跳转到内容

高亚洲逐日积雪覆盖度数据集

維基文庫,自由的圖書館
高亚洲逐日积雪覆盖度数据集
作者:邱玉宝 王星星 韩璐璐 常利 石利娟
2017年9月25日
本作品收錄於《中国科学数据
邱玉宝, 王星星, 韩璐璐, 等. 高亚洲逐日积雪覆盖度数据集[J/OL]. 中国科学数据, 2017, 2(2). (2018-10-31). DOI: 10.11922/csdata.170.2017.0146.


摘要&关键词

[编辑]

摘要:高亚洲是以青藏高原为主要区域的亚洲高海拔地区,是中低纬度高山积雪的重要分布区,其积雪的动态变化对水和能量平衡及区域气候具有重要的影响。由于青藏高原地区季节性积雪具有赋存时间短、雪层较薄的特点,在对水循环等问题的理解中,迫切需要日时间尺度的积雪覆盖度动态监测数据。本数据集基于空间分辨率为500 m的MODIS归一化积雪指数数据,结合地形和多种云覆盖下积雪覆盖度估算算法的优势,实现云覆盖条件下的积雪覆盖度再估算,满足高亚洲地区逐日少云(<10%)数据产品的生产要求,构建了2002~2018年高亚洲地区MODIS逐日积雪覆盖度数据集。选取无云条件下的二值积雪产品作为参考,通过云量分布和积雪总面积的时空对比,表明该产品的时空特征和二值产品具有较好的一致性。以2013年冬季为例,当积雪覆盖度大于50%时,其相关性可达0.8628。本数据集可为高亚洲地区的积雪动态监测、气候环境、水文和能量平衡、灾害评估等研究提供逐日积雪覆盖度数据。

关键词:青藏高原;积雪覆盖度;MODIS;云覆盖

Abstract & Keywords

[编辑]

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. As the seasonal snow in the Tibetan Plateau is both typically shallow and exhibits short duration, it is necessary to understand changes in snow cover on a daily time scale. This article describes a novel snow cover dataset named “daily fractional snow cover (FSC) data set over High Asia (2002 – 2018)”. The daily snow cover data of this data set are derived from the MODIS normalized snow index data with a spatial resolution of 500 meters. Data processing involves the application of additional terrain data and a variety of snow cover cloud elimination algorithms. The new dataset provides a cloud-free estimate (cloud cover < 10%) of FSC over High Asia, which meets the input requirements of energy models. Binary snow products under cloud-free conditions are selected as reference data to conduct an inter-comparison of cloud distribution and total cloud area in a time series analysis. Results show that fractional snow cover products are mostly consistent with binary snow products in both space and time during snow accumulation, though some deviation appears in the snow ablation period. In the case of winter 2013, when the fractional snow cover was greater than 50%, the correlation coefficient of the two products was up to 0.8628. This data set is expected to provide high temporal-resolution data for the dynamic monitoring of snow over High Asia, as well as research on climate environment, hydrological and energy balance and disaster assessment.

Keywords: Tibetan Plateau; fractional snow cover; MODIS; cloud cover

数据库(集)基本信息简介

[编辑]
数据库(集)中文名称 高亚洲逐日积雪覆盖度数据集
数据库(集)英文名称 Daily fractional snow cover dataset over High Asia
数据作者 邱玉宝、王星星、韩璐璐、常利、石利娟
通讯作者 邱玉宝(qiuyb@radi.ac.cn)
数据时间范围 2002年7月至2018年6月
地理区域 高亚洲是亚洲中部以青藏高原为中心的高海拔区域,地理范围为北纬26°~46°,东经62°~105°;其中包括青藏高原、喜马拉雅山、帕米尔高原、天山、柴达木盆地等;地理区域范围涉及到的国家和地区包括:中国、缅甸、尼泊尔、不丹、印度等。
空间分辨率 500 m 数据量 27.2 GB
数据格式 Geotiff
数据服务系统网址 http://www.sciencedb.cn/dataSet/handle/457
基金项目 公益性(气象)行业专项“青藏高原遥感积雪气候数据集建设”(GYHY201206040)、中国科学院国际合作局对外合作重点项目(NO. 131CllKYSB20160061)、国家自然科学基金(NO. 41371351)
数据库(集)组成 本数据集由17个压缩包(2002~2018年,按年度区分)组成:HMA_MODIS_FSC_2002.zip、HMA_MODIS_FSC_2003.zip……HMA_MODIS_FSC_2018.zip,数据量共27.2 GB。


引 言

[编辑]

积雪是地球上变化最快的自然要素之一,它对水能循环、融雪径流模型和生态模型的构建、雪灾的检测与评价、区域气候的研究都有重要影响[1]。以青藏高原为中心的高亚洲地区是我国主要的积雪区域,是中低纬度冰雪较为集中的地区,积雪也是地表径流和地下水的主要补给来源之一[2]。高亚洲积雪的动态监测将有助于对山地环境、全球变化的理解[3],所以对高亚洲积雪进行准确的动态监测显得尤为重要[4][3][2][1]

目前,卫星遥感以其大规模、快速、周期性、多尺度、多时相、低成本等优势在积雪的动态监测中发挥着重要作用,其中MODIS(Moderate-Resolution Imaging Spectroradiometer)以中等空间分辨率和高时间分辨率的特性得到广泛应用[5],特别是在积雪二值产品和覆盖度产品方面具有较高的监测精度[6],但由于云覆盖的影响,逐日监测需要考虑云条件下的积雪再估算问题。MODIS积雪二值产品的云覆盖条件下再判断问题已获得较高精度的处理[7],并已经形成数据集。积雪覆盖度是对积雪度量更精确的描述,被认为是像素中可见积雪的面积比例,用百分比来描述,范围为0%~100%,其与二值积雪产品相比,可以有效地表达雪盖程度信息,从而更准确地反映积雪覆盖变化特征[8]

光学遥感易受天气影响,在很大程度上制约了积雪估算。特别是高亚洲部分地区,水汽交换频繁、积雪赋存时间短,变化快,这就需要高时间分辨率的积雪覆盖数据来监测。本数据集结合国内外学者针对MODIS积雪产品的云处理方法[9][10][11][12][13][14][15][16][17][18][19][20][21],考虑高亚洲地区地理环境和气候的复杂性,在最大限度保证积雪覆盖度精度的情况下,将时间、空间插值和积雪分布等信息代入去云算法,将云污染降低到小于10%的逐日观测水平。本数据集以MODIS版本6的归一化积雪指数(Normalized Difference Snow Index,NDSI)数据为基础,采用传统算法估算积雪覆盖度(FSC),利用MODIS/Terra上午星和MODIS/Aqua下午星监测,通过5个步骤逐步对云污染进行处理、估算云下积雪覆盖度,并结合高亚洲地区积雪二值产品对积雪覆盖度产品进行对比验证分析。本数据集包含了高亚洲近15年(2002~2016年)以来的逐日积雪覆盖度数据。

1 数据和处理

[编辑]

1.1 输入数据

[编辑]

MODIS遥感数据来源于美国冰雪数据中心NSIDC(https://modis.gsfc.nasa.gov/data/),为MODIS Snow Cover Daily L3 Global 500 m Grid数据,包括MODIS/Terra上午星数据(MOD10A1)和MODIS/Aqua下午星数据(MYD10A1)的归一化积雪指数NDSI数据产品,数据格式为hdf,投影方式为正弦曲线地图投影。高亚洲地区的积雪覆盖度产品覆盖范围如图1所示。

数据处理过程中所采用的数字高程模型(DEM)数据来源于地理空间数据云(http://www.gscloud.cn/search#1084)提供的SRTM数据集,数据格式为Geotiff,分辨率为90 m。


图片

图1 高亚洲研究区域和所选用的MODIS轨道覆盖示意图


1.2 数据处理

[编辑]

1.2.1 数据预处理

[编辑]

采用WGS84坐标系下的UTM投影,将所获取的MODIS版本6的NDSI数据做拼接、投影转换、裁剪等处理后,用于计算MODIS积雪覆盖度(单位为%),其方程为FSC=[−0.01+(1.45×NDSI)]×100.0 (0.0≤NDSI≤1.0),规则为:

(1)若计算得到FSC≤0,则像素赋值为FSC=0;

(2)若计算得到0<FSC≤100,则像素赋值为计算得到的FSC;

(3)若计算得到FSC>100,则像素赋值为FSC=100。

MODIS版本6(C6)的归一化积雪指数是对版本5(C5)的修正[7],应用定量图像恢复(QIR)算法恢复了丢失的MODIS/Aqua波段6数据,使MODIS/Aqua和MODIS/Terra具有相当的质量和精度[7],最后,利用积雪在可见光(VIS,波段4)的反射和短波红外(SWIR,波段6)波段吸收的波谱特性来估算积雪指数:NDSI=(band4-band6)/(band4+band6)。

在C6中没有积雪覆盖度的数据发布,因此需通过NDSI计算,采用的方程为:FSC=[−0.01+(1.45×NDSI)]×100.0 (0.0≤NDSI≤1.0)。其中FSC的计算是基于NDSI与FSC从MODIS(Terra和Aqua,500 m分辨率)和Landsat TM(30 m分辨率)数据之间发展而来的经验回归关系[22]


图片

图片

图2 MODIS版本6与版本5上下午星积雪覆盖度对比分析


通过C5与C6的上下午星数据(MOD、MYD)空间分布比较和积雪像元数散点图的对比(图2)可明显看出,在C6中由NDSI计算得到的FSC与C5中的FSC相比,相关性达到0.98,具有较高可信度和一致性。

此外,对DEM数据进行数据拼接、投影转换和裁剪,并将其重采样成与MODIS归一化积雪指数相匹配的辅助数据。

1.2.2 云覆盖条件下积雪覆盖度的估算

[编辑]

基于上述所获得的逐日MODIS积雪覆盖度数据,采用以下5个步骤开展云覆盖条件下的积雪覆盖度估算。具体流程如图3所示。

步骤1:MODIS上下午星数据合成

在阴天(云覆盖)情况下,假设短时间内积雪覆盖度情况基本保持不变,对MODIS数据进行上下午星积雪覆盖度的合成,合成算法描述如下:

(1)若上午或下午相同位置的像元至少一个是内陆水体,则合成产品为内陆水体;


图片

图3 云覆盖条件下的积雪覆盖度估算处理流程图


(2)若上午星与下午星相同位置像元的积雪覆盖度在0~100之间,则合成产品为上下午积雪覆盖度的均值;

(3)基于上午星数据精度高于下午星数据的结论[23],若上午星和下午星相同位置像元均为非云像素,则以上午星像元值为准;

(4)若上午星和下午星相同位置像元有一个被云覆盖,而另一个为陆地或积雪,则直接采用陆地或积雪覆盖度替代云覆盖条件下的像元值;

(5)若合成像素仍有数据缺失或其他无效值,则都赋值为云。

步骤2:连续三天合成

由于阴天(云多)积雪融化概率低,在时间窗口为3天时,认为在这一时间跨度内积雪覆盖度维持不变,根据临近日的雪盖信息将当天的云像素重新分类,算法如下:

(1)前一日与后一日相同位置像素同为积雪覆盖度,则当日合成积雪产品的云像素为前后两日积雪覆盖度的均值;

(2)前一日与后一日相同位置像素同为陆地,则当日云像素分类为陆地;

(3)前一日与后一日相同位置像素至少一个是内陆水体,则当日云像素分类为内陆水体。

步骤3:短时间内“最小”冰雪覆盖

以积雪年为研究时段,将每年的7月1日至次年6月30日作为一个积雪年。一个积雪年分为3个时间段:7月1日至9月30日为夏季,10月1日至次年的4月30日为冬季,次年5月1日到6月30日为夏季。

在高亚洲高海拔山区,采用分时段开展云覆盖下的积雪覆盖度估算,而高原腹地降雪少,则可设定条件进行判断,并将相应的云像元判断为陆地。对积雪年的3个时间段进行“最小雪冰覆盖区”和“最小陆区”的分析和统计,构建如下判断规则:

(1)给定时段内“最小雪冰覆盖区”云像元判定:当高程大于5800 m,且像元为积雪覆盖度值,以给定时段为研究周期,求取其均值作为云像元的积雪覆盖度;而高程在3000~5800 m,且为积雪覆盖像元,在研究时段内若满足被云覆盖的天数与该像元为积雪的天数之和大于总天数的90%,则以该时间段均值作为云覆盖下的积雪覆盖度;

(2)给定时段内“最小陆地区”云像元判定:满足该像元被云覆盖的天数小于这一时间段总天数的20%,且该像素被云覆盖天数与该像素为陆地天数之和等于总天数时,则该时间段该像元为无雪覆盖的陆地像元;

最后用合成的各时间段“最小”积雪和“最小”陆地的图像代替相应时间段对应位置的云像元。

步骤4:临近三像元法

基于积雪在空间上的连续性,即可根据云像元周围的非云像元信息对积雪覆盖度进行再估算。临近三像元考虑与云像元相邻的4个像元中包含3个以上像元相同的情况,云像元判别规则如下:

(1)若云像元上下左右4个像元中至少有3个为积雪,则将中心云像元赋值为临近八像元中积雪像元的均值;

(2)若云像元上下左右4个像元中至少有3个为陆地,则将中心云像素赋值为陆地;

(3)其他情况则保留原云像素值;

步骤5:八天最大陆地范围掩膜

基于以上步骤合成的少云产品,已经尽最大可能减少了云像元的分布。最后,采用合成“八天最大陆地范围掩膜”的方法开展云覆盖下像元的进一步判断,其判别条件如下:

(1)若8天中相同的像元位置至少有1天为内陆水体,则合成产品的相应像元为内陆水体;

(2)若8天中相同的像元位置至少有1天为陆地,则合成产品的相应云覆盖像元为陆地。该步骤对于云覆盖条件下以陆地优先为原则的再判断,最大限度地减少了云的覆盖,其基本的假设前提为:8天内只要有无云的情况(或积雪覆盖度极小的情况),即可认为该时段的积雪不稳定,或者积雪覆盖度比较小,统计表明该步骤可以最大程度地对(如图4),可达10.1%。但由于高亚洲地区积雪变化速度快、赋存时间短,所以该步骤对于逐日积雪覆盖度的变化监测存在着一定的不确定性。

2 数据样本描述

[编辑]

2.1 命名规则

[编辑]

高亚洲地区MODIS逐日积雪覆盖度产品数据集的命名遵循如下规则:HMA_MODIS_FSC_YYYYDDD.tif。通过文件名,能够获取关于此数据文件的以下信息,其中:

(1)HMA_MODIS_FSC:表示高亚洲地区MODIS逐日积雪覆盖度产品;

(2)YYYY:表示年份;

(3)DDD:表示产品时间为YYYY年第DDD天(以每年1月1日为第一天)。

例如:HMA_MODIS_FSC_2012006.tif,表示高亚洲地区2012年1月6日MODIS积雪覆盖度产品。

2.2 分类描述

[编辑]

高亚洲地区MODIS逐日积雪覆盖度产品的像素值信息如表1所示:


表1 像素信息描述表

MODIS编码 地物属性
0~100 积雪覆盖度
225 陆地
237 内陆水体
250


3 数据质量控制和评估

[编辑]

3.1 各算法步骤云覆盖量变化分析

[编辑]

图4以2014年为例,显示了研究区内云覆盖条件下的积雪覆盖度估算过程中云覆盖量的变化。


图片

图4 云覆盖量变化结果


图4统计结果表明:原始MOD10A1和MYD10A1的平均云量分别为39.3%和43.6%,该积雪产品不能直接用于每日积雪的实时动态监测,需要结合时间插值、空间插值等云覆盖条件下的再估算,以推理判断为基础去除云量。通过对上下午星数据进行合成处理,平均云量降到32.8%,减少的云量约为上午星数据的6.5%,约为下午星数据的10.8%。临近日合成(三天合成)处理后,平均云量降到25.7%,减少的云量约为7.1%,有效减少了云量,但仍无法满足积雪动态监测的要求,需进一步处理云像素。在以上处理步骤的基础上,利用积雪空间上的相关性对云像素采用空间插值的处理方法,即采用临近像元的方法去除云污染,去除的云量约为0.57%。由于高亚洲地区存在较稳定的积雪和极少下雪的区域(认为是非积雪覆盖区),可利用该特点对云覆盖下的积雪覆盖度进行处理,该过程减少的云量约为5.2%。八天最大陆地范围掩膜方法是利用短时间内积雪覆盖的相关性去除云污染,去除的云量约为10.1%,最终合成的积雪覆盖度产品依然有少量的云存在,但是云量已经控制在10%以内。

3.2 积雪覆盖度产品同二值产品的时空对比分析

[编辑]

为验证积雪覆盖度产品的可信度,随机选取同一时间段的逐日无云覆盖二值积雪产品数据[21]作为参考,分析产品间的一致性。从图5(2015年5景图像)所示空间分布对比中可以看出,两种产品在空间分布上非常一致,积雪覆盖度产品在积雪区域边缘体现了更多的细节。然而由于积雪覆盖度产品较难实现完全无云的逐日估算,在对比分析中,依然出现了少量的云覆盖,特别是在高原腹地积雪变化比较快速的区域。但图4表明,云覆盖像元数的总体比例小于10%。所以总体而言,该产品还是有较高的可信度。


图片

图片

图片

图片

图片

图5 积雪二值产品与积雪覆盖度产品空间分布对比


在时间序列上,选取积雪二值产品和积雪覆盖度产品在一个积雪年中的冬季时段的数据开展积雪面积(像元数)的对比。图6所示为2013年10月1日至2014年4月30日,长时间序列的积雪像元数(间接反应了面积),可以看出积雪覆盖度产品与二值产品在时间序列上有较强的一致性,尤其是覆盖度大于50%的产品。

因此,通过空间对比和时间系列对比可知,积雪覆盖度产品对积雪的监测与同时期的二值产品一致性高,但积雪覆盖度可以有效地传递出积雪覆盖比例的信息,明显优于二值产品。


图片

图6 两种积雪产品的积雪像元数对比


4 数据使用方法和建议

[编辑]

本数据集共享了高亚洲地区2002~2018年逐日积雪覆盖度产品,是对高亚洲地区积雪二值产品的重要补充。数据文件按年份分别压缩存储,并采用Geotiff格式,用户可根据实际情况按照年份选择下载。本数据集可以在日尺度上反映高亚洲地区积雪覆盖度的变化特征,可用于积雪时空变化分析和气候变化研究,对于高亚洲区域气候环境、水文和能量平衡灾害评估等研究具有重要的价值。

数据作者分工职责

[编辑]

邱玉宝(1978—),男,江西人,博士,副研究员,从事环境遥感应用研究。主要承担工作:算法和处理过程建模。

王星星(1993—),女,山西人,硕士生,从事遥感应用研究。主要承担工作:数据预处理与数据生产。

韩璐璐(1995—),女,山西人,本科生,从事遥感应用研究。主要承担工作:数据预处理与数据生产。

常利(1991—),女,河南人,硕士生,从事遥感应用研究。主要承担工作:数据预处理与数据生产。

石利娟(1987—),女,河南人,博士生,从事积雪遥感应用研究。主要承担工作:数据收集和数据预处理。

致 谢

[编辑]

感谢美国国家冰雪数据中心(http://nsidc.org)提供MOD10A1以及MYD10A1产品,以及地理空间数据云(http://www.gscloud.cn)提供DEM数据。

参考文献

[编辑]
  1. ^ 1.0 1.1 唐志光, 王建, 彦立利, 等. 基于MODIS的青藏高原亚像元积雪覆盖反演[J]. 干旱区资源与环境, 2013, 27 (11): 33–38.
  2. ^ 2.0 2.1 George A, Dorothy K. MODIS Snow Products Collection 6 User Guide[EB/OL]. (2015-12-11) [2017-07-18]. http://nsidc.org/sites/nsidc.org/files/files/MODIS-snow-user-guide-C6.pdf.
  3. ^ 3.0 3.1 唐志光, 王建, 李弘毅, 等. 青藏高原MODIS积雪面积比例产品的精度验证与去云究[J]. 遥感技术与应用, 2013, 28 (3): 423–430.
  4. 李培基. 高亚洲积雪分布[J]. 冰川冻土, 1995, 17 (4) : 291–298.
  5. 柏延臣, 冯学智. 积雪遥感动态研究的现状及展望[J]. 遥感技术与应用, 1997, 12 (2): 59–65.
  6. Hall D, Riggs G, Barton J. Algorithm Theoretical Basis Document (ATBD) for the MODIS Snow and Sea Ice-Mapping Algorithms [R]. NASAGSFC Technical Report, 2001.
  7. ^ 7.0 7.1 7.2 张欢, 邱玉宝, 郑照军, 等. 基于MODIS的青藏高原季节性积雪去云方法可行性比较研究[J]. 冰川冻土, 2016 (03): 714–724.
  8. Nolin A. Recent advances in remote sensing of seasonal snow[J]. Journal of Glaciology, 2010, 56 (200): 1141–1150.
  9. Dietz A, Kuenzer C, Conrad C. Snow cover variability in Central Asia between 2000 and 2011 derived from improved MODIS daily snow cover products[J]. International Journal of Remote Sensing, 2013, 34(11): 3879–3902.
  10. Paudel K, Andersen P. Monitoring snow cover variability in an agropastoral area in the Trans Himalayan region of Nepal using MODIS data with improved cloud removal methodology[J]. Remote Sensing of Environment, 2001 (115): 1234–1246.
  11. Gao Y, Xie H, Yao T, et al. Integrated assessment on multi-temporal and multi-sensor combinations for reducing cloud obscuration of MODIS snow cover products of the Pacific Northwest USA[J]. Remote Sensing of Environment, 2010, 114(8): 1662–1675.
  12. Gafurov A, Bárdossy A. Cloud removal methodology from MODIS snow cover product[J]. Hydrology and Earth System Sciences, 2009, 13: 1361–1373.
  13. Parajka J, Bloschl G. Spatio-temporal combination of MODIS images-potential for snow cover mapping[J]. Water Resources Research, 2008, 440(3): 79–88.
  14. Thirel G, Salamon P, Burek P, et al. Assimilation of MODIS snow cover area data in a distributed hydrological model[J]. Hydrology & Earth System Sciences Discussions, 2011, 8(1): 1329–1364.
  15. 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(1–4): 23–35.
  16. López-Burgos V, Gupta H, Clark M. Reducing cloud obscuration of MODIS snow cover area products by combining spatio-temporal techniques with a probability of snow approach[J]. Hydrology and Earth System Sciences, 2013, 7(5): 1809–1823.
  17. Dietz A , Wohner C, Kuenzer C. European Snow Cover Characteristics between 2000 and 2011 Derived from Improved MODIS Daily Snow Cover Products[J]. Remote Sensing, 2012, 4(8): 2432–2454.
  18. Yu X, Qiu Y, Guo H, et al. Cloud removing method for daily snow mapping over Central Asia and Xinjiang, China[C]. IOP Conference Series: Earth and Environmental Science, 2017, 57. DOI: 10.1088/1755-1315/57/1/012048.
  19. Furtado J, Cohen J, Butler A, et al. Eurasian snow cover variability and links to winter climate in the CMIP5 models[J]. Climate Dynamics, 2015: 2591–2605.
  20. Hall D, Riggs G, Salomonson V, et al. MODIS Snow-Cover Products[J]. Remote Sensing of Environment, 2002, 83(1): 181–194.
  21. ^ 21.0 21.1 邱玉宝, 郭华东, 除多, 等. 青藏高原MODIS逐日无云积雪面积数据集(2002~2015年)[J/OL]. 中国科学数据, 2016, 1(1). DOI: 10.11922/csdata.170.2016.0003.
  22. Salomonson V, Appel I. Estimating fractional snow cover from MODIS using the normalized difference snow index[J]. Remote Sensing of Environment, 2004, 89(3): 351–360.
  23. Wang X, Xie H, Liang T, et al. Comparison and validation of MODIS standard and new combination of Terra and Aqua snow cover products in northern Xinjiang, China[J]. Hydrological Processes, 2010, 23(3): 419–429.

数据引用格式

[编辑]

邱玉宝, 王星星, 韩璐璐, 等. 高亚洲逐日积雪覆盖度数据集[DB/OL] Science Data Bank, 2017. (2018-10-29). DOI: 10.11922/sciencedb.457.


本作品在“知识共享-署名 4.0 国际”协议下发表。

Public domainPublic domainfalsefalse