一種基于降噪自編碼神經網絡的積雪產品去云方法

張永宏 陳帥 王劍庚 朱靈龍 陳詩偉

摘要

目前應用最為廣泛的積雪覆蓋區域圖（SCA）可由中分辨率成像光譜儀（MODIS）獲取，常被用于積雪覆蓋時空變化的研究中．由于受云遮擋的影響，MODIS積雪產品存在較大區域的數據缺失．為了消除云遮擋的影響，本文構建一種降噪自編碼神經網絡模型，建立雪粒徑與復雜地形、土地覆蓋類型之間的復雜的映射關系，實現云下積雪參數的補全，提高積雪產品的覆蓋面積．本文選取開都河流域為研究區域，將MODIS反演得到的積雪產品數據與地形地物數據結合，并通過降噪自編碼神經網絡（Denoising Autoencoder Artificial Neural Network）、極值雪線法相結合的方法來定量地回歸補全高山復雜地形下由于云覆蓋導致的積雪缺失數據，從而得到無缺失的逐日雪蓋數據．其中，降噪自編碼神經網絡融合多特征數據，建立地形特征與雪粒徑數據之間的非線性映射關系，從而來補全云層下的雪粒徑數據;極值雪線法主要用來去除低海拔地區誤報值，進一步提高雪蓋提取精度．采用MODIS積雪產品對去云結果開展精度驗證，本文所提出的去云方法的精度超過86％，有效地提高了雪蓋提取精度．因此，本文所提的算法可以有效地去除復雜地形區域的云覆蓋．

關鍵詞降噪自編碼神經網絡;極值雪線法;復雜地形;去云

中圖分類號

P426.63+5;P407.8

文獻標志碼

A

收稿日期

2021-06-10

資助項目

國家自然科學基金（41875027，41871238）

作者簡介張永宏，男，博士，教授，主要從事大氣遙感檢測、圖像處理分析研究.zyh@nuist.edu.cn

0 引言

作為現代氣候系統的五大圈層之一的冰凍圈，其中的積雪分布最為廣泛，并且是高海拔地區農田灌溉以及居民生活的主要用水來源［1-2］，過量的積雪也會引發積雪災害［3］．新疆作為我國冰雪儲存量最為豐富的地區，其積雪的儲存量位居全國之首，約占全國積雪資源的三分之一［4］．而位于新疆天山南坡的開都河流域，是山間盆地的典型區域，冰雪融水與降水是當地的主要水資源補給，其中積雪的變化直接影響著開都河流域的徑流變化［5］．

為了獲取開都河流域長時間、大范圍的積雪覆蓋信息，中分辨率成像光譜儀（Moderate-resolution Imaging Spectroradiometer，MODIS）積雪產品逐步得到應用，對于該儀器的諸多研究［6-7］表明MODIS數據在探測積雪信息方面具有很強的能力．衛星遙感所提供的多尺度、長時間序列、高空間分辨率且時間連續的衛星數據，對于定量、定性監測積雪信息與變化具有重要且積極的作用．但同時，MODIS作為一顆光學衛星，云遮擋限制了該產品的使用．諸多科研人員對積雪影像中的云像元去除進行了大量的研究，可以概括為：多傳感器融合法、時間或空間過濾法、模型驅動法［8］．

多傳感器融合的去云方法融合光學遙感數據與微波遙感數據，利用微波對云的穿透性，實現對云層下積雪信息進行獲取［9-11］．時間或空間過濾法是另一種常用的去云方法．時間與空間過濾法可以單獨使用，但通常綜合使用來達到更佳的去云效果［12-15］．然而這些方法在積雪積累期，山地的云覆蓋持續時間較長，去云精度降低，并且受季節、地形特性等環境因素影響．

模型驅動法主要依賴于建立積雪與其他環境因素之間的關系模型．Jain等［16］探討了喜馬拉雅地區積雪與海拔高度之間的相互關系，對積雪覆蓋面積（SCA）與積雪持續時間（SCD）進行估計，得到積雪覆蓋面積與積雪持續時間隨海拔的變化趨勢．Kour等［17］評估了喜馬拉雅山西部奇納布河盆地的積雪覆蓋面積百分比與海拔、坡度以及坡向之間的關系，結果顯示積雪覆蓋面積百分比與地形之間存在著密切的關系．侯海艷等［18］將新疆北部地區觀測資料建立人工神經網絡，通過優選模型較為合理地估算了北疆地區的積雪深度信息．

本研究提出降噪自編碼神經網絡與極值雪線相結合的方法對MODIS積雪數據中的云覆蓋像元進行去除．

本文以MODIS數據反演所得的積雪產品為研究對象，采用回歸模型從定量角度對積雪信息進行分析估計，從而從積雪數據中去除云覆蓋像元，并生成研究區域的逐日連續的積雪覆蓋數據．

1 研究區域概況

如圖1所示，研究區域位于新疆天山南坡的開都河流域（82.94°～86.02°E，42.19°～43.35°N）.天山地區的降水主要受西風氣流和北冰洋氣流的水汽影響，開都河也是我國最長的內陸河流——塔里木河的四大主要源流之一，屬于暖溫帶大陸性干旱氣候［19］．

開都河流域北高南低，地形復雜，流域上游段海拔高度一般在3 000 m以上，區域內最高山峰為克勒代烏拉，海拔4 679 m．海拔3 600 m以上地域常年積雪，地形以山脈為主，且地勢險峻、人煙罕至、積雪零碎，該區域內觀測站稀少［20］．在開都河流域腹地，衛星數據反演的精度相對較低，且在云遮擋情況下由于缺少地面站數據而導致驗證困難．所以本文基于衛星遙感數據利用神經網絡的方法，對氣象要素以及地形參數進行聯合訓練來估計缺失的積雪信息，以期有效地減少衛星遙感影像中的云干擾，研制無云或少云的雪蓋數據．

2 數據來源

2.1 雪粒徑數據

雪粒徑是描述積雪微觀物理性質的一項重要參數，其時空分布作為融雪徑流模型、雪化學模型以及氣候模型的輸入參數，對融雪進行評估具有重要意義［21］．本研究主要以反演所得積雪產品作為研究對象，基于量化積雪數據進行模型搭建，估計被云遮擋的雪粒徑數值，從而達到對積雪產品的去云處理效果．許多研究表明，基于MODIS 500 m分辨率數據能夠較理想地模擬雪粒徑［22-24］．本文所選用的數據包括2000—2020年空間分辨率為500 m的MODIS反演得到的逐日雪粒徑原始數據［25］，數據相關參數如表1所示．

2.2 數字高程數據

數字高程模型（Digital Elevation Model，DEM），是地表地貌信息的數字化表達，利用DEM作為輸入數據源，是實現積雪識別的一種有效的方法［26］．積雪日數和DEM之間存在著明顯的正相關關系，積雪的空間分布變化受海拔高度差異因素的影響［27］．本文所使用的是來源于地理空間數據云的ASTER GDEM V2數據集．通過Arcgis軟件對其進行數據預處理，包括對原始DEM數據進行鑲嵌、投影，按照所研究開都河流域的矢量圖進行裁剪處理，同時采用雙線性插值方法將裁剪所得的DEM數據的空間分辨率由30 m上采樣為500 m，最后得到分辨率為500 m的開都河流域DEM數據．

2.3 土地覆蓋類型數據

雪粒徑在時空關系上的變化與氣象條件、下墊面性質密切相關．采用MODIS衛星反射率數據的監督分類得到的土地覆蓋類型產品（Land Cover data）MCD12Q1地物數據，其為分辨率500 m的土地覆蓋類型描述數據，共包含17個土地覆蓋類型．研究區植被多為旱生植物，且植被種類較多［28］，主要以草地為主，在盆地平原存在較大面積濕地，在高海拔山嶺主要分布大量的雪和冰．

3 研究方法

3.1 基于極值雪線法的高程濾波模型

為了減少本文降噪自編碼神經網絡回歸模型對較低海拔分類誤差較大的后果，采用極值雪線法進行處理．在高山地區，海拔通常被認為是雪蓋分布的主導因素［29］，而極值雪線法正是通過對無云像元的海拔信息對云覆蓋進行剔除的．

雪線法通常基于最小積雪像元的海拔作為陸地線，最大積雪像元的海拔作為雪線．處理時將低于陸地線海拔地區的云覆蓋分類為陸地，將高于雪線海拔地區的云覆蓋分類為雪蓋，而位于陸地線與雪線之間范圍的云覆蓋不進行分類［30］.雪線法去除精度相對較高，但是，雪線法的除云精度會隨著云覆蓋比例的增加而降低［31］．除此之外，區域雪線法也常用于去除一定海拔范圍內的云覆蓋，該方法中的陸地線和雪線是由所有陸地像元以及所有積雪像元海拔高度的平均獲得［32］，相較于極值雪線法，該方法不適用于本研究區域，因為均值雪線法極易受到高海拔與低海拔地區無云像元的影像，從而使結果精度大大降低．極值雪線法公式如下：

S（x，y，t）=0， H（x，y）

式中：S（x，y，t）為當天（t）的x，y位置上像元的積雪覆蓋，即S（x，y，t）=0

時為陸地;H（x，y）

為x，y位置上像元的海拔高度;H min（t）

為當天（t）的陸地線閾值，即積雪覆蓋像元的最低海拔高度．考慮到本研究地區主要位于高海拔地帶，為了減少對高海拔的雪數據缺失像元誤分類為積雪，對雪線則設定為最高海拔．本文的方法是找到雪覆蓋的最低海拔高度，即設定為當前單景數據的陸地線．

3.2 基于降噪自編碼神經網絡的雪粒徑回歸模型

降噪自編碼神經網絡是一種無監督的前饋神經網絡學習模型［33］，其輸出是輸入的非線性映射，并且能夠對數據的深層特征進行自動提取，實現數據特征降維處理以及自主學習特征映射關系［34］．自編碼神經網絡具有三層結構，分別是輸入層、隱藏層和輸出層．第一層包含4個節點，每個節點均與每個輸入相連;以此類推，下一層與上一層相連．由輸入層到隱藏層是編碼過程，其將輸入x（t）映射到隱空間，即編碼為

h=δ（Wx+b）.（2）

由隱藏層到輸出層是解碼過程，解碼過程是將潛在向量x作為輸入從低維空間中重建輸入，即解碼為

=δ′（W′x+b′），（3）

式中：δ，δ′

分別為編碼與解碼過程的激活函數;W，W′

分別為編碼與解碼過程的權重;b，b′

為解碼過程的偏置;x作為輸入，

是解碼的輸出，可以認為是輸入x的預測值．根據經驗與輸入數據特點，本文采用Relu激活函數，相較于Sigmoid激活函數收斂速度更快，使神經網絡具備了非線性特征學習能力．本文降噪自編碼神經網絡模型包括多特征數據和神經網絡兩個主要部分，基本結構如圖2所示．

采用深層自編碼器（Deep Autoencoder，DAE），在編碼器和解碼器之間堆疊更多隱藏層，網絡模型輸入數據包括雪粒徑、高程、坡向、坡度和地類數據樣本．從輸入到輸出的維度分別為256→128→64→128→256．自編碼器通常會學習到低維度數據信息，該低維度信息通常可以提供更好的輸入表示［35］，進行特征選擇和特征提取，去掉數據集中夾雜的噪聲，在相對較小的數據集上有較高的魯棒性［36］．同時為了防止模型過擬合，將模型的dropout參數設置為0.4，這可以通過阻止神經元的激活狀態來提高神經網絡的性能［37］．模型訓練參數的批處理大小為1 000，最大訓練次數為200個Epoch.根據經驗選擇學習率為0.000 1，使用Adam優化算法對網絡參數進行優化．

對于訓練過程中常采用的損失函數是均方根誤差（RMSE，其量值記η RMSE）、平均絕對誤差（MAE，其量值記為η MAE），各計算公式為

η RMSE=1N∑Nn=1‖x n- n‖2，（4）

η MAE=1N∑Nn=1‖x n- n‖，（5）

式中：n為觀測樣本數;x n

為模型的模擬值; n

為模型的真實觀測值．當RMSE和MAE的值均為零時，認為模型的模擬性最好．通過不斷迭代訓練自編碼神經網絡來學習和更新權重矩陣和偏置向量，將給定的輸入向量x與估計向量

進行計算比較，通過不斷迭代使損失函數達到最小化來完成神經網絡的學習過程．

4 結果與分析

4.1 積雪產品去云結果

4.1.1 單景雪粒徑去云結果

為了驗證本文方法對缺失雪粒徑數據估計效果，選擇云量較少且大范圍出現降雪天氣的一天進行研究，以2018年5月25日為例．按照訓練集80％占比以及測試集20％占比，對降噪自編碼神經網絡進行網絡訓練，訓練過程如圖3所示．

從模型的訓練誤差曲線與測試損失曲線可以看出，在經過200次迭代（Epoch）訓練后，模型的訓練損失與測試損失達到較低且波動較小，網絡達到了最佳的訓練結果且模型收斂速度很快，說明本文的降噪自編碼神經網絡能夠有效地建立多特征輸入數據與雪粒徑之間的映射關系以達到較高的去云精度．在經過3.1節的極值雪線法處理后，將模型輸出按照預定的柵格位置信息填充到原始雪粒徑影像，如圖4所示，最終得到完整的雪粒徑數據影像．

圖4a與4b分別是雪粒徑去云前后的數據影像，其中數據包括云覆蓋（黑色）、積雪覆蓋（雪粒徑大小范圍從0～1 000 μm）以及陸地部分（綠色）．與原始的MODIS雪粒徑產品相比，經過本文的降噪自編碼神經網絡以及極值雪線法處理后，有10.6％的缺失數據被分類為陸地，積雪的覆蓋率增加了10.15％，積雪覆蓋有了明顯增加．

為了驗證本文所提方法的有效性，在相同數據集的情況下，分別與回歸決策樹（Classification And Regression Tree，CART）［38］、K最近鄰（K-Nearest Neighbor，KNN）［39］、隨機森林（Random Forest，RF）［40］、嶺回歸（Ridge Regression，RR）［41］以及支持向量回歸（Support Vector Regression，SVR）［42］進行試驗對比．表2列出了在本文所使用的相同數據集上，各種回歸模型方法的均方根誤差（RMSE）與平均絕對誤差（MAE）．

從表2中的對比結果可以看出，6種方法的模型精度有所不同，其中回歸決策樹的誤差最大.因為回歸決策樹在模型訓練過程中容易發生過擬合現象，且在進行屬性劃分時，不同的判別準則會導致不同的屬性傾向而使精度降低．相比較其他5種機器學習方法，本文所提方法對雪粒徑數據的去云結果整體上明顯改善，且RMSE與MAE均最低．以上結果表明，本文所提出的降噪自編碼神經網絡方法在對雪粒徑去云效果上優于傳統的機器學習方法．

4.1.2 2000—2019年積雪覆蓋分析

本文選取實驗數據時，在訓練階段按照不同數據缺失率進行處理，訓練集與測試集比例為8∶2．在實驗中，模型的估計值與真實值之間的誤差越小，說明模型回歸效果越好．實驗選取測試誤差（Test Loss）為MAE，作為主要評價指標對模型的回歸效果進行評價，實驗結果如圖5所示．

由實驗結果可以看出，隨著數據量的降低，整體的測試誤差呈現上升趨勢，在數據量為25 506及以下時訓練階段的測試誤差過大.考慮到模型回歸結果受限于雪蓋率大小，為了提高長時間序列積雪覆蓋分析的準確率，本文通過模型訓練分析篩選積雪數據量大于25 506的單景數據進行估計處理．由于無法獲取部分原始MODIS數據，導致2000—2019年部分數據缺失，缺失數據天數如表3所示．

圖6顯示了在全年雪粒徑數據基礎上獲得的2000—2019年積雪日數的空間分布情況（數據從2000年6月1日到2020年5月7日）.為了便于對降雪進行研究，選取一個雪年作為時間單位，即從當年6月1日至次年5月31日．

通過對積雪產品去云前后雪空間分布的對比，可以看出2010年是積雪覆蓋日數最多的一年.開都河流域中部所處的天山山脈的山間盆地，即被艾爾賓山分開的兩個盆地，包括小尤爾都斯盆地、大尤爾都斯盆地，在盆地地區的積雪日數整體相對較少，盆地周圍被海拔范圍在2 500～4 000 m的山脈所環繞，而海拔較高的山脈地區的積雪日數相對較多.每年積雪日數在200 d以上的地區主要分布在北部的天山主脈的依連哈比爾尕山、中部的艾爾賓山和南部的庫魯克塔格山3 000～4 600 m的高海拔范圍．

去云雪粒徑數據集提供了包括降雪量和雪覆蓋天數在內的不同的估計數據，這對水文和氣候模型的研究具有很大的作用．為了進一步分析開都河流域積雪覆蓋特征，對圖6中原始MODIS與去云結果進一步研究，分別得到2000—2019年開都河流域全范圍的年最大、最小以及平均積雪日數，結果如表3所示．

從表3中可以看出，本文方法在對積雪的去云處理后，年平均積雪日數有明顯增加，較原始有云MODIS數據增加了38～53 d．

對原始MODIS雪粒徑數據集與本文的去云雪粒徑數據集，在年平均積雪覆蓋范圍進行比較，時間范圍是2000—2019年，結果表明，原始MODIS雪粒徑數據集和去云雪粒徑數據集在積雪覆蓋范圍上有很大的不同．如圖7所示，本文研究方法所得去云數據的雪覆蓋率明顯大于原始MODIS數據的雪覆蓋率，去云數據的雪覆蓋基本保持在30％～37％，而原始MODIS數據的積雪覆蓋率則僅為13％～17％．前后數據對比表明，使用本文去云雪粒徑數據集對積雪量化方面的研究具有重要的參考價值．

4.2 結果驗證

由于開都河流域氣象站稀少，僅有一個位于天山山脈中部的巴音布魯克氣象站，來自該區域的地面觀測氣象數據有限，因此在驗證時采用了MODIS的積雪覆蓋產品．本文選擇2018年觀測云量較少的

4天作為驗證對象．在驗證時，采用本文方法對云覆蓋導致的積雪缺失數據進行處理，分別從正確分類以及錯誤分類的結果上進行驗證.正確分類包括積雪分類為積雪、陸地分類為陸地;錯誤分類包括積雪分類為陸地、陸地分類為積雪．采用本文所提出的方法對所有的云覆蓋導致的缺失數據進行去云補全處理，結果如表4所示．

圖8顯示了2000—2019年Terra衛星MOD、Aqua衛星MYD的雪粒徑數據的月平均積雪覆蓋率，以及采用日結合方法和本文方法之后的月平均積雪覆蓋率．原始的MODIS積雪產品的月平均雪蓋率與季節因素有較大的相關性，冬季的積雪覆蓋率最高而夏季的積雪覆蓋率最低．可以看出Terra衛星MOD數據的月平均積雪覆蓋率高于Aqua衛星MYD，主要原因是Aqua衛星的過境時間晚于Terra衛星，并且在白天隨著時間的推移云覆蓋在漸漸增加．本文方法相較于原始MOD數據，月平均積雪覆蓋率增加了3.65％～50.35％，尤其是在11月至次年3月期間，積雪覆蓋率有明顯增加．

5 結論

本研究的目的是從原始MODIS雪粒徑產品中去除云覆蓋區域，以獲取開都河流域的去云積雪信息，從而提出一種適用于高山復雜地形區域的積雪去云模型．本文提出了降噪自編碼神經網絡與極值雪線法相結合的模型來從MODIS積雪產品中去除云覆蓋，并對結果進行了驗證．本文主要通過

無監督的降噪自編碼神經網絡來提取地形數據中能夠映射出原始雪粒徑的抽象的特征，對訓練過程中誤差進行分析，模型擬合精度較高、誤差較小．同時，本文使用單景數據進行數據集劃分與模型訓練，克服了開都河流域氣象站觀測數據受限導致真值標簽不足的問題．經過驗證表明，與其他去云方法相比，本文方法對云覆蓋的去除效果表現更優，效果更加穩健．采用本文方法處理2000—2019年包含云覆蓋的原始MODIS積雪產品，即可以制作500 m空間分辨率的去云雪粒徑數據．利用本文所提方法，可以估計開都河流域積雪的動態變化，對認識該區域積雪的長期變化具有重要的意義．

參考文獻

References

［1］ Singh P，Arora M，Goel N K.Effect of climate change on runoff of a glacierized Himalayan basin［J］.Hydrological Processes，2006，20（9）：1979-1992

［2］ Kling H，Fürst J，Nachtnebel H P.Seasonal，spatially distributed modelling of accumulation and melting of snow for computing runoff in a long-term，large-basin water balance model［J］.Hydrological Processes，2006，20（10）：2141-2156

［3］ Gao J L，Huang X D，Ma X F，et al.Snow disaster early warning in pastoral areas of Qinghai province，China［J］.Remote Sensing，2017，9（5）：475

［4］ 李良序，黃鎮，傅華.新疆雪蓋特征分析［J］.新疆氣象，2001（5）：21-23

LI Liangxu，HUANG Zhen，FU Hua.Snow cover feature in Xinjiang［J］.Bimonthly of Xinjiang Meteorology，2001（5）：21-23

［5］ 藍永超，鐘英君，吳素芬，等.天山南、北坡河流出山徑流對氣候變化的敏感性分析：以開都河與烏魯木齊河出山徑流為例［J］.山地學報，2009，27（6）：712-718

LAN Yongchao，ZHONG Yingjun，WU Sufen，et al.Sensitivity of mountain runoff of rivers originated from the south slope and the north slope of the Tianshan Mountain to climate change：taking mountain runoff of Urumqi river and Kaidu river for example［J］.Journal of Mountain Science，2009，27（6）：712-718

［6］ Parajka J，Blschl G.Validation of MODIS snow cover images over Austria［J］.Hydrology and Earth System Sciences，2006，10（5）：679-689

［7］ Wang X W，Xie H J，Liang T G.Evaluation of MODIS snow cover and cloud mask and its application in northern Xinjiang，China［J］.Remote Sensing of Environment，2008，112（4）：1497-1513

［8］ Tran H，Nguyen P，Ombadi M，et al.A cloud-free MODIS snow cover dataset for the contiguous United States from 2000 to 2017［J］.Scientific Data，2019，6：180300

［9］ Liang T G，Zhang X T，Xie H J，et al.Toward improved daily snow cover mapping with advanced combination of MODIS and AMSR-E measurements［J］.Remote Sensing of Environment，2008，112（10）：3750-3761

［10］ Gao Y，Xie H J，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（1／2／3／4）：23-35

［11］ 包慧漪，張顯峰，廖春華，等.基于MODIS與AMSR-E數據的新疆雪情參數協同反演研究［J］.自然災害學報，2013，22（4）：41-49

BAO Huiyi，ZHANG Xianfeng，LIAO Chunhua，et al.Co-inversion of snow parameters in Xinjiang based on MODIS and AMSR-E data［J］.Journal of Natural Disasters，2013，22（4）：41-49

［12］ Poggio L，Gimona A.Sequence-based mapping approach to spatio-temporal snow patterns from MODIS time-series applied to Scotland［J］.International Journal of Applied Earth Observation and Geoinformation，2015，34：122-135

［13］ 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（3／4）：203-212

［14］ Hall D K，Riggs G A，Foster J L，et al.Development and evaluation of a cloud-gap-filled MODIS daily snow-cover product［J］.Remote Sensing of Environment，2010，114（3）：496-503

［15］ Li X H，Fu W X，Shen H F，et al.Monitoring snow cover variability （2000-2014） in the Hengduan Mountains based on cloud-removed MODIS products with an adaptive spatio-temporal weighted method［J］.Journal of Hydrology，2017，551：314-327

［16］ Jain S K，Goswami A，Saraf A K.Role of elevation and aspect in snow distribution in western Himalaya［J］.Water Resources Management，2009，23（1）：71-83

［17］ Kour R，Patel N，Krishna A P.Effects of terrain attributes on snow-cover dynamics in parts of Chenab basin，western Himalayas［J］.Hydrological Sciences Journal，2016，61（10）：1861-1876

［18］ 侯海艷，侯金亮，黃春林，等.基于人工神經網絡和AMSR2多頻微波亮溫的北疆地區雪深反演［J］.遙感技術與應用，2018，33（2）：241-251

HOU Haiyan，HOU Jinliang，HUANG Chunlin，et al.Retrieve snow depth of north of Xinjiang region from ARMS2 data based on artificial neural network technology［J］.Remote Sensing Technology and Application，2018，33（2）：241-251

［19］ 張一馳，李寶林，程維明，等.開都河流域徑流對氣候變化的響應研究［J］.資源科學，2004，26（6）：69-76

ZHANG Yichi，LI Baolin，CHENG Weiming，et al.Hydrological response of runoff to climate variation in Kaidu catchment［J］.Resources Science，2004，26（6）：69-76

［20］ 楊建國，楊建偉，王振龍，等.開都河流域水文特性分析［J］.水利科技與經濟，2012，18（7）：10-13

YANG Jianguo，YANG Jianwei，WANG Zhenlong，et al.Hydrological characteristics of Kaidu river basin［J］.Water Conservancy Science and Technology and Economy，2012，18（7）：10-13

［21］ 姜騰龍，趙書河，肖鵬峰，等.基于實測數據的不同雪粒徑光譜分析［J］.冰川凍土，2009，31（2）：227-232

JIANG Tenglong，ZHAO Shuhe，XIAO Pengfeng，et al.Spectral analysis of different snow grain sizes based on field measurement［J］.Journal of Glaciology and Geocryology，2009，31（2）：227-232

［22］ Painter T H，Rittger K，McKenzie C，et al.Retrieval of subpixel snow covered area，grain size，and albedo from MODIS［J］.Remote Sensing of Environment，2009，113（4）：868-879

［23］ 郭忠明，王寧練，毛瑞娟，等.基于MODIS反演祁連山七一冰川雪粒徑［J］.地理科學，2013，33（3）：378-384

GUO Zhongming，WANG Ninglian，MAO Ruijuan，et al.Retrieved of snow grain size from MODIS over Qiyi glacier，Qilian Mountain［J］.Scientia Geographica Sinica，2013，33（3）：378-384

［24］ 魏亞瑞，郝曉華，王建，等.基于MODIS數據的北疆積雪黑碳和雪粒徑反演及時空變化分析［J］.冰川凍土，2019，41（5）：1192-1204

WEI Yarui，HAO Xiaohua，WANG Jian，et al.Retrieval and analysis of spatiotemporal variation of snow black carbon and snow grain size in northern Xinjiang based on MODIS data［J］.Journal of Glaciology and Geocryology，2019，41（5）：1192-1204

［25］ Wang J G，Feng X Z，Xiao P F，et al.Snow grain-size estimation over mountainous areas from MODIS imagery［J］.IEEE Geoscience and Remote Sensing Letters，2018，15（1）：97-101

［26］ 張彥麗，張麗萍.基于Sentinel-2時序數據的山區積雪識別與面積變化［J］.生態學雜志，2020，39（8）：2810-2820

ZHANG Yanli，ZHANG Liping.Snow cover identification and area change in mountainous regions based on Sentinel-2 time series data［J］.Chinese Journal of Ecology，2020，39（8）：2810-2820

［27］ 肉克亞木·艾克木，玉素甫江·如素力，瑪地尼亞提·地里夏提.博斯騰湖流域積雪的時空變化特征及其與氣候因子的關系［J］.水生態學雜志，2020，41（4）：9-18

ROUKEYAMU Aikemu，YUSUFUJIANG Rusuli，MADINIYATI Dilixiati.Spatiotemporal changes of snow cover in the Bosten Lake basin and its relationship with climate factors［J］.Journal of Hydroecology，2020，41（4）：9-18

［28］ 買托合提·阿那依提，玉素甫江·如素力，麥麥提吐爾遜·艾則孜，等.新疆開都河流域主要地貌形態特征研究［J］.冰川凍土，2014，36（5）：1160-1166

MATOHTI Anayit，YUSUFUJIANG Rusuli，MAMATTURSUN Eziz，et al.Study of the landform features in the Kaidu River basin of Xinjiang，China［J］.Journal of Glaciology and Geocryology，2014，36（5）：1160-1166

［29］ Tong J，Déry S J，Jackson P L.Topographic control of snow distribution in an alpine watershed of western Canada inferred from spatially-filtered MODIS snow products［J］.Hydrology and Earth System Sciences，2009，13（3）：319-326

［30］ Gafurov A，Brdossy A.Cloud removal methodology from MODIS snow cover product［J］.Hydrology and Earth System Sciences，2009，13（7）：1361-1373

［31］ Li X H，Jing Y H，Shen H F，et al.The recent developments in cloud removal approaches of MODIS snow cover product［J］.Hydrology and Earth System Sciences，2019，23（5）：2401-2416

［32］ Dariane A B，Khoramian A，Santi E.Investigating spatiotemporal snow cover variability via cloud-free MODIS snow cover product in central Alborz region［J］.Remote Sensing of Environment，2017，202：152-165

［33］ Takaki S，Yamagishi J.A deep auto-encoder based low-dimensional feature extraction from FFT spectral envelopes for statistical parametric speech synthesis［C］／／2016 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）.March 20-25，2016，Shanghai，China.IEEE，2016：5535-5539

［34］ 劉自然，李謙，顏丙生，等.堆疊稀疏自編碼深度神經網絡算法及其在滾動軸承故障診斷中的應用［J］.機床與液壓，2020，48（23）：208-213

LIU Ziran，LI Qian，YAN Bingsheng，et al.Application of depth neural network algorithm with stacked sparse auto-encoder in rolling bearing fault diagnosis［J］.Machine Tool ＆ Hydraulics，2020，48（23）：208-213

［35］ Xu Q Y，Wu Z，Yang Y Q，et al.The difference learning of hidden layer between autoencoder and variational autoencoder［C］／／2017 29th Chinese Control and Decision Conference （CCDC）.May 28-30，2017，Chongqing，China.IEEE，2017：4801-4804

［36］ 胡海洋，張力，李忠金.融合自編碼器和one-class SVM的異常事件檢測［J］.中國圖象圖形學報，2020，25（12）：2614-2629

HU Haiyang，ZHANG Li，LI Zhongjin.Anomaly detection with autoencoder and one-class SVM［J］.Journal of Image and Graphics，2020，25（12）：2614-2629

［37］ Hinton G E，Srivastava N，Krizhevsky A，et al.Improving neural networks by preventing co-adaptation of feature detectors［J］.Computer Science，2012，3（4）：212-223

［38］ Zekic＇-Suac M，Has A，Kneevic＇ M.Predicting energy cost of public buildings by artificial neural networks，CART，and random forest［J］.Neurocomputing，2021，439：223-233

［39］ Barrash S，Shen Y N，Giannakis G B.Scalable and adaptive KNN for regression over graphs［C］／／2019 IEEE 8th International Workshop on Computational Advances in Multi-Sensor Adaptive Processing （CAMSAP）.December 15-18，2019，Le Gosier，Guadeloupe.IEEE，2019：241-245

［40］ 任家東，劉新倩，王倩，等.基于KNN離群點檢測和隨機森林的多層入侵檢測方法［J］.計算機研究與發展，2019，56（3）：566-575

REN Jiadong，LIU Xinqian，WANG Qian，et al.A multi-level intrusion detection method based on KNN outlier detection and random forests［J］.Journal of Computer Research and Development，2019，56（3）：566-575

［41］ Rumere F O，Soemartojo S M，Widyaningsih Y.Restricted ridge regression estimator as a parameter estimation in multiple linear regression model for multicollinearity case［J］.Journal of Physics：Conference Series，2021，1725：012021

［42］ Al-Qatf M，Yu L S，Al-Habib M，et al.Deep learning approach combining sparse autoencoder with SVM for network intrusion detection［J］.IEEE Access，2018，6：52843-52856

Cloud removal for snow products based on denoising autoencoder artificial neural network

ZHANG Yonghong1 CHEN Shuai1 WANG Jiangeng2 ZHU Linglong3 CHEN Shiwei1

1School of Automation，Nanjing University of Information Science ＆ Technology，Nanjing 210044

2School of Atmospheric Physics，Nanjing University of Information Science ＆ Technology，Nanjing 210044

3School of Electronics ＆ Information Engineering，Nanjing University of Information Science ＆ Technology，Nanjing 210044

Abstract Snow cover is one of the important parameters in the study of hydrometeorology.At present，the most widely used Snow Cover Area （SCA） can be obtained by Moderate-resolution Imaging Spectroradiometer （MODIS），which is often used in the study of temporal and spatial changes of snow cover.However，large area snow data missing existed in MODIS snow cover products due to the cloud occlusion.To address this，we take the Kaidu River basin as the research region，and combine the snow product data retrieved from MODIS carried on the Terra and Aqua satellites with the topographic feature data，then use a denoising autoencoder artificial neural network and the extreme snow line method to quantitatively complement the snow data loss caused by cloud occlusion in complex alpine terrain.The denoising autoencoder artificial neural network combines multi-feature data to establish a nonlinear mapping relationship between topographic features and snow grain size，which is then used to complement the missing snow grain size data.The extreme snow line method is used to remove the false report value in low altitude area and obtain the snow cover image with high precision.In contrast verification，the accuracy of the proposed cloud removal method is over 86％，which effectively improves the snow cover detection.Therefore，the approach proposed in this paper can effectively remove cloud occlusion from snow products in complex terrain areas.

Key words denoising autoencoder artificial neural network;extreme snow line method;complex terrain;cloud removal