NASA系列雪参数反演算法在单像元内的时间序列验证与分析

NASA系列算法(Chang,NASA96和Foster算法)是被动微波遥感反演雪深、雪水当量的简单、实用的经验算法,并经过了很多学者大范围的算法验证和改进。为了进一步评价NASA系列算法在东北地区的时空适用性,于长春净月潭区域选定了一个以农田和森林为主的10km×10km被动微波遥感混合像元,在时间上连续观测整个干雪期(2014年12月至次年2月)的积雪参数和气象数据,结合FY3B卫星搭载的微波成像仪(MWRI)亮温数据,对NASA系列算法精度进行了评价分析。结果表明:对于雪深的反演,Chang算法和NASA 96算法前期反演效果较好,后期随着时间的推进高估雪深的趋势愈加明显。由于考虑了森林覆盖率的影响,NASA 96算法的反演精度更高。两种算法最大高估值分别是24.46和14.62cm,这是因为期间雪性质不断变化,尤其是雪粒径不断增大的缘故。Foster算法也严重高估了雪水当量,可能是由于积雪类型的分类系统未必适合于东北地区的积雪特征。本文的积雪连续观测数据为认识东北地区的积雪特性奠定了基础,对算法的时间序列验证与分析为雪参数反演算法的进一步改进提供了可靠依据。     

基于激光传感器的高铁雪深多点测量研究

降雪时轨道内的积雪会影响列车的正常运行,因此需精确测量出轨道内积雪的深度,控制列车的行进速度,以确保列车安全又快速地运行。针对原有激光单点雪深测量的不足,设计了一种由云台、激光传感器、倾角仪、加热单元等组成的雪深多点静态测量装置,并在某高铁工务段作了现场实验。试验表明该装置能够在严寒条件下正常工作,实现了多点雪深连续测量,测量结果稳定。与人工测量值相比误差在5 mm,测量精度高。     

多源雪深数据在中国的空间特征评估

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡,同时,积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料,但不同数据之间存在着明显差异。基于多源雪深数据的评估,特别是空间特性的评估还很缺乏。因此,本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据,以站点观测数据为参考真值,对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好,适合用于我国北方的雪深研究;②MERRA2在西北和东北积雪区也有较好的表现,但由于其分辨率较粗,缺乏细节的空间信息,因此认为比较适用于大区域的统计分析;③AMSR-E在我国中部和东南地区表现最好,因此认为适合我国中部及东南部的雪深研究。     

北半球及典型区雪深时空分布与变化特征

基于欧空局的GlobSnow雪水当量数据集和国家青藏高原科学数据中心的北半球长时间序列雪深数据集NHSD研究了北半球及9个典型区的雪深时空分布与变化特征。结果表明：北半球1988~2018年平均雪深总体呈显著下降趋势（p<0.01）,年际变化幅度为-0.55 cm·（10 a）^-1。在高纬度地区,加拿大北部和阿拉斯加年平均雪深下降明显（p<0.01）,下降速率分别为3.48 cm·（10 a）^-1和3 cm·（10 a）^-1,两地区月平均雪深在冬季显著下降。西西伯利亚平原和东欧平原年平均雪深呈下降趋势,其中东欧平原雪深下降较为明显（p<0.01）,变化速率为-2.3 cm·（10 a）^-1,两地区的月平均雪深在春季显著下降,其中5月份最为明显。东西伯利亚山地的雪深年际变化呈增加趋势,除堪察加半岛外,其月平均雪深在冬季呈显著增加趋势。对于高山区,阿尔卑斯山脉和落基山脉的年平均雪深呈缓慢增长趋势,而青藏高原地区雪深呈缓慢下降趋势。阿尔卑斯山脉的月平均雪深在冬季呈显著增加趋势,5月份显著减小。落基山脉和青藏高原雪深变化呈现出空间异质性：在整个研究时段,落基山脉北部月平均雪深呈下降趋势,中部和南部呈上升趋势;青藏高原的北部边缘山脉雪深呈显著上升趋势,中部大多数地区呈下降趋势。喜马拉雅山脉的北坡雪深增加,南坡雪深减小,但其变化率绝对值小于0.5 cm·a^-1。东南部雪深较大的念青唐古拉山脉冬季雪深呈显著下降趋势。对9个典型区雪深的年内分析（2001~2010年平均值）结果显示：高山区雪深峰值远低于高纬度地区雪深峰值。除青藏高原外,高山区的积雪融化起始日期明显早于高纬度地区。     

基于多源数据的阿勒泰地区雪深反演研究

利用阿勒泰地区 2010~2012年冬季(11月~次年2月)3类积雪数据:风云三号微波成像仪(FY\|3/MWRI)反演的雪深数据、美国人机交互式多仪器冰雪制图系统(IMS)积雪面积数据、阿勒泰及周边地区实测雪深数据,进行积雪深度的反演研究。通过结合3类积雪数据的各自优势,建立修正模型,最终得到较准确的研究区雪深数据。同时通过编程实现了相应模型的操作平台,为今后研究区积雪业务化监测做好准备。结果表明:模型提高了FY\|3/MWRI数据反演阿勒泰地区积雪深度的准确性,改善了FY\|3/MWRI数据在阿勒泰地区雪深反演偏低的缺点,使微波与实测平均雪深误差由修正前的21.7~12.1 cm缩小为修正后的3.7~1.5 cm。     

风云三号微波成像仪积雪参数反演算法初步研究

选择新疆地区作为实验区,为风云三号(FY-3)微波成像仪(MWRI)发展中国区域的积雪参数半经验反演算法。使用2003年4个月的新疆地区的台站观测资料和AMSR-E 18.7 GHz,36.5GHz和89 GHz水平和垂直极化亮温作为FY-3 MWRI的模拟数据,在Chang建立的半经验模型的基础上,采用多元线性回归分析,建立一个新算法。用已有方法去除水体、降雨、湿雪、冻土的像元后,用新算法反演了新疆地区的2004年1月的积雪参数,并分别与AMSR-E雪水当量产品和台站观测值进行比较,结果表明新算法在新疆地区优于AMSR-E的反演算法。     

基于规范对比的女儿墙屋面雪荷载实测分析

在女儿墙屋面雪荷载计算时，日本、美国及欧洲规范中充分考虑了风场对完全暴露屋面雪荷载的侵蚀作用、风力对积雪的搬运作用、上游积雪宽度对下游阻碍物处堆雪量的补充作用和降雪量对堆雪的补充作用。除此之外，也引入了室内采暖、雨雪联合等因素来更真实地实现对屋面雪荷载的估算。相较之下，我国规范仅考虑女儿墙高度的影响。故基于对带女儿墙屋面积雪分布的多年实测结果，参考国外规范中的影响因素，对哈尔滨地区女儿墙屋面积雪分布特征进行了分析。结果显示：风场作用下，积雪会更多地堆积于迎风向女儿墙处；随着上游屋面宽度增加，下游迎风向女儿墙处漂移积雪的峰值深度存在递增趋势，且随着风速增加，搬移堆积作用会增强；上游屋面宽度和地面降雪量对女儿墙处峰值雪深有较大影响，风速对于峰值雪深的影响依赖于地面降雪量，降雪越大，风速的影响越大，反之减小；女儿墙处堆雪长度与女儿墙高度比值多维持在3.75左右，建议我国规范中堆雪长度与女儿墙高度比值取4.0。     

天山雪深反演算法验证与分析

针对被动微波遥感雪深反演算法在特殊地形条件下精度较差的问题,分析了两种雪深反演算法在新疆天山地区山地和平地在不同雪深条件下的误差。利用2014年12月15日到24日同步获得的46个山地和52个平地雪深数据、FY3B-MWRI亮温数据以及2008年MCD12Q1地面分类数据,对FY3B-MWRI业务化算法和Chang算法在新疆天山地区进行了对比分析。采用实测的不同地形和雪深数据进行了多组雪深反演,并分析山地和平地不同雪深反演误差。结果表明:1)所有样点参与反演时,Chang算法的雪深反演均方根误差为14.18cm,FY3B-MWRI业务化算法均方根误差为8.66cm,FY3B-MWRI业务化算法雪深反演效果优于Chang算法;2)对比山地和平地雪深反演结果,Chang算法的山地雪深反演均方根误差为18.31cm,平地雪深反演均方根误差为9.3cm;对于FY3B-MWRI业务化算法,山地雪深反演均方根误差为10.73cm,平地的雪深反演均方根误差为4.36cm,Chang算法和FY3B-MWRI业务化算法山地反演均方根误差是平地均方根误差的两倍左右;3)当雪深在20~30cm和大于30cm两组时,FY3B-MWRI业务化算法和Chang算法精度普遍都不高。     

利用实测资料评估被动微波遥感雪深算法

利用SSM/I微波亮温数据,结合地面站点实测资料,比较Chang算法和Che算法在前苏联、中国及蒙古境内6种不同积雪类型的反演精度,结果表明:被广泛应用于全球雪深反演的Chang算法低估了前苏联境内雪深7.6cm,相对误差为-24.3%,而分别高估中国及蒙古境内雪深9.2cm与11.4cm,相对误差分别为108.8%和180.9%,区域反演效果很差;针对中国境内积雪的Che算法严重低估前苏联境内雪深,整体低估21.3cm,相对误差为-68.6%,RMSE为31.4cm;在中国及蒙古境内反演效果有所改善。6个积雪类型中,植被较单一,地形较平坦的苔原型积雪和草原型积雪雪深的反演效果较好。随着纬度和积雪深度的增加被动微波雪深反演有由高估变为低估的趋势。Che算法反演的雪深大体以40°N为界,以北表现为低估,以南表现为高估,另一方面,整体上该算法在雪深低于6.7cm时表现为低高估,高于6.7cm表现为低估;因此,全球算法应用到局部地区需要进行修正,不同下垫面性质以和气候条件下形成的积雪的被动微波反演应区别对待。     

被动微波雪深反演算法在东北地区的时空分析与验证

Chang算法及改进算法是被动微波遥感雪深反演算法中较简单的经验算法。为了评价改进的Chang算法在东北地区的适用性,对改进的Chang算法进行分析与验证。从空间上,选取了84个野外数据采样点和48个气象站点对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深3.6cm,而农田下垫面改进的Chang算法会高估雪深1.5cm。从时间序列上,选取五营、呼中、庆安和巴彦4个气象站点2012年11月15日~2013年2月28日的时间序列雪深数据,对改进的Chang算法进行分析与验证。结果表明:森林下垫面改进的Chang算法会低估雪深,五营站点低估雪深13.7cm,呼中站点低估雪深8.3cm,农田下垫面改进的Chang算法会高估雪深,庆安站点高估雪深3.4cm,巴彦站点高估雪深0.8cm。无论从空间上还是时间序列上,验证结果都表明,农田下垫面时改进的Chang算法的精度比森林下垫面时要高。此外,站点雪深不变而改进的Chang算法反演的雪深却在增大,这可能是由于期间雪粒径不断增大的缘故。