步精确分析山东半岛不同区域降雪特征受风力作用影响,本文根据山东半岛降雪特征及海拔高程分为3个子研究区：① 半岛北部WS-EN（西南-东北）走向,山岭北侧150 m高程线以北地区,即研究区一;② WN-ES（西北-东南）走向,山岭北侧150 m高程线以北区域,即研究区二;③ 山岭北侧150 m高程线以南区域,即研究区三（图11）。
图11 山东半岛子研究区划分

Fig. 11 Division of sub-study areas in Shandong Peninsula

对研究区内8个气象站点,在降雪日当天最大风速的风向进行统计（图12-图16）,图中风向玫瑰图的横坐标为8位方向,纵坐标为风向的频率,颜色由绿到红表示,一年中NDSI值由0开始累加,红色区域一年中降雪较多,降雪量较大,绿色表示本年度没有降雪发生。根据统计结果可以看出,NDSI累积量与风向存在一定相关性,研究区降雪日以偏北风为主,降雪日偏北风次数越多则该地区降雪量越大,受地形特征影响各地区具体风向存在细微差异。
图12 山东半岛WS-EN走向积雪分布与站点风向玫瑰图

Fig. 12 Distribution of snow along the WS-EN direction, and rose chart of wind direction in the weather stations in Shandong Peninsula

图13 2000-2018年龙口气象站冬季降雪日主风向频数及NDSI累积量

Fig. 13 Daily main wind direction frequency and accumulated NDSI for winter snowfall at Longkou Weather Station from 2000 to 2018

图14 山东半岛WN-ES走向积雪分布与站点风向玫瑰图

Fig. 14 Distribution of snow along the WN-ES direction, and rose chart of wind direction in the weather stations in Shandong Peninsula

图15 2000-2018年福山与威海气象站主风向风频及NDSI累积量

Fig. 15 Daily main wind direction frequency and accumulated NDSI for winter snowfall at Fushan and Weihai Weather Station from 2000 to 2018

图16 2007-2008年度和2016-2017年度山岭以南积雪分布及站点风向频率玫瑰图

Fig. 16 Distribution of snow on the south side of mountains, and rose chart of wind direction in the weather stations during 2007-2008 and 2016-2017

研究区一冬季降雪量要低于研究区二,远高于研究区三,降雪日风向在NW-NE摆动（图12,图13）,分布较为零散,降雪日风频数与研究区二中较低降雪量的年份相当。龙口气象站降雪量最大值出现在2012-2013年度,NDSI累积量达到11.49,最大风频为6,风向为NW;在2004-2005、2005-2006、2009-2010、2011-2012、2016-2017年度,龙口气象站降雪日主风向上频数在5以上,风向以N、NW、NE为主,但NDSI年累积量均小于9,降雪量较少,因此龙口地区降雪主风向为NW,不为N。
研究区二,降雪量高于其他两个区域,强降雪区与弱降雪区差异较为明显,成WN-ES方向条带状分布（图14）,降雪日风向主要集中在WNW-N方向之间,在此风向区间内,降水量受风频大小影响影响较大,风频曲线波动与NDSI累积量波动趋势一致（图15（a）、（b））。福山地区降雪日风向为N、NW时累积NDSI值较大,即降雪量较大;威海地区降雪日风向多在NW-N之间,且当NW方向产生降雪时,降雪量较大。
研究区三,相对于150 m高程山体边北侧缘线以北区域来说,降雪量相对较少,仅在2007-2008年度、2016-2017年度出现较大范围的降雪,即使在研究区三降雪较强的这两个年份,山体北侧150 m高程线以南附近区域降雪量仍然较少,研究三降雪日主风向不仅仅是偏北风,偏东风也会也会产生降雪,青岛地区甚至会出现偏南风引起的降水（图16）。平度气象站位于研究区一与研究区三交界附近,地形相对平坦,没有高大山脉的阻挡,降水量略多于同纬度的海阳气象站降水,NDSI年累积量在2002-2003年度达到最大,为11.89（图17（a））;海阳气象站位于沿海边缘,地形平坦,无高大山脉阻挡,盛行西风极易穿过,降水量较少（图17（b））;青岛站附近以低山丘陵为主,最高处崂山海拔1132.7 m,无论偏北风还是偏南风都易在迎风坡降水。
图17 2000-2018年度平度站与海阳站主风向风频及NDSI累积量

Fig. 17 Daily main wind direction frequency and accumulated NDSI for winter snowfall at Pingdu and Haiyang Weather Station from 2000 to 2018

4 结论与展望

4.1 结论

本文以2000-2018年MOD10A1积雪产品为数据源,使用NDSI雪覆盖遥感影像监测山东半岛的积雪信息,一定程度上,改善了该地区依靠气象数据或雷达数据监测积雪的局面。
结合数字高程模型（DEM）及降水量、风向等气象数据,重点分析了山东半岛降雪时空分布特征,得到的主要结论如下：
（1）基于可见光遥感数据与DEM相结合,能够构建山东半岛地区积雪空间分布模型,精确标识了降雪重点区域,提取了山东半岛强、弱降雪分界线。归一化积雪指数（NDSI）能够有效反应降雪空间分布,将近18个降雪年度时间尺度上日积雪信息（NDSI）叠置分析,在水平尺度上反应了沿海到内陆降雪分布不均匀,累积NDSI与DEM相结合,在垂直尺度上反应了降雪量与高程负相关关系。
（2）空间尺度上,山东半岛降雪分布不均匀,从定性上来说,北部降雪多,南部少,东部多,西部少,降雪量最大区域位于烟台市与威海市交界地区,近18个降雪年度NDSI累计值≥500;从定量上来说,强降雪区域主要集中在北部沿海离岸距离39.1 km范围以内,强、弱降雪区分界线与山东半岛北部山脉150 m高程线近似,受冬季盛行风（偏北风）影响,山脉以北迎风平坡地区形成强降雪区域。
（3）时间尺度上,山东半岛强降雪年以3~5年为周期存在年际变化,2000-2018年,分别在2000-2001、2005-2006、2009-2010、2012-2013、2016-2017年度出现了较为严重的降雪年。

4.2 展望

山东半岛地区山脉高程150 m外缘线以北地区,降雪量更为丰富,受山脉连续性、坡度大小、局部山脉走向影响,150 m外缘线南侧也会有一定的降雪,但降雪强度和频度要小于150 m以北地区,这也是能够划分强、弱降雪区域的重要参考。但山体高度、坡度具体对降雪量产生的定量影响,还需要精细的实验进一步研究。山东半岛北临渤海,冬季偏北风带来足够的水汽,致使烟台、威海地区产生降雪,风向、风力及沿岸山脉的走向,也对局部降雪特征产生影响。本次研究中结合地面气象站点实测气象数据,从时间尺度、水平分布尺度分析了烟台、威海、青岛地区的降雪特征,为该地区灾害防治、淡水资源收集提供了参考。
该地区除时间尺度、水平分布特征外,作者在后续工作中将进一步分析积雪厚度与NDSI的定量关系,在垂直尺度上定量分析山东半岛降雪特征、淡水资源分布,但受地面气象站点数量稀缺、不同厚度积雪光谱收集难度大等条件限制,本次论文没有涉及。淡水资源短缺一直威胁着烟台、威海地区的用水安全,特别是近几年旱情频发,积雪只是淡水资源补给的一部分,夏季降水尤为关键,研究团队将进一步在全年尺度,对山东半岛降水补给进行研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
莫兴国, 胡实, 卢洪健 , 等. GCM预测情景下中国21世纪干旱演变趋势分析[J]. 自然资源学报, 2018,33(7):1244-1256.

[ Mo X G, Hu S, Lu H J , et al. Drought trends over the terrestrial China in the 21 st century in climate change scenarios with ensemble GCM projections [J]. Journal of Natural Resources, 2018,33(7):1244-1256. ]

[2]
周迪, 周丰年 . 中国水资源利用效率俱乐部趋同的检验、测度及解释:2003-2015年[J]. 自然资源学报, 2018,33(7):1103-1115.

[ Zhou D, Zhou F N . Inspection, measurement and interpretation of club convergence of water resources utilization efficiency in China: 2003-2015[J]. Journal of Natural Resources, 2018,33(7):1244-1256. ]

[3]
刘学刚, 张金艳, 郭丽娜 , 等. 青岛地区降雪时空特征及环流成因分析[J]. 中国农学通报, 2016,32(32):144-157.

[ Liu X G, Zhang J Y, Guo L N , et al. Snowfall: Temporal and spatial characteristics and circulation cause in Qingdao[J]. Chinese Agricultural Science Bulletin, 2016,32(32):144-157. ]

[4]
汪箫悦, 王思远, 尹航 , 等. 2002-2012年青藏高原积雪物候变化及其对气候的响应[J]. 地球信息科学学报, 2016,18(11):1573-1579.

DOI

[ Wang X Y, Wang S Y, Yin H , et al. Snow phenology variability in the Qinghai-Tibetan Plateau and its response to climate change during 2002-2012[J]. Journal of Geo-information Science, 2016,18(11):1573-1579. ]

[5]
刘业森, 张晓蕾, 郭良 . 自然灾害调查数据的多尺度异常检测方法研究及应用[J]. 地球信息科学学报, 2017,19(12):1653-1660.

DOI

[ Liu Y S, Zhang X L, Guo L . Study and application of the method of multi-scale outliers detection of natural disaster investigation data[J]. Journal of Geo-information Science, 2017,19(12):1653-1660. ]

[6]
杨成芳, 周雪松, 王业宏 . 山东半岛冷流降雪的气候特征及其前兆信号[J]. 气象, 2007,33(8):76-82.

[ Yang C F, Zhou X S, Wang Y H . Climatic features and previous signal of cold airflow snowfall in Shandong peninsula[J]. Meteorological Monthly, 2007,33(8):76-82. ]

[7]
杨成芳, 李泽椿, 李静 , 等. 山东半岛一次持续性强冷流降雪过程的成因分析[J]. 高原气象, 2008,27(2):442-451.

[ Yang C F, Li Z C, Li J , et al. A diagnostic analyses on peculiar persistent cold airflow snowstorm process in Shandong peninsula[J]. Plateau Meteorology, 2008,27(2):442-451. ]

[8]
高晓梅, 杨成芳, 王世杰 , 等. 莱州湾冷流降雪的气候特征及其成因分析[J]. 气象科技, 2017,45(1):130-138.

[ Gao X M, Yang C F, Wang S J , et al. Climatic characteristics and causality of cold-airflow snowfall in Laizhou Bay. Meteorological Science and Technology, 2017,45(1):130-138. ]

[9]
除多, 达珍, 拉巴卓玛 . 西藏高原积雪覆盖空间分布及地形影响[J]. 地球信息科学学报, 2017,19(5):635-645.

DOI

[ Chu D, Da Z, Laba Z M . Spatio-temporal distribution patterns of snow cover on the Tibet and orographic impacts[J]. Journal of Geo-information Science, 2017,19(5):635-645. ]

[10]
姜萍, 王晓威 . 近红外波段ETM+影像的积雪提取方法[J]. 测绘科学, 2017,42(11):41-46.

[ Jiang P, Wang X L . Snow cover extraction method based on the near-infrared band of ETM+ image[J]. Science of Surveying and Mapping, 2017,42(11):41-46. ]

[11]
郑璞, 邓正栋, 关洪军 , 等. 基于ETM+的积雪提取方法研究——以新疆玛纳斯河流域为例[J]. 冰川冻土, 2014,36(5):1151-1159.

DOI

[ Zheng P, Deng Z D, Guan H F , et al. Study of the snow cover extraction method based on ETM+ data: Take Manas River basin as an example[J]. Journal of Glaciology and Geocryology, 2014,36(5):1151-1159.]

[12]
王雪璐, 王玮, 冯琦胜 , 等. 基于MODIS数据的青海省积雪覆盖范围监测算法探索[J]. 草业学报, 2012,21(4):293-299.

DOI

[ Wang X L, Wang W, Feng Q S , et al. A snow cover mapping algorithm based on MODIS data in Qinghai province[J]. Acta Prataculturae Sinica, 2012,21(4):293-299. ]

[13]
马荣, 张明军, 王圣杰 , 等. 近50 a西北干旱区冬季积雪日数变化特征[J]. 自然资源学报, 2018,33(1):127-138.

[ Ma R, Zhang M J, Wang S J , et al. Variation characteristics of snow cover days in winter in arid region of northwest China in last 50 years[J]. Journal of Natural Resources, 2018,33(1):127-138. ]

[14]
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.

DOI PMID

[15]
彦立利, 王建 . 基于遥感的冰川信息提取方法研究进展[J]. 冰川冻土, 2013,35(1):110-118.

DOI

[ Yan L L, Wang J . Study of extracting glacier information from remote sensing[J]. Journal of Gloaciology and Geocryology, 2013,35(1):110-118. ]

[16]
黄晓东, 张学通, 李霞 , 等. 北疆牧区MODIS积雪产品MOD10A1和MOD10A2的精度分析与评价[J]. 冰川冻土, 2007,29(5):722-729.

[ Huang X D, Zhang X T, Li X , et al. Accuracy analysis for MODIS snow products of MOD10A1 and MOD10A2 in northern Xinjiang area[J]. Journal of Gloaciology and Geocryology, 2007,29(5):722-729. ]

[17]
NASA官网[EB/OL].

[ NASA official website[EB/OL].

[18]
国家气象信息中心[EB/OL].

[ National Meteorological Information Center[EB/OL].

[19]
中国科学院计算机网络信息中心国际科学数据镜像网[EB/OL].

[ International Scientific Data Mirror Network of Computer Network Information Center of Chinese Academy of Sciences[EB/OL].

[20]
美国喷气实验室网址[EB/OL]. .

[ The websiteof Jet Propulsion Labortatory[EB/OL].

[21]
庞海洋, 孔祥生, 汪丽丽 , 等. ENDSI增强型雪指数提取积雪研究[J]. 国土资源遥感, 2018,( 1):63-71.

[ Pang H Y, Kong X S, Wang L L , et al. A study of the extraction of snow cover using nonlinear ENDSI model[J]. Remote Sensing for Land and Resources, 2018,30(1):63-71. ]

[22]
Jones H G, Pomeroyj W, Walker D A , et al. Snow ecology: An interdisciplinary examination of snow-covered ecosy stems[M]. Camb ridge: Camb ridge University Press, 2001.

[23]
郝晓华, 王建, 李弘毅 . MODIS雪盖制图中NDSI阈值的检验——以祁连山中部山区为例[J]. 冰川冻土, 2008,30(1):132-138.

[ Hao X H, Wang J, Li H Y . Evaluation of the NDSI threshold value in mapping snow cover of MODIS: A case study of snow in the Middle Qilian Mountains[J]. Journal of Glaciology and Geocryology, 2008,30(1):132-138. ]

[24]
蒋洪波, 秦其明, 张宁 , 等. 不同积雪深度与面积对积雪覆盖遥感反演的影响[J]. 光谱学与光谱分析, 2011,31(12):3342-3346.

DOI

[ Jiang H B, Qin Q M, Zhang N , et al. Effect of different snow depth and area on the snow cover retriveal using remote sensing data[J]. Spectroscopy and Spectral Analysis, 2011,31(12):3342-3346. ]

[25]
董廷旭, 蒋洪波, 陈超 , 等. 基于实测光谱分析的HJ-1B数据浅层雪深反演[J]. 光谱学与光谱分析, 2011,31(10):2784-2788.

DOI

[ Dong Y X, Jiang H B, Chen C , et al. A Snow depth inversion method for the HJ -1B satellite data[J]. Spectroscopy and Spectral Analysis, 2011,31(10):2784-2788. ]

[26]
李建华, 崔宜少, 褚昭利 , 等. 山东半岛冷流降雪中心位置对比分析[J]. 气象与环境科学, 2012,35(S1):10-13.

[ Li J H, Cui Y S, Chu Z L , et al. Comparative analysis of cold-air snowfall central located on Shandong peninsula[J]. Meteorological and Environmental Sciences, 2012,35(S1):10-13. ]

[27]
丁海燕, 马灵玲, 李子扬 , 等. 基于分形维数的全色影像云雪自动识别方法[J]. 遥感技术与应用, 2013,28(1):52-57.

[ Ding H Y, Ma L L, Li Z Y , et al. Automatic indentification of cloud and snow based on fractal dimension[J]. Remote Sensing Technology and Application, 2013,28(1):52-57. ]

Options
文章导航

/

〈 〉