高亞洲逐日積雪覆蓋度數據集

高亞洲逐日積雪覆蓋度數據集
作者：邱玉寶　王星星　韓璐璐　常利　石利娟
2017年9月25日

本作品收錄於《中國科學數據》

邱玉寶, 王星星, 韓璐璐, 等. 高亞洲逐日積雪覆蓋度數據集[J/OL]. 中國科學數據, 2017, 2(2). (2018-10-31). DOI: 10.11922/csdata.170.2017.0146.

摘要&關鍵詞

摘要：高亞洲是以青藏高原為主要區域的亞洲高海拔地區，是中低緯度高山積雪的重要分布區，其積雪的動態變化對水和能量平衡及區域氣候具有重要的影響。由於青藏高原地區季節性積雪具有賦存時間短、雪層較薄的特點，在對水循環等問題的理解中，迫切需要日時間尺度的積雪覆蓋度動態監測數據。本數據集基於空間分辨率為500 m的MODIS歸一化積雪指數數據，結合地形和多種雲覆蓋下積雪覆蓋度估算算法的優勢，實現雲覆蓋條件下的積雪覆蓋度再估算，滿足高亞洲地區逐日少雲（＜10％）數據產品的生產要求，構建了2002～2018年高亞洲地區MODIS逐日積雪覆蓋度數據集。選取無雲條件下的二值積雪產品作為參考，通過雲量分布和積雪總面積的時空對比，表明該產品的時空特徵和二值產品具有較好的一致性。以2013年冬季為例，當積雪覆蓋度大於50％時，其相關性可達0.8628。本數據集可為高亞洲地區的積雪動態監測、氣候環境、水文和能量平衡、災害評估等研究提供逐日積雪覆蓋度數據。

關鍵詞：青藏高原；積雪覆蓋度；MODIS；雲覆蓋

Abstract & Keywords

Abstract: High Asia, defined as the high altitude area of Asia (including mainly the Tibetan Plateau), is an important area of snow distribution in low- and mid-latitude regions. The dynamic changes of snow in this area have notable effects on water, energy balance and regional climate. As the seasonal snow in the Tibetan Plateau is both typically shallow and exhibits short duration, it is necessary to understand changes in snow cover on a daily time scale. This article describes a novel snow cover dataset named 「daily fractional snow cover (FSC) data set over High Asia (2002 – 2018)」. The daily snow cover data of this data set are derived from the MODIS normalized snow index data with a spatial resolution of 500 meters. Data processing involves the application of additional terrain data and a variety of snow cover cloud elimination algorithms. The new dataset provides a cloud-free estimate (cloud cover < 10%) of FSC over High Asia, which meets the input requirements of energy models. Binary snow products under cloud-free conditions are selected as reference data to conduct an inter-comparison of cloud distribution and total cloud area in a time series analysis. Results show that fractional snow cover products are mostly consistent with binary snow products in both space and time during snow accumulation, though some deviation appears in the snow ablation period. In the case of winter 2013, when the fractional snow cover was greater than 50％, the correlation coefficient of the two products was up to 0.8628. This data set is expected to provide high temporal-resolution data for the dynamic monitoring of snow over High Asia, as well as research on climate environment, hydrological and energy balance and disaster assessment.

Keywords: Tibetan Plateau; fractional snow cover; MODIS; cloud cover

數據庫（集）基本信息簡介

數據庫（集）中文名稱	高亞洲逐日積雪覆蓋度數據集
數據庫（集）英文名稱	Daily fractional snow cover dataset over High Asia
數據作者	邱玉寶、王星星、韓璐璐、常利、石利娟
通訊作者	邱玉寶（qiuyb@radi.ac.cn）
數據時間範圍	2002年7月至2018年6月
地理區域	高亞洲是亞洲中部以青藏高原為中心的高海拔區域，地理範圍為北緯26°～46°，東經62°～105°；其中包括青藏高原、喜馬拉雅山、帕米爾高原、天山、柴達木盆地等；地理區域範圍涉及到的國家和地區包括：中國、緬甸、尼泊爾、不丹、印度等。
空間分辨率	500 m	數據量	27.2 GB
數據格式	Geotiff
數據服務系統網址	http://www.sciencedb.cn/dataSet/handle/457
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）、中國科學院國際合作局對外合作重點項目（NO. 131CllKYSB20160061）、國家自然科學基金（NO. 41371351）
數據庫（集）組成	本數據集由17個壓縮包（2002～2018年，按年度區分）組成：HMA_MODIS_FSC_2002.zip、HMA_MODIS_FSC_2003.zip……HMA_MODIS_FSC_2018.zip，數據量共27.2 GB。

引 言

積雪是地球上變化最快的自然要素之一，它對水能循環、融雪徑流模型和生態模型的構建、雪災的檢測與評價、區域氣候的研究都有重要影響^[1]。以青藏高原為中心的高亞洲地區是我國主要的積雪區域，是中低緯度冰雪較為集中的地區，積雪也是地表徑流和地下水的主要補給來源之一^[2]。高亞洲積雪的動態監測將有助於對山地環境、全球變化的理解^[3]，所以對高亞洲積雪進行準確的動態監測顯得尤為重要^[4][3][2][1]。

目前，衛星遙感以其大規模、快速、周期性、多尺度、多時相、低成本等優勢在積雪的動態監測中發揮着重要作用，其中MODIS（Moderate-Resolution Imaging Spectroradiometer）以中等空間分辨率和高時間分辨率的特性得到廣泛應用^[5]，特別是在積雪二值產品和覆蓋度產品方面具有較高的監測精度^[6]，但由於雲覆蓋的影響，逐日監測需要考慮雲條件下的積雪再估算問題。MODIS積雪二值產品的雲覆蓋條件下再判斷問題已獲得較高精度的處理^[7]，並已經形成數據集。積雪覆蓋度是對積雪度量更精確的描述，被認為是像素中可見積雪的面積比例，用百分比來描述，範圍為0％～100％，其與二值積雪產品相比，可以有效地表達雪蓋程度信息，從而更準確地反映積雪覆蓋變化特徵^[8]。

光學遙感易受天氣影響，在很大程度上制約了積雪估算。特別是高亞洲部分地區，水汽交換頻繁、積雪賦存時間短，變化快，這就需要高時間分辨率的積雪覆蓋數據來監測。本數據集結合國內外學者針對MODIS積雪產品的雲處理方法^{[9][10][11][12][13][14][15][16][17][18][19][20][21]}，考慮高亞洲地區地理環境和氣候的複雜性，在最大限度保證積雪覆蓋度精度的情況下，將時間、空間插值和積雪分布等信息代入去雲算法，將雲污染降低到小於10％的逐日觀測水平。本數據集以MODIS版本6的歸一化積雪指數（Normalized Difference Snow Index，NDSI）數據為基礎，採用傳統算法估算積雪覆蓋度（FSC），利用MODIS/Terra上午星和MODIS/Aqua下午星監測，通過5個步驟逐步對雲污染進行處理、估算雲下積雪覆蓋度，並結合高亞洲地區積雪二值產品對積雪覆蓋度產品進行對比驗證分析。本數據集包含了高亞洲近15年（2002～2016年）以來的逐日積雪覆蓋度數據。

1 數據和處理

1.1 輸入數據

MODIS遙感數據來源於美國冰雪數據中心NSIDC（https://modis.gsfc.nasa.gov/data/），为MODIS Snow Cover Daily L3 Global 500 m Grid數據，包括MODIS/Terra上午星數據（MOD10A1）和MODIS/Aqua下午星數據（MYD10A1）的歸一化積雪指數NDSI數據產品，數據格式為hdf，投影方式為正弦曲線地圖投影。高亞洲地區的積雪覆蓋度產品覆蓋範圍如圖1所示。

數據處理過程中所採用的數字高程模型（DEM）數據來源於地理空間數據云（http://www.gscloud.cn/search#1084）提供的SRTM数据集，数据格式为Geotiff，分辨率为90 m。

圖片

圖1 高亞洲研究區域和所選用的MODIS軌道覆蓋示意圖

1.2 數據處理

1.2.1 數據預處理

採用WGS84坐標系下的UTM投影，將所獲取的MODIS版本6的NDSI數據做拼接、投影轉換、裁剪等處理後，用於計算MODIS積雪覆蓋度（單位為%），其方程為FSC＝[−0.01＋（1.45×NDSI）]×100.0 （0.0≤NDSI≤1.0），規則為:

（1）若計算得到FSC≤0，則像素賦值為FSC=0；

（2）若計算得到0<FSC≤100，則像素賦值為計算得到的FSC；

（3）若計算得到FSC>100，則像素賦值為FSC=100。

MODIS版本6（C6）的歸一化積雪指數是對版本5（C5）的修正^[7]，應用定量圖像恢復（QIR）算法恢復了丟失的MODIS/Aqua波段6數據，使MODIS/Aqua和MODIS/Terra具有相當的質量和精度^[7]，最後，利用積雪在可見光（VIS，波段4）的反射和短波紅外（SWIR，波段6）波段吸收的波譜特性來估算積雪指數：NDSI＝（band4－band6）／（band4＋band6）。

在C6中沒有積雪覆蓋度的數據發布，因此需通過NDSI計算，採用的方程為：FSC＝[−0.01＋（1.45×NDSI）]×100.0 （0.0≤NDSI≤1.0）。其中FSC的計算是基於NDSI與FSC從MODIS（Terra和Aqua，500 m分辨率）和Landsat TM（30 m分辨率）數據之間發展而來的經驗回歸關係^[22]。

圖片

圖片

圖2 MODIS版本6與版本5上下午星積雪覆蓋度對比分析

通過C5與C6的上下午星數據（MOD、MYD）空間分布比較和積雪像元數散點圖的對比（圖2）可明顯看出，在C6中由NDSI計算得到的FSC與C5中的FSC相比，相關性達到0.98，具有較高可信度和一致性。

此外，對DEM數據進行數據拼接、投影轉換和裁剪，並將其重採樣成與MODIS歸一化積雪指數相匹配的輔助數據。

1.2.2 雲覆蓋條件下積雪覆蓋度的估算

基於上述所獲得的逐日MODIS積雪覆蓋度數據，採用以下5個步驟開展雲覆蓋條件下的積雪覆蓋度估算。具體流程如圖3所示。

步驟1：MODIS上下午星數據合成

在陰天（雲覆蓋）情況下，假設短時間內積雪覆蓋度情況基本保持不變，對MODIS數據進行上下午星積雪覆蓋度的合成，合成算法描述如下：

（1）若上午或下午相同位置的像元至少一個是內陸水體，則合成產品為內陸水體；

圖片

圖3 雲覆蓋條件下的積雪覆蓋度估算處理流程圖

（2）若上午星與下午星相同位置像元的積雪覆蓋度在0～100之間，則合成產品為上下午積雪覆蓋度的均值；

（3）基於上午星數據精度高於下午星數據的結論^[23]，若上午星和下午星相同位置像元均為非雲像素，則以上午星像元值為準；

（4）若上午星和下午星相同位置像元有一個被雲覆蓋，而另一個為陸地或積雪，則直接採用陸地或積雪覆蓋度替代雲覆蓋條件下的像元值；

（5）若合成像素仍有數據缺失或其他無效值，則都賦值為雲。

步驟2：連續三天合成

由於陰天（雲多）積雪融化概率低，在時間窗口為3天時，認為在這一時間跨度內積雪覆蓋度維持不變，根據臨近日的雪蓋信息將當天的雲像素重新分類，算法如下：

（1）前一日與後一日相同位置像素同為積雪覆蓋度，則當日合成積雪產品的雲像素為前後兩日積雪覆蓋度的均值；

（2）前一日與後一日相同位置像素同為陸地，則當日雲像素分類為陸地；

（3）前一日與後一日相同位置像素至少一個是內陸水體，則當日雲像素分類為內陸水體。

步驟3：短時間內「最小」冰雪覆蓋

以積雪年為研究時段，將每年的7月1日至次年6月30日作為一個積雪年。一個積雪年分為3個時間段：7月1日至9月30日為夏季，10月1日至次年的4月30日為冬季，次年5月1日到6月30日為夏季。

在高亞洲高海拔山區，採用分時段開展雲覆蓋下的積雪覆蓋度估算，而高原腹地降雪少，則可設定條件進行判斷，並將相應的雲像元判斷為陸地。對積雪年的3個時間段進行「最小雪冰覆蓋區」和「最小陸區」的分析和統計，構建如下判斷規則：

（1）給定時段內「最小雪冰覆蓋區」雲像元判定：當高程大於5800 m，且像元為積雪覆蓋度值，以給定時段為研究周期，求取其均值作為雲像元的積雪覆蓋度；而高程在3000～5800 m，且為積雪覆蓋像元，在研究時段內若滿足被雲覆蓋的天數與該像元為積雪的天數之和大於總天數的90％，則以該時間段均值作為雲覆蓋下的積雪覆蓋度；

（2）給定時段內「最小陸地區」雲像元判定：滿足該像元被雲覆蓋的天數小於這一時間段總天數的20％，且該像素被雲覆蓋天數與該像素為陸地天數之和等於總天數時，則該時間段該像元為無雪覆蓋的陸地像元；

最後用合成的各時間段「最小」積雪和「最小」陸地的圖像代替相應時間段對應位置的雲像元。

步驟4：臨近三像元法

基於積雪在空間上的連續性，即可根據云像元周圍的非雲像元信息對積雪覆蓋度進行再估算。臨近三像元考慮與雲像元相鄰的4個像元中包含3個以上像元相同的情況，雲像元判別規則如下：

（1）若雲像元上下左右4個像元中至少有3個為積雪，則將中心雲像元賦值為臨近八像元中積雪像元的均值；

（2）若雲像元上下左右4個像元中至少有3個為陸地，則將中心雲像素賦值為陸地；

（3）其他情況則保留原雲像素值；

步驟5：八天最大陸地範圍掩膜

基於以上步驟合成的少雲產品，已經盡最大可能減少了雲像元的分布。最後，採用合成「八天最大陸地範圍掩膜」的方法開展雲覆蓋下像元的進一步判斷，其判別條件如下：

（1）若8天中相同的像元位置至少有1天為內陸水體，則合成產品的相應像元為內陸水體；

（2）若8天中相同的像元位置至少有1天為陸地，則合成產品的相應雲覆蓋像元為陸地。該步驟對於雲覆蓋條件下以陸地優先為原則的再判斷，最大限度地減少了雲的覆蓋，其基本的假設前提為：8天內只要有無雲的情況（或積雪覆蓋度極小的情況），即可認為該時段的積雪不穩定，或者積雪覆蓋度比較小，統計表明該步驟可以最大程度地對（如圖4），可達10.1％。但由於高亞洲地區積雪變化速度快、賦存時間短，所以該步驟對於逐日積雪覆蓋度的變化監測存在着一定的不確定性。

2 數據樣本描述

2.1 命名規則

高亞洲地區MODIS逐日積雪覆蓋度產品數據集的命名遵循如下規則：HMA_MODIS_FSC_YYYYDDD.tif。通過文件名，能夠獲取關於此數據文件的以下信息，其中：

（1）HMA_MODIS_FSC：表示高亞洲地區MODIS逐日積雪覆蓋度產品；

（2）YYYY：表示年份；

（3）DDD：表示產品時間為YYYY年第DDD天（以每年1月1日為第一天）。

例如：HMA_MODIS_FSC_2012006.tif，表示高亞洲地區2012年1月6日MODIS積雪覆蓋度產品。

2.2 分類描述

高亞洲地區MODIS逐日積雪覆蓋度產品的像素值信息如表1所示：

表1 像素信息描述表

MODIS編碼	地物屬性
0～100	積雪覆蓋度
225	陸地
237	內陸水體
250	雲

3 數據質量控制和評估

3.1 各算法步驟雲覆蓋量變化分析

圖4以2014年為例，顯示了研究區內雲覆蓋條件下的積雪覆蓋度估算過程中雲覆蓋量的變化。

圖片

圖4 雲覆蓋量變化結果

圖4統計結果表明：原始MOD10A1和MYD10A1的平均雲量分別為39.3％和43.6％，該積雪產品不能直接用於每日積雪的實時動態監測，需要結合時間插值、空間插值等雲覆蓋條件下的再估算，以推理判斷為基礎去除雲量。通過對上下午星數據進行合成處理，平均雲量降到32.8％，減少的雲量約為上午星數據的6.5％，約為下午星數據的10.8％。臨近日合成（三天合成）處理後，平均雲量降到25.7％，減少的雲量約為7.1％，有效減少了雲量，但仍無法滿足積雪動態監測的要求，需進一步處理雲像素。在以上處理步驟的基礎上，利用積雪空間上的相關性對雲像素採用空間插值的處理方法，即採用臨近像元的方法去除雲污染，去除的雲量約為0.57％。由於高亞洲地區存在較穩定的積雪和極少下雪的區域（認為是非積雪覆蓋區），可利用該特點對雲覆蓋下的積雪覆蓋度進行處理，該過程減少的雲量約為5.2％。八天最大陸地範圍掩膜方法是利用短時間內積雪覆蓋的相關性去除雲污染，去除的雲量約為10.1％，最終合成的積雪覆蓋度產品依然有少量的雲存在，但是雲量已經控制在10％以內。

3.2 積雪覆蓋度產品同二值產品的時空對比分析

為驗證積雪覆蓋度產品的可信度，隨機選取同一時間段的逐日無雲覆蓋二值積雪產品數據^[21]作為參考，分析產品間的一致性。從圖5（2015年5景圖像）所示空間分布對比中可以看出，兩種產品在空間分布上非常一致，積雪覆蓋度產品在積雪區域邊緣體現了更多的細節。然而由於積雪覆蓋度產品較難實現完全無雲的逐日估算，在對比分析中，依然出現了少量的雲覆蓋，特別是在高原腹地積雪變化比較快速的區域。但圖4表明，雲覆蓋像元數的總體比例小於10％。所以總體而言，該產品還是有較高的可信度。

圖片

圖片

圖片

圖片

圖片

圖5 積雪二值產品與積雪覆蓋度產品空間分布對比

在時間序列上，選取積雪二值產品和積雪覆蓋度產品在一個積雪年中的冬季時段的數據開展積雪面積（像元數）的對比。圖6所示為2013年10月1日至2014年4月30日，長時間序列的積雪像元數（間接反應了面積），可以看出積雪覆蓋度產品與二值產品在時間序列上有較強的一致性，尤其是覆蓋度大於50%的產品。

因此，通過空間對比和時間系列對比可知，積雪覆蓋度產品對積雪的監測與同時期的二值產品一致性高，但積雪覆蓋度可以有效地傳遞出積雪覆蓋比例的信息，明顯優於二值產品。

圖片

圖6 兩種積雪產品的積雪像元數對比

4 數據使用方法和建議

本數據集共享了高亞洲地區2002～2018年逐日積雪覆蓋度產品，是對高亞洲地區積雪二值產品的重要補充。數據文件按年份分別壓縮存儲，並採用Geotiff格式，用戶可根據實際情況按照年份選擇下載。本數據集可以在日尺度上反映高亞洲地區積雪覆蓋度的變化特徵，可用於積雪時空變化分析和氣候變化研究，對於高亞洲區域氣候環境、水文和能量平衡災害評估等研究具有重要的價值。

數據作者分工職責

邱玉寶（1978—），男，江西人，博士，副研究員，從事環境遙感應用研究。主要承擔工作：算法和處理過程建模。

王星星（1993—），女，山西人，碩士生，從事遙感應用研究。主要承擔工作：數據預處理與數據生產。

韓璐璐（1995—），女，山西人，本科生，從事遙感應用研究。主要承擔工作：數據預處理與數據生產。

常利（1991—），女，河南人，碩士生，從事遙感應用研究。主要承擔工作：數據預處理與數據生產。

石利娟（1987—），女，河南人，博士生，從事積雪遙感應用研究。主要承擔工作：數據收集和數據預處理。

致 謝

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

1. ^ ^{1.0 1.1} 唐志光, 王建, 彥立利, 等. 基於MODIS的青藏高原亞像元積雪覆蓋反演[J]. 乾旱區資源與環境, 2013, 27 (11): 33–38.
2. ^ ^{2.0 2.1} George A, Dorothy K. MODIS Snow Products Collection 6 User Guide[EB/OL]. (2015-12-11) [2017-07-18]. http://nsidc.org/sites/nsidc.org/files/files/MODIS-snow-user-guide-C6.pdf.
3. ^ ^{3.0 3.1} 唐志光, 王建, 李弘毅, 等. 青藏高原MODIS積雪面積比例產品的精度驗證與去雲究[J]. 遙感技術與應用, 2013, 28 (3): 423–430.
4. 李培基. 高亞洲積雪分布[J]. 冰川凍土, 1995, 17 (4) : 291–298.
5. 柏延臣, 馮學智. 積雪遙感動態研究的現狀及展望[J]. 遙感技術與應用, 1997, 12 (2): 59–65.
6. Hall D, Riggs G, Barton J. Algorithm Theoretical Basis Document (ATBD) for the MODIS Snow and Sea Ice-Mapping Algorithms [R]. NASAGSFC Technical Report, 2001.
7. ^ ^{7.0 7.1 7.2} 張歡, 邱玉寶, 鄭照軍, 等. 基於MODIS的青藏高原季節性積雪去雲方法可行性比較研究[J]. 冰川凍土, 2016 (03): 714–724.
8. Nolin A. Recent advances in remote sensing of seasonal snow[J]. Journal of Glaciology, 2010, 56 (200): 1141–1150.
9. Dietz A, Kuenzer C, Conrad C. Snow cover variability in Central Asia between 2000 and 2011 derived from improved MODIS daily snow cover products[J]. International Journal of Remote Sensing, 2013, 34(11): 3879–3902.
10. Paudel K, Andersen P. Monitoring snow cover variability in an agropastoral area in the Trans Himalayan region of Nepal using MODIS data with improved cloud removal methodology[J]. Remote Sensing of Environment, 2001 (115): 1234–1246.
11. Gao Y, Xie H, Yao T, et al. Integrated assessment on multi-temporal and multi-sensor combinations for reducing cloud obscuration of MODIS snow cover products of the Pacific Northwest USA[J]. Remote Sensing of Environment, 2010, 114(8): 1662–1675.
12. Gafurov A, Bárdossy A. Cloud removal methodology from MODIS snow cover product[J]. Hydrology and Earth System Sciences, 2009, 13: 1361–1373.
13. Parajka J, Bloschl G. Spatio-temporal combination of MODIS images-potential for snow cover mapping[J]. Water Resources Research, 2008, 440(3): 79–88.
14. Thirel G, Salamon P, Burek P, et al. Assimilation of MODIS snow cover area data in a distributed hydrological model[J]. Hydrology & Earth System Sciences Discussions, 2011, 8(1): 1329–1364.
15. Gao Y, Xie H, Lu N, et al. 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(1–4): 23–35.
16. López-Burgos V, Gupta H, Clark M. Reducing cloud obscuration of MODIS snow cover area products by combining spatio-temporal techniques with a probability of snow approach[J]. Hydrology and Earth System Sciences, 2013, 7(5): 1809–1823.
17. Dietz A , Wohner C, Kuenzer C. European Snow Cover Characteristics between 2000 and 2011 Derived from Improved MODIS Daily Snow Cover Products[J]. Remote Sensing, 2012, 4(8): 2432–2454.
18. Yu X, Qiu Y, Guo H, et al. Cloud removing method for daily snow mapping over Central Asia and Xinjiang, China[C]. IOP Conference Series: Earth and Environmental Science, 2017, 57. DOI: 10.1088/1755-1315/57/1/012048.
19. Furtado J, Cohen J, Butler A, et al. Eurasian snow cover variability and links to winter climate in the CMIP5 models[J]. Climate Dynamics, 2015: 2591–2605.
20. Hall D, Riggs G, Salomonson V, et al. MODIS Snow-Cover Products[J]. Remote Sensing of Environment, 2002, 83(1): 181–194.
21. ^ ^{21.0 21.1} 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（2002～2015年）[J/OL]. 中國科學數據, 2016, 1(1). DOI: 10.11922/csdata.170.2016.0003.
22. Salomonson V, Appel I. Estimating fractional snow cover from MODIS using the normalized difference snow index[J]. Remote Sensing of Environment, 2004, 89(3): 351–360.
23. Wang X, Xie H, Liang T, et al. Comparison and validation of MODIS standard and new combination of Terra and Aqua snow cover products in northern Xinjiang, China[J]. Hydrological Processes, 2010, 23(3): 419–429.

數據引用格式

邱玉寶, 王星星, 韓璐璐, 等. 高亞洲逐日積雪覆蓋度數據集[DB/OL] Science Data Bank, 2017. (2018-10-29). DOI: 10.11922/sciencedb.457.