引言

积雪是气候变化的一个重要影响因子，在可见光波段积雪具有很高的反射率, 而植被和土壤等其他地表覆盖物的反射率则低得多，因而积雪的存在对地-气系统的辐射平衡影响很大，其变化进而又影响了天气和气候变化，所以积雪一直是气象界关注较多的问题^[1-5]。2000年成立的气候与冰冻圈计划(CliC)也把积雪研究作为核心内容之一。就中国而言，1970年代叶笃正提出的长期预报的一些物理因子中就包括青藏高原的异常雪盖作用^[6]，而后许多学者的研究表明北半球积雪特别是青藏高原雪盖对中国的降水、大气环流、气温均产生深刻的影响^[7-11]；此外，中国西部和北部冬春季节雪灾发生频繁, 严重影响了当地的人民生活和经济发展^[12]，因而积雪研究尤为重要。

研究积雪的影响作用，首先必须获取较为真实准确的资料，但常规的地面站资料由于测站空间分布不均匀，很难满足研究需要，遥感技术的应用弥补了这一缺陷，使得大范围的积雪监测成为现实, 所以非常适合从卫星遥感资料中提取积雪信息, 特别是在地面站较少的地区。随着遥感技术的发展，近年来各种性能优越的星载传感器的应用，利用遥感资料提取积雪信息的方法已成为积雪研究的一个重要课题。

1 积雪信息反演的遥感源

目前全球已发射的气象卫星主要有美国的NOAA系列、TIROS系列、中国的FY系列、日本的GMS等上百颗卫星^[13]。NOAA是美国国家海洋大气局的第三代实用气象观测卫星，第一代是TIROS系列，第二代称为ITOS/NOAA系列，其后运行的第三代称为TIROS-N/NOAA系列，TIROS-N/NOAA系列卫星上搭载的改进型甚高分辨率扫描辐射仪(AVHRR)是一种4或5通道的扫描辐射仪，提取积雪主要是利用其1、2、4通道，空间分辨率为1.1km，而最新的NOAA16，NOAA17、NOAA18卫星上搭载的AVHRR做了改进，它们的第3通道白天时改为1.57~1.78μm，这个波段主要用于进行积雪识别。1999年发射的地球观测系统(EOS)上午星TERRA和下午星AQUA每天分别覆盖地球两次，其上搭载的中分辨率成像光谱仪(MODIS)具有36个光谱通道，分布在0.4~14.5μm之间，其4、6、7、13、16、20、26、31波段可用来提取积雪信息^[14]; 美国国家宇航局的雨云-7号卫星上所载的多通道微波扫描辐射仪(SMMR)和美国国防气象卫星上搭载的微波辐射计成像仪(SSM/I)均通过测取地表微波亮度温度，得到全球的积雪信息，空间分辨率为25km。另外，对于各类机载和星载的合成孔径雷达(SAR)系统，主要利用其C、L、X波段研究积雪。随着技术的进步，可供使用的遥感资料越来越多，并且数据的时空分辨率也在不断提高。文章主要讨论了目前应用较广的基于AVHRR、MODIS资料的积雪信息的提取方法，并分析了基于微波遥感资料的积雪反演。

2 基于光学遥感资料的积雪信息提取 2.1 基于NOAA/AVHRR资料的积雪信息提取

传统的NOAA卫星主要是利用积雪在可见光波段的高反射率来区分积雪与土壤、植被、水体等大多数自然表面，但由于云和积雪在可见光和近红外波段上都具有高反射率，云的干扰成为积雪识别的一个难题, 由此出现了许多区分云雪的方法。在传统的目测中，使用纹理法、地标法等方法，但这种人为的判断不够精确，误差较大。王世杰^[15]提出了将降雪前后的多幅资料在数字图像处理系统中叠加, 依据云、雪的边缘差异和地形特征得到积雪的影像图。如积雪覆盖时，湖泊等地表，地形的纹理特征、山脉的走向等均明显可见，但云覆盖时不可见。根据单通道的红外图像上(CH₃、CH₄、CH₅)雪和云的亮度不同，并确定了积雪在可见光和近红外波段的反射率阈值，周咏梅等^[16]利用多光谱识别法将云与雪分开，认为其识别精度在80%以上。Simpson等^[17]根据冷高云、暖低云在CH₃, CH₄的亮温差，CH₄的亮温值与积雪的区别提出了将冷高云、暖低云从积雪中区分出来的标准。而现在NOAA16、NOAA17卫星上增加了1.57~1.78μm的近红外波段，雪的反射率很低，而云的反射率仍然很高，这就可以很容易的将云雪分开^[18]，并且识别精度很高，这将成为今后一段时间内云雪区分的重要方法。

在中国的积雪监测业务中，刘玉洁等^[19]根据我国及周边地区的实际情况建立了多光谱阈值结合多时次合成法的积雪监测方法，后来又逐步作了改进，提出了概率结合阈值的判识法^[20]。

2.2 基于MODIS资料的积雪信息提取

MODIS可以提供每日的及合成的积雪产品，跟AVHRR相比具有波谱宽、通道窄的优点^[21]，这一点很好地解决了因新雪的反射率很高而引起的AVHRR传感器饱和问题^[22]，且在空间分辨率上优于AVHRR，使得其应用范围也更广，它的数据处理原理与AVHRR相似，都是根据雪在可见光波段的高反射率及它在近红外波段的高吸收率来识别的。目前主要采用归一化差分积雪指数(NDSI)来判断积雪区^[22]，NDSI采用多波段比值的阈值法，简化了计算，并可以进一步消除部分云层和地形阴影等影响^[23]：

(1)

其中R_i为像元在第i波段的反照率。当NDSI值≥0.4，而且R₂>0.11、R₄ < 0.11则判定该像元为雪。Salomonson^[24]用NDSI阈值分别来判断北美的3个区域的积雪区并与30m分辨率的Landsat卫星上专题制图仪(TM)的资料相比较，证明结果基本可信。另外对于云与雪的区分, Key等^[25]提出一种判定标准, 利用MODIS第31和32波段来获取地面土壤温度, 像元温度大于277K，则认为非雪。MODIS第26波段(1.36~1.39μm)可以有效区分积雪和卷云，卷云在此波段上吸收率高，可以利用这一特性分开积雪与卷云^[26]。在林区，由于积雪被植被覆盖而模糊不清，使用常规的阈值不能准确地反映积雪信息，Klein等^[27]经过试验证实了在林区，应把归一化差分植被指数(NDVI)与NDSI结合起来使用，NDVI较高的地区应该降低NDSI的判定阈值。曾严等^[28]也提出了同样的看法，并提出以下的积雪判定方法：森林覆盖区: R₂₆ < 0.02且NDSI≥0.2，NDVI≥0.2;非森林覆盖区: R₂₆ < 0.02且NDSI≥0.3。由于Aqua上搭载的MODIS第6波段出现问题，无法计算NDSI值，所以延昊^[29]提出用一个修改过的归一化差分积雪指数(MNDSI)用来替代NDSI：

(2)

式中: R_i为第i波段的反射率, 当MNDSI>0.62、R₂>0.11、R₄>0.1、R₂₆>0.1同时满足，就判定该像元为积雪。结果证明MNDSI识别方法对Terra和Aqua卫星上的MODIS数据都适用。

光学仪器受云层和大气的影响很大，由于云和积雪在可见光和近红外波段上都具有高反射率，云的干扰是积雪识别时的难题。并且由于云层的遮挡，云下的地表信息不能被光学遥感仪器所接收到，某些薄卷云能部分反映云下的信息，用NDSI法辨别时容易将其划分为积雪，所以应将光学遥感与微波遥感结合起来使用，在有云的区域，利用微波遥感的穿透功能来提取积雪信息。

3 基于光学遥感的积雪面积和深度提取 3.1 积雪面积提取

在利用卫星遥感资料准确识别积雪信息的基础上, 许多学者都提出了积雪面积提取的方法，在麦卡托投影下首先算出每个积雪像元面积：

(3)

其中, R为地球赤道半径，dλ和d分别为每个像元的经纬度，为像元的纬度坐标，然后将每个像元面积相加来求取积雪面积^[16]。

在Albers等面积投影下, 计算单个像元的面积, 然后乘以像元总数，即得积雪面积^[17]。王世杰^[15]利用积雪灰度值的层次差统计像元总数，再乘以单个像元所对应的面积求得积雪总面积。以上算法均是以纯像元为前提，即一个像元只对应一种地物类型，而不考虑像元内覆盖物的多样性，实际应用中如果用AVHRR资料来计算，因为其空间分辨率很粗，在大范围区域内效果较好，而不适用于小区域范围。MODIS的空间分辨率较高，其反演结果优于AVHRR资料。

3.2 积雪深度提取

一些学者在实际工作中发现，积雪深度与它的反射率存在一定关系，周咏梅^[16]提出AVHRR的通道1、2反照率差与雪深呈正相关，通道4的亮温温度与雪深呈负相关，据此建立回归方程计算青海省青南高原的积雪深度。干雪期的雪深与经纬度、海拔高度、AVHRR1、2通道的灰度值，3、4、5通道的亮温值之间有一定的相关关系。在新疆北部地区，梁天刚^[30]利用这些相关关系建立的雪深反演模型，回归系数达到0.87。延昊^[18]利用积雪在AVHRR的可见光波段和近红外波段反射率的差值来提取积雪深度，建立了拟合方程如下：

(4)

其中: SD为积雪深度(cm), R₁为可见光波段的反射率; R_3a为近红外波段的反射率, 拟合方程的R²为0.69。同样该方法使用时有一定地域限制，且对于15cm以下的积雪效果好。以上对于雪深的反演都是在特定的区域内，且主要采用统计方法得出，不能在地形复杂的大范围内适用, 且当积雪超过一定深度后，它的反射率不随雪深变化而变化^[18]，所以AVHRR资料不适用于雪深地区的深度反演。MODIS资料也可以用同样的原理来计算积雪深度，但同样也仅适合于浅雪地区^[31]。

4 基于微波遥感资料的积雪信息提取

光学仪器受天气的影响较大，且难以提取被云覆盖的区域的积雪信息, 微波遥感则不存在这个问题，它可以全天候穿越云层提取地表信息，这一点解决了有云时和夜晚MODIS和AVHRR所面临的难题，根据传感器自身是否发射电磁波能量，微波遥感可分为被动微波遥感和主动微波遥感。

4.1 被动微波遥感资料的积雪信息提取

被动微波遥感通过测量地表亮温提供较可靠的雪深信息^[32]。传感器的能量来自于大气、雪盖、雪盖下的地表，雪盖对微波辐射主要是散射作用，地表雪越深，到达传感器的能量被散射的越多，微波传感器所接受到的辐射能量用亮度温度来表示，因此在雪深的地区微波亮度温度低, 而雪浅区的微波亮度温度高^[33-34]。此外，在同一极化方式下，亮温随观测频率的升高而降低^[35]。目前用于积雪研究的被动微波辐射仪主要有SMMR、SSM/I、AMSR-E等。

1970年代, Chang^[36]在假设雪密度为0.3g·cm^-3，雪粒径为0.35mm的情况下，通过回归分析, 得出雪深反演公式：

(5)

式中，SD为雪深(cm)，T_18h和T_37h是SMMR的18和37GHz的水平极化亮度温度数据。SMMR是SSM/I之前的一个重要的被动微波遥感仪器，用SSM/I数据时用19GHz代替18GHz。该算法是应用SMMR和SSM/I数据反演雪深的基本算法，但在具体应用时影响积雪精度的因子很多，如雪的密度、粒径、雪水含量等，所以某些地区的反演结果与实际相差较大，仍没有一个雪深反演算法可以在全球范围内普遍适用^[37]，很多学者在实际应用中都根据实际情况对它进行了修正，应用于中国西部时，曹梅盛等^[38]把西部地形分为高山、高原、低山、丘陵、盆地5个地貌单元，分别用统计方法建立了反演公式。柏延臣等^[39]用曹梅盛修正的公式对青藏高原的雪深进行了反演，并作出评价，认为该公式基本能反映青藏高原的雪深，但局部地区误差较大，反演雪深值过大。在青藏高原积雪监测的初步试验性的应用^[40]中，根据曹梅盛的算法又进行了修正，但结果表明仍存在很多问题，如积雪范围估计过大，雪深过深等，这些主要是由于SSM/I的空间分辨率过粗引起的，在纯像元的前提下，监测结果会误差较大，所以应发展混合像元的研究。小于5厘米的积雪发出的微波很微弱，微波传感器也存在无法监测浅雪区信息等问题。另外影响地表微波亮温的因素很多，如雪的密度、粒径、雪水含量、植被、冻土等，这些都在一定程度上影响了反演结果的精确度。随着高分辨的AMSR-E的应用，积雪反演产品的质量将会得以改进。

4.2 主动微波遥感资料的积雪信息提取

目前用于积雪研究的主动微波遥感主要是高分辨的SAR，它根据雪的介电常数、粗糙度等与其它地物的不同^[41]划分积雪区，虽然在积雪研究方面比被动微波遥感起步晚，但它可以进一步将干雪与湿雪分开，并能估算雪的某些物理特性，如密度、湿度等，为地表气候与水文研究提供了不可缺少的积雪参数。Shi等^[42]提出的多极化C波段机载SAR图像可较好的区分湿雪，不能将干雪有效的识别出来，且选取的试验区较小，区域地表覆盖类型简单，不具有普遍性。李震等^[43]选取了加利福尼亚州Mammoth山区的一部分作试验区，用机载成像雷达(SIR-C)获取多波段、多极化SAR数据，进行雪盖信息提取，证明SAR数据的C波段、L波段不同的交叉极化方法在区别干雪、湿雪、岩石方面各有优势，所以认为多波段、多极化SAR进行积雪区分较好。Shi等^[44]也发展了两种分类器，在有地形信息和无地形信息的情况下分别用多波段多极化的技术判别积雪。另外，他们还用“C波段计划SAR”图像建立了雪的湿度的反演算法，经检验在区域和局部规模上都可信^[45]。复杂的地形如高山等也可导致SAR图像的几何变形，这就要求应用高质量的数值高程模型(DEM)进行几何纠正^[46]。现有的大多数的主动微波遥感的雪盖分类方法都是建立在监督分类的基础上的，需要对训练区有一定的先验知识，区域内的环境，地表覆盖物不同使得需要的算法和结果的精度各不相同。

5 卫星反演积雪信息中存在的问题及进一步发展方向

综上所述，目前积雪的区域、积雪面积、积雪深度等各类参数均可从遥感资料中提取，各种反演模型也在实际应用的过程中修正得越来越精确，这些成果为提取真实准确的积雪信息做出了贡献，但仍然存在很多问题需要继续研究。

(1) 传统的绝大多数算法都建立在纯像元的基础上，当遥感资料的空间分辨率较低时，精确度会降低，所以近年来混合像元的问题被提了出来，目前在这个方面已经有一些研究^[47-48]，利用AVHRR的1、2通道的线性组合建立的线性混合光谱模式，可有效计算每个像元中的积雪面积比^[30]，从而提高积雪面积计算的精确度，并可有效提取积雪的边界线^[49]，充分利用混合像元提取积雪信息，可大大提高反演的精确度。但这些方法存在着计算量大，自动化程度低等问题，所以仍然难以在实际业务中应用。

(2) 微波遥感的优越性在实际应用中逐步显现出来，微波传感器的性能也在不断提高，但是仍存在分辨率不高，无法监测浅雪区信息等问题。另外影响地表微波亮温的因素很多，如雪的密度、粒径、雪水含量、植被、冻土等，这些都在一定程度上影响了反演结果的精确度。

(3) 任何一种遥感资料都有其各自的优缺点，在实际应用的过程中，结合几种资料共同使用，扬长避短，将会大幅度提高结果的精确性。

(4) 遥感和地理信息系统的复合可以提高遥感资料的精确度和应用范围的广度，地理信息系统可为遥感资料反演提供有用的信息和参照，通过对大量的遥感资料的分析，从而为积雪反演模型提供参数，在积雪信息提取方面有很好的应用前景.