Based on Snow Cover Survey Data of Accuracy Verification and Analysis of Passive Microwave Snow Cover Remote Sensing Products in Northeast China

Xiuxue Chen; Xiaofeng Li; Guangrui Wang; Kai Zhao; Xingming Zheng; Tao Jiang

doi:10.11873/j.issn.1004-0323.2019.6.1181

PDF(3739 KB)

Remote Sensing Technology and Application ›› 2019, Vol. 34 ›› Issue (6) : 1181-1189. DOI: 10.11873/j.issn.1004-0323.2019.6.1181

Based on Snow Cover Survey Data of Accuracy Verification and Analysis of Passive Microwave Snow Cover Remote Sensing Products in Northeast China

Author information +

History +

HeighLight

Snow cover products can provide temporal and spatial information on snow cover distribution,which is an important data source for snow monitoring. The accuracy validation and contrastive analysis of the remote sensing products are helpful to the further development and application of snow cover data products. the survey project of snow cover characteristics and distribution in China are taken for validating the applicability of snow cover products in Northeast China,The inversion accuracy of FY-3B snow depth product, AMSR-2 snow depth product and GlobSnow snow equivalent product under two underlying surface of Broadleaf Forests and Croplands were verified by using the 25 km typical quadrats and snow path survey data in Northeast China. The results show that the precision of GlobSnow snow water equivalent product has the highest accuracy and the maximum deviation and root mean square error without distinguishing the underlying surface are respectively 10.87 cm and 12.53 cm.The inversion accuracy between GlobSnow snow equivalent product and FY-3B snow depth product under two underlying surfaces is very little and the difference of deviation and root mean square error between two products is respectively smaller than that of 2.11 cm and 3.46 cm.The inversion accuracy of AMSR-2 products under two kinds of underlying surfaces is significant different and the difference of deviation and root mean square error between the two underlying surfaces is greater than that of 9.94 cm and 7.19 cm. For the three snow products, The inversion accuracy of snow depth on the underlying surface of croplands is higher than that of broadleaf forests on the underlying surface.

Key words

Snow products / Snow depth / Passive microwave / GlobSnow / FY-3B / AMSR-2

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Xiuxue Chen , Xiaofeng Li , Guangrui Wang , Kai Zhao , Xingming Zheng , Tao Jiang. Based on Snow Cover Survey Data of Accuracy Verification and Analysis of Passive Microwave Snow Cover Remote Sensing Products in Northeast China[J]. Remote Sensing Technology and Application, 2019, 34(6): 1181-1189 https://doi.org/10.11873/j.issn.1004-0323.2019.6.1181

1 引言

积雪在全球水文循环和气候系统中起着重要作用^[1]。积雪作为我国几大流域主要淡水补给来源，约占河流每年流入中国海的径流总量的5.96%，是长江年平均径流量的10.73%^[2]。此外，积雪作为一个关键的可变因子，是人类经济活动引起的气候变化的一个关键指示器^[3]。在中国，积雪分布范围非常广阔，稳定性积雪面积达到了420万km²，主要包括青藏高原地区、东北-内蒙地区以及北疆和天山地区。因此，准确地掌握积雪的空间分布对气候和水资源的监测至关重要。但是，传统的积雪观测主要依靠气象台站点和人为观测获取数据，需要耗费大量的人力和物力，且难以获取连续的、大面积的积雪信息。随着遥感技术的飞速发展，利用遥感技术研究积雪成为当前积雪研究的热点。卫星遥感技术具备快速、高效和覆盖范围广等优点，能获取长时间大范围的地表信息，为积雪实时动态监测提供了有效的途径。特别是被动微波传感器SSMR (Scanning Multichannel Microwave Radiometer)、SSM/I(Special Sensor Microwave Imager)和AMSR-E (Advanced Microwave Scanning Radiometer for Earth observing system)的在轨运行，为积雪提供了最佳的观测方式，它可以全天时全天候获取大面积信息。东北地区作为我国最大的商品粮基地，也是我国典型的季节性积雪地区，积雪的存积和消融对春季耕种和作物的生长起到重要作用。因此，准确地获取东北农田区的雪深、雪水当量的分布情况对指导农业生产具有重要的意义。

目前利用被动微波亮温数据和已有的积雪反演算法，发展了一系列积雪遥感数据产品(雪盖面积、雪深、雪水当量产品等)^[4,5,6,7,8]，但是由于各地区积雪特性(雪粒径、雪密度、雪分层情况)的差异，使得积雪产品在各区域的精度有待进一步验证和评价。黄晓东等^[9]将北疆作为研究区，根据气象站台提供的雪情数据，分析了北疆地区2004年12月1日至2005年2月28日期间90个时相的MODIS每日积雪产品MOD10A1和8日合成产品MOD10A2的精度，结果表明，每日积雪产品MOD10A1分类精度受天气状况和积雪深度影响较大，8 d合成产品MOD10A2积雪分类精度较好，可以基本满足进行相关研究的需要。杨晓峰等^[10]使用实测雪深数据对2005至2008年0~48° N、112°~128° E区域的AMSR-E积雪产品进行误差分析和精度验证，当雪深较低时，AMSR-E积雪产品与实测数据一致性较好，当地面雪深值较高时，AMSR-E积雪产品高估雪深值。Hancock等^[11]根据雪覆盖面积、地面雪深测量数据和气象数据，分析了SSM/I、AMSR-E和Globsnow 3种积雪产品在芬兰附近的精度，表明Globsnow雪水当量产品在确定峰值积累量和季节性雪水当量估计中精度最高。Snauffer等^[12]对4个再分析数据集(ERA-Interim、ERA-Interim/land、MERRA和MERRA-land)、两个陆地数据同化系统数据集(GLDAS1和GLDAS2)和两种基于观测的产品(CMC和GlobSnow)进行精度分析，并将这些数据集反演的雪深值与加拿大不列颠哥伦比亚省(BC)的5个地区的实测雪深进行了比较，验证8种产品在该地区雪水当量反演的精度，其中GlobSnow和CMC在BC平原地区精度最高，在其他高原高山地区表现较差。周胜男等^[13]根据地表类型对地面站点代表性进行分析，利用代表性较好的站点对AMSR-E雪深产品数据进行精度评价，表明AMSR-E雪深产品反演结果与地面观测站点的一致性比较好，但对积雪时空分布的描述差异较大，对混合像元的雪深反演精度较低。Larue等^[14]将30 a间(1980至2009年)的GlobSnow-2的雪水当量产品与实测雪水当量数据(加拿大东部魁北克省)进行了空间和时间上的匹配，分析了GlobSnow-2雪水当量产品的精度，并与AMSR-E雪水当量产品进行比较，结果表明GlobSnow-2雪水当量反演精度得到明显提高。但是针对几种典型的积雪数据产品在东北地区的反演精度以及在不同下垫面下反演精度的差异，目前还没有进行过相关的验证分析。

以中国积雪特性及分布调查项目为依托，根据东北地区25 km样方和积雪路线调查数据，分别计算FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区农田和森林两种下垫面下的反演精度，验证3种积雪产品在东北地区的精度差异。通过对积雪产品进行精度分析，为积雪数据产品在东北地区的有效使用提供保障。

2 研究区及数据

2.1　研究区

东北地区属于温带大陆性季风气候，四季分明，夏季高温多雨，冬季寒冷干燥。冬季温度在 -11℃以下，降雪较多且分布均匀，是我国稳定积雪区之一，积雪覆盖时间从当年11月持续到次年4月，蕴藏着丰富的积雪水资源，对农业灌溉具有重要意义^[15]。

吉林省和黑龙江省位于121°11′~135°05′ E、40°50′~53°33′ N之间，地形复杂多样，土地覆盖类型以森林和农田为主，具有充裕的森林资源，主要分布在大兴安岭、小兴安岭和长白山脉，同时包含三江平原、松嫩平原和辽河平原，是我国农业、林业和畜牧业的重要基地。

2.2　数据

2.2.1　GlobSnow雪水当量产品

GlobSnow雪水当量(Snow Water Equivalent. SWE)产品是由芬兰气象研究所研制。该产品结合气象站观测数据和卫星微波数据，利用HUT积雪辐射模型^[16]对不同数据源进行自适应加权，从而获得雪水当量值。在HUT模型中，认为亮度温度(亮温)是积雪特性(雪深、雪密度、雪粒径等参数)的函数。

在GlobSnow雪水当量产品中，认为影响19 GHz和37 GHz附近亮温值的积雪特征主要为雪水当量和雪粒径。所以在该产品中，首先利用气象站台的实测雪深，将HUT模型模拟的亮温拟合到卫星亮温数据上得到各气象站的雪粒径，而最终有效雪粒径为周围4个气象站点雪粒径的均值，对有效雪粒径进行克里金插值得到整个区域的有效雪粒径值；接着对实测雪深值进行克里金插值得到整个区域的实测雪深；最终根据整个区域的有效雪粒径值和实测雪深以及雪密度参考值(0.24 g/cm³)，利用数据同化算法，同时辅之以时间序列积雪消融检测算法^[17],生成25 km×25 km分辨率的雪水当量等效图。本文GlobSnow雪水当量产品数据下载自美国雪冰数据服务中心。

2.2.2　AMSR-2雪深产品

AMSR-2是继AMSR-E停止运行后日本发射的搭载在对地观测卫星GCOM-W1上的多频传感器，两者有相似的测量机制^[18]。

AMSR-2雪深算法是对AMSR-E雪水当量算法的进一步演化，它是在Chang算法^[19]的基础上，考虑森林覆盖率的影响，利用89 GHz亮温反演浅雪，用37 GHz亮温反演中等深度积雪，用19 GH和10 GH的亮温估计深度积雪。该算法中，通过对10、23、36和89 GHz水平、垂直极化亮温的比较与分析，对浅雪和深雪进行区分，当判断为浅雪时，认为雪深为5 cm；当积雪为中等深度和深度积雪时，认为雪深为森林地区采样点雪深值与森林覆盖率的乘积和无森林覆盖采样点雪深值和非森林区域所占比例的乘积相加。本文AMSR-2雪深产品数据下载自GCOM-W1数据服务中心，分辨率为25 km×25 km。

2.2.3　FY-3B雪深雪水当量产品

FY-3B雪深雪水当量产品是利用蒋玲梅等提出的中国区域半经验算法反演得到的业务化产品。该算法的主要思想是：首先根据高精度的土地利用数据将中国分成4种主要地物类型：草地、农田、裸地和森林，利用FY-3B卫星10.7、18、7、36.5和89 GHz的水平、垂直极化亮温数据，建立4种地物类型相对纯像元情况下的雪深反演算法，从而获取北半球和南半球雪水当量日产品，北半球和南半球雪深日产品。本文FY-3B雪深雪水当量产品下载自国家卫星气象中心。

2.2.4　实测雪深数据

本文依托于中国积雪特性及分布调查项目，该项目主要目的是在中国建立全面系统的积雪特性数据库，用于服务气候变化、水资源调查和积雪灾害的数据需求^[20]。在国内外已有积雪观测规范和标准基础上，东北地区的积雪调查设计为25 km×25 km(按照AMSR-E卫星传感器的分辨率设置)样方观测和线路上的雪剖面观测，获取积雪在不同时期(积累期、稳定期和消融期)点、线、面上的积雪属性地面观测数据(图1)。

Fig.1 General distribution of observation points in quadrats and snow route survey

图1 样方和积雪路线调查采样点总体分布情况

(积雪划分标准引用自文献[21]) 审图号：GS（2019）3266

Full size|PPT slide

东北农田区的样方实地测量数据包括三个时期：积累期(2017年12月24日)、稳定期(2018年1月23日)、消融期(2018年3月2日)，积累期在25 km×25 km的样方内观测20个点，稳定期在25 km×25 km的样方内观测25个点，消融期在25 km×25 km的样方内观测22个点(图2)，在观测时，选择有代表性的观测点进行观测，尽量不破坏观测区域积雪。

Fig.2 Distribution of observation points in 25 km × 25 km quadrat

图2 25 km×25 km样方采样点分布情况

Full size|PPT slide

线路观测数据与样方观测数据相对应，主要包括3个时期，分别是积累期(2017年12月17日~23日，2017年12月26日~30日)、稳定期(2018年1月24日~2月5日)、消融期(2018年3月4日~13日)。积累期和消融期采样点37个，稳定期采样点36个。实测积雪参数主要包括雪密度、雪粒径、雪温度和雪深等。

2.2.5　MODIS土地覆盖数据

本文使用MODIS三级数据土地覆盖类型产品MCD12Q1(版本6，数据来源https://search.earthdataMCD12Q1数据产品是通过Terra和Aqua观测所得反射率数据进行监督分类得到的，空间分辨率为500 m×500 m。该土地覆盖类型数据集中包含了17种主要土地覆盖类型。其中版本6中MCD12Q1产品使用了6种分类方案，本文土地分类体系采用IGBP分类标准,得到东北地区土地覆盖分类图(图3)。

Fig.3 Land cover classification map in northeast China

图3 东北地区土地覆盖分类图

审图号：GS（2019）3266

Full size|PPT slide

3 验证方法

基于东北地区25 km×25 km的样方和积雪路线调查数据，分别验证GlobSnow雪水当量产品、AMSR-2雪深产品、FY-3B雪深产品在不同下垫面类型下的雪深反演精度。由土地覆盖分类图可得，东北地区的下垫面类型主要是农田和林地，其中林地类型主要为阔叶林。所以本文将积雪产品(25 km×25 km)与土地覆盖图(500 m×500 m)进行叠加，统计积雪产品每个像元内各土地利用类型的比例，定义当产品像元内某种土地覆盖类型的比例大于60%^[22]，认为该像元为此土地覆盖类型，从中提取出下垫面类型为阔叶林和农田的采样点，验证三种积雪产品在两种下垫面下的雪深反演精度。

3.1　实地测量雪深数据处理

样方观测中，选择地势相对平坦并且具有代表性的地点，在25 km×25 km的样方中均匀布置采样点，每个采样点重复观测9~10次，获取积雪雪深数据。对25 km×25 km样方的每个采样点的实测数据进行均值处理，获取每个样方实测雪深。

在积雪路线调查中，与样方观测类似，每个采样点重复观测多次，获得多个雪深值，对其进行均值处理作为每个采样点最终雪深值。

然后利用土地覆盖分类图，提取出积累期、稳定期、消融期下垫面类型分别为阔叶林和农田的采样点数量(表1)。同时本文认为积雪产品的实测雪深为坐标在产品像元内的采样点雪深值，而对坐标处于同一个产品像元内的采样点，产品像元的实测雪深为处于一个像元内所有采样点的均值，从而得到积雪产品的实测雪深。

Table 1 Number of sampling points under different underlying surface types

表1 不同下垫面类型下采样点数量

	下垫面	GlobSnow	AMSR-2	FY-3B
积累期	阔叶林	16	9	16
积累期	农田	11	10	11
稳定期	阔叶林	5	9	16
稳定期	农田	8	12	11
消融期	阔叶林	13	8	13
消融期	农田	13	14	13

3.2　积雪产品数据处理

根据积累期、稳定期、消融期3个时期25 km×25 km样方观测数据和36天的线路观测数据，分别下载与实测数据日期一致的积雪产品，并根据样方观测和线路观测点数据的经纬度坐标，提取出3种积雪产品雪深或雪水当量值。对于没有卫星过境数据的观测点，使用前一天积雪产品的雪深值代替。由于稳定期GlobSnow雪水当量产品部分日期缺失，本文稳定期的GlobSnow雪水当量产品使用2018年1月24日、1月25日、2月3日至2月5日共5 d的积雪数据产品与地面实测雪深进行精度验证。同时为了便于不同产品之间的精度验证，将GlobSnow产品的雪水当量值换算成雪深值（雪密度为0.24 g/cm³），最终得到3个时期3种积雪产品的产品雪深。

4 结果分析

4.1　样方数据分析结果

首先分别将FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品提取的雪深值与实测数据(图4)进行对比分析，计算积雪数据产品雪深值与实测雪深的偏差(Bias)，验证3种产品在中国东北农田区的适用性。

B i a s = \frac{\sum | x - x_{i} |}{n}

(1)

其中:x表示积雪产品反演雪深值，

x_{i}

为地面实测雪深值。

Fig.4 Comparison of measured snow depth value and product snow depth value

图4 样方实测雪深和产品雪深对比

Full size|PPT slide

在样方观测中，由图4和表2可以看出，FY-3B积雪产品与实测样方雪深拟合最好，可以比较准确地反演雪深在3个时期的分布情况；GlobSnow雪水当量产品和AMSR-2雪深产品在积累期反演效果较好，但是在稳定期和消融期反演误差变大，导致反演精度较低。

Table 2 Average deviation of measured snow depth value and products snow depth value

表2 积雪产品雪深值与实测雪深值平均偏差

	GlobSnow	AMSR-2	FY-3B
偏差/cm	5.48	5.40	3.07

4.2　积雪线路数据分析结果

为进一步分析3种积雪产品的反演精度，本文利用积雪路线调查数据再次对积雪产品进行精度分析，图5为3种积雪产品提取出的雪深值与实测雪深的对比图。首先在不区分土地覆盖类型的情况下，分别计算3类积雪产品积累期、稳定期、消融期的偏差和均方根误(表3)。

R M S E = \sqrt[]{\frac{\sum （ x - x_{i} ）^{2}}{n}}

(2)

其中：

x

表示积雪产品反演雪深值，

x_{i}

为地面实测雪深值。

Fig.5 Distribution of measured snow depth value and product snow depth value under two underlying surfaces

图5 两种下垫面下3种产品雪深值和实测雪深分布

Full size|PPT slide

Table 3 Comparison of deviation and root mean square error of three kinds of snow products without distinguishing land cover types

表3 不区分土地覆盖类型情况下3类积雪产品偏差和均方根误差比较

	积累期			稳定期			消融期
	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B
偏差/cm	7.50	23.57	9.28	7.40	47.75	14.42	10.87	30.36	16.31
均方根误差/cm	8.93	19.91	12.49	8.49	54.35	17.66	12.53	36.62	18.73

在不区分下垫面的情况下，由表3和图5可以看出，GlobSnow雪水当量产品和FY-3B雪深产品反演结果较好，其中GlobSnow雪水当量产品在积雪的3个时期反演精度最高，最大偏差和均方根误差出现在消融期，分别为10.87 cm和12.53 cm；AMSR-2雪深产品与实测雪深差值最大，最小偏差和均方根误差分别是23.57 cm和19.91 cm，严重高估东北地区的雪深。在消融期，GlobSnow雪水当量产品和FY-3B雪深产品的偏差和均方根误差相较前两个时期进一步增大，主要是由于消融期积雪含水量增大，致使东北地区的积雪由干雪变成湿雪，但是这两种产品没有设置湿雪的反演算法，AMSR-2雪深产品在消融期的反演精度相较于稳定期精度得到提高，主要是由于该产品的反演算法对地表物理温度进行了判断，可以一定程度上剔除湿雪的影响，从而提高了AMSR-2产品的反演精度。

考虑下垫面对积雪产品反演精度的影响，由表4和表5可以看出，在积雪不同观测时期，GlobSnow雪水当量产品在农田和阔叶林两种下垫面下雪深反演精度均是最高的，两种下垫面反演误差差别较小，偏差的和均方根误差的差值均不超过2.11 cm和3.46 cm，这是由于GlobSnow雪水当量产品利用HUT模型进行反演，该模型考虑了森林冠层对微波亮温的影响，对森林下垫面下的雪深分布反演结果精度较高，使其与农田下垫面反演精度相差很小。与GlobSnow雪水当量产品相比，FY-3B雪深产品反演精度较低，但是也能较准确地反映两种下垫面下的雪深分布，因为FY-3B产品分别建立了草地、农田、裸地和森林4种地物类型下相对纯像元情况下的雪深反演算法，考虑了森林对反演结果的影响，所以两种下垫面下反演误差差别很小。AMSR-2雪深产品虽然采用动态亮温梯度法反演雪深，理论上比静态亮温梯法精度高。但是在该方法中，其雪粒径和雪密度等没有反映出积雪的动态特征，致使其在东北地区出现严重高估雪深情况。并且对于AMSR-2雪深产品，农田下垫面下的反演精度远远高于阔叶林下垫面的反演精度，这可能是由于在该产品中，森林覆盖率的确定是雪深反演算法的重要误差来源，而AMSR-2产品中森林覆盖率的确定主要根据植被连续场(VCF)数据，在这个过程中，利用植被连续场数据确定植被覆盖率存在一定的误差。

Table 4 Comparison of deviation and root mean square of three kinds of snow products under broadleaf forests

表4 下垫面为阔叶林时3种积雪产品偏差和均方根误差比较

	积累期			稳定期			消融期
	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B
偏差/cm	6.70	34.46	11.85	8.28	65.28	20.62	11.97	36.14	12.88
均方根误差/cm	8.96	36.80	15.59	10.19	69.87	23.18	13.64	39.32	14.28

Table 5 Comparison of deviation and root mean square of three kinds of snow depth products under croplands

表5 下垫面为农田时3种积雪产品偏差和均方根误差比较

	积累期			稳定期			消融期
	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B	GlobSnow	AMSR-2	FY-3B
偏差/cm	5.48	5.89	5.98	6.17	16.33	8.43	10.21	26.20	19.52
均方根误差/cm	6.29	7.99	7.05	6.73	19.04	10.51	12.42	32.13	22.76

在不区分雪深观测时期的情况下分别计算阔叶林和农田两种下垫面下的反演误差和均方根误差(表6)，农田下垫面的雪深反演精度均高于阔叶林下垫面的反演精度，这主要是由于森林地区对微波亮温的影响因素较多，雪深反演算法无法完全考虑森林状态下每个因素对雪深反演结果的影响。且而对于3种积雪产品，在两种下垫面下GlobSnow雪水当量产品反演精度都是最高的，FY-3B产品次之，AMSR-2雪深产品反演误差最大，并且在AMSR-2产品中，农田下垫面的反演误差与阔叶林下垫面的偏差和均方根误差的差值分别为28.3 cm和28 cm。

Table 6 Comparison of deviation and root mean square error of three kinds of snow cover under two land cover types

表6 两种土地覆盖类型下3类积雪产品偏差和均方根误差比较

	GlobSnow		AMSR-2		FY-3B
	阔叶林	农田	阔叶林	农田	阔叶林	农田
偏差/cm	8.90	7.63	45.65	17.35	15.29	11.94
均方根误差/cm	11.09	9.42	51.33	23.33	18.37	15.77

5 结语

本文利用东北地区25 km×25 km样方雪深测量数据和积雪线路测量数据，验证在阔叶林和农田两种下垫面类型下，GlobSnow雪水当量产品、AMSR-2雪深产品、FY-3B雪深产品在积雪不同观测时期的雪深反演精度。主要结论如下：

(1) 考虑下垫面的影响，GlobSnow雪水当量产品和FY-3B雪深产品的反演值与实测雪深值在时间上的一致性较好，在农田和阔叶林两种下垫面下雪深反演精度差别很小，能较好地反演雪深在积累期、稳定期以及消融期的变化情况。AMSR-2雪深产品的算法不能体现东北地区积雪的动态特征，出现明显高估东北地区雪深的情况，且两种下垫面下的反演精度差别很大。

(2) 在整个积雪期内的评价结果表明：下垫面为农田时，3种积雪产品的雪深反演精度均高于下垫面为阔叶林的反演精度。这主要是由于森林冠层衰减了下层土壤和积雪辐射，同时自身辐射也会对微波辐射亮温有一定的贡献，最终导致积雪反演的精度难以提高。考虑不同的积雪观测时期，Glob-Snow雪水当量产品和FY-3B雪深产品在消融期反演误差进一步增大，而AMSR-2雪深产品考虑了湿雪的影响，提高了该产品在消融期雪深反演精度。

总体看来，在3类积雪产品中，GlobSnow雪水当量产品和FY-3B雪深产品精度较高，能较好的体现积雪的时空分布，其中GlobSnow雪水当量产品精度最高。AMSR-2雪深产品则明显高估了东北地区的雪深。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	Grippa M, Mognard N, Toan T L, et al. Siberia Snow Depth Climatology derived from SSM/I Data Using A Combined Dynamic and Static Algorithm[J]. Remote Sensing of Environment, 2004, 93(1-2): 30-41. Cited in this article [1]

2	Che Tao, Li Xin. Spatial Distribution and Temporal Variation of Snow Water Resources in China during 1993~2002[J]. Journal of Glaciology and Geocryology, 2005,27(1):64-67. 车涛, 李新. 1993~2002年中国积雪水资源时空分布与变化特征[J]. 冰川冻土, 2005,27(1):64-67. Cited in this article [1]

Changqing

, Li

Peiji

, Wang

Caiping

. Variation Trends of Snow Cover over the Tibetan Plateau and Their Relations to Temperature and Precipitation[J]. Journal of Glaciology and Geocryology, 1997, 19(4):289-294.

柯长青, 李培基, 王采平. 青藏高原积雪变化趋势及其与气温和降水的关系[J]. 冰川冻土, 1997, 19(4):289-294.].

Cited in this article [1]

4	Hall D K, Riggs G A, Salomonson V V, et al. MODIS Snow-cover Products[J]. Remote Sensing of Environment, 2002,83:181-194. Cited in this article [1]

5	Pulliainen J. Mapping of Snow Water Equivalent and Snow Depth in Boreal and Sub-arctic Zones by Assimilating Space-borne Microwave Radiometer Data and Ground-based Observations[J]. Remote Sensing of Environment, 2006, 101(2):257-269. Cited in this article [1]

6	Takala M, Luojus K, Pulliainen J, et al. Estimating Northern Hemisphere Snow Water Equivalent for Climate Research Through Assimilation of Space- borne Radiometer Data and Ground-based Measure-ments[J]. Remote Sensing of Environment, 2011, 115(12):3517-3529. Cited in this article [1]

7	Kelly R. The AMSR-E Snow Depth Algorithm: Description and Initial Results[J]. Journal of the Remote Sensing Society of Japan, 2009, 29(1):307-317. Cited in this article [1]

8	Jiang Lingmei, Wang Pei, Zhang Lixin, et al. Improvement of Snow Depth Retrieval for FY3B-MWRI in China[J]. Science China(Earth Science), 2014, 44(3):531-547. 蒋玲梅, 王培, 张立新,等. FY3B-MWRI中国区域雪深反演算法改进[J], 中国科学：地球科学, 2014, 44(3):531–547. Cited in this article [1]

Huang

Xiaodong

, Zhang

Xuetong

, Li

Xia

, et al. Accuracy Analysis for MODIS Snow Products of MOD10A1 and MOD10A2 in Northern Xinjiang Area[J]. Journal of Glaciology and Geocryology, 2007, 29(5): 721-729.

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):721-729.

Cited in this article [1]

10	Yang Xiaofeng, Zheng Zhaojun, Yang Zhongdong. Validation of AMSR-E Snow Depth Products in Inner Mongolia[J]. Remote Sensing Information, 2011, 39(6):61-68. 杨晓峰, 郑照军, 杨忠东. AMSR-E积雪产品在内蒙地区的精度验证[J]. 遥感信息,2011，39(6):61-68. Cited in this article [1]

11	Hancock S, Baxter R, Evans J, et al. Evaluating Global Snow Water Equivalent Products for Testing Land Surface Models[J]. Remote Sensing of Environment,2013,128:107-117. Cited in this article [1]

12	Snauffer A M, Hsieh W W, Cannon A J. Comparison of Gridded Snow Water Equivalent Products with in Situ Measurements in British Columbia, Canada[J]. Journal of Hydrology, 2016, 541:714-726. Cited in this article [1]

Zhou

Shengnan

, Che

Tao

, Dai

Liyun

. Based on the Type of Ground Site Representative of Snow Remote Sensing Products Precision Evaluation[J]. Remote Sensing Technology and Application, 2017, 32(2):228-237.

周胜男, 车涛, 戴礼云,等. 基于地面站点类型代表性的积雪遥感产品精度评价[J]. 遥感技术与应用, 2017, 32(2):228-237.

Cited in this article [1]

14	Larue F, Royer A, De Sève D, et al. Validation of GlobSnow-2 Snow Water Equivalent over Eastern Canada[J]. Remote Sensing of Environment. 2017,194:264-277. Cited in this article [1]

15	Li Peiji, Mi Desheng. Distribution of Snow Cover in China[J]. Journal of Glaciology and Geocryology, 1983, 5(4):9-18. 李培基, 米德生. 中国积雪的分布[J]. 冰川冻土, 1983, 5(4):9-18. Cited in this article [1]

16	Pulliainen J T, Grandell J, Hallikainen M T. HUT Snow Emission Model and Its Applicability to Snow Water Equivalent Retrieval[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1378 -1390. Cited in this article [1]

17	Takala M, Pulliainen J, Metsamaki S J, et al. Detection of Snowmelt Using Spaceborne Microwave Radiometer Data in Eurasia from 1979 to 2007[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(9):2996-3007. Cited in this article [1]

18	Hu Tongxi, Zhao Tianjie, Shi Jiancheng, et al. Inter-calibration of AMSR-E and AMSR2 Brightness Temperature [J]. Remote Sensing Technology and Application, 2016,31(5):919-924. 胡同喜, 赵天杰, 施建成,等. AMSR-E与AMSR2被动微波亮温数据交叉定标[J]. 遥感技术与应用, 2016, 31(5):919-924. Cited in this article [1]

19	Foster J L, Chang A, Hall D K. Comparison of Snow Mass Estimates from Prototype Passive Microwave Snow Algorithm, a Revised Algorithm and A Snow Depth Climatology[J]. Remote Sensing of Environment, 1997, 62(2):132-142. Cited in this article [1]

20	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. 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. Cited in this article [1]

21	Zhang Tingjun, Zhong Xinyue. Classification and egionalization of the Seasonal Snow Cover Across the Eurasian Continent[J]. Journal of Glaciology and Geocryology, 2014, 36(3):481-490. 张廷军, 钟歆玥. 欧亚大陆积雪分布及其类型划分[J]. 冰川冻土, 2014, 36(3): 481-490. Cited in this article [1]

22	Friedl M A, Mciver D K, Hodges J C F, et al.Global Land Cover Mapping from MODIS: Algorithms and Early Results[J]. Remote Sensing of Environment, 2002, 83(1):287-302. Cited in this article [1]

PDF(3739 KB)

334

Accesses

Citation

Detail

Sections

Recommended

HeighLight
Key words
Cite this article
1 引言
2 研究区及数据
2.1　研究区
2.2　数据
2.2.1　GlobSnow雪水当量产品
2.2.2　AMSR-2雪深产品
2.2.3　FY-3B雪深雪水当量产品
2.2.4　实测雪深数据
Fig.1 General distribution of observation points in quadrats and snow route survey
Fig.2 Distribution of observation points in 25 km × 25 km quadrat
2.2.5　MODIS土地覆盖数据
Fig.3 Land cover classification map in northeast China
3 验证方法
3.1　实地测量雪深数据处理
Table 1 Number of sampling points under different underlying surface types
3.2　积雪产品数据处理
4 结果分析
4.1　样方数据分析结果
Fig.4 Comparison of measured snow depth value and product snow depth value
Table 2 Average deviation of measured snow depth value and products snow depth value
4.2　积雪线路数据分析结果
Fig.5 Distribution of measured snow depth value and product snow depth value under two underlying surfaces
Table 3 Comparison of deviation and root mean square error of three kinds of snow products without distinguishing land cover types
Table 4 Comparison of deviation and root mean square of three kinds of snow products under broadleaf forests
Table 5 Comparison of deviation and root mean square of three kinds of snow depth products under croplands
Table 6 Comparison of deviation and root mean square error of three kinds of snow cover under two land cover types
5 结语
References

Received	Revised	Published
2018-12-15	2019-11-15	2019-12-20
Issue Date
2020-03-23

Please choose a citation manager

Content to export