冰雪遙感監(jiān)測(cè)方法綜述

吳曉晨 ，孟令奎 ，張東映 ，郭善昕 ，刁 偉 ，樊志偉 ，成建國(guó)

（1. 武漢大學(xué)遙感信息工程學(xué)院， 湖北 武漢 430079；2. 水利部水利信息中心，北京 100053）

0 前言

雪在全球氣候系統(tǒng)中起著重要的作用，大范圍積雪會(huì)影響到氣候的變化、水資源的利用等。2008年初，我國(guó)南部遭遇歷史罕見(jiàn)的冰雪災(zāi)害，給國(guó)民經(jīng)濟(jì)和人民生命財(cái)產(chǎn)安全造成極大的損失，因此進(jìn)行冰雪監(jiān)測(cè)顯得尤其重要。

遙感技術(shù)在對(duì)大范圍雪災(zāi)進(jìn)行監(jiān)測(cè)方面具有其他常規(guī)手段無(wú)法替代的優(yōu)勢(shì)，可以對(duì)冰雪覆蓋范圍、雪水當(dāng)量、冰分布狀況和形式、冰厚度等進(jìn)行實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，從而判斷出是否會(huì)發(fā)生雪災(zāi)。國(guó)內(nèi)外學(xué)者已在該領(lǐng)域開(kāi)展很多研究，并且總結(jié)出很多可用的冰雪監(jiān)測(cè)算法。為了更好地利用遙感技術(shù)進(jìn)行冰雪監(jiān)測(cè)，提高監(jiān)測(cè)精度，本文對(duì)常用監(jiān)測(cè)方法的原理及優(yōu)缺點(diǎn)進(jìn)行分析。

1 利用光學(xué)傳感器監(jiān)測(cè)冰雪

1.1 Snowmap 算法

Snowmap 是由 Hall 等人[1]（1995 年）提出的針對(duì) MODIS（中分辨率成像光譜儀）數(shù)據(jù)進(jìn)行冰雪監(jiān)測(cè)的算法。美國(guó)國(guó)家冰雪數(shù)據(jù)中心用該算法提供MODIS 每日、8 日和每月的冰雪覆蓋產(chǎn)品。該算法使用歸一化冰雪指數(shù)（NDSI），NDSI 由可見(jiàn)光和近紅外波段反射率計(jì)算得到：式中：b4 和 b6 分別指 MODIS 的第 4 和 6 波段。

雖然這個(gè)公式對(duì) Terra 和 Aqua MODIS 具有一般適用性，但是因?yàn)?Aqua MODIS 中的第 6 波段不能用，而 MODIS 的第 6 和 7 波段之間的相關(guān)性比較高，所以 NDSI（Aqua）的計(jì)算用第 7 波段。

相比第 6 波段，第 7 波段反射率的量級(jí)比較小些。此外，第 6 和 4 波段間的空間錯(cuò)誤匹配占 0.1 個(gè)像素，而第 7 和 4 波段間的空間錯(cuò)誤匹配占 0.3 個(gè)像素（Salomonson and Appel 2006 年）。但經(jīng) Riggs and Hall（2004 年）證實(shí)，更換波段后，極大地提高了Aqua MODIS 產(chǎn)品的精度。

NDSI 可以用來(lái)自動(dòng)區(qū)分云和雪。在 MODIS 的第 6 波段（Aqua 取第 7 波段）云的反射率很高，而在此波段雪的反射率則接近零[1]（Hall 等人，1995）。一般用 NDSI＞0.4 這個(gè)閾值范圍表示冰雪覆蓋，這個(gè)值是由 Hall 等人（1995 年）在對(duì)美國(guó)區(qū)域進(jìn)行監(jiān)測(cè)后提出的。Klein 和 Barnett[2]（2003年）證明 NDSI＞ 0.4 是可以用來(lái)表示冰雪覆蓋的。在森林覆蓋區(qū)，因?yàn)樯值拇嬖谕谏w了冰雪覆蓋的地方，所以這種方法可能會(huì)導(dǎo)致低估和高估。為了防止低估，需要降低 NDSI 閾值。Hall 等人[3]（2002 年）研究表明，當(dāng)歸一化植被指數(shù)（NDVI）大約為 0.1 時(shí)，NDSI ＜ 0.4 也表示冰雪，也可能表明該森林地區(qū)存在冰雪覆蓋。為了防止高估，當(dāng)某像素被檢測(cè)為冰雪時(shí)，MODIS 的第 4 波段（Landsat TM 的第 2 波段）反射率必須超過(guò) 10%[4]（Klein，1998 年）。因?yàn)樯钌谋砻?，顯著降低了反射率，因此導(dǎo)致 NDSI 計(jì)算時(shí)的分母相當(dāng)小而計(jì)算得到的NDSI 值相當(dāng)大，所以必須進(jìn)行額外的反射率測(cè)試來(lái)提高產(chǎn)品的精度?？梢?jiàn)光波段反射率很小的增長(zhǎng)會(huì)導(dǎo)致像素的 NDSI 足夠高，從而被誤判為冰雪，所以 Snowmap 算法只適用于至少有 50% 的局部冰雪覆蓋的影像。如果試圖監(jiān)測(cè)到更小范圍的冰雪覆蓋，可能會(huì)錯(cuò)誤地將明亮、無(wú)雪的表面誤認(rèn)為冰雪覆蓋表面。在晴空條件下，美國(guó)國(guó)家航空航天局（NASA）的 MODIS 每日冰雪覆蓋產(chǎn)品的整體精度達(dá)到 93%，對(duì)于不同的土地覆蓋類(lèi)型和雪情，精度會(huì)有所不同[5]（Hall 和 Riggs 2007 年）。冰雪覆蓋產(chǎn)品在所有氣候條件下的整體精度是比較低的，對(duì)于Aqua MODIS，每日冰雪覆蓋產(chǎn)品整體精度只達(dá)到31%；對(duì)于 Terra MODIS，精度達(dá)到 45%[6]（Gao 等人 2010 年）。

1.2 Snowcover 算法

Snowcover 算法[7]是 Fernandes 和 Zhao 在 2008年專(zhuān)門(mén)為覆蓋北半球的 AVHRR（五光譜通道的掃描輻射儀）數(shù)據(jù)所研究的算法，使用表觀(guān)反射率、NDVI、晴空表面的寬帶反照率、表面溫度、太陽(yáng)天頂角及 1 個(gè)云模板進(jìn)行分析。由于最初設(shè)計(jì) Snowcover 算法是用于 1 km 分辨率的 AVHRR 影像，所以此算法也可對(duì) 5 km 分辨率的 AVHRR 陸地柵格單元進(jìn)行冰雪覆蓋監(jiān)測(cè)?？偨Y(jié)出的冰雪覆蓋產(chǎn)品的計(jì)算步驟如下：1）由 1 個(gè)自適應(yīng)排列濾波器對(duì)每個(gè)柵格單元進(jìn)行時(shí)序?yàn)V波和插值；2）將 AVHRR數(shù)據(jù)的通道 1 正?；癁闃?biāo)準(zhǔn)采集幾何形狀；3）冰雪監(jiān)測(cè)。針對(duì)此冰雪覆蓋監(jiān)測(cè)，每年都會(huì)對(duì)各個(gè)像素的時(shí)間穩(wěn)定性進(jìn)行分析。使用無(wú)雪和冰雪覆蓋像素的表面溫度及其 NDVI 的時(shí)間序列樣本定義閾值，并用這個(gè)閾值進(jìn)行最終的冰雪覆蓋分類(lèi)。只有當(dāng)像素值在無(wú)雪像素的閾值之上時(shí)，此像素才被認(rèn)為是冰雪。上述分析同樣適用于在有云情況下估計(jì)冰雪覆蓋。在夏、秋兩季，最終的溫度閾值可以消除錯(cuò)誤分類(lèi)。利用 Snowcover 算法得到 1982—2008 年間北冰洋西部 90% 的冰雪覆蓋圖，并對(duì)其中 50% 進(jìn)行了測(cè)試，精度達(dá)到 87%[7]。

1.3 ARSIS 算法

到目前為止，冰雪覆蓋產(chǎn)品常見(jiàn)的缺陷是空間分辨率比較低。1 個(gè)分辨率大小為 500 m×500 m 的像素可能不適合對(duì)本地或局部冰雪覆蓋地區(qū)進(jìn)行分類(lèi)。Sirguey 等人[8]（2008 年）提出 ARSIS 算法，對(duì)MODIS 的空間分辨率降尺度后進(jìn)行冰雪覆蓋監(jiān)測(cè)。ARSIS 算法就是將具有不同空間分辨率的 MODIS 通道融合到 1 個(gè)改進(jìn)了的冰雪覆蓋的產(chǎn)品中，具體的說(shuō)，就是將 MODIS 的 1 個(gè)高分辨率波段與 1 個(gè)低分辨率波段進(jìn)行融合得到 1 個(gè)新的高分辨率波段[9]（Ranchin 和 Wald 2000 年）。由于沒(méi)有可用的全色波段，選擇最接近各自低分辨率通道的高分辨率波段作為轉(zhuǎn)換波段（MODIS b1≥ b3 和 b4; MODIS b2≥b5，b6，b7）。在計(jì)算得到新的 MODIS 通道及對(duì)地形和大氣進(jìn)行校正后，為得到子像素的冰雪覆蓋信息，還需進(jìn)行適用于 8 個(gè)端元的線(xiàn)性約束，從而得到更好的冰雪覆蓋產(chǎn)品。將所得結(jié)果與 1 個(gè) 15 m 分辨率的 Aster（搭載在 Terra 衛(wèi)星上的星載熱量散發(fā)和反輻射儀）參考圖像相比，整體高估的冰雪覆蓋面積從4.1% 下降至 1.9%，平均絕對(duì)誤差減少了 20%，同時(shí)，全球質(zhì)量指數(shù)（一個(gè)普遍的圖像質(zhì)量指數(shù)[10]，Wang, Z. 和Bovik（2002 年））上升了 3%。同時(shí)，因?yàn)樵诙盖偷牡匦螚l件下，較低的分辨率可能會(huì)顯著增加冰雪覆蓋和局部冰雪覆蓋的誤判，所以此法對(duì)在陡峭的地形條件下實(shí)現(xiàn)環(huán)境和水文的冰雪覆蓋監(jiān)測(cè)是有利的。

2 局部冰雪覆蓋監(jiān)測(cè)算法

2.1 監(jiān)督分類(lèi)法

Pepe 等人[11]（2005 年）對(duì) MERIS（中分辨率成像光譜儀）數(shù)據(jù)采用監(jiān)督分類(lèi)法估計(jì)局部冰雪覆蓋。在交互選擇訓(xùn)練樣本的基礎(chǔ)上，計(jì)算像素屬于某個(gè)相應(yīng)的土地覆蓋物類(lèi)別的概率。因此，每個(gè)土地覆蓋類(lèi)型創(chuàng)建的分類(lèi)圖中都包含了 1 個(gè)值，這個(gè)值描述了 1 個(gè)像素代表各自的土地覆蓋類(lèi)型的可能性。Fisher 和 Pathirana[12]（1990 年）表明，這種分類(lèi)圖可以用來(lái)估計(jì)局部土地覆蓋信息，尤其對(duì)光譜特征顯著的土地覆蓋分類(lèi)的準(zhǔn)確度比較高（對(duì)于水體的相關(guān)系數(shù)為 0.984，對(duì)于濕地的相關(guān)系數(shù)為0.945）；另一方面，不同光譜特征的土地覆蓋分類(lèi)具有較小的相關(guān)性（對(duì)于建筑面積的相關(guān)系數(shù)為0.472，對(duì)于裸土區(qū)的相關(guān)系數(shù)為 0.504）。由于冰雪覆蓋的光譜特征比較穩(wěn)定（在可見(jiàn)光波段反射率高達(dá)90%，在近紅外波段反射率接近零），所以對(duì)局部冰雪覆蓋進(jìn)行監(jiān)督分類(lèi)得到的結(jié)果具有良好的精度。

2.2 SnowFrac 算法

Vikhamar 和 Solberg[13]（2002 年）提出采用SnowFrac 法提高森林地區(qū)冰雪覆蓋的監(jiān)測(cè)精度。SnowFrac 是基于線(xiàn)性光譜混合模型開(kāi)發(fā)的，線(xiàn)性光譜混合模型用來(lái)模擬森林像素反射。在線(xiàn)性光譜混合模型中先通過(guò)子模型對(duì)森林覆蓋的數(shù)字地圖和幾個(gè)端元部分進(jìn)行估計(jì)，可以根據(jù)一些主要的樹(shù)種，對(duì)這個(gè)模型進(jìn)行調(diào)整。因此，模型化后的像素反射率包括各個(gè)樹(shù)種、冰雪或者裸土所占據(jù)的面積比例的總和。該模型的子模型有 BirchMod，ShadMod 和DiffusMod，其中，BirchMod 是考慮太陽(yáng)高度角對(duì) 1個(gè)無(wú)葉的白樺樹(shù)的有效分支面積進(jìn)行計(jì)算得到樹(shù)高的函數(shù)；ShadMod 用來(lái)估計(jì)太陽(yáng)照射下樹(shù)木在冰雪覆蓋上造成的陰影；DiffusMod 用來(lái)計(jì)算被樹(shù)冠屏蔽，而未到達(dá)傳感器的散射和輻射量。通過(guò)端元分解整個(gè)線(xiàn)性光譜混合模型，一旦其他的變量已知，便可以用來(lái)估計(jì)局部冰雪覆蓋。同時(shí)，每增加 1 個(gè)子模型，產(chǎn)品精度也會(huì)相應(yīng)得到提高。例如，對(duì)于白樺林，ShadMod 模型將 R2從 0.48 增加到 0.62，最大程度地改進(jìn)了結(jié)果精度。

3 利用光譜反射信息監(jiān)測(cè)云層下的冰雪覆蓋

3.1 Snowl 算法

Snowl 算法是 Parajka 等人[14]（2010 年）提出的基于 MODIS 冰雪覆蓋產(chǎn)品決定雪線(xiàn)區(qū)域的算法。如果云覆蓋像素位于雪線(xiàn)區(qū)域之上，則可以定義為冰雪覆蓋；否則，會(huì)被重新分類(lèi)為無(wú)雪。在標(biāo)準(zhǔn)的MODIS 冰雪覆蓋產(chǎn)品中，此法能夠?qū)⒃茖痈采w從60% 減少至 20%。但是如果云覆蓋占整個(gè)場(chǎng)景的比例過(guò)大，此法將不能正常工作。根據(jù)云的閾值，最終結(jié)果的精度范圍從 48.7% 至 81.5% 不等。

3.2 Terra 和 Aqua MODIS 衛(wèi)星相結(jié)合的算法

Wang 和 Xie[15]（2009 年）提出利用 Terra 和Aqua MODIS 相結(jié)合的算法來(lái)減少云層覆蓋的影響。使用這種方法，只需要 2 d 便可以從 MODIS 影像中提取出無(wú)云的冰雪范圍。與 20 個(gè)氣象觀(guān)測(cè)站的現(xiàn)場(chǎng)測(cè)量相比，Aqua–Terra 綜合產(chǎn)品的精度達(dá)到 90%。

根據(jù) Wang 和 Xie 的研究成果，Gafurov and Bárdoyy[16]（2009年）采用 6 個(gè)連續(xù)步驟對(duì)云下冰雪進(jìn)行內(nèi)插，此法基于 MODIS 每日冰雪產(chǎn)品，而這些產(chǎn)品是由 Snowmap 算法得到的。具體步驟如下：第1 步，采用 Terra 和 Aqua MODIS 冰雪產(chǎn)品相結(jié)合的方法減少云覆蓋的影響；第 2 步，進(jìn)行冰雪信息的時(shí)間組合，對(duì)過(guò)去的 2 d 到未來(lái) 1 d 或者過(guò)去 1 d到未來(lái) 2 d 的無(wú)云分類(lèi)結(jié)果進(jìn)行分析；第 3 步，計(jì)算冰雪的最高和最低海拔估值，只能用于云覆蓋率小于 30% 的場(chǎng)景；第 4 步，對(duì)各個(gè)云覆蓋像素的 4 個(gè)相鄰像素的冰雪狀況進(jìn)行分析，如果有 3 個(gè)及以上被列為冰雪覆蓋，中心像素也將被劃分為冰雪覆蓋；第 5 步分析每個(gè)云覆蓋像素的 8 個(gè)相鄰像素，如果 1 個(gè)像素是冰雪覆蓋，其直接相鄰的像素被云遮住了，但云像素有 1 個(gè)更高的海拔，則這個(gè)相鄰像素也被認(rèn)為是冰雪覆蓋；第 6 步，對(duì)整個(gè)雪季的各個(gè)像素的時(shí)間序列進(jìn)行分析，以確定冰雪積累的開(kāi)始日期和完全融化的結(jié)束日期。為了對(duì)結(jié)果進(jìn)行驗(yàn)證，人為的將許多少量云覆蓋的 MODIS 冰雪產(chǎn)品修改成具有大量云覆蓋的產(chǎn)品。研究表明，第 1 步中 Terra 和 Aqua MODIS 的結(jié)合使結(jié)果得到了很大改善，第 4 步去除的云覆蓋像素最少，第 6 步去除的最多。如果按指定的順序執(zhí)行第 2～5 步，則精度能達(dá)到 90%～96%。

4 利用無(wú)源微波傳感器監(jiān)測(cè)冰雪覆蓋

Pulliainen 和 Hallikainen[17]（2001 年）對(duì)芬蘭的Kemijoki 流域面積分別用傳統(tǒng)的無(wú)源微波觀(guān)測(cè)法和基于雪輻射模型的自動(dòng)反演算法（又稱(chēng)為 HUT 法）計(jì)算雪水當(dāng)量，并對(duì) 2 項(xiàng)結(jié)果進(jìn)行了比較。

HUT 算法是基于積雪輻射模型的迭代算法，而積雪輻射模型是晶粒尺寸、冰雪密度和雪水當(dāng)量的函數(shù)。1993—1994 年，對(duì)芬蘭的 Kemijoki 流域進(jìn)行夜間觀(guān)測(cè)，結(jié)果表明，用傳統(tǒng)無(wú)源微波觀(guān)測(cè)時(shí)，垂直（V）偏振光得到的結(jié)果相關(guān)系數(shù)為 0.82，水平（H）偏振光得到的結(jié)果相關(guān)系數(shù)只有 0.76，而且，只有當(dāng)最高氣溫高于 0°C 時(shí)，傳統(tǒng)方法才能夠進(jìn)行。而 HUT 算法得到的結(jié)果相關(guān)系數(shù) R = 0.93。此外，用 HUT 算法對(duì) 1993—1994 年，1997—1998 年的隆冬季節(jié)的冰雪覆蓋進(jìn)行計(jì)算，得到相關(guān)系數(shù)為0.75（觀(guān)測(cè)溫度低于 0℃）到 0.62（對(duì)所有隆冬季節(jié)的觀(guān)測(cè)）。因此，HUT 比傳統(tǒng)方法計(jì)算得到的雪水當(dāng)量結(jié)果更好更為準(zhǔn)確。

5 基于影像融合監(jiān)測(cè)冰雪覆蓋

5.1 基于影像融合的冰雪監(jiān)測(cè)方法

Gao 等人（2010 年）首先結(jié)合 Aqua 和 Terra MODIS 進(jìn)行去云處理，MODIS 產(chǎn)品的整體云覆蓋（Aqua MODIS 為 60.0%，Terra MODIS 為 55.0%）減少到 47.8%；然后將 MODIS 可見(jiàn)光波段和AMSR-E 被動(dòng)微波數(shù)據(jù)進(jìn)行融合。AMSR-E 的 25 km像素分辨率降尺度到 500 m。使用融合后的 MODIS冰雪覆蓋產(chǎn)品的冰雪覆蓋像素的實(shí)際數(shù)量計(jì)算雪水當(dāng)量 SWE。假設(shè) MODIS 導(dǎo)出的冰雪覆蓋像素的雪水當(dāng)量是線(xiàn)性分布的，重新計(jì)算原雪水當(dāng)量值：式中：SWEn指對(duì)于各個(gè) 500 m 分辨率的新 SWE 的值；SWE0指 AMSR-E 25 km 分辨率雪水當(dāng)量值；Nsnow代表冰雪覆蓋在 AMSR-E 像素中 MODIS 像素的數(shù)目。

對(duì)費(fèi)爾班克斯和上蘇西特納谷、阿拉斯加區(qū)域進(jìn)行組合產(chǎn)品的精度測(cè)試，并與 2006 年 10 月 1 日至 2007 年 9 月 30 日的實(shí)測(cè)數(shù)據(jù)相比較，融合后的冰雪覆蓋產(chǎn)品的冰雪分類(lèi)精度達(dá)到 86%，比單獨(dú)使用 Terra-AquA MODIS 冰雪覆蓋產(chǎn)品（49%）好得多，且略?xún)?yōu)于 AMSR-E 冰雪分類(lèi)精度（85%）。

5.2 ANSA 算法

Foster 等人[18]（2011 年）提出 ANSA 算法。該算法結(jié)合 MODIS 的可見(jiàn)光波段，AMSR-E 的被動(dòng)微波和星載微波散射計(jì) QSCAT 的散射數(shù)據(jù)，產(chǎn)生的單一的冰雪數(shù)據(jù)集，包含雪水當(dāng)量、冰雪范圍、局部冰雪覆蓋、雪包成熟、冰雪剛?cè)诨鸵讶诨瘏^(qū)。ANSA算法和現(xiàn)有方法的不同之處主要在于使用了散射數(shù)據(jù)。在默認(rèn)情況下，天氣晴朗時(shí)使用 MODIS 冰雪覆蓋產(chǎn)品估計(jì)冰雪范圍，因?yàn)樗哂凶詈玫木龋划?dāng)有云層覆蓋時(shí)，選擇 AMSR-E 監(jiān)測(cè)冰雪范圍；QSCAT后向散射數(shù)據(jù)可以用來(lái)確定冰雪剛?cè)诨鸵讶诨膮^(qū)域。由此得來(lái)的 ANSA 混合產(chǎn)品的精度比單獨(dú)的MODIS 和 AMSR-E 都要高，目前對(duì)此算法的研究工作集中在如何提高產(chǎn)品的分辨率上。

6 結(jié)語(yǔ)

遙感監(jiān)測(cè)冰雪覆蓋特征的可利用的方法包括設(shè)定單波段的簡(jiǎn)單閾值、波段比值、積雪指數(shù)（如NDSI）、依賴(lài)積雪短暫穩(wěn)定性的算法，以及把混合像元看做矢量區(qū)分云和積雪的算法。根據(jù)可用的輸入數(shù)據(jù)和需要研究的問(wèn)題決定選擇哪種算法進(jìn)行監(jiān)測(cè)。大量驗(yàn)證表明，用 Snowmap 算法對(duì) MODIS 數(shù)據(jù)進(jìn)行冰雪覆蓋監(jiān)測(cè)得到的結(jié)果，在晴空條件下是非常準(zhǔn)確的。有些方法則需要額外的數(shù)據(jù)，比如水體模板，土地覆蓋類(lèi)型或數(shù)字高程模型（DEM），這些額外的數(shù)據(jù)可以防止算法將水體錯(cuò)誤分類(lèi)為積雪。此外，在積雪監(jiān)測(cè)中森林覆蓋率信息對(duì)閾值的調(diào)整是有幫助的。同時(shí)，用 DEM 可以計(jì)算坡度和坡向，也可以進(jìn)一步提高算法的精度。還有一些算法將來(lái)自不同傳感器的數(shù)據(jù)結(jié)合起來(lái)進(jìn)行冰雪覆蓋監(jiān)測(cè)，比如，將光學(xué)反射率數(shù)據(jù)與微波數(shù)據(jù)相結(jié)合，可以在各種氣候條件下進(jìn)行冰雪監(jiān)測(cè)，如果再將散射數(shù)據(jù)結(jié)合進(jìn)來(lái)，便可以同時(shí)確定冰雪剛?cè)诨鸵讶诨瘏^(qū)，得到更全面的冰雪覆蓋信息。

本文提到的方法可以進(jìn)行每日冰雪覆蓋監(jiān)測(cè)和雪水當(dāng)量的計(jì)算，精度取決于衛(wèi)星傳感器的選擇、算法的使用，以及研究區(qū)域的輔助輸入數(shù)據(jù)。雖然冰雪覆蓋監(jiān)測(cè)的算法在 20 世紀(jì) 60 年代已經(jīng)開(kāi)始發(fā)展，但仍然有很大的發(fā)展空間?？梢砸胄碌膫鞲衅?、研究新的適應(yīng)性算法或者將舊的算法進(jìn)行組合，這些都將是以后研究冰雪遙感監(jiān)測(cè)的重點(diǎn)。

[1]HALL, D.K., RIGGS, G.A. and SALOMONSON, V.V..Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data[J]. Remote Sensing of E nvironment, 1995 (54): 127–140.

[2]KLEIN, A. and BARNETT, A.C.. Validation of daily MODIS snow cover maps of the Upper RioGrande River Basin for the 2000–2001 snow year[J]. Remote Sensing of Environment,2003, (86): 162–176.

[3]HALL, D.K., RIGGS , G.A., SALOMONSON, V.V..DIGIROLAMO, N.E. and BAYR, K .J., MODIS snow-cover products[J]. Remote Sensing of Environment, 2002 (83):181–194.

[4]KLEIN, A.G., HALL,D.K. and RIGGS, G.A.. Improving snow-cover mapping inforests through the use of a canopy ref l ectance model. Hydrological Processes[J].1998 (12):1723–1744.

[5]HALL,D.K. and RIGGS, G.A.. Accuracy assessment of the MODIS snow products[J]. Hydrological P rocesses, 2007 (21):1534–1547.

[6]GAO, Y.. XIE, H .. LU , N.. YAO,T. and LIANG, T.. 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):23–35.

[7]FERNANDES,R.and ZHAO, H.. Mapping daily snow cover extent over land surfaces using NOAA AVHRR imagery[C]//In Paper Presented at 5th EARSeL Workshop: Remote Sensing of Land Ice and Snow. Bern, Switzerland: European Association of Remote Sensing Laboratories, 2008:1–8.

[8]SIRGUEY, P., MATHIEU, R., ARNOUD, Y., et al. Improving MODIS spatial resolution or snow mapping using wavelet fusion and ARSIS concept[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008 (5):78–82.

[9]RANCHIN , T. and WALD, L .. Fusion of high spatial and spectral resolution images:the ARSIS concept and its implementation[J]. Photogrammetric Engineering and Remote Sensing, 2000 (66): 49–61.

[10]WANG,Z.and BOVIK, A.C.. A universal image quality index[J]. IEEE Signal Processing Letters , 2002 (9): 81–84.

[11]PEPE, M., BRIVIO, P.A., RAMPINI, A., ROTANODARI,F. and BOSCHETTI, M., 2005, Snow cover monitoring in Alpine regions using ENVISAT optical data[J]. International Journal of Remote Sensing, 2010 (26): 4661–4667.

[12]FISHER, P.F. and PAT HIRANA, S.. The evaluation of fuzzy membership of land cover classes in the suburban zone[J]. Remote Sensing of Environment,1990 (34) : 121–132.

[13]VIKHAMAR, D.and SOLBERG, R.. Subpixel mapping of snow cover in forests by optical remote sensing[J]. Remote Sensing of Environment, 2002 (84): 69–82.

[14]PARAJKA, J., PEPE, M., RAMPINI, A., et al. A regional snow-line method for estimating snow cover from MODIS during cloud cover[J]. Journal of Hydrology, 2010 (381):203–212.

[15]WANG, X., XIE,H.and LIANG, T.. Development and assessment of combined Terra and Aqua MODIS snow cover products in Colorado Plateau, USA and Northern Xinjiang,China[J]. Journal of Applied Remote S ensing,2009a (3): 1–15.

[16]GAFUROV, A. and BáRDOYY , A.. Cloud removal m ethodology from MODIS snow cover product[J]. Hydrology and Eart h System Sciences, 2009 (13): 1361–1373.

[17]PULLIAINEN, J.T. and HALLIKAINEN, M.. Retrieval of regional snow water equivalent from space-borne passive microwave observations[J]. Remote Sensing of Environment,2001 (75):76–85.

[18]FOSTER, J.L., HALL, D.K., EYLANDER, J.B., et al. A blended global snow product using VIS, passive microwave and scatterometer satellite data[J]. International Journal of Remote Sensing, 2011 (32): 1371–1395.

[19]WANG, X., XIE, H., LIANG, T, et al. Comparison and validat ion of MODIS standard and new combination of Terra and Aqua snow cover products in Northern Xinjiang,China[J].Hydrological Processes, 2009b (23): 419–429.

[20]鄭照軍，劉玉潔，張炳川. 中國(guó)地區(qū)冬季積雪遙感監(jiān)測(cè)方法改進(jìn)[J]. 應(yīng)用氣象學(xué)報(bào)，2004, 15 (增刊): 75–84.

[21]曾群柱. 我國(guó)西北若干種冰、雪及水體反射光譜特性的研究[J]. 中國(guó)科學(xué)（B 輯），1984 (4): 370–377.

[22]郭鈮，楊蘭芳，李民軒. 利用氣象衛(wèi)星資料研究祁連山區(qū)植被和積雪變化[J]. 應(yīng)用氣象學(xué)報(bào)，2003, 14 (6): 700–707.