基于延时摄影的针叶林地区积雪面积遥感反演算法研究

The dense coniferous forests significantly decrease the performance of snowpack remote sensing. Sparse ground observations further limit the algorithm development of satellite-based snow mapping over forested regions. Time-lapse photography has been proved to be an effective technique to observe forest snow processes and collect snow data. This study will employ a time-lapse camera network to monitor the forest snow dynamics (e.g. forest-covered and open-site snow depth, snow reflectance, and canopy snow interception) in the east Qilian Mountains. The derived snow measurements will be used to validate the current satellite-based snow mapping algorithms (e.g. MODIS, Landsat 8 OLI) as ground truth. We will then investigate the reflectance spectrum characteristics and variability of forest-covered snow, canopy-intercepted snow, and open-site snow during different phases (e.g. accumulation, ablation, interception load and unload), which will be used to develop new snow mapping algorithms for forested regions and the algorithms will be validated using the time-lapse photography-based observations. This study will help more accurately estimate the snow storage in forests using remotely sensed data, and thus be of high significance for reducing snow-related disasters and water management.

郁闭度高的常绿针叶林严重限制了卫星积雪制图的精度，而森林区地面观测数据的匮乏又增加了积雪反演算法的开发。基于数字相机的延时摄影观测，作为一种新兴的研究手段，在森林雪过程观测方面显示了极大的应用潜力。本研究拟: 采用延时摄影方法，对祁连山东部高山针叶林内部积雪动态（林下和开阔地雪深、反射率、雪截留）进行连续的、大范围的无人值守观测; 在此地面观测数据基础上对现在主流的光学卫星传感器（MODIS、Landsat 8 OLI）森林积雪面积反演算法进行验证; 探索在不同时段内（积累、消融、截留加载和卸载）林下积雪、树冠截留雪和开阔地积雪在可见光、近红外等波段的辐射特性及演变规律; 进而开发森林地区积雪面积遥感反演的新算法，并利用延时摄影观测数据进行验证。研究成果将为更加精确地估计森林内部积雪储量提供科学依据，服务于防灾减灾和水资源管理。

近半个世纪以来，全球变暖导致世界各地季节性积雪发生显著变化，多数地区积雪减少，少数高海拔地区积雪增多。积雪变化引发了水文系统和生态系统一系列剧烈变化。森林雪水文过程与机理目前是气候变化与生态水文研究领域的一个研究难点和薄弱点，一方面是因为森林雪水文过程及其生态水文效应本身的复杂性，另一方面是因为森林积雪观测方法和数据的不足，无论是遥感还是台站在观测森林积雪时空变化方面均存在较大困难。.本项目瞄准这一科学问题，采用延时摄影这一新兴研究方法，在祁连山东部两个流域的高山针叶林带附近，开展了大规模延时摄影森林雪过程长期动态监测，建成了21个覆盖不同地貌部位、森林郁闭度、森林类型的延时摄影积雪观测点，收集了连续3个积雪季逐小时的森林积雪动态观测数据，并开展了多次大范围无人机多光谱和热红外森林积雪观测调查。项目组综合运用人工判别法、亮度阈值法和深度学习场景识别相结合的方法，从大批量数字相片中成功提取了森林和开阔地雪深、冠层雪截留、积雪覆盖度等水文参数，对森林雪水文过程进行了研究；基于延时摄影积雪观测数据、MODIS卫星遥感多波段反射率数据，采用随机森林机器学习方法，研发了一种新型森林积雪面积遥感反演算法，并与国际主流的MODIS积雪遥感产品和反演算法进行了精度对比验证；评估结果显示，项目组新开发的森林积雪面积遥感反演算法各项性能显著优于当前国际通用的归一化积雪指数（NDSI）阈值算法。.具体而言，对于低覆盖度（30~50%）针叶林区，新算法能识别出92.3%的积雪像元（查全率），误报率为2.7%，总体精度为92.3%。对于中覆盖度（50~70%）针叶林，查全率、误报率和总体精度分别为75.5%、15.6%和78.8%。对于最高覆盖度（70~100%）针叶林，新算法的查全率、误报率和总体精度分别为55.0%、25.2%和70.6%。相比而言，国际通用的NDSI阈值法在各种条件下仅能识别出8~14%的森林积雪，而本项目所开发的新算法平均能够识别出67%的森林积雪，其森林积雪识别能力是传统算法的5倍。本研究对大范围精确积雪制图、雪灾灾情评估、雪水资源储量估计、不同时空尺度的森林雪水文过程研究等均具有重要意义。