青藏高原MODIS逐日無雲積雪面積數據集
| 青藏高原MODIS逐日無雲積雪面積數據集 作者：邱玉寶 郭華東 除多 張歡 施建成 石利娟 鄭照軍 拉巴卓瑪 2016年4月30日 |
 邱玉寶, 郭華東, 除多, 等. 青藏高原MODIS逐日無雲積雪面積數據集[J/OL]. 中國科學數據, 2016, 1(1). (2019-06-06). DOI: 10.11922/csdata.170.2016.0003. |
摘要&關鍵詞
編輯摘要：青藏高原積雪對於能量和水循環起着重要的反饋和調節作用，其消融過程也直接影響着融雪性河流流量的變化，積雪的存在以及長時間變化等也是區域氣候、生態和災害的影響和響應敏感因素之一。中分辨率成像光譜儀（MODIS）具有高時空分辨率的特點，被廣泛應用於積雪遙感動態監測。青藏高原地區積雪的賦存變化較快，高原周邊高山區具有冰雪資源豐富，大氣對流活躍等特點，而光學遙感往往受雲的影響，在日時間尺度上積雪覆蓋監測需要考慮去雲問題。在充分考慮青藏高原的地形和山地積雪特徵的情況下，本套數據集採用了多種去雲過程和步驟相結合，逐步實現保持積雪分類精度的情況下，完成逐日積雪的雲量消除，形成了「青藏高原MODIS逐日無雲積雪面積」的逐步綜合分類算法，完成了「青藏高原MODIS逐日無雲積雪面積數據集（2002～2018年）」。論文選取2009年10月1日至2011年4月30日中的兩個積雪季為算法研究和精度驗證試驗數據，採用研究區145個地面台站提供的雪深數據作為地面參考。結果表明，在高原地區，當積雪深度＞3 cm時，無雲積雪產品總分類精度達到96.6％，積雪分類精度達89.0％，整個算法流程對MODIS積雪產品去雲的精度損失較低，數據可靠性較高。
關鍵詞：青藏高原；MODIS；逐日無雲積雪面積數據集
Abstract & Keywords
編輯Abstract: Snow cover over Tibetan Plateau plays an important role in regional water andenergy circulation. Snow ablation also affects downstream rivers. Snow parameters and their longterm changes are sensitive factors affecting and responding to regional climate, influencing ecologyand disasters. Moderate-resolution imaging spectrometer (MODIS) is widely used for remotelysensing snow due to its high spatio-temporal resolution. However, snow over Tibetan Plateau isdistributed patchily and changes rapidly with unexpected atmospheric convection and precipitation.Also, because optical remote sensing is influenced severely by clouds, daily snow cover monitoringis a challenge requiring to remove cloud cover instances. Engaged in Tibetan Plateau’s terraincomplexity and snow spatio-temporal characteristics, this paper presents a compound methodby combining different cloud removal algorithms, giving a MODIS daily cloud-free snow coveralgorithm for Tibetan Plateau, as well as MODIS daily cloud-free snow cover products. The accuracy of the snow cover products is then verified against experimental data observedfrom 145 ground stations during two winter periods from October 1, 2009 to April 30, 2011.Results show that, when snow depth exceeds 3 cm, the general classification accuracy is 96.6%and the snow classification accuracy is 89.0%. Accuracy was well controlled in each step, whichprovided a good algorithm for removing clouds from the MODIS snow cover imagery. A multilanguage operational process was developed and the daily, cloud-free climatological snow coverproducts over Tibetan Plateau were released as a free utility online.
Keywords: daily snow cover products; cloud removal algorithm; cloud free; Tibetan Plateau; MODIS
數據庫（集）基本信息簡介
編輯| 數據庫（集）名稱 | MODIS daily cloud-free snow cover product over the Tibetan Plateau | ||
| 數據通信作者 | 邱玉寶（qiuyb@radi.ac.cn） | ||
| 數據作者 | 邱玉寶、郭華東、除多、張歡、施建成、石利娟、鄭照軍、拉巴卓瑪 | ||
| 數據時間範圍 | 2002年7月至2018年6月 | ||
| 地理區域 | 區域經緯度範圍為北緯25°～45°、東經67°～107°，包括我國西藏自治區和青海省全部區域，四川、雲南、新疆和甘肅省部分地區，以及青藏高原南部和西部等周邊國家部分區域；更新的C6版數據集範圍為：北緯26°～46°、東經62°～105°。 | ||
| 空間分辨率 | 500 m | 數據量 | 19.5 GB |
| 數據格式 | Geotiff | ||
| 數據服務系統網址 | http://www.sciencedb.cn/dataSet/handle/55 | ||
| 基金項目 | 公益性（氣象）行業專項「青藏高原遙感積雪氣候數據集建設」 （GYHY201206040）、國家自然科學基金重點項目（ABCC計劃，41120114001），國家自然科學基金面上項目（41371351）和中國科學院「一三五」規劃項目等支持 | ||
| 數據庫（集）組成 | 數據集由3部分數據組成，其一為青藏高原MODIS逐日無雲積雪產品面積數據集（2002-2015年），其二為青藏高原MODIS逐日無雲積雪產品面積數據集更新版（2002-2018年MODIS積雪產品C6版）；其三為研究區範圍矢量數據。它們分別為：MODIS_Dysno_Cloudfree_2002-2015.zip，MODIS_Dysno_Cloudfree_C6_2002-2018.zip，Tibet_Range.zip（輔助矢量數據）。其中： 1. MODIS_Dysno_Cloudfree_2002-2015.zip是青藏高原逐日積雪無雲數據集，數據量約6.9 GB； 2. MODIS_Dysno_Cloudfree_C6_2002-2018.zip是用C6版MODIS原始積雪數據生產的青藏高原逐日積雪無雲數據集，數據量約12.6 GB； 3. Tibet_Range.zip是研究區範圍矢量數據，數據量約24 KB。 | ||
引 言
編輯積雪是冰凍圈的重要組成部分，是地球表面最為活躍的自然要素之一，對區域甚至全球的氣候變化、能量平衡以及水循環都有着深刻影響[1]。青藏高原被譽為「世界屋脊」和「第三極」，是世界上海拔最高的高原。積雪是其下墊面的一個重要特徵，反射能力強，熱傳導性差，通過在融化過程中吸收大量熱量改變地表輻射平衡和大氣熱狀況，引起大氣環流變化，進而可對區域氣候產生影響[2]。融雪水文效應對地表徑流和大氣熱狀況，也產生着深刻的影響[3]。積雪對於亞洲季風和南亞、東亞旱澇災害的影響百餘年來一直是中外氣候學家的關注焦點[4][5]。
目前，衛星遙感技術由於其周期短、覆蓋範圍大等優點逐漸成為積雪監測的主要方式，常見的積雪遙感產品有Landsat和SPOT[6][7]，AVHRR[8]、VEGETATION[9]、MODIS積雪產品[10]及SMMR、SSM/I[11][12]和AMSR-E[13][14]等微波積雪產品。其中MODIS逐日積雪數據（MOD10A1和MYD10A1）以較高的空間分辨率和時間分辨率應用最為廣泛。
然而，由於光學遙感產品受天氣影響嚴重，雲的存在限制了逐日無雲積雪產品的獲取。我們結合國內外學者針對MODIS積雪產品的去雲算法[15][16]，基於青藏高原地區積雪覆蓋特徵和地形特點開展了基於不同下墊面分區和積雪分布地學知識的去雲和積雪識別方法研究，形成了逐日積雪產品算法。本數據集以積雪產品MOD10A1以及MYD10A1基礎，通過8個步驟逐步將雲像素重新分類為積雪或陸地。其中經過上下午星合成、三天合成、「永久」積雪和陸地法、鄰近四像元法、高程濾波法、修改陰影區錯誤分類、最大積雪陸地範圍掩膜這7個步驟，獲得MODIS少雲積雪產品，將逐日無雲積雪產品的雲面積降至平均約5.1％，而精度損失較小。最後，採用擬合預期雪線方法，去除全部雲污染，從而獲得MODIS逐日無雲積雪產品，為青藏高原積雪動態監測提供了參考。
1 數據採集和處理方法
編輯1.1 輸入積雪數據產品
編輯1. MOD10A1 與MYD10A1原始MODIS積雪產品數據：從美國國家冰雪數據中心（National Snow and Ice Data Center）官方網站（http://nsidc.org）上下载2002年7月至2015年4月的MODIS数据，所采用的原始数据的轨道号如图1所示。
圖1 MODIS青藏高原區域軌道分布圖（矩形框內）
2. DEM（Digital Elevation Model）數據採集：從地理空間數據云網站（http://www.gscloud.cn）下载，共54景。
1.2 數據處理
編輯由於青藏高原地區面積廣闊、山地落差較大，複雜多樣的地形及積雪空間異質性大的特點，決定了去雲方法的區域適用性。本研究根據坡度的分布情況，將研究區分成7個地形複雜程度和差異較大區域，分別為「印度平原」「高原以北」「高原腹地」「藏東南山區」「帕米爾高原」「天山山脈」以及「喜馬拉雅山脈」（如圖2所示）。然後再對應不同的地形區域採用有差別的擬合預期雪線方法去雲，充分考慮7個地形差異較大的坡度、坡向、經度、緯度等因素對積雪分布的影響，擬合不同參數的雪線進行雲覆蓋條件下的再判別。
圖2 基於坡度為基礎的青藏高原積雪分布特徵分區圖
用8個步驟對青藏高原MODIS積雪產品進行去雲，逐步減少雲量，最終得到逐日無雲產品。算法流程圖如圖3所示。
圖3 MODIS逐日無雲積雪產品算法流程圖
1.2.1 數據預處理
編輯利用MRT（MODIS Reprojection Tool）開源軟件（下載網址 http://nsidc.org/data/modis/tools.html）结合自定义算法程序对MOD10A1 與MYD10A1影像進行重投影鑲嵌和裁剪，並使用ENVI5.1軟件對DEM數據進行鑲嵌和裁剪，得到WGS84等經緯度投影的MOD10A1、MYD10A1數據與DEM數據。
1.2.2 數據去雲處理步驟
編輯表1 去雲過程說明表
| 去雲步驟 | 算法說明 |
| 1. 上下午星合成[17] | 一天中，認為同一地點積雪覆蓋狀況不變，對上午星MODIS/Terra積雪數據（MOD10A1）和下午星MODIS/Aqua數據（MYD10A1）按優先級順序進行最大合成。優先級順序為：Snow＞ice lake＞lake＞land |
| 2. 三天合成[24] | 一般而言，陰天（多雲）天氣積雪接受太陽輻射較少，不易融化，降落在地面上會持續一段時間，考慮積雪這種在時間上的連續性，若前一天和後一天均為有雪，則當天也是積雪的概率較大，陸地同理[24]。1）前一日與後一日相同位置像元同為積雪，則當日雲像素分類成積雪；2）前一日與後一日相同位置像素同為陸地，則當日雲像素分類成陸地；3）前一日與後一日相同位置像素至少一個是湖泊，則當日雲像素分類為湖泊；4）前一日與後一日相同位置像素至少一個是湖冰，則當日雲像素分類為湖冰 |
| 3. 「永久」積雪和陸地法 | 以一個積雪季為中心（青藏高原為第一年10月1日至次年4月30日），將第一年7月1日至次年6月30日分為3部分（以下2003～2004年度為例）：2003年7月1日～2003年9月30日為夏季；2003年10月1日～2004年4月30日為冬季；2004年5月1日～2004年6月30日為夏季。通過對比Google Earth較為清晰的雪蓋圖和基於DEM的分布統計分析發現，高程在5800 m以上的區域，全部為積雪覆蓋（5800 m以上區域面積包含於「永久」積雪面積）；積雪上面雲層多於陸地，又由於MODIS可能出現錯判，規定只要在一個雪季某像素積雪覆蓋和雲覆蓋的時間綜合大於全部時間的95％，即認為雲可分類為積雪。類似地，如果某像素在這段時間內只出現陸地和雲，從未出現積雪，且雲覆蓋天數較少（如比例小於某個閾值），則將雲分類為陸地。經與Google Earth對照，雲天數小於總天數的20％時，既能去雲較多，又可保證精度不產生大的損失。對每個時間段進行「永久」積雪和「永久」陸地的統計分析，判斷條件如下：1）高程＞5800 m的像素全部為「永久」積雪；2）高程在3000～5800 m之間的雲像素，若滿足：雲天數+積雪天數＞總天數×0.95，則雲像素分類為積雪；3）若某像素滿足a. 雲天數+陸地天數=總天數，b. 雲天數<總天數×0.2，則雲像素分類成陸地 |
| 4. 臨近四像元法[24] | 1）如果與雲像素相鄰的4個像元中，至少3個為積雪，那麼將中心雲像素賦值為雪；2）如果與雲像素相鄰的4個像元中，至少3個為陸地，那麼將中心雲像素賦值為陸地；湖泊、湖冰同理 |
| 5. 高程濾波法 | 中心像素為積雪，若與它相鄰最近的8個像元中有雲，且雲像素高程大於積雪高程，則將雲像素賦值為積雪 |
| 6. 修改陰影區錯誤分類 | 在帕米爾高原部分大量陰影區本該是陸地或積雪分類，卻被MODIS誤分類成湖泊和湖冰。針對這種情況，採用已有湖泊邊界進行掩膜，邊界線之內的湖泊或湖冰保留，界線之外錯分的湖泊和湖冰重新賦值為雲覆蓋，進行下一步判斷 |
| 7. 最大積雪陸地範圍掩膜 | 基於以上高程濾波法產品開展8天最大積雪覆蓋合成產品（類似MOIDS 8天積雪產品）和8天最大陸地覆蓋合成，優先級順序分別為：Snow＞ice lake＞lake＞land，Land＞ice lake＞lake＞snow，得到的合成結果分別記為圖像a（最大積雪合成，即最小陸地合成）、圖像b（最大陸地合成，即最小積雪合成）。積雪在8天之內逐漸融化或突然降落，在空間上有一定的漸變規律，每天的積雪面積均大於8天積雪的最小值，陸地面積大於8天陸地最小值（見圖4）。去雲算法：對上一步積雪產品按照以下規則開展判斷：1）如果像素是雲，最大積雪合成圖像a中像素是陸地，則給雲像素賦值為陸地；2）如果像素是雲，a或b圖像中像素是湖冰，則給雲像素賦值為湖冰；3）如果像素是雲，a或b圖像中像素是湖泊，則給雲像素賦值為湖泊；4）如果像素是雲，最大陸地合成圖像b中像素是積雪，則雲像素賦值為積雪 |
| 8. 擬合預期雪線方法 | 由於積雪覆蓋與經度、緯度、坡度、坡向以及高程有關，且海拔高的地方比海拔低的地方被積雪覆蓋的概率大。對整個區域用擬合預期雪線方法，算法如下：1）提取雪線樣本。積雪與陸地的分界線即為雪線，提取出雪線之上積雪的高程、坡度、坡向、經度、緯度；2）擬合預期雪線高程。以高程為因變量，以其他4個影響因素為自變量，用多元線性回歸擬合預期雪線高程；3）將雲像素重新分類。由雲像素的坡度、坡向、經度、緯度可算出預期雪線高程，將其與雲的實際高程比較，若實際高程較高，則將雲賦值為積雪，反之賦值為陸地 |
圖4 2011年1月9日～2011年1月17日最小積雪面積、最小陸地面積及積雪變化範圍（白色為8天內積雪變化範圍）
2 數據樣本
編輯2.1 命名格式
編輯MODIS青藏高原逐日無雲積雪產品數據集的命名遵循如下規則：MODIS_Dysno_Cloudfree_YYYYMMDD.tif，通過文件名，能夠獲取關於此數據文件的以下信息，例如：MODIS_Dysno_Cloudfree_20020706.tif，其中：
1. MODIS_Dysno_Cloudfree：表示青藏高原MODIS逐日無雲積雪產品；2. YYYY：表示年份；3. MM：表示月份；4. DD：表示日期。
2.2 分類描述
編輯影像分類代碼與MOD10A1相一致，其像素值表示信息如下。詳細信息如表2所示。
表2 影像分類描述表
| 數據範圍 | 像素值 | 描述 |
| 25 | 無積雪覆蓋的陸地 | |
| 37 | 湖泊 | |
| 40 | 湖泊不確定 | |
| 100 | 湖冰 | |
| 150 | 湖冰不確定 | |
| 200 | 積雪 |
2.3 部分數據樣本示例
編輯使用上述算法步驟完成青藏高原2002年至2015年逐日積雪無雲產品，圖5是2002年12月22日至12月31日青藏高原無雲積雪產品示例圖。
圖5 青藏高原無雲積雪產品示例圖
3 數據精度控制和評估
編輯選擇青藏高原2009年10月1日～2011年4月30日中的兩個雪季共424個時相，145個地面台站提供每日雪深數據，共計61 480對觀測值作為數據質量評估樣本。通過混淆矩陣及式（1）、式（2）對積雪分類圖像進行評價，分析晴空天氣下MODIS數據本身（MOD10A1、MYD10A1）以及去雲過程中各合成產品的精度，包括總分類精度和積雪分類精度。為此，在精度評價中考慮以下各方面的樣本數（表3）：1. 地面台站記錄和積雪圖像均有雪（雪深＞0）的樣本數（a）；2. 地面台站記錄有雪而圖像分為無雪的樣本數（b），即漏測數；3. 地面台站記錄無雪而圖像分為有雪類型的樣本數（c）；4. 地面台站記錄和圖像均無雪的樣本數（d）。
表3 精度驗證混淆矩陣
| MODIS\ 地面 | 積雪 | 陸地 |
| 積雪 | a | b |
| 陸地 | c | d |
總分類精度（圖片，即準確度，反映了分類判別算法對整個研究區的判定能力——能將積雪的判定為積雪覆蓋，陸地的判定為無雪）和積雪分類精度（圖片，即精度，反映了被分類判別算法判定為積雪的所有像素中真正的積雪像元的比例）可以釆用以下公式表示：
圖片 （1）
圖片 （2）
原始數據MOD10A1、MYD10A1及各過程產品在混淆矩陣中的樣本數統計如表4，MODIS數據本身的總分類精度在98％以上，積雪分類精度約為82％。修改湖泊、湖冰錯判改變的像元數較少，故省略統計結果。青藏高原積雪大多較薄，且分布斑駁分散，地面台站雪深數據與MODIS積雪圖像像元之間空間尺度的差異，並且光學在積雪較薄的區域具有一定的穿透，同時薄雪的斑駁情況也會導致光譜混合影響，造成精度驗證的誤差。當融雪期積雪較薄（如小於3 cm）時，可能出現這種情況，包括地面台站所在的小面積區域觀測為有雪，而MODIS圖像500×500 m像素判斷為無雪，從而產生積雪的低估誤差。也可能台站處於城市，由於溫度高於四周而較快融雪，此時MODIS圖像判斷為有雪，如此出現積雪高估誤差。若只保留積雪深度大於3 cm的樣本數據，圖像和地面觀測同時記錄為積雪的樣本數記為a3，圖像記錄為積雪而地面記錄為陸地的樣本數記錄為b3，仍用式（1）、（2）計算，各合成產品的分類精度都有所提高，MODIS數據本身的總分類精度和積雪分類精度分別上升到99％和94％左右。
由表4可見，高程濾波法之前的去雲步驟對分類精度影響不大；上下午星合成和高程濾波法稍微提高了積雪總分類精度；最大積雪、陸地面積掩膜方法使合成產品的總分類精度有所將低，對於雪深大於3 cm的樣本來說，精度由最初的98.97％（MOD10A1與MYD10A1精度平均值）降低到98.24％；而積雪分類精度有所提高，由94.48％升高至94.73％，且去雲量最多；擬合預期雪線方法精度最低，用於去雲最後一步，但當雪深大於3 cm時，無雲積雪產品的總分類精度和積雪分類精度仍可達96.6％和89％。該結果已高於目前已經發表的文獻記錄[17]，基本滿足MODIS標準積雪產品在晴空天氣下精度要求，表明去雲算法可用於青藏高原的逐日無雲積雪動態監測。
表4 各類產品精度驗證
| 序號 | 步驟 | a | b | c | d | a3 | b3 | 總分類精度（％） | 積雪分類精度（％） | ||
| 全部台站 | 去掉雪深≤3cm樣本 | 全部台站 | 去掉雪深≤3cm樣本 | ||||||||
| 1 | MOD10A1 | 2156 | 419 | 264 | 32 424 | 1919 | 104 | 98.06 | 98.94 | 83.73 | 94.86 |
| 2 | MYD10A1 | 1708 | 420 | 212 | 29 448 | 1596 | 100 | 98.01 | 99.00 | 80.26 | 94.10 |
| 3 | 上下午星合成 | 2853 | 550 | 390 | 36 812 | 2564 | 130 | 97.69 | 98.70 | 83.84 | 95.17 |
| 4 | 三天合成 | 3417 | 663 | 420 | 41 393 | 3098 | 146 | 97.64 | 98.74 | 83.75 | 95.50 |
| 5 | 「永久」積雪陸地法 | 3417 | 711 | 420 | 42 406 | 3098 | 150 | 97.59 | 98.76 | 82.78 | 95.38 |
| 6 | 鄰近四像元法 | 3496 | 722 | 425 | 42 761 | 3169 | 151 | 97.58 | 98.76 | 82.88 | 95.45 |
| 7 | 高程濾波法 | 4059 | 722 | 495 | 42 761 | 3656 | 151 | 97.47 | 98.63 | 84.90 | 96.03 |
| 8 | 最大積雪陸地範圍掩膜 | 6850 | 1366 | 672 | 50 372 | 6187 | 344 | 96.56 | 98.24 | 83.37 | 94.73 |
| 9 | 擬合預期雪線方法（無雲積雪產品） | 7266 | 2003 | 1240 | 50 971 | 6406 | 792 | 94.73 | 96.58 | 78.39 | 89.00 |
4 數據更新說明
編輯2016年5月24日發表的《青藏高原MODIS逐日無雲積雪面積數據集（2002～2015年）》對應的數據不含本文對應數據中第二部分《青藏高原MODIS逐日無雲積雪面積數據集更新版（2002–2018年MODIS積雪產品C6版）》。針對第二部分數據說明如下：
此次更新上傳的積雪覆蓋二值產品數據集相較於之前發布版本[26]的不同之處在於：第一，此次數據集更新採用MODIS積雪產品版本6（C6）數據作為輸入。MODIS積雪產品C6版的歸一化積雪指數（NDSI）是對之前發布產品C5版[26]的修正，採用了定量圖像恢復（QIR）算法恢復了之前丟失的MODIS/Aqua第6波段信息，較之前使用的MODIS積雪產品C5版本具有質量和精度的提升；第二，NSIDC發布的C5版MODIS積雪二值產品採用的NDSI閾值為0.40，但已有研究表明該閾值在祁連山地區採用0.36更為適合[27]，故此次更新的無雲積雪面積數據集採用0.36作為閾值。並用HydroLAKES數據[28]確定了湖泊位置和範圍，將湖泊區域NDSI小於0.36的像素標記為湖水，大於等於0.36的像素判別為湖冰；非湖泊區域NDSI小於0.36的像素判別為陸地，大於等於0.36的像素判別為積雪；第三，此次更新的數據集還添加了雲標記數據層（見數據中的band 2），雲標記數據中，1表示C6版MODIS上下午星合成後為雲，0表示C6版MODIS上下午星合成後為晴空；第四，覆蓋範圍修改為北緯26°～46°、東經62°～105°。
5 數據使用建議
編輯本數據集以中等分辨率的積雪產品MOD10A1以及MYD10A1為基礎，在精度損失較小的情況下，通過結合多個雲判別步驟，對雲覆蓋條件下的陸表進行重新分類，完成青藏高原MODIS逐日無雲積雪算法產品（2002～2018年）。該數據集適用於青藏高原區域水和能量循環、生態和災害等相關問題研究，特別是對於青藏高原冰川積雪模型研究、青藏高原氣候變化研究、河流流量變化分析、積雪長時間時空分布規律、生態效益、雪災預測以及未來變化趨勢等方面均具有重要價值，並可為進一步針對被動微波雪水當量的降尺度算法提供重要的參考。
致 謝
編輯感謝美國國家冰雪數據中心（http://nsidc.org）提供MOD10A1以及MYD10A1产品，以及地理空间数据云（http://www.gscloud.cn）提供DEM数据。
參考文獻
編輯- ↑ 賓嬋佳, 邱玉寶, 石利娟, 等. 我國主要積雪區AMSR-E被動微波雪深算法對比驗證研究[J]. 冰川凍土, 2013, 35(4): 801～813.
- ↑ 劉屹岷, 錢正安. 海-陸熱力差異對我國氣候變化的影響[M]. 北京: 氣象出版社, 2005.
- ↑ Barnett T P, Dümenil L, Schlese U, et al. The Effect of Eurasian Snow Cover on Regional and Global Climate Variations[J]. Journal of atmospheric sciences, 2010, 46(5): 661～686.
- ↑ Blanford H F. On the Connexion of the Himalaya Snowfall with Dry Winds and Seasons of Drought in India[J]. Royal Society of London Proceedings, 1996, 37: 3～22.
- ↑ Qiu Y B, Guo H D, Bin Chanjia, et al. Comparison on snow depth algorithms over China using AMSR-E passive microwave remote sensing[C]//Geoscience and Remote Sensing Symposium (IGARSS), International IEEE, 2014: 851～854.
- ↑ 拉巴卓瑪, 邱玉寶, 除多, 等. 1972～2010年西藏卡若拉冰川面積變化遙感研究[J]. 遙感技術與應用, 2015, 30(4): 784～792.
- ↑ Rutger D, Steven M D J. Monitoring snow-cover dynamics in Northern Fennoscandia with SPOT VEGETATION images[J]. International Journal of Remote Sensing, 2004, 25(15): 2933～2949.
- ↑ Hendrix S D. Variation in Seed Weight and its Effects on Germination in Pastinaca Sativa L. (Umbelliferae)[J]. American Journal of Botany, 1984, 71(6): 795～802.
- ↑ X. Xiao, Q. Zhang, S. Boles, et al. Mapping snow cover in the pan-Arctic zone, using multi-year (1998～2001) images from optical VEGETATION sensor[J]. International Journal of Remote Sensing, 2004, 25(24): 5731～5744.
- ↑ Hall D K, Riggs G A, Salomonson V V, et al. MODIS Snow-Cover Products[J]. Remote Sensing of Environment, 2002, 83(02): 181～194.
- ↑ Che T, Xin L, Jin R, et al. Snow depth derived from passive microwave remote-sensing data in China[J]. Annals of Glaciology, 2008, 49(1): 145～154.
- ↑ Grody N C, Basist A N. Global identification of snowcover using SSM/I measurements[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996, 34(1): 237～249.
- ↑ Dai L, Tao C, Jian W, et al. Snow depth and snow water equivalent estimation from AMSR-E data based on a priori snow characteristics in Xinjiang, China (EI) [J]. Remote Sensing of Environment, 2012, 127(12): 14～29.
- ↑ 馮琦勝, 張學通, 梁天剛. 基於MOD10A1和AMSR-E的北疆牧區積雪動態監測研究[J]. 草業學報, 2009, (1): 125～133.
- ↑ Parajka J, Bloschl G. Spatio-temporal combination of MODIS images-potential for snow cover mapping[J]. Water Resources Research, 2008, 440(3): 79～88.
- ↑ Gafurov A, Bárdossy A. Cloud removal methodology from MODIS snow cover product[J]. Hydrology and Earth System Sciences, 2009, 13: 1361～1373.
- ↑ 黃曉東, 郝曉華, 王瑋, 等. MODIS逐日積雪產品去雲算法研究[J]. 冰川凍土, 2012, 34(5): 1118～1126.
數據引用格式
編輯邱玉寶, 郭華東, 除多, 等. 青藏高原MODIS逐日無雲積雪面積數據集[DB/OL]. Science Data Bank, 2016. (2019-06-06). DOI: 10.11922/sciencedb.170.55.
