基于GIS和RS的秦嶺主峰太白山積雪變化研究

王 娟，董金芳,2，何慧娟

(1.陜西省農(nóng)業(yè)遙感與經(jīng)濟(jì)作物氣象服務(wù)中心，西安 710016；2.陜西省氣象局秦嶺和黃土高原生態(tài)環(huán)境氣象重點(diǎn)實(shí)驗(yàn)室，西安 710016)

積雪對(duì)地表輻射、能量循環(huán)和水循環(huán)有著非常重要的影響，是影響區(qū)域和全球氣候的一個(gè)重要因素[1]。秦嶺是中國(guó)南北氣候分界線，亦是黃河和長(zhǎng)江流域分水嶺[2]，秦嶺主峰太白山積雪變化對(duì)我國(guó)氣候變化起著至關(guān)重要的作用，然而國(guó)內(nèi)關(guān)于太白山積雪情況的研究甚少。在氣象情報(bào)不足、氣候條件惡劣的山區(qū)，應(yīng)用觀測(cè)數(shù)據(jù)監(jiān)測(cè)積雪變化難度極大，傳統(tǒng)監(jiān)測(cè)高山積雪的方法是利用地面觀測(cè)站數(shù)據(jù)并結(jié)合實(shí)地考察來進(jìn)行，這樣的方法因數(shù)據(jù)量少、信息不完整無法得到客觀實(shí)際的統(tǒng)計(jì)數(shù)據(jù)。利用遙感技術(shù)可客觀、較完整地監(jiān)測(cè)太白山積雪變化情況。近年來，國(guó)內(nèi)外應(yīng)用遙感手段提取積雪的方法不斷更新，目前一般使用的方法大致分為混合像元分解法[3]及基于指數(shù)的提取方法[4-7]?；旌舷裨纸夥ò吮O(jiān)督分類及非監(jiān)督分類等方法[8-10]。基于指數(shù)的方法是指通過給定閾值獲得冰川或積雪監(jiān)測(cè)結(jié)果。國(guó)內(nèi)外學(xué)者應(yīng)用歸一化差分積雪指數(shù)開展眾多研究，利用歸一化差分積雪指數(shù) (normalized difference snow index,NDSI)算法結(jié)合綜合閾值判別法進(jìn)行積雪信息反演[11-14]。本文采用在NDSI指數(shù)的基礎(chǔ)上改進(jìn)的基于近紅外波段和歸一化差分積雪指數(shù)的積雪面積提取方法SNOMAP算法，提取太白山積雪面積，并且利用太白山區(qū)域10個(gè)氣象站點(diǎn)的冬半年平均氣溫及降水量數(shù)據(jù)，分析積雪面積變化與氣候因素之間的關(guān)系，以期較為全面分析太白山區(qū)域積雪面積變化及其成因，為相應(yīng)領(lǐng)域提供理論支持與參考。

1 研究區(qū)概況和資料方法

1.1 研究區(qū)概況

太白山是秦嶺山脈主峰[15]，位于陜西省寶雞市，秦嶺北麓，眉縣、太白縣、周至縣三縣境內(nèi)。太白山是秦嶺山脈最高山峰[16]，海拔3 767.2 m。海拔3 000 m以上地帶發(fā)育有第四紀(jì)末冰川。太白山氣溫特點(diǎn)為隨海拔高度升高而垂直遞減，在特有的氣候環(huán)境下，動(dòng)植物帶也呈明顯的垂直分布。

1.2 研究數(shù)據(jù)與方法

1.2.1 研究數(shù)據(jù) 遙感數(shù)據(jù)來自美國(guó)國(guó)家航空航天局(NASA)提供的Landsat TM、ETM及OLI_TIR數(shù)據(jù)，行列號(hào)為128～36，空間分辨率為30 m，時(shí)間序列為2000—2017年，集中選取冬半年(頭年11月1日—次年4月30日)之間的晴空數(shù)據(jù)。

氣象觀測(cè)數(shù)據(jù)來自于陜西省氣象信息中心，選用2000—2017年太白山區(qū)域10個(gè)氣象觀測(cè)站點(diǎn)冬半年的平均氣溫、降水量、積雪日數(shù)等觀測(cè)數(shù)據(jù)。

1.2.2 研究方法

(1)對(duì)遙感數(shù)據(jù)Landsat TM、ETM及OLI_TIR進(jìn)行數(shù)據(jù)預(yù)處理，包括大氣校正和幾何校正。

(2)以NDSI指數(shù)為基礎(chǔ)，引入近紅外波段構(gòu)建輔助判別因子的積雪面積提取方法(SNOMAP)，其算法公式為

積雪面積：(b4>Tsnow)&&(INDS>INDS(snow))。

(1)

b4是Landsat TM數(shù)據(jù)近紅外波段的反射率，Tsnow為近紅外波段閾值；INDS為歸一化差分積雪指數(shù)，INDS(snow)為歸一化積雪指數(shù)閾值。

對(duì)于Landsat TM、ETM影像，用第 2、5 波段的反射率(b2，b5)計(jì)算INDS，公式為

INDS=(b2-b5)/(b2+b5)。

(2)

對(duì)于Landsat OLI_TIR數(shù)據(jù)，用第 3、6波段的反射率(b3，b6)計(jì)算INDS，公式為

INDS=(b3-b6)/(b3+b6)。

(3)

通過參考相近地區(qū)研究成果(INDS≥0.38)[17], 結(jié)合目視解譯結(jié)果不斷調(diào)整閾值，確定研究區(qū)INDS閾值為0.33。同時(shí)使用氣象站點(diǎn)積雪觀測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。雷向杰等對(duì)1988—2010年冬半年積雪觀測(cè)數(shù)據(jù)及衛(wèi)星遙感數(shù)據(jù)進(jìn)行分析，結(jié)果顯示衛(wèi)星遙感監(jiān)測(cè)結(jié)果與積雪日數(shù)觀測(cè)數(shù)據(jù)趨勢(shì)一致[2]。

通過對(duì)研究區(qū)積雪、非積雪(森林、草地等)地物近紅外反射率的提取分析，發(fā)現(xiàn)近紅外波段積雪反射率遠(yuǎn)大于其他地物反射率，加入近紅外波段進(jìn)行積雪識(shí)別

(b4>0.11)&&(INDS≥0.33)。

(4)

(3)雪線高度利用ARCGIS地理信息軟件進(jìn)行處理提取。

2 SNOMAP算法的驗(yàn)證

2.1 不同方法提取積雪面積的比較

圖1a是2000年積雪遙感圖，從圖1a中可以看到黃色方框區(qū)域?yàn)樯襟w背陰積雪覆蓋區(qū)域；圖1b為僅進(jìn)行監(jiān)督分類后得到的積雪覆蓋情況，可以看出原本背陰面的積雪(黃色方框區(qū)域)沒有提取，被誤分為其他地類；圖1c為SNOMAP算法通過目視解譯后選取恰當(dāng)閾值，最終加入近紅外波段判別所得的積雪覆蓋情況，可以看到，原本背陰面的積雪(黃色方框區(qū)域)被識(shí)別。通過對(duì)比得到SNOMAP算法可以很好地識(shí)別積雪，減少了誤分、錯(cuò)分等現(xiàn)象。

白色部分為積雪覆蓋。圖1 2000年太白山積雪分類對(duì)比圖(a 遙感圖，b 監(jiān)督分類法提取結(jié)果，c SNOMAP算法提取結(jié)果)

2.2 遙感監(jiān)測(cè)結(jié)果與氣象觀測(cè)數(shù)據(jù)的關(guān)系

分析2000—2017年太白山區(qū)降雪日數(shù)氣象資料，將太白山區(qū)冬季觀測(cè)的積雪日數(shù)進(jìn)行排序，積雪日數(shù)排名前9位的年份中，2008年最多(18 d)，其次是2000年(14 d)，最少是2014年(9 d)。應(yīng)用SNOMAP算法反演積雪日數(shù)排名前9位年份的積雪面積，并進(jìn)行均值處理，分析該時(shí)間段冬季太白山區(qū)積雪面積(圖2)。2008年積雪覆蓋面積最大，為79.28 km2，降雪日數(shù)最少的2014年積雪面積均值為24.28 km2，兩年的積雪面積相差55.00 km2。太白山區(qū)積雪覆蓋面積與積雪日數(shù)呈顯著正相關(guān)關(guān)系(α=0.001)。通過與氣象觀測(cè)數(shù)據(jù)對(duì)比，應(yīng)用SNOMAP算法反演所得的積雪變化情況與氣象觀測(cè)數(shù)據(jù)變化趨勢(shì)一致，采用SNOMAP算法反演積雪面積結(jié)果可信。

圖2 太白山積雪面積與積雪日數(shù)關(guān)系

3 太白山積雪變化分析

3.1 積雪變化

應(yīng)用SNOMAP算法反演2000—2017年冬半年的遙感數(shù)據(jù)，提取積雪覆蓋面積。2000年太白山主峰積雪面積為52.96 km2，以2000年作為基準(zhǔn)年，比較各年較2000年積雪面積變化情況(圖3)：積雪面積減少的年份有13 a，平均減幅為14.10%；較2000年減少最多是2014年，減幅達(dá)28.68%，尤其是2010年以后(除2012年以外)積雪面積較2000年減幅均在9%以上。較2000年積雪面積增加的年份僅有4 a，其中2008年及2012年增加較多，分別為27.1%和26.3%。

圖3 太白山積雪面積較2000年變化情況

從2000年和2017年積雪區(qū)域分布(圖4)可以看出：2000年積雪區(qū)域明顯大于2017年，2000年積雪覆蓋面積較大，零星積雪覆蓋較多；2017年積雪覆蓋面積較小，主要集中在海拔較高的區(qū)域，零星積雪覆蓋較少。

圖4 2000年與2017年太白山積雪區(qū)域分布

3.2 雪線變化

應(yīng)用ARCGIS中二值圖像邊緣提取的方法提取太白山的冬季雪線。為降低誤差，選擇每年有明顯降水前的遙感圖像提取雪線。圖5是太白山2000年和2015年太白山冬季雪線示意圖，從圖中可以看出2015年的冬季雪線高度明顯高于2000年，2000年冬季雪線高度為3 195.88 m，2015年為3 447.54 m。

圖5 2000年與2015年太白山冬季雪線示意圖

從2000、2001、2003、2005、2010、2015年的雪線高度變化(圖6)可以看出，進(jìn)入21世紀(jì)以來，太白山冬季雪線高度均在3 000 m以上，雪線高度在波動(dòng)中呈上升趨勢(shì)，年均上升16.74 m。

圖6 太白山冬季雪線高度變化

4 冬半年氣候因子對(duì)積雪變化的影響

分析太白山地區(qū)10個(gè)氣象觀測(cè)站點(diǎn)冬半年氣象數(shù)據(jù)(圖7)，2000—2017年平均氣溫和降水量在波動(dòng)中均呈上升趨勢(shì)。平均氣溫升高0.05 ℃/a，降水量增加3.16 mm/a。2000—2010年冬半年降水量年均增加4.96 mm，2010年以后年均增加9.46 mm；2010—2017年平均降水量123.36 mm，較2000—2017年均值增加13.97 mm。

圖7 2000—2017年太白山冬半年平均氣溫與降水量年際變化

對(duì)太白山地區(qū)10個(gè)氣象站點(diǎn)冬半年氣象數(shù)據(jù)與積雪面積進(jìn)行相關(guān)性分析。積雪面積與冬半年平均氣溫及降水量之間的相關(guān)系數(shù)均未通過顯著性檢驗(yàn)，但與平均氣溫相關(guān)性高，積雪面積與冬半年平均氣溫相關(guān)性較降水量大。太白積雪存在于太白山海拔3 000 m以上的地區(qū)，人類活動(dòng)對(duì)其影響幾乎不存在，影響其變化的因子包括地形因子、植被類型因子及氣候因子等。在氣候因子中,氣溫的升高是太白山積雪面積減少的主要原因。

5 結(jié)論

(1)通過與氣象觀測(cè)數(shù)據(jù)及監(jiān)督分類方法得到的結(jié)果比較，應(yīng)用SNOMAP算法提取太白山積雪面積結(jié)果可靠。

(2)2000—2017冬半年，太白山積雪面積在波動(dòng)中呈減少趨勢(shì)。進(jìn)入21世紀(jì)以來，太白山冬季雪線高度均在3 000 m以上，雪線高度在波動(dòng)中呈上升趨勢(shì)。

(3)積雪面積與冬半年平均氣溫及降水量之間的相關(guān)系數(shù)均未通過顯著性檢驗(yàn)，積雪面積與冬半年平均氣溫相關(guān)性較降水量大。

(4)在提取積雪面積時(shí)應(yīng)用SNOMAP算法，同時(shí)通過目視解譯對(duì)多景遙感圖像的積雪面積進(jìn)行驗(yàn)證，不斷優(yōu)化閾值，可得到較滿意的實(shí)驗(yàn)結(jié)果。但目視解譯對(duì)研究人員的經(jīng)驗(yàn)要求較高，研究人員的經(jīng)驗(yàn)對(duì)目視解譯的結(jié)果影響較大，在今后進(jìn)一步研究中對(duì)算法進(jìn)行進(jìn)一步優(yōu)化，減少因研究人員經(jīng)驗(yàn)而造成的結(jié)果偏差。