211261549_基于FY3B-MWRI_数据的东北积雪深度反演

文章编号：2095-6835（2023）10-0080-04
基于FY3B-MWRI数据的东北积雪深度反演
段芸，王星东
（河南工业大学信息科学与工程学院，河南郑州450001）
摘要：积雪是地球系统冰冻圈5层的主要成分，它有高反射率、高相变潜温和低热传导方式的特点，可以通过影响地表能量平衡来影响气候。

在对积雪深度的反演研究中，许多研究学者都在对算法及模型进行完善，且有较好的反演效果。

由于地区下垫面类型的不同，仅使用单一算法模型进行探测总会与实测数据产生误差。

选择东北3省为研究区，以FY3B-MWRI为数据源，根据研究区域土地利用类型的特征，针对不同下垫面（森林、草地、农田、裸地）使用不同的算法模型，进一步得出更为准确的反演结果。

经验证，本研究方法的雪深反演结果与实测数据的RMSE（均方根误差）为5.99cm，表明该算法对东北3省积雪深度反演取得了较高的精度。

关键词：中国东北部地区；积雪深度反演；被动微波遥感；FY3B-MWRI
中图分类号：P343文献标志码：A DOI：10.15913/ki.kjycx.2023.10.023
积雪有高反射率、高相变潜热和低导热性等特征[1]，通过影响地表能量的平衡来影响气候系统，也是地球系统5层冰层的重要组成部分[2]。

东北3省地处中国的最北面，研究表明东北大部分地区为世界3个最稳定的积雪区[3]。

微波可以穿透一定厚度的积雪，学者们可使用微波遥感技术对积雪深度进行监测[4]。

积雪深度反演算法在国内外早已发展并在不断完善。

CHANG等[5]基于均质积雪的辐射传输方程得到SMMR的雪深反演算法；FOSTER等[6]对Chang算法加以修改，认为植被覆盖率会影响雪深探测，提出了NASA96算法；蒋玲梅等[7]将不同下垫面类型的影响因素加入雪深反演算法中，完善了用于雪深反演的风云业务化算法，根据经验证明取得了较好的反演精度。

FY-3B卫星上的微波成像系统，拥有5个双极性的亮温信道，可以提供全天候的土壤水分、积雪深度及大气湿度等多个方面的信息。

选取东北3省作为研究区域，根据不同的下垫面类型，建立相应的积雪深度反演算法模型，并结合实测数据，对模型精度进行验证。

1研究区域与研究数据源
1.1东北地区积雪情况概述
本研究范围选取在中国东北部地区，其位置为38°43′N—53°33′N，118°53′E—135°05′E。

东北地区的森林覆盖率比较高，研究表明东北地区是世界3大积雪区。

1.2数据介绍与处理
所用数据包括FY-3B卫星微波成像仪（MWRI）数据、中科院资源科学中心2020中国土地利用类型遥感监测数据、MOD13Q1数据及实测积雪数据。

1.2.1FY3B-MWRI亮温数据
本文中主要使用卫星降轨数据，覆盖不全的地方需要用升轨数据补充。

1.2.2土地利用遥感监测数据
中国科学院资源环境科学数据中心提供的东北部3省的2020年中国土地利用遥感监测数据如图1所示。

通过对现有分类数据进行重分类，获得不同下垫面土
地类型的重分类数据。

图1东北3省土地利用类型图
1.2.3MOD13Q1数据
MOD13Q1数据是MODIS陆地方面的产物，该数据为一个三级网格产品，最大空间分辨率为250m，每16d提供一次数据。

1.2.4实测雪深数据
实测雪深数据由WheatA小麦芽软件提供，它整合了农业生产、市场、气象、土壤、海洋和环境监测
等多板块内容。

吉林省长春市牡丹江气象观测站的实测数据分布如图2
所示。

图2吉林省长春市牡丹江气象站实测数据分布图
2积雪深度反演及精度验证
2.1数据处理2.1.1
FY-3B 数据处理
FY-3B HDF 数据首先通过Latitude 和Longitude 数据生成GLT 文件，用GLT 文件对FY-3B 的原始数据进行几何校正，再对校正后的数据进行拼接与掩膜操作。

2.1.2
估算植被覆盖度
2.1.2.1植被覆盖度估算模型
本文使用MOD13Q1数据来近似估计植物覆盖度（VFC ）。

李苗苗等在像元二分模型的基础上研究的模型为：
I =（J －J soil ）/（J veg －J soil ）
（1）
式（1）中：I 为植被覆盖度（VFC ）；J 为归一化植被指数值（NDVI ）；J soil 为完全是裸土的植被覆盖区域的NDVI 值；J veg 为完全被植被所覆盖的像元的NDVI 值。

式（1）中2个值的计算公式为：
J soil =（I max ×J min －I min ×J max ）/（I max －I min ）（2）J veg =[（1－I min ）×J max －（1－I max ）×J min ]/（I max －I min ）
（3）
2.1.2.2估算模型
研究区域中可以近似取I max =100%，I min =0%，此时J min =﹣0.015410，J max =0.355573。

利用式（4）计算，得到东北3省植被覆盖度数据，如图3所示。

（b 1lt －0.015410）×0+（b 1lt0.355573）×1+（b 1ge －0.015410and b 1ge0.355573）×（b 1－0.015410）/（0.355573－0.015410）（4）式（4）中：b 1为待计算频段数据。

图3东北3省植被覆盖度
2.1.3土地利用类型数据重分类
重分类是将原始数据重分类为4种不同的下垫面
类型，包括森林、农田、草地和裸地等，结果如图4所示。

利用此结果结合植被覆盖率可得到上述4种下
垫面的覆盖度。

图4东北3省土地利用类型重分类
2.2
被动微波遥感雪深反演
结合土地利用类型数据，对不同的下垫面类型
建立不同的积雪深度反演模型，对东北3省地区进行积雪深度反演研究，基于式（5）计算亮温值，即：
Tb =0.01×b 1+327.68
（5）
式（4）中：Tb 为某一频率波段对应的亮度温度值，
b 1为待计算频段数据。

2.2.1
不同下垫面的积雪深度反演模型
结合土地利用类型数据，对不同的下垫面类型建立不同的积雪深度反演模型，对东北3省地区进行积雪深度反演研究，具体如下：
SD farmland =﹣4.325+0.432×（Tb 18H －Tb 36H ）+
1.074×（Tb 89V －Tb 89H ）
（6）
SD grass =4.320+0.506×（Tb 18H －Tb 36H ）－0.131×（Tb 18V －Tb 18H ）+0.183×（Tb 10V －Tb 89V ）－
0.123×（Tb 36V －Tb 89V ）
（7）
SD forest =11.128+0.474×（Tb 18H －Tb 36H ）+1.441×（Tb 18V －Tb 18H ）+0.678×（Tb 10V －Tb 89V ）+
0.649×（Tb 36V －Tb 89H ）
（8）SD barren =3.143+0.532×（Tb 36H －Tb 89H ）+1.424×（Tb 10V －Tb 89V ）+1.345×（Tb 18V －Tb 89V ）+0.238×
（Tb 36V －Tb 89V ）
（9）
式（6）—式（9）中：SD farmland 、SD grass 、SD forest 、SD barren 分别为农田、草地、森林、裸地下垫面的积雪深度；Tb 18、Tb 36、Tb 89、Tb 10分别为18GHz 、36GHz 、89GHz 、10GHz 频段亮度温度值；H 为水平极化；V 为垂直极化。

2.2.2
积雪深度反演结果
利用上述所提出的积雪深度反演模型，结合研究区域的农田、草地、森林及裸地覆盖度数据，得到积雪深度反演结果，如图5—图8所示。

2.3
精度验证
利用上述8个气象站点实测积雪深度数据实测值与论文反演结果值进行精度验证，计算2组数据的RMSE 值为5.99cm ，如图9所示。

图5农田雪深反演结果
图6草地雪深反演结果
图7森林雪深反演结果
图8裸地雪深反演结果
图9本文所用算法反演值与实测值散点图
同时采用Chang 算法（公式（10））进行积雪深度反演，计算2组数据的RMSE 值为12.28384cm ，如图10所示。

SD =1.59×（18H －36H ）
（10）
3结束语
本文针对东北地区的下垫面特征，分别研究了农田、草地、森林及裸地的积雪深度反演算法，并结合实测数据对算法的精度进行验证，结论如下：①本文研究的积雪深度反演算法与Chang 算法对研究地区积
120°0′0″E
125°0′0″E
130°0′0″E
135°0′0″E
50°0′0″N
45°0′0″N
40°0′0″N
120°0′0″E 125°0′0″E
130°0′0″E
135°0′0″E
50°0′0″N
45°0′0″N 40°0′0″N 图例农田雪深
0～3cm 3～5cm 5～10cm 10～12cm
115°0′0″E
120°0′0″E
125°0′0″E
130°0′0″E
135°0′0″E
55°0′0″N
50°0′0″N
45°0′0″N
40°0′0″N 115°0′0″E 120°0′0″E 125°0′0″E
130°0′0″E
135°0′0″E
55°0′0″N
50°0′0″N 45°0′0″N
40°0′0″N
115°0′0″E 120°0′0″E 125°0′0″E 130°0′0″E 135°0′0″E 0
130
260
520km 0130260
520km 图例草地雪深
0～5cm 5～10cm 10～12cm
115°0′0″E 120°0′0″E 125°0′0″E
130°0′0″E
135°0′0″E
55°0′0″N
50°0′0″N
45°0′0″N
40°0′0″N
50°0′0″N 45°0′0″N
40°0′0″N
55°0′0″N
50°0′0″N 45°0′0″N
40°0′0″N
图例森林雪深
0～5cm 5～10cm 10～20cm 20～35cm 35～40cm
图例裸地雪深
0～2cm
2～5cm 5～10cm 10～16cm
0130260520km 50°0′0″N
45°0′0″N
40°0′0″N
130260520km 115°0′0″E
120°0′0″E
125°0′0″E
130°0′0″E
135°0′0″E
115°0′0″E 120°0′0″E 125°0′0″E
130°0′0″E
135°0′0″E
雪深度反演的结果表明，本文研究的算法较相比Chang 算法，积雪深度反演的精度得到了很大提高；②对于具有不同积雪特性及下垫面类型的地区，应当将下垫面类型纳入考量范围；③本文仅从不同下垫面的角度进行中国东北部积雪的反演，虽然可以解释一些现象，
但关于更深层次的东西还需进一步挖掘。

图10Chang 算法积雪反演值与实测值散点图
参考文献：
［1］任贾文.全球冰冻圈现状和未来变化的最新评估：
IPCC WGI AR5SPM 发布［J ］.冰川冻土，2013，35（5）：1065-1067.
［2］李弘毅，王建.积雪水文模拟中的关键问题及其研究进展［J ］.
冰川冻土，2013，35（2）：430-437.
［3］陈亚宁，杨青，罗毅，等.西北干旱区水资源问题研究思考
［J ］.干旱区地理，2012，35（1）：1-9.
［4］范昕桐.基于星载被动微波遥感数据的中国东北地区积雪深
度反演研究［D ］.长春：吉林大学，2019.
［5］CHANG A T C ，FOSTER J L ，HALL D K.Nimbus-7SMMR
derived global snow cover parameters ［J ］.Annals of glaciology ，1987，9：39-44.
［6］FOSTER J L ，SUN C ，WALKER J P ，et al.Quantifying the
uncertainty in passive microwave snow water equivalent observations ［J ］.Remote sensing of environment ，2005，94（2）：187-203.
［7］蒋玲梅，王培，张立新，等.FY3B-MWRI 中国区域雪深反
演算法改进［J ］.中国科学：地球科学，2014，44（3）：531-547.
————————
作者简介：段芸（2001—），女，河南驻马店人，硕士研究生在读，主要研究方向为地质三维建模。

（编辑：丁琳）
————————————————————————————————————————————————（上接第79页）
由图8—图10可以看出，样机可以保持平衡，且在受到一定扰动时仍能够拥有较好的鲁棒性，说明PID 控制算法对样机整体有较好的适应性与控制性，验证了设计和控制算法在一定程度上的可行性。

5结论
本文基于角动量守恒定律设计了一种动量轮平衡的位姿控制器，以整机的角速度与角度作为主要控制量，以电机的转速及它产生的角动量作为次变量构成了PID 控制，即使整机受到一定程度的干扰时，仍能保持较好的鲁棒性。

参考文献：
［1］刘胜忠，平菊英.卫星飞轮产品和技术的商业化发展［J ］.
上海航天，2002（4）：37-40.
［2］雍恩米，唐国金.动量轮控制弹头姿态控制系统设计［J ］.
系统工程与电子技术，2006（9）：1384-1387.
［3］王忠贵.载人航天飞行控制理论与实践［M ］.北京：国防工
业出版社，2015.
［4］周露.航空航天知识与技术［M ］.北京：国防工业出版社，2013.
————————
作者简介：刘江昊（2000—），男，河南焦作人，本科在读，主要研究方向为电气工程及其自动化。

通信作者：杜艳红（1979—），女，辽宁盖州人，副教授，主要研究方向为电气与自动化控制方面的应用。

（编辑：丁琳）。