基于光學遙感積雪覆蓋度制圖分析

許帆 曹海嘯 南京信息工程大學

引言

積雪在地球表面分布較廣，變化較為活躍，是反映全球能量平衡的重要指標。研究積雪覆蓋信息為研究水文循環、水資源管理、雪災預警等重大課題提供了必要前提。近年來大數據漸漸涉及遙感領域，研究學者們開始嘗試將以深度學習為代表的人工智能技術來解決海量、多源、多尺度遙感數據的解譯與參數反演問題，到目前為止已取得一些階段性進展。

目前，被用于積雪范圍遙感監測與制圖的衛星數據來源大致可分為兩大類：光學與微波遙感。微波遙感產品由于其受制于較低的空間分辨率，因此目前基于亞像元尺度的FSC制圖算法的研究多集中于光學遙感資料。

1 積雪覆蓋率遙感估算研究現狀

1.1 光學遙感積雪覆蓋率制圖類型

光學遙感積雪覆蓋率的提取方法大致可以分為三類：基于回歸模型、混合像元分解和機器學習方法。光學遙感積雪覆蓋率制圖的技術路線框圖如圖1所示：

圖1 FSC提取技術路線圖

1.2 基于回歸模型

積雪覆蓋率和冰雪指數（NDSI）存在著正相關的線性關系，Salomonson等提出了FSC與NDSI的線性回歸模型用于MODSI積雪產品的參數實現，公式如式（1）所示：

Barton等利用TM資料，使用線性光譜混合算法制成積雪面積比例的基礎上，建立了NDSI與積雪覆蓋率之間的曲線擬合模型。Salomonson等通過NDSI估算MODIS像元積雪覆蓋率，該方法以三個國家不同特征區域的TM雪蓋圖為真值，建立回歸模型，驗證結果表明該方法的可泛化性更強。在國內，曹云剛等以TM積雪覆蓋率為真值，建立基于MODIS的NDVI、NDSI與FSC之間的回歸模型。張穎等基于分段建模方法從MODIS MOD09GA產品中提取FSC，經驗證其精度比V5版MODIS積雪覆蓋率產品高。Hao等以Landsat-8/OLI雪蓋圖為參考真值評估MOD10A1(V6)、MODSCAG和MODAGE三種積雪覆蓋率產品在青藏高原地區精度，結果表明MOD10A1積雪漏測誤差較大，MODSCAG在積雪邊界存在多測誤差。

通過回歸擬合的方式建立的積雪覆蓋率反演模型應用廣泛，一定程度能提高積雪范圍遙感監測的精度。但在積雪破碎化區域，結果容易受到雪粒徑大小、積雪深度、黑炭污染等的干擾，模型穩定性較差。

1.3 基于混合像元分解模型

混合像元現象指研究像元中除了積雪之外一般還包含其他的地物類型。此方法是基于光譜分析的，各類地物光譜通過數理模型轉換組成混合像元的光譜。

通過建立混合像元分解模型來解決積雪覆蓋估算問題，是多數研究學者的一項重要方法與手段。Rosenthal等通過使用決策樹的回歸與分類模型進行解混，并計算積雪占比。Vikhamar等提出了針對森林地區優化的MODIS FSC制圖方法。Painter等提出一種基于光譜線性混合模型與輻射傳輸模型的MODIS積雪覆蓋率和雪粒徑反演的模型MODSCAG。國內基于混合像元分解理論的研究也取得一些進展。施建成等通過對MOD09GA數據進行純凈像元自動提取，并利用多端元光譜混合分析實現FSC反演。張穎使用四種不同混合像元分解方法進行青藏高原地區MODIS FSC反演。趙宏宇等基于空間光譜端元發展了國產FY-3D衛星MERSI-II資料積雪覆蓋率提取算法。

基于混合像元分解原理的積雪覆蓋度估算因考慮多種地物光譜特征而較為準確，但其穩定性仍易受復雜地形等因素影響。

1.4 基于機器學習

機器學習方法在應用于積雪覆蓋率反演問題時，可有效融入地形特征、土地覆蓋類型等輔助信息，從而能在復雜地形條件下學習多光譜地表反射率特征與像元積雪覆蓋率之間的非線性關系?；跈C器學習方法的積雪覆蓋度提取原理框圖如圖2所示：

圖2 基于機器學習模型的方法框圖

Dobreva等以MODIS地表反射率、NDSI、NDVI和地表覆蓋類型數據作為輸入，訓練一種用于FSC估計的ANN模型。Moosavi 等將小波分析技術與ANN模型結合。Czyzowska 等利用ANN模型實現復雜高山森林環境中的IKONOS積雪覆蓋度制圖，結果表明該 ANN 模型能很好適應高山森林的異質性。在國內，侯金亮等以MODIS地表反射率數據、NDSI、地表溫度、海拔等數據作為輸入，訓練三層結構的BP神經網絡模型用于黑河流域積雪覆蓋度反演。梁慧等使用線性回歸、線性混合像元分解及BP神經網絡分別對山區進行MODIS積雪覆蓋率反演，以上研究驗證結果均能不同幅度提高提取精度。

相比上述兩類模型，在復雜地形條件下，具有極強非線性擬合能力、可應對高維特征輸入的機器學習模型在積雪參數反演領域可以實現更高的準確度。

2 發展趨勢與展望

目前，關于遙感FSC制圖的多類研究大多是在NDSI指數基礎上開展的單一回歸模型，在處理復雜地形的FSC提取問題還達不到精度要求。混合像元方法是在研究地物光譜的基礎上開展的，在一定程度上能提高FSC的估算精度，但其穩定性依然受地形條件的影響，需要深刻掌握相關先驗知識且運算量巨大，不太符合大范圍尺度下的估算要求。相較上述兩種方法，機器學習方法可移植性較強，能更全面的考慮到地形、下墊面等因素的復雜非線性影響，其利用超高的運算率、在遙感積雪覆蓋度反演問題上，具有更大的應用潛力。但這類模型在構建過程中，仍舊存在“黑箱”模型的傳統弊端，依賴具有大量訓練模型的經驗，難以確定架構和超參。

光學遙感積雪覆蓋度的提取研究仍存在很多可改進的區域，今后的建模工作還需擴大范圍，驗證在不同植被覆蓋條件下的精度結果并提供更多的FSC參數，滿足建模和驗證的雙重需求，以供后續學習的繼承和延續。