从AVHRR到MODIS的雪盖制图研究进展_曹云刚

收稿日期:2005-05-26;　修订日期:2005-07-11 作者简介:曹云刚(1978-),男,博士研究生,主要从事数字图像处理、冰雪遥感研究。E-mail:yungang78@163.com ①　http://speclab.cr.usgs.gov

从AVHRR到MODIS的雪盖制图研究进展曹云刚1,2,刘　闯1(1.中国科学院地理科学与资源研究所全球变化信息研究中心,北京100101;2.中国科学院研究生院,北京100039)摘要:雪盖面积是水文、气候模型中重要的输入参数之一。使用遥感方法能够有效获取大范围的雪盖信息,弥补地面观测资料在空间上的不足。阐述积雪遥感基本原理以及积雪遥感监测的研究进展,介绍现阶段应用较广的基于AVHRR和MODIS数据的雪盖制图算法,并通过对制图算法的比较和分析得出,MODIS雪盖制图算法的精度和效率都比AVHRR算法高。最后讨论现阶段雪盖制图算法误差的主要来源:大气状况、地表覆盖、积雪物理特性的复杂性以及使用相同的检测阈值等,并提出解决方法。关键词:遥感;雪盖面积;雪盖制图中图分类号:TP79 文献标识码:A 文章编号:1672-0504(2005)05-0015-05

积雪是冰冻圈中一个活跃的组成部分,积雪的变化对于气候和水文研究具有重要意义。积雪表面的高反射特性及其大范围的分布面积(如冬季北半球陆地积雪覆盖区域最多可达40%)使其成为决定地球辐射收支平衡的一个重要因素[1]。同时,积雪

也是世界上很多地方最重要的水资源,它决定了区域的水补给状况。因此,积雪变化研究尤为重要。积雪面积是积雪最重要的参数之一。20世纪中期人们便认识到雪盖制图的重要性,并采用地面方法观测区域积雪覆盖状况。由于积雪的动态分布特性,使用常规的地面方法很难实现全面监测。遥感使大范围动态监测积雪成为可能。最早的积雪监测始于地面摄影测量,随后航空摄影测量为雪盖制图提供了比较精确的方法,之后航空器、航天器和卫星搭载的可见、红外以及微波等传感器资料都应用于积雪监测[2]。

1　积雪的物理特性及积雪遥感原理积雪在波长为0.5μm左右有较高的反射率,而在1.6μm处的反射率较低,通常在可见光范围内纯净的新雪表面反射率在0.8以上①(图1)。遥感雪盖

信息的提取主要根据积雪的这种反射特性,通过一定的数字图像处理技术获得积雪覆盖信息[3]。但是

积雪表面反射率受积雪颗粒大小、含水量和纯净程度的影响,很难在单一的波长范围内对积雪进行定量遥感。积雪颗粒主要影响其在近红外的反射率,而含水量和雪中的杂质会影响其在可见光范围内的反射率[4,5],所以这些光谱范围内的数据都可用于提

取积雪信息。图1　积雪与植被的反射率曲线Fig.1　Spectralreflectancecurvesofsnowandvegetation

2　遥感雪盖制图研究进展早期的遥感积雪监测只用于流域内比较小的范围,真正实现大范围的积雪监测始于20世纪60年代初TIROS-1气象卫星提供的资料[6]。在随后的几

年中,ESSA-3卫星搭载的AVCS(AdvancedVidiconCameraSystem)以及后续的一些传感器,如SR、VHRR等都用于积雪图的制作。20世纪80年代,随着NOAA系列卫星搭载的AVHRR传感器数据的应用,雪盖制图的精度进一步提高。1997年开始使用更新的交互式多传感器冰雪制图系统(IMS),通过处理光学和微波遥感数据以及一定的气象台站数据,得到每天的雪盖图,其分辨率为25km[7]。另外,使用地

面观测数据、NOAAAVHRR、MSS以及TM数据进行区域尺度雪盖制图的研究也比较广泛。国防气象卫星计划(DMSP)中的雨云(Nimbus)5、6、7号卫星则用于制作夜晚和云覆盖区域的雪盖图,其空间分辨率为25～30km[8-11]。目前全球雪盖制图的最新发展

是中分辨率成像光谱(MODIS)雪盖制图算法,它提供

第21卷　第5期2005年9月 地理与地理信息科学GeographyandGeo-InformationScience Vol.21　No.5September2005每日及合成的积雪产品,其空间分辨率达500m,并能够有效识别云层,通过合理利用植被指数,还能较大幅度地提高森林覆盖区积雪区域的识别能力。综上,雪盖制图算法就是对积雪范围的判断过程,它主要进行积雪像元的识别。使用遥感数据识别积雪有多种方法,包括目视解译、多光谱影像分类、决策树、变化检测和比值法等[12]。由于成像条件和时

空分辨率的差异,不同的传感器提取积雪信息的有效方法也不尽相同,大范围的雪盖制图必须综合考虑运算效率、自动化程度和结果精度等。本文主要介绍常用的AVHRR和MODIS雪盖制图算法。3　AVHRR和MODIS雪盖制图的比较目前AVHRR是持续观测时间最长、应用最为广泛的光学传感器之一,也被用作积雪监测。最早使用AVHRR进行雪盖制图都是采用人工解译的方法,使用其第一波段数据划分积雪区域。基于积雪在可见光范围内的高反射率,比较容易将其与地表其它覆盖物区分开。为了有效识别云层,基于积雪和云层在红外区域的反射率差异,使用波段3(A)(1.58～1.64μm)进行云检测。随着对云、雪特性的进一步了解以及计算方法的发展,后期的AVHRR雪盖制图开始使用多阈值检测方法自动识别雪盖[13-15]。相应的检测阈值为:Rband1≥0.22Rband3<0.06Rband2/Rband1<0.85(1)式中:Rbandi为波段反射率。其中第一式用于区分积雪与大部分的地表覆盖物,第二与第三式用于检测部分云。在后来的AVHRR积雪制图算法中,许多学者针对区域实际情况,对上面公式中的阈值作了修改,同时自AVHRR-3以后Rband3A<0.2用于剔除部分云覆盖像元[16]。MODIS是EOS系统中主要的传感器之一,它具有较高的空间分辨率、光谱分辨率和时间分辨率。MODIS拥有36个波段,扫描宽度为2330km,在可见光和红外区有3种分辨率,分别为250m、500m和1000m。搭载于Terra和Aqua卫星上的MODIS传感器,每天可以得到同一地区白天和夜间的4幅图像。MODIS雪盖制图算法中使用雪盖指数(NormalizedDifferenceSnowIndex,NDSI)法划分积雪区域。借鉴Jeff等使用LandsatTM数据制作美国加州内华达山脉积雪图的经验[17],MODISNDSI也使用相同的条件划分积雪。NDSI=Rband4-Rband6Rband4+Rband6(2)当NDSI≥0.4时,将满足条件的像元划分为积雪像元;其次,使用Rband2>0.11区分积雪与水体。对林区的研究表明,波段4反射率值小于0.1的像元应该被强制划分为无雪像元[6]。相对于AVHRR雪盖制图算法,MODIS算法具有更高的精度和实用性。首先,NDSI阈值法雪盖制图的自动化程度高且计算简单。采用多波段比值方法可以进一步消除部分云层和地形阴影等影响。其次,MODIS传感器在空间和光谱分辨率上均明显优于AVHRR,这样决策分类中阈值的设定就更有针对性,相应的会提高结果精度。在NASA标准的MODIS雪盖制图算法中,充分利用MODIS多波段数据进行云检测的优势,将其结果作为算法的输入,在很大程度上减少对有云区域的错误划分。

4　遥感雪盖制图算法的局限性及对策 从以上的比较可以看出,MODIS雪盖制图算法优于AVHRR算法。但它也有不少缺点,如对不同的区域采用相同的NDSI阈值来界定积雪区域,未完全考虑积雪的物理特性以及大气状况、地表覆盖等自然条件的影响。总之,光学遥感雪盖制图的影响因素有以下几方面:4.1　云层的影响对于所有的光学传感器,云层和大气对遥感图像的质量影响都很大。尤其是云层,这是由于云顶在可见光以及近红外区的强反射作用使光学传感器在该区域内只能接收到云顶的信息,而屏蔽了云层下方区域的信息。另外,一些比较薄的云层(如卷云)可能部分地反映出云下地表的信息,当采用NDSI阈值法划分积雪时,常常会将其错误地识别为积雪。所以,采用光学传感器数据进行积雪制图时,应该将相应的区域提取出来,不参与算法计算。至于云层下面的地面信息,目前几乎所有的技术手段都难以将其完全恢复。比较好的途径就是利用微波遥感的穿透功能,从传感器接收的信息中提取地面信息,进而提取积雪信息。光学与微波遥感的结合可以简单地分为两部分:对于无云的区域,使用分辨率更高的光学遥感数据得到积雪覆盖信息;对于有云的区域,则使用微波遥感数据提取积雪信息,流程如图2所示。

页16第地理与地理信息科学 第21卷图2　积雪监测流程Fig.2　Theflowchartofsnow-coverareaestimating

4.2　地表覆盖的影响4.2.1　混合像元　传统的遥感图像分析方法都假设所有的像元是纯像元,一个像元对应一种地物类型[18],而遥感数据中每个像元所记录的信息多数来

自一个以上的地物类型。通常的遥感雪盖制图算法(如AVHRR和MODIS标准算法)都是一种二值的判定方法,将地表分为积雪区与非积雪区两种类型。当遥感图像的分辨率较低时,像元中含有较多的地物类型,这种图像分析方法得到的结果(如地物分类、面积估算)精度就会下降。提高空间分辨率是解决混合像元问题的主要方法之一,但是往往提高空间分辨率会降低时间分辨率。对于积雪面积监测,需要近实时动态地获取其空间分布情况。因此,在对目前时间分辨率高而空间分辨率较低的遥感数据进行处理时,采用混合像元分解方法得到每个像元中积雪所占的比例,即雪盖系数。常用的分解算法基于线性光谱混合模型,即像元反射值满足下式[19]:

Rλ= Rλ+ελ

Rλ=΢niAiRi;΢niAi=1(3)

式中:Rλ为观测到的波长为λ的像元的反射率, Rλ

为光谱混合模型,ελ为误差项,Ri为不同类型地物在

波长λ处的反射率,Ai为各自所占像元的百分比。混合像元分解的主要问题就是确定像元中的地物种类(终元)以及该类别的光谱曲线。对于地表覆盖相对简单的地区,可以选择主要覆盖类型进行光谱分解计算。如果有了高精度的土地覆盖类型图,则可以使用限制性的像元分解算法。即对应于每一个像元,认为它是由积雪与该像元相对应的地表覆盖类型两种终元组成,然后分别求其所占的比例。至于终元的光谱曲线,一般有两种获取方法,一是通过野外实地测量;二是在遥感图像上通过分类方法提取“纯”像元的光谱信息。4.2.2　森林冠层　已有的研究表明,北半球森林地区的雪盖图精度都比较低,且其精度与森林类型有很强的相关性。对于光学遥感,由于林冠对积雪信息的部分屏蔽效应,使得通常的线性光谱混合模型在林区很难得到较高的结果精度。基于几何光学理论可以建立林区积雪、植被的混合光谱模型。从本质上讲,这也是一种线性光谱混合模型,只不过它对林区内光的反射传输情况考虑得更加详细。通常林区的光谱混合模型为:Rλ=AsRs+AvRv+AGRG(4)式中:Rλ为波段像元反射率,As、Rs分别为积雪所占的比例及积雪反射率,Av、Rv分别为植被的比例及反射率,AG、RG分别为未积雪的背景地表比例及反射率。考虑到冠层的反射与透射,蒋玲梅等提出了单棵树木的冠层反射率模型,则林区植被的反射率表示为[20]:Rv=Rs·(Pgap(θ)+Rdown·(1-Pgap(θ)))·Kopen+Rup·(1-Pgap(θ))(5)式中:Rdown为树冠向下的反射率,Rup为树冠向上的反射率,Pgap(θ)为方向间隙度,Kopen为空间开放度。该模型说明像元内植被(树木)的反射主要由3部分组成,即透过间隙的积雪直接反射、树冠的直接反射以及树冠下界面与积雪的多次反射。在森林地区还应该考虑树冠的阴影。因此,Dagrun等提出更为完善的林区光谱混合模型[19,21],该模型除考虑树冠的反射与透射外,还考虑了冠层内的散射以及阴影对像元反射率的影响。阴影区的积雪和背景地表具有固定的反射率,而其面积则与森林的郁密度、冠层形状以及树高有关。这种模型需要一些与森林有关的参数,包括单位面积内的树木棵数、平均树冠高宽比、平均树高等,必须通过野外测量获取。另外,鉴于NDSI在积雪分类中的广泛应用,一些学者还分析了在林区使用阈值法进行分类的缺陷。由于树冠的阴影作用,林区的NDSI值普遍偏小,在使用标准阈值判定积雪时,将低估积雪面积。Klein等采用GeoSAIL冠层反射模型模拟云杉、松树和白杨在有雪和无雪情况下的反射率。在充分考虑林冠透射与阴影的情况下,根据模拟和实测的ND-VI、NDSI值确定积雪判定条件,认为在NDVI值较高的区域进行积雪像元的判定时应该降低NDSI的阈值[22]。除了以上复杂的光谱混合模型,还有许多简