呂志邦，王 瑋，馮琦勝，于 惠，梁天剛

(蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院 農(nóng)業(yè)部草地農(nóng)業(yè)生態(tài)系統(tǒng)學(xué)重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730020)

積雪對(duì)地表水循環(huán)、氣候變化、生態(tài)環(huán)境與人類生產(chǎn)和生活具有較強(qiáng)的影響。在我國(guó)北方和青藏高原地區(qū)，長(zhǎng)時(shí)間大范圍的積雪常常引發(fā)災(zāi)害，嚴(yán)重制約當(dāng)?shù)匦竽翗I(yè)的可持續(xù)發(fā)展。因此，對(duì)積雪進(jìn)行動(dòng)態(tài)監(jiān)測(cè)具有很重要的意義[1-6]。

自從美國(guó)航空航天局(National Aeronautics and Space Administration，NASA)于1999年12月18日、2002年5月4日分別發(fā)射了地球觀測(cè)系統(tǒng)(earth observing system，EOS)衛(wèi)星Terra(上午星)和Aqua(下午星)以來，MODIS數(shù)據(jù)成為全球研究雪被的遙感工作者的主要數(shù)據(jù)源[7-8]。此外，Aqua衛(wèi)星上還搭載了AMSR-E 被動(dòng)微波輻射計(jì)，比以往的掃描多通道微波輻射計(jì)(scanning multichannel microwave radiometer,SMMR)、微波成像輻射計(jì)(special sensor microwave/imager,SSM/I) 等被動(dòng)微波輻射計(jì)提供更高空間分辨率和更多微波波段的信息[9-10]。由于其空間分辨率較低(25 km)，AMSR-E數(shù)據(jù)主要用作較大尺度范圍的雪深、積雪覆蓋范圍和雪水當(dāng)量的研究。

由于云與積雪的反射光譜特性，使用光學(xué)探測(cè)器的MODIS遙感資料在監(jiān)測(cè)積雪面積時(shí)受天氣狀況的極大限制[2,9,11]。所以，尋找和探索新的合成產(chǎn)品以去除云層影響的研究成為雪被工作者們所關(guān)注的熱點(diǎn)問題[7-15]。將Terra和Aqua衛(wèi)星的MODIS數(shù)據(jù)與其他傳感器的數(shù)據(jù)進(jìn)行合成，已成為去除云干擾的行之有效的方法[16]。Gao等[17]利用每日MODIS/Terra-Aqua和AMSR-E SWE生成了用戶自定義的無云雪被圖像數(shù)據(jù)(MOD_AE SC)，在阿拉斯加地區(qū)的Fairbacks和Upper Susitna Valley進(jìn)行的測(cè)試表明，在所有天氣狀況下積雪一致性達(dá)85.6%，高于每日MODIS/Terra-Aqua合成雪被圖像的48.6%。Liang等[11]利用MODIS每日積雪產(chǎn)品MODIS/Terra和被動(dòng)微波每日積雪產(chǎn)品AMSR-E SWE合成了新疆北部地區(qū)的每日積雪產(chǎn)品MOD-AE。該產(chǎn)品在各種天氣狀況下的積雪分類精度可達(dá)74.5%，遠(yuǎn)高于MODIS每日積雪產(chǎn)品的積雪分類精度。以上研究均基于多傳感器數(shù)據(jù)的單日合成，或是MODIS雙傳感器數(shù)據(jù)的多日合成，而MODIS雙傳感器與AMSR-E雪水當(dāng)量數(shù)據(jù)的多日合成仍然是積雪遙感研究的空白。

本研究以青海省為例，運(yùn)用MODIS每日積雪分類產(chǎn)品和被動(dòng)微波輻射計(jì)AMSR-E 五日雪水當(dāng)量產(chǎn)品，對(duì)青藏高原MODIS和AMSR-E數(shù)據(jù)積雪合成算法進(jìn)行探索，研究五日積雪圖像的合成算法及精度，以便達(dá)到更好的去云效果，及解決已有研究單日合成產(chǎn)品無法解決微波產(chǎn)品的裂縫問題，從而有效提高積雪監(jiān)測(cè)的精度和范圍，以期為進(jìn)一步克服云層對(duì)MODIS每日積雪產(chǎn)品分類精度的影響及AMSR-E 雪水當(dāng)量數(shù)據(jù)中裂隙對(duì)合成產(chǎn)品準(zhǔn)確性的限制提供科學(xué)依據(jù)。

1 材料與方法

1.1研究區(qū)概況 青海省位于青藏高原東北部，地理范圍為31°39′～39°19′ N，89°35′～103°04′ E，東西長(zhǎng)約1 200 km，南北寬約800 km，省內(nèi)平均海拔4 000 m以上。青海氣候類型為高原大陸性氣候，年平均氣溫為1.37 ℃，平均每年≥0 ℃的積溫為1 771.68 ℃，年均降水量為365.7 mm，年日照時(shí)數(shù)介于2 250～3 602 h。全省天然草地資源豐富，是我國(guó)的五大牧區(qū)之一。草甸植被為全省草地主要植被類型，其次為荒漠植被和草原植被。由于海拔高、降水量相對(duì)豐富等，全省冬季雪災(zāi)嚴(yán)重，大部分地區(qū)連年發(fā)生雪災(zāi)，降雪多、積雪深、積雪時(shí)間過長(zhǎng)，致使大批牲畜死亡，積雪災(zāi)害已成為影響草地畜牧業(yè)可持續(xù)發(fā)展的主要自然災(zāi)害之一[18-20]。

1.2研究材料 1) AMSR-E雪水當(dāng)量產(chǎn)品：覆蓋范圍為北半球，時(shí)間范圍為2002年10月1日-2008年3月31日的6個(gè)積雪季，在美國(guó)國(guó)家冰雪數(shù)據(jù)中心(National Snow and Ice Data Center，NSIDC)網(wǎng)站下載[12]，地圖投影格式為EASE-Grid_north，總計(jì)377幅圖像。2)MODIS遙感圖像：在美國(guó)國(guó)家冰雪數(shù)據(jù)中心網(wǎng)站下載[12]，時(shí)間序列為2002年10月1日-2008年3月31日的6個(gè)積雪季，研究區(qū)每日有2幅圖像，編號(hào)為h25v05和h26v05，投影格式為正弦曲線地圖投影，MOD10A1產(chǎn)品共計(jì)2 168幅，MYD10A1產(chǎn)品共計(jì)2 184幅。3)氣象資料：青海省47個(gè)地面氣象觀測(cè)臺(tái)站測(cè)量的日降雪量、積雪深度等資料。4)空間數(shù)據(jù)庫：主要有青海省地、州、市和縣級(jí)行政分區(qū)界限、積雪定位觀測(cè)站點(diǎn)空間分布等空間數(shù)據(jù)(圖1)。

1.3研究方法

1.3.1數(shù)據(jù)預(yù)處理 分別對(duì)MODIS每日積雪分類產(chǎn)品MOD10A1和MYD10A1圖像，以及AMSR-E五日雪水當(dāng)量(snow water equivalent,SWE)圖像進(jìn)行處理，主要包括：1)數(shù)據(jù)格式轉(zhuǎn)換。由于MODIS每日積雪分類產(chǎn)品和AMSR-E SWE產(chǎn)品均以HDF格式存儲(chǔ)，所以首先將MOD10A1和MYD10A1圖像，以及AMSR-E五日SWE圖像由HDF格式轉(zhuǎn)換為ArcGIS支持的GRID格式。2)投影轉(zhuǎn)換。MODIS每日積雪分類產(chǎn)品的原始投影為正弦曲線投影，而北半球的AMSR-E SWE產(chǎn)品采用EASE-Grid_north特殊投影方式，故將這3種產(chǎn)品均投影轉(zhuǎn)換為Albers等面積投影，橢球體為Krasovsky。3)圖像裁剪及重采樣。MODIS每日積雪分類產(chǎn)品的空間分辨率為500 m，而AMSR-E SWE產(chǎn)品為25 000 m，因此，需要將AMSR-E SWE產(chǎn)品重采樣為500 m，并裁剪出研究區(qū)圖像。

圖1 青海省47個(gè)地面氣象臺(tái)站空間分布位置

1.3.2MODIS五日積雪圖像和MDAE_5D圖像合成及算法 利用每日MODIS/Terra和MODIS/Aqua積雪產(chǎn)品分別合成五日?qǐng)D像，再將兩者合成為五日MODIS積雪圖像，記作MOYD_5D(圖2)。采用用戶自定義合成算法，將AE_5D五日雪水當(dāng)量產(chǎn)品和MOYD_5D五日積雪圖像合成新的積雪分類圖像，記作MDAE_5D(圖2)。

MOYD_5D合成算法：1)統(tǒng)一編碼形式。將原代碼200(積雪)替換為5，100(積雪覆蓋的湖冰)替換為4，37(水體)替換為3，25(陸地)替換為2，50(云)替換為1，將0(傳感器數(shù)據(jù)丟失)、1(數(shù)據(jù)不確定)、4(錯(cuò)誤數(shù)據(jù))、11(夜晚或傳感器停止工作或在極地區(qū)域)、254(在極地區(qū)域)和255(傳感器數(shù)據(jù)飽和及填充數(shù)據(jù))替換為0。2)合成規(guī)則。當(dāng)MOD10A1與MYD10A1相應(yīng)格網(wǎng)代碼相同時(shí)，則MOYD_5D圖像格網(wǎng)賦予該值；若MOD10A1與MYD10A1相應(yīng)格網(wǎng)代碼不同，則MOYD_5D圖像格網(wǎng)賦予具有優(yōu)先權(quán)的代碼，代碼優(yōu)先權(quán)為5>4>3>2>1>0，即如果MOD10A1_5D代碼為5，而MYD10A1_5D代碼為非5，則MOYD_5D代碼記為5，以此類推(表1)。本研究合成的目標(biāo)在于最大程度合成積雪覆蓋范圍并且去云，所以積雪代碼(5)具有最高優(yōu)先權(quán)，但云層往往在數(shù)小時(shí)之內(nèi)會(huì)發(fā)生位置與覆蓋范圍的劇烈變化，所以可能某地區(qū)早上(10：30 Terra過境)有云層覆蓋，下午(13：30 Aqua過境)卻無云層覆蓋，而陸地、水體、積雪覆蓋的冰湖等是相對(duì)穩(wěn)定的地物，故云代碼(1)在除去非正常數(shù)據(jù)代碼(0)外具有最低優(yōu)先權(quán)。

圖2 MODIS圖像與AMSR-E雪水當(dāng)量圖像合成流程

MDAE_5D合成算法：為了盡量消除MODIS產(chǎn)品中云對(duì)積雪分類的影響，更準(zhǔn)確地反映積雪分布范圍，在Liang等[9,11]提出的北疆的積雪合成規(guī)則，以及張學(xué)通等[12]和馮琦勝等[15]總結(jié)的積雪圖像合成經(jīng)驗(yàn)基礎(chǔ)上，結(jié)合青海地區(qū)氣候特點(diǎn)，假定MOYD_5D有云像素所對(duì)應(yīng)的地表類型同AE_5D像元類型相同。經(jīng)過反復(fù)試驗(yàn)，對(duì)五日合成圖像MDAE_5D的第i行第j列的像元Tij合成和賦值的規(guī)則總結(jié)如下：1)合成圖像數(shù)值統(tǒng)一采用MOYD_5D的地類編碼值，像素空間分辨率規(guī)定為500 m。2)當(dāng)MOYD_5D五日合成影像的一個(gè)像素為非有效數(shù)值0，而相應(yīng)的AE_5D的像素為任一地類值時(shí)，合成圖像取AE_5D在該點(diǎn)的地類值。3)當(dāng)MOYD_5D為陸地而AE_5D判斷為水體、陸地或無數(shù)據(jù)時(shí)，合成結(jié)果賦為陸地。當(dāng)MOYD_5D為陸地而AE_5D判斷為雪，則合成結(jié)果賦為陸地。4)當(dāng)MOYD_5D為云時(shí)，若AE_5D判斷為陸地，則賦以陸地；若AE_5D判斷為水體，則賦為水體；若AE_5D無數(shù)據(jù)，則賦為云；若AE_5D判斷為雪而MOYD_5D為云時(shí)，則合成結(jié)果賦為雪。5)當(dāng)MOYD_5D為水體、積雪或積雪覆蓋的湖冰而AE_5D為任一地類時(shí)，合成結(jié)果賦以MOYD_5D相應(yīng)地類的代碼(表2)。

表1 MOD10A1_5D圖像與MYD10A1_5D圖像合成規(guī)則

表2 MOYD_5D圖像與AE_5D圖像合成規(guī)則

1.3.3積雪分類精度評(píng)價(jià)方法 結(jié)合47個(gè)地面觀測(cè)臺(tái)站數(shù)據(jù)和相對(duì)應(yīng)的合成圖像分類結(jié)果，分析AE_5D、MOYD_5D和MDAE_5D圖像的積雪分類精度與其雪深的關(guān)系。為此，在精度評(píng)價(jià)中只考慮以下兩個(gè)方面的樣本數(shù)：1)Sh，衛(wèi)星和地面臺(tái)站觀測(cè)均有雪(雪深≥1 cm)的樣本數(shù)；2)Sn，地面臺(tái)站觀測(cè)有雪而衛(wèi)星資料分為無雪類型的樣本數(shù)，即為漏測(cè)。因此，積雪分類精度可以采用以下公式來計(jì)算：

2 結(jié)果與討論

2.1合成產(chǎn)品降低云污染效果分析 MOD10A1和MOY10A1是兩種不同時(shí)相的每日積雪覆蓋二級(jí)數(shù)據(jù)，分辨率為500 m。已有研究表明，MOD10A1與MYD10A1每日雪被圖像積雪制圖算法晴天時(shí)的精度在80%以上[21-22]。Wang和Xie[23]用MODIS/Terra 和 MODIS/Aqua 的每日積雪產(chǎn)品合成新的積雪產(chǎn)品(MODMYD10DC)，該產(chǎn)品的圖像云量比MOD10A1、MYD10A1減少了大約10%，在各種天氣條件下MODMYD10DC產(chǎn)品的積雪分類精度可以達(dá)到51%(MOD10A1的積雪分類精度為44%，MYD10A1的積雪分類精度為34%)。實(shí)際上，在青海地區(qū)積雪季期間很難找到一幅在整個(gè)研究區(qū)無云層覆蓋的MOD10A1或MYD10A1圖像。從研究區(qū)2008年2月1日的MOD10A1與MYD10A1的圖像(圖3)可以發(fā)現(xiàn)，云在整個(gè)研究區(qū)占了很大的比重，說明云是使用MODIS每日產(chǎn)品最大的影響因素。

圖3 青海省2008年2月1日MOD10A1、MYD10A1圖像及2月1-5日合成圖像MOYD_5D和MDAE_5D

本研究對(duì)青海省2002-2008年6個(gè)積雪季的MOD10A1、MYD10A1及合成的MOYD_5D的圖像云量進(jìn)行統(tǒng)計(jì)。結(jié)果表明，研究區(qū)6個(gè)積雪季MOD10A1與MYD10A1圖像中云量大于50%的天數(shù)分別達(dá)總天數(shù)的36%、53%以上，但經(jīng)過合成之后形成的MOYD_5D圖像的云量基本控制在10%以內(nèi)，云量在10%以內(nèi)的圖像數(shù)占總圖像數(shù)的91.6%以上(圖4)。MOD10A1、MYD10A1與合成后的MOYD_5D兩者云量的差別(圖3)，說明五日合成MOYD_5D圖像極大地消除了云對(duì)積雪監(jiān)測(cè)的影響。MDAE_5D產(chǎn)品完全去除了云對(duì)積雪減災(zāi)的影響，有效提高了積雪監(jiān)測(cè)的精度和范圍。

2.2MODIS五日合成圖像MOYD_5D精度分析 青海省2002年10月-2008年3月的6個(gè)積雪季間，共有214個(gè)時(shí)相的MOYD_5D圖像，與地面臺(tái)站相對(duì)應(yīng)有9 306對(duì)觀測(cè)數(shù)據(jù)，其中雪深大于0的記錄有2 107對(duì)。對(duì)不同積雪深度下MOYD_5D的積雪分類精度的分析，表明，隨著雪深逐漸增大，MOYD_5D的積雪分類精度也升高。當(dāng)積雪深度為1～3 cm時(shí)，MODIS幾乎不能準(zhǔn)確識(shí)別出積雪，積雪分類精度僅為17.5%；當(dāng)積雪深度為4～6 cm時(shí)，積雪分類精度為46.2%，7～9 cm時(shí),為58.6%,雪深大于10 cm時(shí)，為66.7%(表3)。

圖4 青海省2002-2008年6個(gè)積雪季MODIS圖像云量與圖像數(shù)之間的關(guān)系

表3 不同雪深狀況下MOYD_5D五日積雪合成影像的積雪分類精度

除去淺雪(1～3 cm)樣本，MOYD_5D總的積雪分類精度為51.1%。盡管MOYD_5D圖像極大地消除了云對(duì)MODIS圖像積雪分類精度的影響，但在雪深較淺時(shí)精度仍然不理想。由此可見，雪深對(duì)MOYD_5D積雪分類精度具有明顯影響。

2.3AMSR-E五日雪水當(dāng)量數(shù)據(jù)(AE_5D)精度分析 青海省2002年10月1日-2008年3月31日的6個(gè)積雪季期間，共有377個(gè)時(shí)相的AE_5D五日積雪分類圖像，與地面臺(tái)站相對(duì)應(yīng)的采樣值有9 871對(duì)。其中，2 319對(duì)采樣值雪深大于零。在不同積雪水平上對(duì)分類精度進(jìn)行分析，結(jié)果表明，AE_5D的積雪分類精度并不理想，總的為積雪(雪深>3 cm)分類精度為63.7%。當(dāng)雪深在1～3 cm時(shí)，積雪分類精度為49.7%，雪深在4～6 cm時(shí)，積雪分類精度為55.1%，雪深為7～9 cm，積雪分類精度為78.5%，在10 cm以上時(shí)，積雪分類精度可達(dá)82.2%(表4)。總積雪分類精度不高，主要原因在于大多數(shù)臺(tái)站觀測(cè)的積雪厚度在遙感產(chǎn)品監(jiān)測(cè)時(shí)期內(nèi)低于3 cm的天數(shù)較多，引起較高的漏測(cè)誤差。此外，AMSR-E五日雪水當(dāng)量產(chǎn)品的空間分辨率為25 km(圖5)，即1個(gè)格網(wǎng)單元代表地面上625 km2的范圍，而氣象臺(tái)站的觀測(cè)數(shù)據(jù)精確到某一個(gè)站點(diǎn)上，兩者在空間尺度上存在的較大差異也是引起積雪識(shí)別精度低的重要原因。所以，AMSR-E 雪水當(dāng)量產(chǎn)品適宜于較大空間尺度范圍內(nèi)研究積雪的時(shí)空分布，而在區(qū)域積雪分布動(dòng)態(tài)研究中受精度低和空間分辨率小的制約。

表4 不同雪深狀況下AE_5D五日雪水當(dāng)量影像的積雪分類精度

圖5 2008年2月1-5日的AMSR-E五日雪水當(dāng)量數(shù)據(jù)AE_5D圖像

2.4五日合成圖像MDAE_5D精度分析 青海省2002年10月1日-2008年3月31日的6個(gè)積雪季期間，共有210個(gè)時(shí)相的MDAE_5D五日積雪合成圖像，共計(jì)9 307對(duì)與地面臺(tái)站對(duì)應(yīng)的采樣數(shù)值，其中2 144對(duì)采樣值所對(duì)應(yīng)的地面觀測(cè)的積雪深度大于零。在不同積雪水平上對(duì)分類精度進(jìn)行分析。結(jié)果表明，積雪深度為1～3 cm時(shí)，MDAE_5D圖像的積雪分類精度很低，僅為23.2%。當(dāng)雪深在4 cm以上時(shí)，總積雪分類精度較高，達(dá)65.1%。在雪深為4～6與7～9 cm時(shí)，積雪分類精度分別為56.9%與78.6%；當(dāng)雪深大于等于10 cm時(shí)，積雪分類精度為84.1%(表5)?？梢?，合成圖像MDAE_5D的積雪分類精度隨積雪深度的增加而增大，當(dāng)深雪值在8 cm以上時(shí)，合成圖像MDAE_5D可以較好地識(shí)別出積雪，對(duì)牧區(qū)雪災(zāi)監(jiān)測(cè)及評(píng)價(jià)具有重要的應(yīng)用價(jià)值。

本研究所合成的五日MDAE_5D圖像，當(dāng)雪深>3 cm時(shí)，在各種天氣狀況下積雪的識(shí)別率為65.1%。雖然降低了監(jiān)測(cè)的時(shí)間分辨率，但較好地去除了云對(duì)積雪分類的影響。與Liang等[9,11]和Gao等[17]在北疆的研究相比，積雪分類精度并不高，分析其原因可能有以下兩個(gè)方面：1)該項(xiàng)研究的試驗(yàn)區(qū)位于青藏高原的東部地區(qū)，積雪深度普遍較淺。已有研究表明，當(dāng)雪深<3 cm時(shí)MODIS對(duì)積雪的識(shí)別率很低。統(tǒng)計(jì)分析表明，在青海省2002-2008年6個(gè)積雪季2 143個(gè)地面臺(tái)站觀測(cè)的有雪樣本中，雪深為1～3 cm的樣本數(shù)占74.5%，最大雪深為19 cm；而北疆和阿拉斯加地區(qū)的積雪厚度相對(duì)較深，其中北疆地區(qū)雪深在10 cm以上的臺(tái)站記錄樣本數(shù)占有雪樣本數(shù)的68.8%，其最大雪深達(dá)到56 cm[9,11]。2)地面氣象臺(tái)站的代表性較差，在精度驗(yàn)證時(shí)存在誤差。氣象臺(tái)站主要分布在人口密集、海拔相對(duì)較低的東北部，而在雪災(zāi)經(jīng)常發(fā)生的南部和西南部，臺(tái)站數(shù)相對(duì)較少(圖1)。

表5 不同雪深狀況下MDAE_5D五日積雪合成影像的積雪分類精度

3 結(jié)論

1)MODIS五日合成圖像MOYD_5D極大地去除了云對(duì)可見光遙感監(jiān)測(cè)積雪的影響，將云量基本上控制在10%以內(nèi)(云量在10%以內(nèi)的樣本達(dá)91.6%以上)。而MODIS/Terra-Aqua和AMSR-E/Aqua合成的五日MDAE_5D圖像完全地去除了云的影響，并解決了單日合成產(chǎn)品無法解決微波產(chǎn)品的裂縫問題。

2)MOYD_5D總的積雪分類精度(雪深>3cm)為51.1%，AE_5D的總積雪分類精度(雪深>3 cm)為63.7%，而在各種天氣狀況下MDAE_5D對(duì)積雪總的識(shí)別率(雪深>3 cm)為65.1%?？梢?，合成產(chǎn)品MDAE_5D對(duì)積雪分類精度有所提高。

3)MDAE_5D積雪分類產(chǎn)品基本上可以滿足從事青藏高原冰雪及相關(guān)學(xué)科研究的需要。但有必要研究更合理的積雪制圖合成產(chǎn)品，達(dá)到更高的分類精度、時(shí)間和空間分辨率，以應(yīng)對(duì)青藏高原雪災(zāi)事件的快速分析、評(píng)價(jià)和預(yù)警等工作。

[1]王建.衛(wèi)星遙感雪蓋制圖方法對(duì)比與分析[J].遙感技術(shù)與應(yīng)用，1999，14(4):29-36.

[2]延昊.利用MODIS和AMSR-E進(jìn)行積雪制圖的比較分析[J].冰川凍土，2005,27(4):515-519.

[3]周陸生，李海紅，王青春.青藏高原東部牧區(qū)——暴雪過程及雪災(zāi)分布的基本特征[J].高原氣象，2000，19(4):450-458.

[4]郝璐，王靜愛，滿蘇爾，等.中國(guó)雪災(zāi)時(shí)空變化及畜牧業(yè)脆弱性分析[J].自然災(zāi)害學(xué)報(bào)，2002，11(4):43-48.

[5]史培軍，陳晉.RS與GIS支持下的草地雪災(zāi)監(jiān)測(cè)試驗(yàn)研究[J].地理學(xué)報(bào)，1996，51(4):296-305.

[6]于惠，張學(xué)通，馮琦勝，等.牧區(qū)積雪光學(xué)與微波遙感研究進(jìn)展[J].草業(yè)科學(xué)，2010，27(8):59-68.

[7]Hall K,Riggs A.Accuracy assessment of the MODIS snow-cover products[J].Hydrological Processes,2007,21:1534-1547.

[8]侯慧姝，楊宏業(yè).MODIS積雪產(chǎn)品及研究應(yīng)用概述[J].遙感技術(shù)與應(yīng)用，2009，24(2):252-256.

[9]Liang T G,Zhang X T,Xie H J,etal.Toward improved daily snow cover mapping with advanced combination of MODIS and AMSR-E measurements[J].Remote Sensing of Environment,2008,112:3750-3761.

[10]毛克彪，覃志豪，李滿春，等.AMSR被動(dòng)微波數(shù)據(jù)介紹及主要應(yīng)用研究領(lǐng)域分析[J].遙感信息，2005，3(1):63-66.

[11]Liang T G,Huang X D,Wu C X,etal.An application of MODIS data to snow cover monitoring in a pastoral area: A case study in Northern Xinjiang,China[J].Remote Sensing of Environment,2008,112:1514-1526.

[12]張學(xué)通，黃曉東，梁天剛，等.新疆北部地區(qū)MODIS積雪遙感數(shù)據(jù)MOD10A1的精度分析[J].草業(yè)學(xué)報(bào)，2008，17(2):110-117.

[13]梁天剛，高新華，黃曉東，等.新疆北部MODIS積雪制圖算法的分類精度[J].干旱區(qū)研究，2007，24(4):446-452.

[14]于惠，馮琦勝，張學(xué)通，等.基于AMSR-E信息的北疆牧區(qū)雪深遙感監(jiān)測(cè)模型方法初探[J].草業(yè)學(xué)報(bào)，2009，18(4):210-216.

[15]馮琦勝，張學(xué)通，梁天剛.基于MOD10A1和AMSR-E的北疆牧區(qū)積雪動(dòng)態(tài)監(jiān)測(cè)研究[J].草業(yè)學(xué)報(bào)，2009，18(1):125-133.

[16]Wang X W,Xie H J.New multi-day snow cover products from combination of daily MODIS Terra and/or Aqua snow cover data[J].Computers and Geosciences,in review.

[17]Gao Y,Xie H J,Lu N,etal.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, 2010，385：2-35.

[18]鐵桂春，劉紅獻(xiàn).青海省天然草地退化原因及治理對(duì)策[J].草業(yè)與畜牧，2008(2):32-33.

[19]張國(guó)勝，伏洋，楊瓊，等.青海省天然草地類型空間分布特征及氣候分區(qū)[J].草業(yè)科學(xué)，2009，26(1):23-29.

[20]范青慈.青海省天然草地類型、特點(diǎn)及發(fā)展利用[J].青海畜牧獸醫(yī)雜志，2009，30(1):32-35.

[21]Zhou X B,Xie H J,Hendrickx J.Statistical evaluation of MODIS snow cover products with constraints from streamflow and SNOTEL measurement[J].Remote Sensing of Environment,2005,94:214-231.

[22]Klein G,Barnett C.Validation of daily MODIS snow cover maps of the Upper Rio Grande river basin for the 2000-2001 snow year[J].Remote Sensing of Environment,2003,86:162-176.

[23]Wang X W,Xie H J.New methods for studying the spatiotemporal variation of snow cover based on combination products of MODIS Terra and Aqua[J].Journal of Hydrology,2009,371:192-200.