出版日期: 2018-09-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20187125
2018 | Volumn22 | Number 5
上一篇 | 下一篇

D-InSAR技术的积雪深度反演

刘洋¹ , 李兰海¹ , 杨金明² , 陈曦¹ , 张润³

1. 中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室，乌鲁木齐 830011

2. 新疆大学资源与环境科学学院，乌鲁木齐 830046

3. 中国科学院青藏高原研究所环境变化与地表过程重点实验室，北京 100101

收稿日期: 2017-05-03

基金项目: 国家自然科学基金(编号：41361140361)；NSFC—新疆联合基金(编号：U1703241)；中国科学院专项(编号：Y371164001)；新疆维吾尔自治区自然科学青年(编号：2017D01B52)

第一作者简介: 刘洋，1987年生，男，博士研究生，研究方向为积雪遥感研究。E-mail：2587625936@qq.com

通信作者简介: 陈曦，1964年生，男，研究员，研究方向为干旱区生态安全遥感监测、水文空间模拟以及生态用水的调度与调控方法研究。E-mail：chenxi@ms.xjb.ac.cn

中图分类号: TP79

文献标识码: A

摘要

积雪深度是大量气候、水文、农业及生态模型的重要输入变量。选用欧空局Sentinel-1主动微波数据，利用合成孔径雷达SAR(Synthetic Aperture Radar)差分干涉测量技术的二轨法，根据积雪相位与雪深之间的转换关系，反演新疆天山中段的巴音布鲁克盆地典型区的积雪雪深分布，提出了基于InSAR二轨差分的雪深估计方法，反演得到2016年12月18日的空间分辨率为13.89 m的雪深分布。研究表明：(1)对Sentinel-1数据进行正确的预处理以后，可以应用SAR差分干涉测量技术的二轨法反演区域雪深分布。但由于像对相干性和积雪状态的差异，积雪深度超过10 cm，可以获取较准确的雪深反演结果，R=0.65，反演误差的均方根误差RMSE=4.52 cm，平均相对误差为22.42%，反演雪深结果均比实测结果略偏低；而当雪深小于10 cm时，雪深反演值较实测值存在较大的误差，相对误差均高于34.52%，且反演雪深值均比实测值偏高。(2)雪深反演精度受高程及实际雪深的差异影响显著，另外雪深反演精度也受限于干涉像对相干性。结果表明，对于获取区域积雪雪深，InSAR技术较光学及被动微波遥感具有非常广阔的应用前景。

关键词

雪深, Sentinel-1, D-InSAR, 误差分析, 相干性

Snow depth inversion based on D-InSAR method

LIU Yang¹ , LI Lanhai¹ , YANG Jinming² , CHEN Xi¹ , ZHANG Run³

1.State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, China

2.College of Resource and Environment Science, Xinjiang University, Urumqi 830046, China

3.Key Laboratory of Tibetan Environment Changes amd Land Surface Processes, Institute of Tibetan Plateau Research,, Chinese Academy of Sciences, Beijing 100101, China

Abstract

Snow depth is a general input variable in many models of agriculture, hydrology, climate, and ecology. This study adopts the Sentinel-1 C-band of the European Space Agency using the two-pass method of differential interferometry to conduct an inversion study of the snow depth distribution in typical areas of Bayanbulak Basin in the Middle Tianshan Mountains of Xinjiang, China. Based on Sentinel-1 SAR image, the image of day October 31, 2016 is selected as the master image and the image of day December 18, 2016 is used as the slave image to form the image pair. After the interferogram is formed, the orbit phases, terrain, ground effect, and noise effect are removed. The phase unwrapping of the remaining phase aims to obtain the distribution of snow depth with the spatial resolution of 13.89 m on day December 18, 2016 by relying on the relationship between snow depth and snow phase in the typical Bayanbulak region. The study demonstrates the following: (1) After proper preprocessing of Sentinel-1 data, snow depth distribution inversion is achieved by utilizing the InSAR-based two-pass method. However, owing to the difference of image-pair coherence and snow accumulation conditions, a relatively accurate inversion result of snow depth is available when the snow depth is larger than 10 cm (R=0.65, RMSE=4.52 cm, and average relative error is 22.42%). The estimated snow depth is slightly lower than the actual depth. When the snow depth is less than 10 cm, the inversion result is not accurate: it is larger than the actual depth, and the average relative error is higher than 34.52%. (2) The inversion accuracy of snow depth is also significantly influenced by the height and actual snow depth. Moreover, the inversion result of snow depth is influenced by coherence losses. This study demonstrates that the InSAR method is more promising in obtaining and estimating snow depth compared with optical technology and passive microwave remote sensing.

Key words

snow depth, Sentinel-1, D-InSAR, error analysis, coherence

1 引　言

积雪的空间分布在冰冻圈中最为广泛，具有独特的光学、热学等物理特性，如高的反照率、低的热导率、高的消融潜热以及强的发射率(Zhang，2005)。因而，积雪作为一种特殊的地表覆盖物，它的存在和变化对地气能量交换、水文循环、碳循环等过程具有重要影响(Zimov 等，2006；Tarnocai 等，2006)。同时，降雪是以凝结状态的形式降落在地表，在地表暴露时间较长，尽管显著受环境影响，但并不直接通过地表过程及下渗过程形成径流。伴随着积雪相变过程中的能量输入和输出，积雪水文过程复杂，显著影响着区域水资源及积雪灾害的时空分布特征(Marshall 等，1994)。因此，准确及时地估计区域雪深分布，对区域气候、水文应用及防灾减灾至关重要。

20世纪70年代以来，卫星遥感数据开始逐渐在冰冻圈研究中被广泛应用，诸多学者利用多种不同数据源的遥感资料获取目标研究区的积雪深度空间分布。但是，光学及近红外波段的图像亮度值与积雪深度之间的数量关系不十分明确(Liang 等，2015)，已有学者进行了尝试，利用数学统计算法中的回归分析方法，将光学遥感的波段进行了线性组合，在此基础上与地面测点观测到的雪深数据进行拟合。这种利用光学遥感反演积雪深度的算法结果均不理想。微波遥感具有特有的穿云破雾能力，能够有效获取地表积雪信息，因而在积雪遥感中有着光学遥感所不具有的作用(Robinson 等，1984)，利用主被动微波遥感估算雪深已有较多研究成果(Foster 等，1997；Nikraftar 等，2016；Armstrong和Brodzik，2001；Shi和Dozier，2000)。总的来说，利用被动微波遥感获取得到空间雪深分布的分辨率较低(10—25 km)，难以达到流域尺度的积雪水文研究需要(Che 等，2016；Dai 等，2015)。而基于主动微波遥感反演得到空间雪深分布因其有着较高的空间分辨率，以及主动微波对积雪特性参数有着较高的敏感性，在流域积雪研究中展示出了广阔的应用前景(Storvold 等，2006；Thakur 等，2012；Shi和Dozier，2000)。然而基于主动微波遥感的前向机理模型的理论复杂，在反演积雪深度的机理中，源于SAR的电磁波与积雪层、积雪层下的下垫面覆被、岩石等地表覆盖物间具有复杂的相互作用机理，特别是在具有复杂地形形态的山区区域，SAR传感器接收到的各后向散射项往往难以区分。因此，尽管在某些典型区域，反演积雪深度经验算法已取得了成功，但是尚无法满足能够广泛使用，其大范围的适用性仍有待验证(Wu 等，2001；Cui 等，2016)。

SAR的差分干涉测量技术具有高分辨率干涉测量能力以及毫米级的地面形变监测能力，能够获取地形、地物的高度信息(Sun 等，1997；Bozzano 等，2017；Polcari，2016)，这种差分测量方法可同样用于获取雪深。D-InSAR反演雪深的方法是利用地表积雪层与积雪相位之间的对应关系反演雪深信息。已有研究者利用SAR差分干涉测量技术，选用Tandem的L波段、TerraSAR的X波段等主动微波数据对区域积雪分布及积雪变化进行了研究，研究发现L、X等不同波段的SAR数据对雪深敏感程度不同，积雪InSAR去相干性受雪湿度、融化和重冻结等积雪条件影响(Evans和Kruse，2014；Oveisgharan和Zebker，2007；Leinss 等，2015；Guneriussen 等，2001)；另外InSAR去相干性还受空间基线和时间基线影响，C波段在6个月以上具有严重的失相干，L波段在2年以上失相干现象严重(Wei和Sandwell，2010)。然而在积雪遥感研究领域中，数据源较为广泛且重访周期较短的SAR的C波段是对积雪地区进行绘图和监测的主要工具(Nagler 等，2016)。由于季节型积雪极不稳定且变化速率快，SAR的C波段较容易形成时间基线较短的影像对，使得更有助于连续监测雪深等信息。

本研究以反演雪深为主要研究目的，选用欧空局的Sentinel-1微波遥感数据(C波段)，基于二轨差分原理，结合地面观测，分析地面关键参量(海拔高程、地形起伏等)在反演雪深空间分布的影响作用。研究以新疆巴音布鲁克盆地典型区作为研究区(研究区内植被以草甸为主，下垫面结构简单)，进行空间雪深分布的反演研究，为后续气候变化评价及水资源管理提供数据基础。

2 材料和方法

2.1 研究区概况

巴音布鲁克盆地由大、小尤鲁都斯盆地构成，位于中国新疆天山腹地中部。本研究以小尤鲁都斯盆地作为典型研究区，其3面环山，同时盆地底部地势平坦，构成半封闭的地理环境。小尤鲁都斯盆地面积约6417.96 km²(图1)，海拔2458—4685 m，有一定面积的永久性积雪和冰川(刘洋等，2016)。

图 1 巴音布鲁克盆地典型区概略图

Fig. 1 Sketch map of the Bayanbulak typical region

小尤鲁都斯盆地具有独特的高寒气候特性。冬季长达7个月之久，年均气温仅为–4.6 ℃，极端最低气温达–48 ℃，积雪日数多达139.3 d，最大冻土深度750 cm(刘洋等，2016)。

由于其独特的高寒气候和地形地貌，高寒草原发育有多种草甸生态系统。有广阔面积的沼泽草地及湖泊，生长着种类多样的水生植物和动物，形成特有的湿地生态系统，在水量调节、储水、维持地区水平衡方面发挥着巨大作用(刘洋等，2016)。

发源于该区域的开都河对新疆南部的国民经济具有重要影响。它的尾闾是中国最大的内陆淡水吞吐湖—博斯腾湖。博斯腾湖作为塔里木河的调水源地，是中国为恢复塔里木河绿色走廊的生机、实施北水南调工程的关键，一直承担着向塔里木河下游生态应急输水的重要任务，因此该盆地是南疆绿洲的重要水源地(刘洋等，2016)。

2.2 数据获取及处理

2.2.1 站点雪深观测数据

用于本文验证的雪深数据来源于中国科学院新疆生态与地理研究所在新疆天山中段巴音布鲁克盆地布设的21个稳定观测站点(图1)。研究选用采集于2016年12月18日的雪深数据，各站点雪深数据均通过数据质量控制检验(3σ原则)。另外，尽管2016年10月31日巴音布鲁克盆地高山区存在积雪覆盖，但各观测点雪深值为0 cm，不影响反演结果验证。

2.2.2 微波遥感影像资料

Sentinel-1是欧盟委员会和欧洲航天局共同倡议的全球环境与安全监测系统GMES(Global Monitoring for Enviroment and Security)的重要组成部分，是由2颗卫星组成的星座(Sentinel-1A，Sentinel-1B)。第1颗卫星Sentinel-1A已于2014年4月3日发射，第2颗卫星Sentinel-1B已于2016年4月25日发射，单颗卫星重访周期为12 d，2颗星组网之后，重访周期为6 d，并且数据分享方式免费 (杨金明和刘志辉，2016)。

Sentinel-1搭载了C波段的SAR传感器，工作频率为5.405 GHz。总共有4种数据模式：条带模式SM(Stripmap Model)、干涉宽幅模式IW(Interferometric Wide swath)、超宽幅模式EW(Extra-Wide swath，)和波模式WM(Wave Mode)；另Level-1有两类影像类型：单视复数影像SLC(Single Look Complex)和地距影像GRD(Ground Range Detected)。本文所用数据的获取模式为IW SLC，幅宽为250 km，空间分辨率为5 m×20 m (杨金明和刘志辉，2016)。

本项研究对象为干雪(2016年12月18日巴音布鲁克盆地典型区最低温度为–26 ℃，最高温度–17 ℃，认为地表积雪近似干雪)，同时，需要顾及到二轨法雷达干涉测量中时间基线和空间基线长度的影响。另外，研究获取Sentinel-1B的2幅影像数据和相应的精密轨道数据AUX_POEORB(精确的轨道星历参数，该文件是在数据获取后21 d内生成，精度5 cm以内)。2幅影像的具体信息见表1。

表 1 研究区域Sentinel-1B SAR数据
Table 1 List of Sentinel-1B SAR images acquired over study area

下载CSV

主影像	辅影像	时间基线/d	空间垂直基线/m	极化方式
2016-10-31	2016-12-18	48	15.91	VV

研究选取的两幅影像在研究区上空均是右侧视降轨成像，影像为左右倒置。采用SNAP软件(Sentinel影像处理平台)进行预处理，过程如下：

(1)主、辅图像配准。两幅Sentinel-1B影像是利用轨道参数数据来确定主、辅影像之间粗略偏移量信息。为较精确地确定匹配偏移量，采用Brown(Wang 等，2016)提出的距离多普勒(R-D)定位模型和地球模型方程对主、辅图像进行精匹配；计算出配准模型模型之后，为计算干涉图，需要对主、辅图像的复数图像的实部和虚部进行重采样，本项研究采用双线性内插法。

(2)干涉图生成。对复数图像进行重采样后，把主图像的复数值与辅图像的复数值进行共轭相乘，即获得干涉相位图。

(3)平地、高程相位去除。由于InSAR干涉图中相位包含有平地相位和高程相位，为了简化相位展开处理，在相位解缠前，需将平地相位及高程相位去除，见图2(a)。

图 2 平地、高程相位去除后的干涉图和滤波后的干涉图

Fig. 2 Phase without flat earth effect and terrain height effect and phase after filtering

(4)相干斑去除。为了降低干涉图的斑点噪声，本项研究使用Goldstein滤波滤除较大的噪声，然后在此基础上进行小窗口(3×3)的多视数Boxcar滤波细化较小的噪声，见图2(b)。

(5)相位解缠。相位解缠是InSAR成像处理中关键步骤之一，其精确程度将直接决定地表雪深探测的精度(Atzori 等，2013)。本次实验采用最小费用流MCF(Minimum Cost Flow)方法进行去平和滤波后的相位进行解缠处理，即获得解缠后的相位结果(图3)。

图 3 相位解缠图

Fig. 3 Phase unwrapping map

2.3 雪深反演算法

若将积雪视为透明并折射介质，其散射效应可以忽略不计。理论上说，散射效应来自于体散射及雪—地界面散射。其中，当积雪中冰粒尺寸小于1 mm及微波波长大于1 cm时，体散射效应可以忽略；雪地界面因折射率差异大(微波在干雪中折射率为ε_r=1.0—1.8；在干土中折射率为ε_r=2.5；在湿土中折射率为ε_r≈40)，雪—地界面散射效应亦忽略不计(Leinss 等，2015)。

基于D-InSAR反演雪深，原理是利用地物相位与高度之间的转换关系(Xiao 等，2012)。D-InSAR包括二轨、三轨和四轨差分测量法，其中二轨差分法仅需两幅影像组成的影像对，因而更为适用于季节性积雪具有的极不稳定的变化速率，有助于连续监测雪深。

研究区下垫面覆被简单，地形空旷，无森林冠层截留降雪，因此忽略覆被引起的相位。总相位主要包括(李晖等，2014)

${\phi _{{\rm{total}}}} = {\phi _{{\rm{atm}}}} + {\phi _{{\rm{orb}}}} + {\phi _{{\rm{noise}}}} + {\phi _{{\rm{flat}}}} + {\phi _{{\rm{topo}}}} + {\phi _{{\rm{snow}}}}$

(1)

式中，Φ_atm为大气引起的相位(主要是对流层及电离层延迟引起)；Φ_orb为轨道误差引起的相位；Φ_noise为斑点噪声引起的相位(包括热噪声、采样误差和配准误差等)；Φ_flat为平地效应引起的相位；Φ_topo为高程引起的相位；Φ_snow为地表积雪层引起的相位。

其中，根据积雪相位与雷达波束传播路径的几何关系，地表雪层引起的相位Φ_snow的计算公式为(李晖等，2014)

${\phi _{{\rm{snow}}}} = - \frac{4{\text{π}}}{{\textit{λ}}}{d_{\rm{s}}}\left({\cos {\theta _i} - \sqrt {{\varepsilon _{\rm{s}}} - {{\sin }^2}{\theta _i}} } \right)$

(2)

式中，λ为Sentinel-1的C波段电磁波波长(5.6 cm)；θ_i为卫星入射角(°)，d_s为地表雪深(cm)，ε_s为积雪的介电常数(ε₀)；积雪介电常数与积雪密度相关，并有着如下关系式

${\varepsilon _{\rm{s}}} = 1 + 1.6\rho + 1.86{\rho ^2}$

(3)

式中，ρ为积雪密度(g/cm³)。

由此，为计算得到积雪深度，对选取的主、辅影像进行干涉处理，获得总的干涉相位，去除轨道、平地和高程相位后(本研究近似认为对流层和电离层对C波段的大气延迟效应可以忽略不计)，即可获取由积雪雪深引起的相位Φ_snow。

由于获得的积雪相位受配准误差及去除轨道、平地、地形相位过程引入的误差影响，因而将无积雪区的相位最小值作为基准，需对计算的解缠结果进行校正。

根据式(2)，结合已知的λ、θ_i和积雪的介电常数ε_s，即可反演得到雪深d_s。

3 数据结果处理与分析

3.1 雪深反演及精度分析

模型主要输入参数雪密度ρ和入射角θ_i两个关键参量。研究区多年观测发现，积雪从积累期的新雪到消融期前的变质雪的密度范围在0.15—0.25 g/cm³。本研究取干雪密度为0.18 g/cm³作为经验值，并将局部入射角替代式(2)中的卫星中心入射角(图4)。

图 4 局部入射角示意图

Fig. 4 Images of local incidence angle

由于SAR系统的热噪声、配准误差和垂直基线等失相干源引起的失相干，以及轨道、平地和高程相位去除过程不可避免引入误差，需对计算的解缠结果进行校正。因而根据非积雪覆盖区地表雪深相位为0，将无积雪区的相位最小值作为基准，计算出雪深结果；将获得的积雪雪深为负值的不合理区域去除，最终反演得到空间分辨率为13.89 m的积雪空间分布结果(图5)。

图 5 空间雪深反演估计结果

Fig. 5 Spatial distribution of estimated snow depth

结合盆地21个雪深观测站点数据进行对比分析，雪深反演误差随着雪深变化有着明显差异(图6)。表现为当实际雪深超过10 cm时，如图6中观测点11—21，干涉测量的二轨法能够获取较好的雪深反演结果，R= 0.65，最大反演误差为4.58 cm，平均误差为2.87 cm，反演误差的RMSE=4.52 cm，平均相对误差为22.42%，反演雪深结果均比实测结果略偏低；而当雪深小于10 cm时，如图6观测点1—10，反演雪深结果均比实测结果偏高，反演误差的RMSE达到了2.98 cm，相对误差均高于34.52%，雪深反演结果较实测值存在较大的误差。

图 6 实测雪深与反演雪深对比

Fig. 6 Comparison between actual measured and inversion snow depth

3.2 雪深反演误差分析

如图5，反演获得的雪深分布范围为0.00—36.00 cm，积雪雪深自边缘山区至内部山区逐渐增加(盆地东北处雪深值高于其他区域雪深值)，南坡雪深普遍小于北坡雪深。

为分析反演雪深精度的误差来源，选取海拔高程、地形起伏指数及主、辅影像的相干系数作为变量，与反演误差建立相关性。

研究发现，雪深反演误差与高程显著相关(R²=0.47；p=0.001<0.01)，见图7(a)，高程的差异导致雪深反演误差的差异显著。随着高程的增加，雪深的反演误差呈现出显著增加的趋势；另外，雪深的反演误差与雪深显著相关(R²=0.87；p=0.022<0.05)，随着积雪层厚度的增加，雪深反演的正偏差亦显著增加。这表明积雪的相位信息同时受到高程和雪深影响。低海拔区域(<2600 m)电磁波回波由于受到地形起伏干扰作用引入过多的噪声，放大了雪深相位；而高海拔区域(>2600 m)的电磁波回波由于积雪层较厚(>10 cm)，造成雪地界面回波减少，这种减少的作用将对相位估计引入正偏差，从而使雪深被低估。

图 7 高程与反演误差关系和实测雪深与反演误差关系

Fig. 7 Correlation between height and inversion errors and correlation between actual snow depth and inversion errors

4 讨　论

本研究使用干涉测量的二轨法反演区域雪深。分析探讨了雪深反演误差的来源，与前人研究结果相一致(Guneriussen 等，2001)。在主动微波遥感反演雪深研究中，亦有研究利用X波段、L波段及C波段的VV与HH的极化相位差反演雪深(Leinss 等，2014；Shi和Dozier，2000；Shi 等，2016)，然而这些研究中的雪深反演原理复杂，干涉测量的二轨法是根据积雪相位与雷达波束传播路径的几何关系反演积雪深度，具有一定的理论优势。

利用干涉测量的二轨法反演区域雪深虽然有空间分辨率高等诸多优势，但也存在诸多局限性。主要表现在时间去相干和空间去相干因素造成SAR影像对应像素之间相干性大幅降低，使得研究区中出现相干性很差，甚至不相干的区域(图8)。本研究中雪深观测点2、4、9、18、21位于低相干区域(γ<0.20)，这些站点雪深反演结果相对误差高于45%，这表明雪深反演精度也受限于干涉像对相干性。

由于干雪才能视为透明传播介质层，因而本研究中的D-InSAR方法反演雪深时假设积雪为干雪状态。然而实际情况中SAR对积雪内部状态敏感，积雪在反复融化和冻结过程作用后并不能假设空间分布的积雪层质地均一，并以同一雪密度作为输入参数。因此选用介电常数与积雪密度之间的经验关系会引入误差，由于难以实时获取研究区积雪的密度、介电常数及积雪分层情况等信息，反演过程及结果无法体现出积雪质地在空间上的异质性造成的差异。

图 8 滤波后的相干图

Fig. 8 Coherence map after filtering

需要注意的是，本研究中的积雪相位中混合有大气相位(Φ_atm)，以及去除轨道、平地、高程相位过程中引入的噪声相位，均对积雪反演结果带来误差。尽管研究中利用无积雪覆盖区域的积雪相位作为基准并校正了解缠后的相位结果，但由于缺少大气水汽含量对Sentinel-1引起的误差量的统计，以及缺乏选取相同时期大气中的可降水汽量等详细信息，本项研究反演过程中未从残余相位中去除相应的大气相位及噪声相位，可能是造成反演结果中的部分区域雪深偏差较大的原因。若获取较为准确的大气相位及噪声相位，这需要通过PSInSAR技术，在多幅影像中对选取的稳定的PS点，借助水汽等资料，分析并建立大气相位及噪声相位与空间相关的具体函数模型。

5 结　论

本研究利用二轨差分方法，选用2016年10月31日和2016年12月18日的Sentinel-1 SAR数据形成干涉像对，进行了新疆天山中段巴音布鲁克盆地典型区域的积雪雪深的反演研究，主要结论包括：

(1)对形成的干涉像对进行高程相位去除、相位解缠等预处理以后，可以根据积雪相位与雪深之间的转换关系反演积雪深度。但由于相干性和积雪状态的差异，导致只有当积雪深度超过10 cm，才能够获取较好的雪深反演结果，R=0.65，反演误差的RMSE=4.92 cm。

(2)高程及实际雪深的差异导致雪深反演误差的显著差异。另外，雪深反演也受限于干涉像对的相干性。因而可在研究区选取相干性高的区域，利用D-InSAR的二轨法进行雪深反演。

(3)在后续研究中，适时进行不同的极化方式的InSAR研究，可能会有效地加深理解地面关键参量(包括：坡度、地形粗糙指数和植被覆盖度等)在SAR干涉测量反演雪深空间分布的应用机理；另外，开展地面同步观测实验(如雪密度、雪层结构、空气温湿度等)，提出优化积雪相位、大气相位等模型方案，以提高干涉测量反演雪深精度。

志谢感谢欧洲空间局提供Sentinel-1数据和精密轨道数据。

参考文献(References)

Armstrong R L and Brodzik M J. 2002. Hemispheric-scale comparison and evaluation of passive-microwave snow algorithms. Annals of Glaciology, 34 : 38–44. [DOI: 10.3189/172756402781817428]

Atzori S, Chiarabba C, Devoti R, Bonano M and Lanari R. 2013. Anomalous far‐field geodetic signature related to the 2009 L’Aquila (central Italy) earthquake. Terra Nova, 25 (5): 343–351. [DOI: 10.1111/ter.12040]

Bozzano F, Mazzanti P, Perissin D, Rocca A, De Pari P and Discenza M E. 2017. Basin scale assessment of landslides geomorphological setting by advanced InSAR analysis. Remote Sensing, 9 (3): 267 [DOI: 10.3390/rs9030267]

Che T, Dai L Y, Zheng X M, Li X F and Zhao K. 2016. Estimation of snow depth from passive microwave brightness temperature data in forest regions of northeast china. Remote Sensing of Environment, 183 : 334–349. [DOI: 10.1016/j.rse.2016.06.005]

Cui Y R, Xiong C, Lemmetyinen J, Shi J C, Jiang L M, Peng B, Li H X, Zhao T J, Ji D B and Hu T X. 2016. Estimating snow water equivalent with backscattering at X and Ku band based on absorption loss. Remote Sensing, 8 (6): 505 [DOI: 10.3390/rs8060505]

Dai L Y, Che T and Ding Y J. 2015. Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China. Remote Sensing, 7 (6): 7212–7230. [DOI: 10.3390/rs70607212]

Evans J R and Kruse F A. 2014. Determination of snow depth using elevation differences determined by interferometric SAR (InSAR)//Proceedings of 2014 IEEE International Geoscience and Remote Sensing Symposium. Quebec City, QC, Canada: IEEE: 962–965 [DOI: 10.1109/IGARSS.2014.6946586]

Foster J L, Chang A T C and Hall D K. 1997. Comparison of snow mass estimates from a prototype passive microwave snow algorithm, a revised algorithm and a snow depth climatology. Remote Sensing of Environment, 62 (2): 132–142. [DOI: 10.1016/S0034-4257(97)00085-0]

Guneriussen T, Hogda K A, Johnsen H and Lauknes I. 2001. InSAR for estimation of changes in snow water equivalent of dry snow. IEEE Transactions on Geoscience and Remote Sensing, 39 (10): 2101–2108. [DOI: 10.1109/36.957273]

Leinss S, Lemmetyinen J, Wiesmann A and Hajnsek I. 2015. Interferometric and polarimetric methods to determine SWE, fresh snow depth and the anisotropy of dry snow//Proceedings of 2015 International Geoscience and Remote Sensing Symposium. Milan, Italy: IEEE: 4029–1032 [DOI: 10.1109/IGARSS.2015.7326709]

Leinss S, Parrella G and Hajnsek I. 2014. Snow height determination by polarimetric phase differences in X-band SAR data. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7 (9): 3794–3810. [DOI: 10.1109/JSTARS.2014.2323199]

Li H, Xiao P F, Feng X Z, Lin J T, Wang Z and Man W. 2014. Snow depth derived from repeat-pass InSAR sounding. Journal of Glaciology and Geocryology, 36 (3): 517–526. [DOI: 10.7522/j.issn.1000-0240.2014.0062] ( 李晖, 肖鹏峰, 冯学智, 林金堂, 汪左, 满旺. 2014. 基于重轨Insar的积雪深度反演方法. 冰川冻土, 36 (3): 517–526. [DOI: 10.7522/j.issn.1000-0240.2014.0062] )

Liang J Y, Liu X P, Huang K N, Li X, Shi X, Chen Y N and Li J. 2015. Improved snow depth retrieval by integrating microwave brightness temperature and visible/infrared reflectance. Remote Sensing of Environment, 156 : 500–509. [DOI: 10.1016/j.rse.2014.10.016]

Liu Y, Li C Z, Liu Z H, Deng X Y and Zhu J H. 2016. Analysis on the numerical simulation of heavy rainfall based on WRF model in Bayanbuluk basin. Arid Zone Research, 33 (1): 28–37. [DOI: 10.13866/j.azr.2016.01.03] ( 刘洋, 李诚志, 刘志辉, 邓兴耀, 朱金焕. 2016. 基于WRF模式的新疆巴音布鲁克盆地强降雨天气数值模拟效果分析. 干旱区研究, 33 (1): 28–37. [DOI: 10.13866/j.azr.2016.01.03] )

Marshall S, Roads J O and Glatzmaier G. 1994. Snow hydrology in a general circulation model. Journal of Climate, 7 (8): 1251–1269. [DOI: 10.1175/1520-0442(1994)007]

Nagler T, Rott H, Ripper E, Bippus G and Hetzenecker M. 2016. Advancements for snowmelt monitoring by means of sentinel-1 SAR. Remote Sensing, 8 (4): 348 [DOI: 10.3390/rs8040348]

Nikraftar Z, Hasanlou M and Esmaeilzadeh M. 2016. Novel snow depth retrieval method using time series ssmi passive microwave imagery. ISPRS-International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. [s.l.]: Copernicus Publications: 525–530 [DOI: 10.5194/isprs-archives-XLI-B8-525-2016]

Oveisgharan S and Zebker H A. 2007. Estimating snow accumulation from InSAR correlation observations. Transactions on Geoscience and Remote Sensing, 45 (1): 10–20. [DOI: 10.1109/TGRS.2006.886196]

Polcari M, Palano M, Fernández J, Samsonov S V, Stramondo S and Zerbini S. 2016. 3D displacement field retrieved by integrating Sentinel-1 InSAR and GPS data: the 2014 South Napa earthquake. European Journal of Remote Sensing, 49 (1): 1–13. [DOI: 10.5721/EuJRS20164901]

Robinson D, Kunzi K, Kukla G and Rott H. 1984. Comparative utility of microwave and shortwave satellite data for all-weather charting of snow cover. Nature, 312 (5993): 434–435. [DOI: 10.1038/312434a0]

Shi J and Dozier J. 2000. Estimation of snow water equivalence using SIR-C/X-SAR. I. Inferring snow density and subsurface properties. IEEE Transactions on Geoscience and Remote Sensing, 38 (6): 2465–2474. [DOI: 10.1109/36.885195]

Shi J C, Xiong C and Jiang L M. 2016. Review of snow water equivalent microwave remote sensing. Science China Earth Sciences, 59 (4): 731–745. [DOI: 10.1007/s11430-015-5225-0]

Storvold R, Malnes E, Larsen Y, Høgda K A, Hamran S, Müller K and Langley K. 2006. SAR remote sensing of snow parameters in Norwegian areas—Current status and future perspective. Journal of Electromagnetic Waves and Applications, 20 (13): 1751–1759. [DOI: 10.1163/156939306779292192]

Sun H, Zhang Q, Zhao C Y, Yang C S, Sun Q F and Chen W R. 2017. Monitoring land subsidence in the southern part of the lower Liaohe plain, China with a multi-track PS-InSAR technique. Remote Sensing of Environment, 188 : 73–84. [DOI: 10.1016/j.rse.2016.10.037]

Tarnocai C, Canadell J G, Schuur E AG, Kuhry P, Mazhitova G and Zimov S A. 2009. Soil organic carbon pools in the northern circumpolar permafrost region. Global Biogeochemical Cycles, 23 (2): GB2023 [DOI: 10.1029/2008GB003327]

Thakur P K, Aggarwal S P, Garg P K, Garg R D, Mani S, Pandit A and Kumar S. 2012. Snow physical parameters estimation using space-based Synthetic Aperture Radar. Geocarto International, 27 (3): 263–288. [DOI: 10.1080/10106049.2012.672477]

Wang J, Balz T and Liao M. 2016. Absolute geolocation accuracy of high-resolution spotlight TerraSAR-X imagery-validation in Wuhan. Geo-spatial information science, 19 (4): 267–272. [DOI: 10.1080/10095020.2016.1258183]

Wei M and Sandwell D T. 2010. Decorrelation of L-band and C-band interferometry over vegetated areas in California. IEEE Transactions on Geoscience and Remote Sensing, 48 (7): 2942–2952. [DOI: 10.1109/TGRS.2010.2043442]

Wu T D, Chen K S, Shi J C and Fung A K. 2001. A transition model for the reflection coefficient in surface scattering. IEEE Transactions on Geoscience and Remote Sensing, 39 (9): 2040–2050. [DOI: 10.1109/36.951094]

Xiao Y S, Cao Y P and Wu Y C. 2012. Improved algorithm for phase-to-height mapping in phase measuring profilometry. Applied Optics, 51 (8): 1149–1155. [DOI: 10.1364/AO.51.001149]

Yang J M and Liu Z H. 2016. Application of Sentinel-1 satellite and data products. Geospatial Information, 14 (12): 18–20. [DOI: 10.3969/j.issn.1672-4623.2016.12.007] ( 杨金明, 刘志辉. 2016. Sentinel-1卫星数据产品应用探讨. 地理空间信息, 14 (12): 18–20. [DOI: 10.3969/j.issn.1672-4623.2016.12.007] )

Zhang T J. 2005. Influence of the seasonal snow cover on the ground thermal regime: an overview. Reviews of Geophysics, 43 (4): RG4002 [DOI: 10.1029/2004RG000157]

Zimov S A, Schuur E A G and Chapin III F S. 2006. Permafrost and the global carbon budget. Science, 312 (5780): 1612–1613. [DOI: 10.1126/science.1128908]

摘要

关键词