高亞洲地區被動微波遙感雪水當量數據集
| 高亞洲地區被動微波遙感雪水當量數據集 作者：邱玉寶 盧潔羽 石利娟 解鵬飛 梁雯珊 王星星 2019年3月29日 |
 邱玉寶, 盧潔羽, 石利娟, 等. 高亞洲地區被動微波遙感雪水當量數據集[J/OL]. 中國科學數據, 2019, 4(1). (2019-03-29). DOI: 10.11922/csdata.2018.0064.zh. |
摘要&關鍵詞
[編輯]摘要：高亞洲是以青藏高原為主的亞洲高海拔地區，是中低緯度積雪的重要分布區，其積雪的動態變化對該區域水和能量循環、氣候及環境變化具有重要的影響。全球廣泛使用的積雪雪水當量（SWE）產品（如ESA GlobSnow）在高亞洲地區出現數據空缺情況，部分全球算法（如NASA SWE產品）則在高亞洲地區具有普遍高估的現象。本數據以AMSR-E亮溫數據為輸入基礎，利用NASA積雪算法及針對不同下墊面的青藏高原改進算法分別生產了1套高亞洲地區和1套青藏高原地區2002–2011年AMSR-E雪水當量數據集，其中青藏高原改進算法採用地面氣象台站實測雪深進行了驗證和評估，結果表明青藏高原改進算法產品精度具有提升。此外，本研究還結合MODIS逐日無雲積雪面積產品和NASA積雪算法的SWE產品，獲得高亞洲地區2003–2011年微波和光學雪水當量綜合數據集1套。此3套雪水當量產品數據集可為高亞洲區域氣候變化、水、能量平衡、環境變化和水資源利用等科學研究提供基礎數據支持。
關鍵詞：雪水當量；高亞洲；被動微波；綜合產品
Abstract & Keywords
[編輯]Abstract: High Asia, defined as the high altitude area of Asia (including mainly the Tibetan Plateau), is an important area of snow distribution in low- and mid-latitude regions. The dynamic changes of snow in this area have notable effects on water, energy balance and regional climate. Snow water equivalent (SWE) products (e. g. ESA GlobSnow product) are insufficient over High Asia region, and global SWE retrieval algorithms (e. g. NASA SWE algorithm) are always overestimated when applied in High Asia region. Based on the AMSR-E brightness temperature data, we used the NASA standard algorithm and an improved SWE algorithm to produce AMSR-E SWE dataset from 2002 to 2011 over the High Asia region and Qinghai-Tibet Plateau respectively. The improved SWE algorithm has been validated by ground measured snow depth during 2009-2010 winter. The results indicated that the improved SWE algorithm is superior to NASA AMSR-E SWE algorithm. In addition, we obtained a blended snow product from 2003 to 2011. The blended snow product is based on MODIS daily cloud-free snow cover product and NASA SWE product. The three SWE datasets can provide support for scientific research of climate change, water and energy balance, environmental change and water resources utilization in High Asia.
Keywords: Snow water equivalent; High Asia; Passive microwave; Blended product
數據庫（集）基本信息簡介
[編輯]| 數據庫（集）名稱 | 高亞洲地區被動微波遙感雪水當量數據集 |
| 數據作者 | 邱玉寶、盧潔羽、石利娟、解鵬飛、梁雯珊、王星星 |
| 數據通信作者 | 邱玉寶（qiuyb@radi.ac.cn） |
| 數據時間範圍 | 本SWE數據集包括以下3種產品：
（1）基於NASA算法的SWE產品，文中簡寫為NASA-HMA-SWE產品，時間範圍為2002年6月至2011年9月； （2）基於RADI算法的SWE產品，文中簡寫為RADI-QTP-SWE產品，時間範圍為2003年1月至2011年10月； （3）基於MODIS和AMSR-E綜合雪水當量產品，文中簡寫為Blended-HMA-SWE產品，時間範圍為2003年1月至2011年10月。 |
| 地理區域 | 高亞洲是亞洲中部以青藏高原為中心的高海拔區域，地理範圍為北緯25°–45°，東經67°–107°，發布的SWE數據產品包括3種，其範圍如下：
（1）NASA-HMA-SWE產品：北緯25°–45°，東經67°–107°； （2）RADI-QTP-SWE產品：北緯26°–40°，東經73.45°–104.6°； （3）Blended-HMA-SWE產品：北緯25°–45°，東經67°–107°。 |
| 空間分辨率 | （1）NASA-HMA-SWE產品：0.25°等經緯度格點；
（2）RADI-QTP-SWE產品：0.25°等經緯度格點； （3）Blended-HMA-SWE產品：500 m。 |
| 時間分辨率 | （1）NASA-HMA-SWE產品：每日、每五日、每月
（2）RADI-QTP-SWE產品：每日、每五日、每月 （3）Blended-HMA-SWE產品：每日 |
| 數據量 | 20.29 GB |
| 數據格式 | （1）NASA-HMA-SWE產品數據格式：*.bin, *.png
（2）RADI-QTP-SWE產品數據格式：*.bin, *.tif, *.hdf, *.png, *.qa, *.met （3）Blended-HMA-SWE產品數據格式：*.bld, *.jpg |
| 數據服務系統網址 | http://www.sciencedb.cn/dataSet/handle/660 |
| 基金項目 | 公益性行業（氣象）科研專項（GYHY201206040），國家重點研發計劃「政府間國際科技創新合作」重點專項（2017YFE0111700），中國科學院國際合作局對外合作重點項目（131211KYSB20170041），國家自然科學基金（41371351）。 |
| 數據庫（集）組成 | 數據集由3個壓縮包組成，文件以產品名及其覆蓋時間範圍命名：
（1）NASA-HMA-SWE_2002-2011.zip是NASA-HMA-SWE產品數據，數據量約189 MB； （2）RADI-QTP-SWE_2003-2011.zip是RADI-QTP-SWE產品數據，數據量約116 MB； （3）Blended-HMA-SWE_2003-2011.zip是Blended-HMA-SWE產品數據，數據量約19.99 GB。 |
Dataset Profile
[編輯]| Title | Passive microwave remote sensing data of snow water equivalent in High Asia |
| Data corresponding author | Qiu Yubao |
| Data authors | Qiu Yubao, Lu Jieyu, Shi Lijuan, Xie Pengfei, Liang Wenshan, Wang Xingxing |
| Time range | The SWE datasets include the following three products:
(1) SWE product based on NASA algorithm, abbreviated as NASA-HMA-SWE products, with a time range from June 2002 to September 2011; (2) SWE product based on RADI algorithm, abbreviated as RADI-QTP-SWE products, with a time range from January 2003 to October 2011; (3) Blended SWE product based on MODIS and AMSR-E, abbreviated as Blended-HMA-SWE products, with a time range from January 2003 to October 2011. |
| Geographical scope | High Asia is a high-altitude area centered on the Qinghai-Tibet Plateau in central Asia. Its geographical range is 25°N–45°N and 67°E–107°E. Published SWE data products have three types, the scopes of which are as follows:
(1) NASA-HMA-SWE product: 25°N–45°N and 67°E–107° E; (2) RADI-QTP-SWE product: 26°N–40°N, 73.45°E–104.6° E; (3) Blended-HMA-SWE product: 25°N–45° N and 67°E–107°E. |
| Spatial resolution | (1) NASA-HMA-SWE product: 0.25°;
(2) RADI-QTP-SWE product: 0.25°; (3) Blended-HMA-SWE product: 500 m. |
| 'Temporal' resolution | (1) NASA-HMA-SWE product: daily, pentad, monthly
(2) RADI-QTP-SWE product: daily, pentad, monthly (3) Blended-HMA-SWE product: daily |
| Data volume | 20.29 GB |
| Data format | (1) NASA-HMA-SWE product data format: *.bin, *.png
(2) RADI-QTP-SWE product data format: *.bin, *.tif, *.hdf, *.png, *.qa, *.met (3) Blended-HMA-SWE product data format: *.bld, *.jpg |
| Data service system | http://www.sciencedb.cn/dataSet/handle/660 |
| Sources of funding | Supported by the Special Fund for Meteorological Scientific Research in the Public Interest 「Constructing a Remote Sensing Product Dataset for Snow Pack Over Tibetan Plateau」 (NO. GYHY201206040), the Key Special Fund for Intergovernmental S&T Cooperation Projects of China, State’s Key Project of Research and Development Plan」 (NO. 2017YFE0111700), the International Cooperation Program of Chinese Academy of Sciences (NO. 131211KYSB20170041), National Natural Science Foundation of China (NO. 41371351). |
| Dataset composition | The dataset consists of 3 compressed packages, each of which is named after product name followed by the time range it spans:
(1) NASA-HMA-SWE_2002-2011.zip is NASA-HMA-SWE product data, with a data volume of about 189 MB; (2) RADI-QTP-SWE_2003-2011.zip is RADI-QTP-SWE product data, with a data volume of about 116 MB; (3) Blended-HMA-SWE_2003-2011.zip is Blended-HMA-SWE product data, with a data volume of about 19.99 GB. |
引 言
[編輯]雪水當量是全球氣候變化的敏感要素之一，是陸表水文、能量模型及氣候模式中的重要參數[1]。在常規地面氣象台站觀測中通常是直接測量雪深，要獲得雪水當量值，則需要通過實測的積雪深度和積雪密度求得。遙感彌補了高亞洲地區傳統積雪實測方法中站點少的不足，可以提供持續長時間、大範圍積雪監測數據。光學傳感器可進行積雪面積、積雪反射率等的監測，但是不能有效地估算積雪深度、雪水當量等參數[2]，而被動微波遙感在積雪雪水當量的估算中可以實現大範圍高時間分辨率的監測和估算，是對可見光遙感監測的重要補充。
高亞洲地區北半球中緯度海拔最高、積雪覆蓋最大的地區，素有雪域高原之稱，特別是青藏高原是我國的大江大河的發源地，冰雪融水是這些河流的主要補給源。由於其地處中緯度、平均海拔高、面積大（占我國總面積的四分之一）、地形地貌複雜，使得該地區具有非常獨特的氣候單元，影響着其周邊區域的氣候。高精度的高亞洲陸地季節性積雪信息的獲取對於氣候變化的評價和預測具有重要的意義。
目前世界上已有很多科研和氣象業務部門，均開展積雪反演算法研究，具有業務化數據產品提供能力，如在美國NOAA IMS雪冰服務、雪冰數據中心（NSIDC）[3][4]，歐空局ESA GlobSnow-2[5]、GMES（全球安全和環境觀測計劃）雪冰服務、EUMESAT（歐洲氣象中心）的H-SAF等，國內科學家也發布了幾套專門針對我國的積雪雪水當量產品[6][7][8][9]，如西部數據中心發布的一套中國範圍的SSM/I中國雪深長時間序列數據集[10]等。目前版本相對比較老，最近幾年的數據產品未有更新。國際積雪產品在我國的山區和西部地區因缺少地面數據而疏於算法的校正開發，如NASA的積雪雪水當量產品在高亞洲地區高估嚴重，而GlobSnow產品在高亞洲地區不做估算等問題。
由於高亞洲地區的地形複雜，積雪覆蓋分布不均且日變化快[11]，雪水當量算法的研發存在着缺少地面觀測和專有模型，數據產品的大部分為全球產品的子集的缺陷。本數據集採用青藏高原地區不同下墊面算法重新計算了青藏高原地區的雪水當量產品（為RADI算法）。此外，還綜合考慮了光學和微波遙感的各自優勢，利用MODIS數據判別積雪，綜合AMSR-E的SWE數據產品，形成了一套高時空分辨率的積雪綜合產品數據集。
本數據集一共包括3種雪水當量產品：一是NASA AMSR-E的雪水當量（SWE）在高亞洲地區的重新計算產品，即NASA-HMA-SWE產品；二是青藏高原地區RADI算法的雪水當量（SWE）產品，即RADI-QTP-SWE產品；三是高亞洲地區光學和被動微波綜合雪水當量產品，即Blended-HMA-SWE產品。
1 數據採集和處理方法
[編輯]1.1 輸入數據
[編輯]NASA-HMA-SWE產品和Blended-HMA-SWE產品的範圍為高亞洲地區，高亞洲是亞洲中部以青藏高原為中心的高海拔區域，地理範圍為25°N–45°N，67°E–107°E（圖1）。RADI-QTP-SWE產品範圍為青藏高原，地理範圍為26°N–40°N，73.45°E–104.6°E。
圖1 高亞洲研究區域範圍
1.1.1 NASA-HMA-SWE和RADI-QTP-SWE產品輸入數據
[編輯]NASA算法和RADI算法都用了AMSR-E L2A亮溫數據，AMSR-E L2A亮溫數據來自美國雪冰數據中心NSIDC（http://nsidc.org/），使用的亮温数据包含10.65 GHz、18.7 GHz、36.5 GHz和89.0 GHz 4個頻率的水平和垂直極化共8個通道的軌道數據。
NASA算法使用的輔助數據包括：森林覆蓋度數據（The 1/120th degree 〔1 km〕 MODIS/Terra Land Cover Type 96-Day L3 Global 〔MOD12Q1〕）、森林密度數據（The 1/120th degree 500 m MODIS Vegetation Continuous Fields）、積雪判識數據（基於MOD12Q1的The possibility of snow mask and the land/ocean/ice mask數據文件）、地面高程數據（GTOPO30）和積雪密度分布數據。
RADI算法使用的輔助數據包括：地面實測數據、四種地物覆蓋度權係數輔助數據、水體覆蓋度，地物標記和提取地物覆蓋度數據、積雪判識數據（基於MOD12Q1的The possibility of snow mask and the land/ocean/ice mask數據文件）和積雪密度分布數據。
其中RADI算法考慮到青藏高原具體地表特徵及國內外主流的土地覆蓋劃分類別，使用每年的MODIS土地覆蓋類型數據（IGBP，其空間分辨率為500 m），將青藏高原下墊面類型進行重新分類，分為水體、森林、灌木、草原、裸地和其他共6類。重分類後的青藏高原下墊面分類具有明顯的過渡性（圖2）。高原的東南邊緣部分為森林覆蓋區，其西北方向為大片草原區；高原的西北部為大片裸地；在裸地與草原交界的南部為灌木區；高原上零星分布有水體。
圖2 青藏高原下墊面重分類圖[12]
1.1.2 Blended-HMA-SWE輸入數據
[編輯]採用已發布的2002–2018年青藏高原MODIS 逐日無雲積雪面積數據集[12]和NASA-HMA-SWE產品作為輸入。
其中MODIS 逐日無雲積雪面積產品是通過多個雲判別步驟得到的。對NASA的AMSR-E SWE產品進行重採樣，使其空間分辨率和MODIS逐日無雲積雪面積產品一致。綜合這兩種數據，以此獲得既能反映雪水當量數值，又能表現較高空間分辨率的積雪面積的圖像。
1.2 數據處理算法和計算系統
[編輯]下面分別介紹3種數據產品的處理流程及批量生產3種數據產品的系統。
1.2.1 NASA-HMA-SWE和RADI-QTP-SWE產品
[編輯]（1）NASA-HMA-SWE數據處理
NASA算法的具體處理步驟分為以下幾步：
第一步，利用AMSR-E/Aqua L2A全球軌道重採樣亮溫數據，以及輔助數據集，逐點對每一個採樣點進行判識，對判識為可能是積雪的採樣點進行計算，得到每一個採樣點的雪深（SD）值。若採樣點被判識為淺雪，則SD的值為5.0 cm；若為中到厚雪，則利用如下計算公式：
圖片 （1）
其中，圖片為森林覆蓋的採樣點的雪深值，單位為cm；圖片為無森林覆蓋的採樣點的雪深值，單位為cm；ff為森林覆蓋度。
第二步，將各採樣點的SD值投影到25 km EASE-Grid網格單元中。投影時，對多個採樣點落入統一網格單元的SD值進行累加，記錄累加次數，對網格單元中的SD值求平均值。
第三步，利用求得的SD均值及雪密度文件，計算每一個25 km EASE-Grid網格單元中的SWE值，計算公式如下所示：
圖片 （2）
最後得到空間分辨率為25 km的NASA算法的積雪雪水當量產品。同時對得到的SWE產品重採樣，使其空間分辨率與MODIS一致，統一為500 m，便於後續進行Blended積雪產品的生產。
（2）RADI-QTP-SWE數據處理
RADI算法是以AMSR-E L2A亮溫數據為基礎，結合相關輔助數據，基於不同下墊面，利用青藏高原改進的雪深、雪水當量反演算法得到青藏高原的日雪水當量產品，五日雪水當量產品和月雪水當量產品。
圖3 RADI雪水當量算法流程圖
算法將利用輔助數據中的積雪判識數據先對像元進行積雪初步判別，剔除含干擾因子的部分，即水體、不可能為積雪和冰川的像元。僅對判識為可能有積雪覆蓋的像元進行下一步計算。計算流程如圖3所示，計算算法見表1。
表1 青藏高原各下墊面改進雪水當量算法說明[12]
| 下墊面類型 | 雪水當量公式 | 雪深公式 |
| 森林 | 圖片 | 圖片 |
| 灌木 | 圖片 | 圖片 |
| 草原 | 圖片 | 圖片 |
| 裸地 | 圖片 | 圖片 |
| 像元內總雪水當量 | 圖片 | |
表1中，SWE為像元內總的雪水當量，單位為mm；Ff 、Fs 、Fg 、Fb 分別代表森林、灌木、草原、裸地覆蓋類型在像元內所占的百分比；SDf 、SDs 、SDg 、SDb 分別表示森林、灌木、草原、裸地覆蓋類型的雪深，單位為cm；圖片為積雪密度，單位為g/cm3；t1036v=TB10V-TB36V，即垂直極化的10 GHz與36 GHz的差值，也稱為亮溫梯度；t1937v=TB19V-TB37V，即垂直極化的19 GHz與37 GHz的差值；t1963v=TB19V-TB63V，即垂直極化的19 GHz與63 GHz的差值；pol36、pol89為動態因子，公式分別為pol36=t36v-t36h；pol89=t89v-t89h，分別表示36 GHz和89 GHz的極化差；p1為動態係數，如式（3）。
圖片 （3）
其中tb36v為36 GHz垂直極化的亮度溫度，tb36h為36 GHz水平極化的亮度溫度。
（3）青藏高原雪水當量被動微波遙感估算系統
NASA-HMA-SWE產品和RADI-QTP-SWE產品均採用「青藏高原雪水當量被動微波遙感估算系統」開展計算[13][14]，該系統是基於Linux平台的被動微波積雪雪水當量生產系統，實現了利用AMSR-E L2A亮溫數據批量高效生產每日、五日、月雪水當量產品。該系統不僅可實現積雪製圖的批量生產，而且可實現新算法產品的快速更新，結合計算服務器可具備近實時業務化處理能力，完成長時間序列的雪水當量製圖工作，便於用戶預覽和產品的快速發布以及後續的模型和各種應用，該系統生產的產品可較好地滿足高亞洲積雪監測的應用需求。
1.2.2 Blended-HMA-SWE產品生產
[編輯]Blended-HMA-SWE產品採用NASA-HMA-SWE（雪水當量）數據和MODIS 逐日無雲積雪面積數據進行融合處理，以此獲得既能反映雪水當量數值，又能表現較為精確的積雪覆蓋面的圖像。計算流程如圖4所示。
圖4 Blended-HMA-SWE產品生產過程
具體步驟如下：第一步，統一兩種數據的分辨率，對AMSR-E SWE數據重採樣，使其空間分辨率與MODIS一致，都為500 m。第二步，提取AMSR-E SWE數據數值為0–240的數據，賦值為1，其餘賦值為0。第三步，提取MODIS SCA數據數值，若像素值為200（雪），則重新賦值為1，其餘賦值為4。第四步，用賦值之後的兩個影像數據進行減法運算，SWE-SCA，各數字代表含義見表2，計算結果：SWE(1)-SCA(1)=0；SWE(1)-SCA(0)=1；SWE(−1)-SCA(1)=−2; SWE(−1)-SCA(0)=−1。運算結果數字代表含義如表2所示。第五步，利用步驟4中得到的圖像，在SWE數據（取0–240為有效值）上建立掩膜文件，最後得出的圖像既有較精確的積雪覆蓋區域面積，又有雪水當量數值數據。
表2 運算結果數字代表含義
| 值 | SWE | SCA |
| 0 | 有SWE數據 | 有SCA數據 |
| 1 | 有SWE數據 | 沒有SCA數據 |
| −2 | 沒有SWE數據 | 有SCA數據 |
| −1 | 沒有SWE數據 | 沒有SCA數據 |
2 數據樣本描述
[編輯]2.1 產品命名規則
[編輯]2.1.1 NASA-HMA-SWE和RADI-QTP-SWE產品命名規則
[編輯]NASA生產的高亞洲地區雪水當量產品時間覆蓋範圍為AMSR_E L2A亮溫數據全生命周期，時間從2002年到2011年，分為日產品、五日產品、月產品3種。RADI生產的青藏高原地區雪水當量產品，時間從2003年到2011年，分為日產品、五日產品、月產品3種。NASA-HMA-SWE產品和RADI-QTP-SWE產品命名規範表如表3所示。
NASA-HMA-SWE產品命名約定：
（1）日產品：HMA _RADI_AMSR_E_Aqu_01SWE01_yyyymmdd.bin；
（2）五日產品：HMA _RADI_AMSR_E_Aqu_05SWE01_yyyymmdd.bin；
（3）月產品：HMA _RADI_AMSR_E_Aqu_MOSWE01_yyyymm.bin。
RADI-QTP-SWE產品命名約定：
（1）日產品：QTP_RADI_AMSR_E_Aqu_01SWE02_yyyymmdd.bin；
（2）五日產品：QTP_RADI_AMSR_E_Aqu_05SWE02_yyyymmdd.bin；
（3）月產品：QTP_RADI_AMSR_E_Aqu_MOSWE02_yyyymm.bin。
表3 NASA-HMA-SWE產品和RADI-QTP-SWE產品命名規範說明
| 變量 | 描述 |
| HMA | 高亞洲地區簡稱（High Mountain Area） |
| QTP | 青藏高原地區簡稱（Qinghai-Tibet Plateau） |
| RADI | 中國科學院遙感與數字地球研究所簡稱 |
| AMSR_E | 傳感器名稱AMSR_E |
| Aqu | 衛星平台 Aqua |
| 01 | 日產品 |
| 05 | 五日產品 |
| MO | 月產品 |
| SWE01 | AMSR-E NASA SWE算法 |
| SWE02 | AMSR-E RADI SWE算法 |
| yyyy | 年 |
| mm | 月 |
| dd | 天 |
說明：日產品命名時，由處理亮溫數據的日期決定日產品名稱中的日期信息；五日產品命名時，由所處理的日產品中日期最靠前的日產品的日期決定五日產品名稱中的日期信息；月產品命名時，由所處理的日產品所在月份決定月產品名稱中的日期信息。
2.1.2 Blended-HMA-SWE產品命名規則
[編輯]經處理得到每日微波和光學Blended積雪產品，產品命名為：Blend_HMA_yyyydoy_MOD-AMSR.bld，具體命名規則見表4。
表4 Blended產品命名規範說明
| 變量 | 描述 |
| Blend | Blend產品 |
| HMA | 高亞洲地區簡稱（High Mountain Area） |
| yyyy | 年 |
| doy | day of year簡稱 |
| MOD | MODIS去雲積雪面積產品 |
| AMSR | AMSR_E雪水當量產品 |
2.2 分類描述（數值描述）
[編輯]計算出來的雪水當量數據集中像素點的可能取值有6種，其對應的描述見表5。
表5 雪水當量數據集中數據取值分布
| 雪水當量數據集中像素點取值 | 描述 |
| 0–240 | 有效雪水當量縮小一倍的值，單位毫米 |
| 247 | 此點被掃描時衛星姿態錯誤時標記為此值 |
| 252 | 此點所處位置為不可能降雪區時標記為此值 |
| 253 | 此點所處位置為冰蓋區時標記為此值 |
| 254 | 此點所處位置為水體區時標記為此值 |
| 255 | 此點處於衛星觀測軌道間隙時，造成的數據缺失時，標記為此值 |
2.3 部分數據樣本示例
[編輯]使用上述青藏高原雪水當量被動微波遙感估算系統批量自動生產出NASA-SWE和RADI-SWE日產品、五日產品、月產品。
經過Blend算法得到Blended-HMA-SWE積雪產品，示例如圖5所示。灰色區域表示NASA-HMA-SWE產品數據範圍，藍色區域表示MODIS 逐日無雲積雪面積數據範圍，白色部分表示沒有積雪覆蓋的地區。
圖5 2010年1月1日至1月3日Blended雪水當量每日產品示例圖
3 數據質量控制和評估
[編輯]3.1 RADI-QTP-SWE產品與地面實測數據對比驗證
[編輯]所用的地面實測數據來源於氣象站台實測記錄，地面實測數據記錄中的記錄內容包括省名、觀測站點號、經緯度及實測雪深（單位：cm）。87個地面氣象站積雪觀測數據將用來驗證青藏高原積雪改進算法的精度。如圖1所示，黑色圓點為RADI-QTP-SWE產品地面氣象台站驗證點位置。
對2009年12月至2010年3月共計4個月的地面實測雪深數據進行統計，生成實測數據直方圖（圖6）。從圖中可以明顯看到，研究區的站台記錄中，雪深基本小於10 cm。研究區為典型的淺雪覆蓋區，近二分之一區域的雪深僅為1 cm。
圖6 實測數據直方圖[12]
利用青藏高原地區4種下墊面（森林、灌木、草地、裸地），對應的4個地面實測站點（聶拉木、嘉梨、瑪多、都蘭）測得的雪深觀測數據，驗證各下墊面覆蓋類型上改進的雪深算法的精度。驗證結果見圖7及表6。
圖7 青藏高原改進雪深算法在不同下墊面驗證散點圖[12]
由上表結合已發表的文獻[15]可看出改進的算法結果明顯優於相同時間相同研究區域選取的其他5種算法，算法精度有一定的提高。
表6 青藏高原改進的雪深算法驗證結果[12]
| 下墊面類型 | RMSE（cm） | 精度達標率 |
| 森林* | - | - |
| 灌木 | 4.73 | 42.86% |
| 草原 | 2.00 | 77.46% |
| 裸地 | 3.10 | 66.67% |
註：*在森林覆蓋地區缺乏具有統計意義的觀測數據。
3.2 NASA-HMA-SWE產品與RADI-QTP-SWE產品對比驗證
[編輯]將使用由改進的青藏高原雪水當量算法生成的RADI-QTP-SWE產品與NASA AMSR-E SWE產品進行對比驗證，利用地面數據驗證兩種產品對應網格點的精度誤差，並進行統計。精度達標的衡量標準分為兩種情況：1）當雪水當量小於等於10 mm時，單點估算誤差小於等於4 mm即為精度達標；2）當雪水當量大於10 mm時，單點相對誤差小於等於20%即為精度達標[16]。利用地面數據驗證由改進的青藏高原雪水當量產品與NASA AMSR-E SWE產品對應網格，產品的單點精度達標率統計結果見表7。
表7 雪水當量數據精度達標率統計表[12]
| 時間 | N | RADI改進雪水當量數據（%） | NASA AMSR-E雪水當量數據（%） |
| 200911 | 235 | 46.38 | 20.00 |
| 200912 | 97 | 65.98 | 8.25 |
| 201001 | 60 | 75.00 | 5.00 |
| 201002 | 75 | 61.33 | 17.33 |
| 201003 | 146 | 61.64 | 31.51 |
註：N表示樣本個數。
從表7可以明顯看到，改進的算法得到的雪水當量產品的精度達標率優於NASA官方AMSR-E雪水當量產品。
圖8 RMSE統計直方圖[12]
驗證得到的RMSE統計直方圖如圖8所示，改進算法得到的雪水當量產品的RMSE低於NASA官方AMSR-E雪水當量產品50%以上。
4 數據使用方法和建議
[編輯]本數據集共包括3種產品：NASA官方AMSR-E雪水當量產品（2002–2011年）；利用青藏高原改進算法得到的雪水當量產品（2003–2011年）；及由AMSR-E的雪水當量數據與MODIS的積雪覆蓋數據融合的Blended積雪產品（2002–2011年）。本數據集適用於高亞洲地區水和能量循環、水資源、生態和災害等相關問題研究，特別是對於高亞洲地區冰雪模型、高亞洲地區氣候變化研究、積雪長時間時空分布規律、河流流量變化分析、生態效益、雪災預測以及未來變化趨勢等方面等均具有重要價值，並可為進一步針對被動微波雪水當量的降尺度算法提供重要的參考。
致 謝
[編輯]感謝美國國家冰雪數據中心（National Snow and Ice Data Center）提供AMSR-E L2A Swath亮溫數據，及美國航空航天局（NASA，http://nasa.gov/）提供MOD12Q1、MOD09A1等辅助数据。
參考文獻
[編輯]- ↑ GAO R, WEI Z G, DONG W J. Analysis of the Cause of the Differentia in Interannual Variation Between Snow Cover and Seasonal Frozen Soil in the Tibetan Plateau[J]. Journal of Glaciology & Geocryology, 2004, 26(2): 153-159.
- ↑ 施建成, 熊川, 蔣玲梅. 雪水當量主被動微波遙感研究進展[J]. 中國科學: 地球科學, 2016, 46: 529-543.
- ↑ Foster J, Chang A, Hall D. Comparison of snow mass estimates from a prototype passive microwave snow algorithm，a revised algorithm and a snow depth climatology[J]. Remote Sensing of Environment, 1997, 62(2): 132-142．
- ↑ National Snow and Ice Data Center. AMSR-E/Aqua Daily L3 Global Snow Water Equivalent EASE-Grids, Version 2. [EB/OL]. [2018-09-28].http://nsidc.org/data/ae_dysno.
- ↑ European Space Agency. GlobSnow SWE & SE v2.0 data[EB/OL]. [2018-10-09]. http://www.globsnow.info/.
- ↑ 蔣玲梅, 王培, 張立新, 等. FY3B-MWRI中國區域雪深反演算法改進[J]. 中國科學: 地球科學, 2014, 44: 531–547
- ↑ CHE T, LI X, JIN R, et al. Snow depth derived from passive microwave remote-sensing data in China[J]. Annals of Glaciology, 2008, 49(1):145-154.
- ↑ 孫之文, 施建成, 蔣玲梅, 等. 被動微波遙感反演中國西部地區雪深、雪水當量算法初步研究[J]. 地球科學進展, 2006, 21(12): 1363-1369.
- ↑ 車濤, 李新. 被動微波遙感估算雪水當量研究進展與展望[J]. 地球科學進展, 2004, 19(2): 204-210.
- ↑ 車濤, 戴禮雲. 中國雪深長時間序列數據集（1978-2012）[DB/OL]. 寒區旱區科學數據中心, 2011. DOI: 10.3972/westdc.001.2014.db.
- ↑ Qiu Y , Guo H , Shi J , et al. Satellite-Based Snow Cover Analysis and the Snow Water Equivalent Retrieval Perspective over China[M]//Remote Sensing of Planet Earth. InTech, 2012. : 47-74.
- ↑ 邱玉寶, 郭華東, 除多, 等. 青藏高原MODIS 逐日無雲積雪面積數據集[DB/OL]. Science Data Bank. DOI: 10.11922/sciencedb.55.
- ↑ 中國科學院遙感與數字地球研究所. 青藏高原雪水當量被動微波遙感估算系統[P].中國：2015SR064529, 2014-12-31.
- ↑ 牛靜靜. 青藏高原業務化生產系統研究[D]. 青島: 山東科技大學, 2013.
- ↑ 賓嬋佳, 邱玉寶, 石利娟, 等．我國主要積雪區AMSR-E被動微波雪深算法對比驗證研究[J]. 冰川凍土, 2013, 35(4): 801-813.
- ↑ 賓嬋佳. 青藏高原地區被動微波積雪算法改進研究[D]. 石家莊: 石家莊經濟學院, 2013.
數據引用格式
[編輯]邱玉寶, 盧潔羽, 石利娟, 等. 高亞洲地區被動微波遙感雪水當量數據集[DB/OL]. Science Data Bank, 2018. (2018-10-09). DOI: 10.11922/sciencedb.660.
