出版日期: 2017-03-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20176211
2017 | Volumn21 | Number 2

遥感应用

NDSI与NDFSI结合的山区林地积雪制图方法

王晓艳^1,2 , 王建^2,3 , 李弘毅² , 郝晓华²

1. 兰州大学资源环境学院，兰州 730000

2. 中国科学院寒区旱区环境与工程研究所，兰州 730000

3. 江苏省地理信息资源开发与利用协同中心，南京 210023

收稿日期: 2016-06-01; 修改日期: 2016-09-01; 优先数字出版日期: 2016-09-01

基金项目: 国家自然科学基金(编号：91325203，41571371，41471291)

第一作者简介: 王晓艳(1973—　)，女，讲师，研究方向为积雪遥感研究，E-mail： wangxiaoy@lzu.edu.cn

中图分类号: TP79

文献标识码: A

摘要

积雪是冰冻圈的重要组成部分，因其在可见光波段的高反射率、低导热率的特性以及大面积的覆盖，成为全球辐射平衡的重要决定因子。在中纬度的干旱和半干旱山区，季节性的冰雪融水是春季河川径流的主要补给水源，山区积雪分布的变化对融雪期河流径流量的波动具有重要影响。当前的积雪产品在下垫面为山区林地时会低估积雪面积，从而影响了山区水文过程模拟的精度。本文基于Landsat OLI影像，采用归一化差值积雪指数NDSI和归一化差值林地积雪指数NDFSI相结合的方法，对春季融雪期的阿尔泰山区泰加林地进行积雪识别，并采用海拔高度、温度、以及对应的高分数据对提取结果进行了定量分析。结果表明，采用NDSI进行积雪识别时，山区林地的积雪会被大量漏分；对林地像元采用NDFSI阈值法可以区分林地中是否有积雪分布。NDSI和NDFSI相结合的积雪识别方法操作简单，不需要提供森林分布图等辅助数据，可以有效提高山区林地复杂环境下积雪制图的精度。

关键词

遥感, 积雪制图, 山区森林, NDSI, NDFSI

Combination of NDSI and NDFSI for snow cover mapping in a mountainous and forested region

WANG Xiaoyan^1,2 , WANG Jian^2,3 , LI Hongyi² , HAO Xiaohua²

1.College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China

2.Cold & Arid Region Environmental & Engineering Research Institute, Chinese Academy of Sciences, Lanzhou 730000, China

3.Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Abstract

Snow is one of the important parts of the crysphere, because its high reflectivity and low thermal conductivity can directly affect the ground and air temperatures, albedo of the Earth’s surface, and soil moisture. In mid-latitude arid and semi-arid mountainous regions, seasonal melt are mainly supplies the spring runoff. The changes of snow distribution in mountainous regions exert an important influence on the fluctuation in river runoffs during the snowmelt season. The currently used snow products in mountainous and forested regions exhibit low accuracy when simulating mountainous hydrological processes. Thus, this research aims to develop a highly accurate snow cover mapping method for complex environments, such as mountainous and forested regions.Normalized Difference Snow Index (NDSI) based on the spectral characteristics of snow is extensively used in mapping snow cover at the global scale. However, NDSI presents a small value and discrete distribution in snow-covered forests. Thus, it cannot effectively identify snow in forested areas. Meanwhile, Normalized Difference Forest Snow Index (NDFSI) is based on the combination of the spectral features of snow and forest and defined as NDFSI=(ρ_nir–ρ_swir)/(ρ_nir+ρ_swir). In this study, a snow-cover mapping method that combines the NDSI and NDFSI was used for snow extraction in the taiga forest of Altay Mountains from the Landsat OLI image acquired in spring. First, the NDSI was used in all the pixels. The pixels with NDSI of >0.4 andρ_nir of >0.11 were classified as snow, whereas those with NDSI of >0.4 butρ_nir of ≤0.11 were classified as water. In this step, most snow without shielding can be recognized, and forest snow is usually not recognized because of the shielding by the forest crown. Second, NDFSI was used in pixels with NDSI of ≤0.4, and the pixels with NDFSI exceeding 0.4 were classified as forest with snow. Pixels with NDFSI of less than 0.4 were defined as forest without snow.The snow extraction result shows that snow in the no-forest region can be extracted using a reasonable NDSI threshold value. However, the snow in the forested region cannot be recognized with NDSI alone. In NDSI, the snow-covered area is underestimated in the forested-region. Thus, NDSI and NDFSI were combined, and the snow extraction result was evaluated using DEM data, temperature inversion result, and GF-1 image. Result showed that the average altitude of the forest with snow is 1611 m, and the average altitude of the forest without snow is 1278 m. The reason is that snow in lower altitudes melts earlier than snow in higher altitudes during the snowmelt season. The average temperature of forest with snow and forest without snow are 6.8 ℃ and 15.3 ℃, respectively. These temperatures are consistent with those obtained from the field. In the GF-1 image with 2 m spatial resolution can indicate the presence of snow in a forest. According to the obtained GF-1 image, the snow extraction in this study is highly accurate, and thus most snow in forest can be extracted correctly.NDFSI outperforms NDSI in the extraction of snow in forested areas. The accuracy of snow-cover mapping in complex mountainous and forested environments can be improved considerably by combining NDSI and NDFSI. Moreover, this approach can be applied easily without using other auxiliary data, such as forest maps.

Key words

remote sensing, snow cover mapping, mountainous forest, NDSI, NDFSI

1 引　言

积雪是地表重要的覆盖物，北半球冬季雪和冰盖面积超过40%，尤其在南、北半球的高纬度和高海拔地区，大范围的地表被积雪覆盖(Jones 等，2001)。积雪以高反射率、低导热率的特性以及融雪水文效应对地表和大气热状况产生着深刻的影响(Barnett 等，1998)。近年来，随着遥感技术的发展，积雪卫星遥感信息已广泛应用于积雪研究。在许多研究领域，如牧区雪灾遥感监测及融雪径流模拟中，对积雪卫星遥感信息的精度要求也越来越高(冯学智等，2000)。

利用遥感技术进行积雪制图和监测，国内外已有40多年的研究历史。随着一系列卫星传感器的发射，遥感积雪制图的总体精度也在逐步提高，并发展出一些实用的算法(Danker和De Jong，2004；延昊，2004；曹云刚和刘闯，2006；林金堂等，2011；黄晓东等，2012)。SNOMAP方法对Landsat TM资料进行积雪制图，达到了较高的精度(Hall 等，1995)。从1999年底，美国国家航天局(NASA)利用MODIS遥感资料制作全球积雪产品。MODIS全球积雪面积产品包括多种类型，但其基本的方法还是归一化差值积雪指数(NDSI)法(Hall 等，2002)。

积雪在可见光波段和近红外波段具有较高的反射率，在短波红外波段具有较强的吸收，这一区别于其他地物的特殊波谱特性，是光学遥感积雪制图的理论基础。NDSI正是基于积雪的这一光谱特性构建的(Warren，1982)。王建(1999)利用NOAA-AVHRR、Landsat TM和MODIS等3个传感器的遥感数据研究了多种积雪制图方法，发现运用NDSI进行积雪识别是一种最佳的技术手段。但是当下垫面为山区林地时，林地冠层与积雪的混合光谱与纯积雪像元的光谱有很大的差异。其可见光波段的反射率明显降低导致NDSI值变小且分布离散，使用NDSI将明显低估森林地区的积雪面积(Metsämäki 等，2002；Vikhamar和Solberg，2003a；Rittger 等，2013；Hall和Riggs，2007)。

为了提高积雪识别的精度，需要发展针对特定下垫面的遥感积雪制图方法。针对森林地区，Klein等人(1998)利用不同指数差异提取雪像元，通过对比Landsat TM影像无雪林地和有雪林地的光谱，发现NDSI的值变化不大，而林地中的积雪会使得近红外波段和可见光波段的反射率同时增加，因此，当有积雪存在时，林地的归一化差值植被指数(NDVI)的值从0.4—0.8降低到接近0，综合NDVI和NDSI的变化可以用来识别有雪林地和无雪林地。同时应用NDSI和NDVI进行林地积雪制图在此后的研究中也被关注(Buus-Hinkler 等，2006；梁继等，2007；Salinan 等，2009)。对于覆盖度较高的山区常绿针叶林，林地有雪的情况下，传感器所获得的可见光波段的反射率仍然很低，因此NDSI易受噪声的干扰，分布离散，NDVI也没有如此显著的变化。使用NDSI结合NDVI并不能很好的识别林地积雪。汪凌霄等人(2012)使用MISR多角度数据对天山林带进行积雪识别，尝试利用冬季与夏季多角度信息的强烈差异在林区进行积雪识别。但是，MISR数据的空间分辨率较低，而山区林地通常呈斑块状或条带状分布，在影像上会存在大量的林地与非林地的混合像元，因而MISR数据不能很好地适用于流域尺度的山区林地积雪识别。森林区光学积雪遥感研究在芬兰开展较早，基于积雪、树和无雪地面的线性光谱混合模型SnowFrac，通过光谱分解来估计积雪面积比例，该模型的运行需要高精度的森林覆盖图作为先验知识(Vikhamar和Solberg，2003b)。基于反射率的SCAmod模型是用单波段通道的卫星观测反射率作为积雪面积比例的函数(Metsämäki 等，2012，2015)，通过建立积雪覆盖面积与目标区反射率的回归方程，模拟像元的反射率值进行判断，该方法被用于芬兰平原地区的森林积雪制图取得了较好的结果。该模型的模拟精度依赖于输入的反射率值，在山区林地复杂的环境下，地表异质性明显，使用统一反射率作为模型输入会影响积雪制图的结果。近年来，基于人工神经网络的方法被用于山区林地积雪面积比例估计，并取得很高的精度(Czyzowska-Wisniewski 等，2015)。但是机器学习方法算法复杂、计算速度慢，不适用于大面积积雪比例制图。Wang等人(2015)在对黑河上游有雪和无雪的青海云杉林地进行光谱特征分析的基础上，使用近红外波段代替NDSI计算公式中的可见光波段，构建了归一化差值林地积雪指数(NDFSI)。使用该指数进行黑河上游青海云杉林地的二值积雪面积制图取得了很好的效果。

为了验证NDFSI对于其他山区林地的适用性，以及在无森林分布图作为辅助数据的情况下，如何使用NDFSI进行积雪识别，本文选取春季融雪季节的新疆北部阿尔泰山区泰加林地进行实验。通过对积雪林地和无雪林地的反射率指数进行统计分析，提出了一种NDSI和NDFSI相结合的山区林地积雪制图方法，并从高程、温度、与同时相高分影像的对比等几方面对积雪提取结果进行了验证分析。结果表明，该方法具有很好的精度，而且不需要提供制图区域的森林分布图，是一种有效的山区林地复杂环境下的积雪制图方法。

2 研究区及数据

2.1 研究区概述

本文选取的研究区位于新疆北部阿尔泰山区，该区域冬季漫长寒冷，降雪丰富。作为中国唯一的西伯利亚山地南泰加林生态系统的代表，该地区森林群落建群种主要有西伯利亚落叶松、西伯利亚云杉和疣枝桦。西伯利亚落叶松分布在阴坡的高海拔地带，西伯利亚云杉主要分布在中低海拔的阴坡和半阴坡，疣枝桦分布在阴坡中海拔和半阴坡的中低海拔(程平等，2008)。研究区丰富的积雪以及大片的林地覆盖使得该地区成为山区林地积雪研究的理想场所。研究区如图1所示，选取红色矩形框部分为实验区。

图 1 研究区示意图

Fig. 1 Map of study area and study site

2.2 实验数据

2.2.1 用于积雪识别的遥感影像

目前利用MODIS数据进行积雪遥感的研究较多，但是MODIS数据的空间分辨率较低，不能满足小流域积雪的精确监测。尤其在复杂的山区环境下，林地通常呈斑块状分布在阴坡半阴坡地带，在中等分辨率的MODIS影像上会存在大量的林地与非林地的混合像元，给积雪识别过程中参数与阈值的选取带来很大的不确定性。Landsat OLI数据具有30 m空间分辨率，相对MODIS来说得到了很大的提高，能够提供更详细的积雪信息。同时OLI包含进行积雪识别所需的短波红外(SWIR)波段，因而特别适用于小范围的积雪动态监测与精确定位。Landsat OLI的波段设置如表1所示。本研究选取2014年5月2日试验区无云Landsat OLI影像，轨道号为path 144/row 26。数据下载于[2016-06-01]。

表 1 Landsat8 OLI的波段设置
Table 1 Band characteristics of Landsat 8 OLI

下载CSV

波段号	波段名	波长范围/nm	地面分辨率/m
1	深蓝	433—453	30
2	蓝	450—515	30
3	绿	525—600	30
4	红	630—680	30
5	近红外	845—885	30
6	短波红外1	1560—1660	30
7	短波红外2	2100—2300	30
8	全色波段	500—680	15
9	卷云波段	1360—1390	30

2.2.2 用于验证的高分辨率影像

本研究选取与实验采用的Landsat OLI时相相近的高分一号(GF-1)影像作为精度验证数据。高分一号卫星是国家高分辨率对地观测系统中的首发星。卫星搭载了两台2 m分辨率全色/8 m分辨率多光谱相机(PMS)，四台16 m分辨率多光谱相机(WFV)。GF-1 PMS传感器的参数如表2所示。

表 2 GF-1 PMS波段设置
Table 2 Band characteristics of GF-1 PMS

下载CSV

波段名	波长范围/nm	地面分辨率/m
全色	450—900	2
蓝	450—520	8
绿	520—590	8
红	630—690	8
近红外	770—890	8

用于验证的高分影像获取时间为2014年4月20日，影像中心坐标为(87.5°E，48.5°N)。该数据购买于“高分甘肃数据与应用中心”。

2.2.3 数字高程数据

结合地形数据进行3维显示，可以更加直观地表达山区积雪识别结果。本研究中的地形数据采用ASTER GDEM V2数据，空间分辨率为30 m。ASTER GDEM由日本METI和美国NASA联合研制并免费面向公众分发。ASTER GDEM数据产品基于“先进星载热发射和反射辐射计ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer)”数据计算生成，是目前唯一覆盖全球陆地表面的高分辨率高程影像数据。自2009年6月29日V1版ASTER GDEM数据发布以来，在全球对地观测研究中取得了广泛的应用。ASTER GDEM V2版则采用了一种先进的算法对V1版GDEM影像进行了改进，提高了数据的空间分辨率精度和高程精度。数据下载自：[2016-06-01]。

本实验采用的Landsat OLI影像、高分影像、DEM数据分别见图2(a)(b)(c)。

图 2 实验数据

Fig. 2 Experiment data of study site

3 研究方法

3.1 积雪林地与无积雪林地的光谱特征

在积雪林地，传感器接收到的光谱信息为森林冠层和积雪的混合光谱。由于冠层的遮挡作用，该混合光谱在可见光波段的反射率远小于纯积雪。因此，基于积雪光谱特征提出的NDSI指数不能有效地用于识别林地积雪。

参照同时相的高分影像，选择研究区积雪林地样本区，统计其NDSI及NDFSI的分布。NDSI与NDFSI的计算公式分别为式(1)和式(2)。

${\rm{NDSI = }}\frac{{{\rho _{{\rm{green}}}} - {\rho _{{\rm{swir}}}}}}{{{\rho _{{\rm{green}}}} + {\rho _{{\rm{swir}}}}}}$

(1)

${\rm{NDFSI = }}\frac{{{\rho _{{\rm{nir}}}} - {\rho _{{\rm{swir}}}}}}{{{\rho _{{\rm{nir}}}} + {\rho _{{\rm{swir}}}}}}$

(2)

式中，ρ_green、ρ_nir、ρ_swir分别为绿光波段、近红外波段和短波红外波段的反射率。

NDSI和NDFSI的分布结果如图3所示。积雪林地的NDSI主要分布在0—0.4，分布离散，而积雪林地的NDFSI集中在0.4—0.6，积雪林地的NDFSI普遍高于NDSI。经统计NDSI均值为0.23，标准差为0.09；NDFSI均值为0.49，标准差为0.05。由图3可见，对于积雪林地，NDFSI具有更好的统计特性。

图 3 积雪林地的NDSI与NDFSI分布

Fig. 3 NDSI and NDFSI of snow-covered forest

为了验证NDFSI对于积雪林地和无积雪林地的可分性，参照高分影像另外选取部分无雪林地样本区，对比积雪林地和无雪林地样本的NDVI-NDFSI统计特征。结果如图4所示，积雪林地的NDFSI明显高于无雪林地，选取NDFSI的阈值为0.4可以很好的区分积雪林地和无雪林地。

图 4 积雪林地及无雪林地的NDVI-NDFSI分布

Fig. 4 NDVI -NDFSI distribution of snow-covered forest and snow-free forest

3.2 NDSI与NDFSI相结合的山区林地积雪识别

传统的积雪制图采用图5(a)的决策树(称为决策树1)，但是该判别方法在林地区域会低估积雪的面积。基于以上对积雪林地的光谱分析，本研究采用NDSI与NDFSI相结合的方法，建立图5(b)的决策树(称为决策树2)进行山区林地积雪识别。即在传统积雪识别的基础上，对于NDSI小于阈值0.4的像元进一步使用NDFSI进行积雪判别。

图 5 积雪识别决策树

Fig. 5 Decision tree of snow recognation

NDSI与NDFSI相结合的积雪识别过程如下：

(1) 首先对所有像元使用NDSI进行积雪提取，NDSI的阈值确定0.4。

(2) 短波红外的强吸收作用使得水体也具有较高的NDSI值。但是与积雪相比，水体在近红外波段的反射率很低，可以通过对近红外波段设定阈值来进行水体的去除。通常，近红外波段的反射率小于11%的像元被判别为水体。

(3) 由于冠层遮挡，部分积雪林地的NDSI小于0.4。对该部分像元使用NDFSI来进一步判别。根据图4分析的结果，NDFSI的阈值设定为0.4，NDFSI值大于或等于0.4的像元识别为林地积雪，其余部分为非积雪像元。

4 结果与讨论

4.1 积雪识别结果

图6(a)和图6(b)分别为采用决策树1和决策树2进行积雪识别的结果。将图6(a)的积雪、图6(b)的积雪和林地积雪分别叠加到原始影像上进行3维显示形式，结果如图6(c)和图6(d)所示。

图 6 积雪提取结果

Fig. 6 Result of snow extraction

由图6可见，采用决策树1进行积雪识别的结果，大部分林地被识别为无雪。决策树2的积雪提取结果表明，海拔较高处的林地有积雪分布，这些林地与积雪相连，符合积雪的分布规律。以下将从海拔高度、温度以及与高分影像的对比来对积雪识别结果尤其是林地积雪识别结果进行定量的分析。

4.2 有雪林地和无雪林地的海拔分布

在采用决策树2的积雪识别结果中，分别选取部分积雪林地和无雪林地像元作为感兴趣区，如图7所示。经统计，积雪林地感兴趣区ROI1的平均海拔为1611 m，而无雪林地感兴趣区ROI2的平均海拔为1278 m。在5月初融雪季节，低海拔的积雪融化早于高海拔处，这正符合融雪的规律。

图 7 积雪林地感兴趣区(ROI1)和无雪林地感兴趣区(ROI2)

Fig. 7 Snow-covered forest ROIs (ROI1) and snow-free forest ROIs (ROI2)

4.3 积雪林地和无雪林地的温度分布

使用与研究区实验数据Landsat 8 OLI同时获取的Landsat 8 TIRS进行基于大气校正法的地表温度反演。基于大气校正法的地表温度反演的基本原理是，首先估计大气对地表热辐射的影响，然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去，从而得到地表热辐射强度，再把这一热辐射强度转化为相应的地表温度。地表温度反演的结果如图8所示。

图 8 研究区地表温度反演结果

Fig. 8 Ground surface temperature inversion result of the study area

经统计，4.2定义的积雪林地感兴趣区ROI1和无雪林地感兴趣区ROI2的平均温度分别为6.8 ℃和15.3 ℃。陆恒等人(2011)在天山站的实地观测结果表明在融雪季节，云杉林下积雪的平均温度为7 ℃。这进一步验证了林地积雪提取结果的正确性。

4.4 使用高分影像对积雪识别结果进行对比

在2 m分辨率的GF-1融合影像上，目视可以很清晰地识别林地是否有积雪存在。

图 9 林地积雪识别结果

Fig. 9 Comparison of snow extraction in forest

图9(a)为进行积雪识别的Landsat OLI多光谱影像，图9(b)为图9(a)红色矩形框部分所对应的2 m分辨率的GF-1融合影像，在该影像中，林地中的积雪分布清晰可见。图9(c)、图9(d) 分别为使用决策树1和决策树2的积雪识别结果。可见，图9(c)大部分林地被识别为无积雪(白色为积雪)，而使用决策树2可以识别大部分林地积雪(图9(d)的黄色部分)。由此可见，NDSI和NDFSI相结合的方法对识别林地积雪是非常有效的。

5 结　论

在干旱半干旱地区，山区季节性积雪是内陆河流域的重要补充水源，高精度的积雪面积估计对于当地农业以及水文过程模拟具有重要的意义。因此，需要发展适用于山区林地复杂环境下的积雪识别方法。

本文在对比积雪林地与无雪林地各种反射率指数的基础上，提出了一种NDSI和NDFSI相结合的山区林地积雪制图方法。采用该方法对春季融雪季节的新疆北部阿尔泰山区泰加林地进行积雪提取实验，对分类结果中的积雪林地和无雪林地的高程、温度分布进行统计分析，并采用对应的高分影像对结果进行验证。结果表明：

(1) 积雪林地的NDSI值偏低，分布离散；NDFSI值较高，分布集中。

(2) 本研究区选取NDFSI阈值为0.4，可以有效区分积雪林地和无雪林地。

(3) NDSI和NDFSI相结合的方法简单有效，不需要提供林地分布图等辅助数据，可以有效提高山区林地积雪制图的精度。

本研究中对NDSI选取传统的阈值0.4，根据样本的统计特征，NDFSI的阈值也定义为0.4。在以后的研究中，需进一步讨论森林密度、积雪的物理特性、太阳光照等因素对NDFSI的影响，以实现大面积山区林地积雪制图中NDFSI阈值的自适应调整。

参考文献(References)

Barnett T P, Dümenil L, Schlese U, Roeckner E and Latif M. 1989. The effect of Eurasian snow cover on regional and global climate variations. Journal of the Atmospheric Science, 46 (5): 661–685. [DOI: 10.1175/1520-0469(1989)046<0661:TEOESC>2.0.CO;2]

Buus-Hinkler J, Hansen B U, Tamstorf M P and Pedersen S B. 2006. Snow-vegetation relations in a high arctic ecosystem: inter-annual variability inferred from new monitoring and modeling concepts. Remote Sensing of Environment, 105 (3): 237–247. [DOI: 10.1016/j.rse.2006.06.016]

Cao Y G and Liu C. 2006. A simplified algorithm for extracting subpixel snow cover information from MODIS data. Journal of Glaciology and Geocryology, 28 (4): 562–567. ( 曹云刚, 刘闯. 2006. 一种简化的MODIS亚像元积雪信息提取方法. 冰川冻土, 28 (4): 562–567. )

Cheng P, Pan C D, Kou F T and Bazhaerbieke•Asiliehan W P. 2008. Numerical classification and ordination of forest communities in Kanas Tourist District, Xinjiang. Journal of Xinjiang Agricultural University, 31 (6): 1–7. ( , , , . 2008. 新疆喀纳斯旅游区森林群落数量分类与排序. 新疆农业大学学报, 31 (6): 1–7. )

Czyzowska-Wisniewski E H, van Leeuwen W J D, Hirschboeck K K, Marsh S E and Wisniewski W T. 2015. Fractional snow cover estimation in complex alpine-forested environments using an artificial neural network. Remote Sensing of Environment, 156 : 403–417. [DOI: 10.1016/j.rse.2014.09.026]

Dankers R and De Jong S M. 2004. Monitoring snow-cover dynamics in northern Fennoscandia with SPOT VEGETATION images. International Journal of Remote Sensing, 25 (15): 2933–2949. [DOI: 10.1080/01431160310001618374]

Feng X Z, Li W J and Bai Y C. 2000. Research on the methods of obtaining satellite snowcover information. Journal of Image and Graphics, 5 (10): 836–839. ( 冯学智, 李文君, 柏延臣. 2000. 雪盖卫星遥感信息的提取方法探讨. 中国图象图形学报, 5 (10): 836–839. )

Hall D K, Riggs G A and Salomonson V V. 1995. Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data. Remote Sensing of Environment, 54 (2): 127–140. [DOI: 10.1016/0034-4257(95)00137-P]

Hall D K, Riggs G A, Salomonson V V, DiGirolamo N E and Bayr K J. 2002. MODIS snow-cover products. Remote Sensing of Environment, 83 (1/2): 181–194. [DOI: 10.1016/S0034-4257(02)00095-0]

Hall D K and Riggs G A. 2007. Accuracy assessment of the MODIS snow products. Hydrological Processes, 21 (12): 1534–1547. [DOI: 10.1002/hyp.6715]

Huang X D, Hao X H, Wang W, Feng Q S and Liang T G. 2012. Algorithms for cloud removal in MODIS daily snow products. Journal of Glaciology and Geocryology, 34 (5): 1118–1126. ( 黄晓东, 郝晓华, 王玮, 冯琦胜, 梁天刚. 2012. MODIS逐日积雪产品去云算法研究. 冰川冻土, 34 (5): 1118–1126. )

Jones H G, Pomeroy J W, Walker D A and Hoham R W. 2001. Snow Ecology: An Interdisciplinary Examination of Snow-Covered Ecosystems. Cambridge: Cambridge University Press: 1–264

Klein A G, Hall D K and Riggs G A. 1998. Improving snow cover mapping in forests through the use of a canopy reflectance model. Hydrological Processes, 12 (10/11): 1723–1744. [DOI: 10.1002/(SICI)1099-1085(199808/09)12:10/11<1723::AID-HYP691>3.0.CO;2-2]

Liang J, Zhang X H and Wang J. 2007. Exploration for the algorithm of snow cover mapping based on NDVI background field. Journal of Remote Sensing, 11 (1): 85–93. ( 梁继, 张焕新, 王建. 2007. 基于NDVI背景场的雪盖制图算法探索. 遥感学报, 11 (1): 85–93. )

Lin J T, Feng X Z, Xiao P F and Li H. 2011. Spatial and temporal characteristics of satellite snow cover in a typical area of Tianshan mountains. Journal of Glaciology and Geocryology, 33 (5): 971–978. ( 林金堂, 冯学智, 肖鹏峰, 李晖. 2011. 天山典型区卫星雪盖时空特征研究. 冰川冻土, 33 (5): 971–978. )

Lu H, Wei W S, Liu M Z, Han X and Hong W. 2011. Spatial and Temporal Distributions of snow temperature in forest of the western Tianshan mountains, China. Scientia Geographica Sinica, 31 (12): 1541–1548. ( 陆恒, 魏文寿, 刘明哲, 韩茜, 洪雯. 2011. 中国天山西部季节性森林积雪雪层温度时空分布特征. 地理科学, 31 (12): 1541–1548. )

Metsämäki S, Vepsäläinen J, Pulliainen J and Sucksdorff Y. 2002. Improved linear interpolation method for the estimation of snow-covered area from optical data. Remote Sensing of Environment, 82 (1): 64–78. [DOI: 10.1016/S0034-4257(02)00025-1]

Metsämäki S, Mattila O P, Pulliainen J, Niemi K, Luojus K and Böttcher K. 2012. An optical reflectance model-based method for fractional snow cover mapping applicable to continental scale. Remote Sensing of Environment, 123 : 508–521. [DOI: 10.1016/j.rse.2012.04.010]

Metsämäki S J, Anttila S T, Markus H J and Vepsäläinen J M. 2005. A feasible method for fractional snow cover mapping in boreal zone based on a reflectance model. Remote Sensing of Environment, 95 (1): 77–95. [DOI: 10.1016/j.rse.2004.11.013]

Rittger K, Painter T H and Dozier J. 2013. Assessment of methods for mapping snow cover from MODIS. Advances in Water Resources, 51 : 367–380. [DOI: 10.1016/j.advwatres.2012.03.002]

Salinan M, Pulliainen J, Metsämäki S, Kontu A and Suokanerva H. 2009. The behaviour of snow and snow-free surface reflectance in boreal forests: Implications to the performance of snow covered area monitoring. Remote Sensing of Environment, 113 (5): 907–918. [DOI: 10.1016/j.rse.2008.12.008]

Vikhamar D and Solberg R. 2003a. Subpixel mapping of snow cover in forests by optical remote sensing. Remote Sensing of Environment, 84 (1): 69–82. [DOI: 10.1016/S0034-4257(02)00098-6]

Vikhamar D and Solberg R. 2003b. Snow-cover mapping in forests by constrained linear spectral unmixing of MODIS data. Remote Sensing of Environment, 88 (3): 309–323. [DOI: 10.1016/j.rse.2003.06.004]

Wang J. 1999. Comparison and analysis on methods of snow cover mapping by using satellite remote sensing data. Remote Sensing Technology and Application, 14 (4): 29–36. ( 王建. 1999. 卫星遥感雪盖制图方法对比与分析. 遥感技术与应用, 14 (4): 29–36. )

Wang L X, Xiao P F and Feng X Z. 2012. Retrieving snow information in typical forest zone of Tianshan mountains from multi-angle imaging spetroradiometer data. Journal of Remote Sensing, 16 (5): 1044–1053. ( 汪凌霄, 肖鹏峰, 冯学智. 2012. 天山典型林带积雪的多角度遥感识别. 遥感学报, 16 (5): 1044–1053. )

Wang X Y, Wang J, Jiang Z Y, Li H Y and Hao X H. 2015. An effective method for snow-cover mapping of dense coniferous forests in the upper Heihe River Basin using landsat operational land imager data. Remote Sensing, 7 (12): 17246–17257. [DOI: 10.3390/rs71215882]

Warren S G. 1982. Optical properties of snow. Reviews of Geophysics, 20 (1): 67–89. [DOI: 10.1029/RG020i001p00067]

Yan H. 2004. Detecting snow and estimating snowpack parameters from NOAA16-AVHRR data. Journal of Glaciology and Geocryology, 26 (3): 369–373. ( 延昊. 2004. NOAA16卫星积雪识别和参数提取. 冰川冻土, 26 (3): 369–373. )

摘要

关键词