冬季青藏高原AMSR-E条带亮温与地面积雪深度数据的分析外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

冬季青藏高原AMSR-E条带亮温与地面积雪深度数据的分析

Yubao Qiu¹, Huadong Guo¹, Jiancheng Shi², Shichang Kang³,

James R. Wang⁴, Juha Lemmetyinen⁵,Lingmei Jiang⁶

中国科学院地球观测与数字地球中心，北京100190(电子邮ybqiu@ceode.ac.cn)

美国加州大学圣巴巴拉分校计算地球系统科学研究所。

中国科学院青藏高原研究所，北京，100085，中国。

美国国家航空航天局戈达德太空飞行中心，美国马里兰州20771。

芬兰气象研究所(FMI)，北极研究中心，Tahtelantie 62, FI-99600 Sodankyla，芬兰。

北京师范大学地理学院，北京100875。

摘要

雪的范围和积雪深度（SD）是地下水文模型的关键参数，对全球气候变化十分敏感。在中国西部，由于受到浅层雪，季节性冻土和稀疏观测站等因素的影响，被动微波遥感算法在使用36.5Ghz-18.7Ghz梯度亮度温度（Tb）算法时显示其一般适用性。在这项工作中，我们采用从先进微波扫描辐射计--地球观测系统（AMSR-E）L2A数据集提取的全冬季Tb和雪深（SD）的地面测量值来分析雪微波辐射和梯度算法能力。时间序列分析表明，Tb的差值（36.5-18.7）和（36.5-10.7）对较深的积雪（gt; 20cm）敏感，而Tb的差值（89.0-18.7）对新雪的发生比较敏感，与浅层雪（lt;15cm）和融化雪（深度下降）具有良好的相关性，这表明高频Tb差异可能是中国西部浅层积雪的良好监测信号。

关键词：雪深，高频，AMSR-E，青藏高原

1 引言

陆地积雪在北半球的地理范围最大。在青藏高原上空，除山区外，每年仅有几个月积雪。但是，它对能量通量，大气动力学和地表水储层影响很大。最近，我们为从被动微波测量中获取雪参数，开发区域特定的检索算法付出了很多努力。自动站观测积雪是开发这些检索算法的重要因素，但它们不能提供关于积雪分布的全面信息。从图1可以看出，青藏高原气象站的分布非常稀疏，特别是高原主要地区。此外，它们中的许多地区都处于人类活动的附近地区，并且很长一段时间内的测量数据很少，而且雪深值很浅（见图2丹新站的例子）[1]。 Armstrong（2001）指出，被动微波遥感倾向于低估了秋季和初冬的积雪，这是由于36.5GHz和18.7GHz的薄雪信号较弱[2]，而青藏高原的情况则相反。萨瓦（2009）通过在一定程度上考虑大气影响提高了积雪的准确性[3]。

由于中国西部尤其是青藏高原地区的积雪频率较为频繁，因此对于台站观测资料和微波Tb，综合分析更为紧迫。 在这项工作中，我们考虑了浅层雪情况，并试图利用36.5GHz和18.7GHz，以及89.0GHz-18.7GHz和18.7GHz-10.7GHz这些频率差异来解释雪地现场时间序列测量（积雪深度，SD）与被动微波遥感反演值之间的差异，。 然后，我们使用时间序列数据比较分析了高原频率在青藏高原上雪参数检索（例如AMSR-E为89.0GHz）的能力。

2 积雪深度和AMSR-E亮度温度

2.1 雪深数据

我们选择位于纳木措湖和唐古拉山脉旁边高度超过4700m的纳木措站的积雪深度测量值（图1，圈）。 中国科学院青藏高原研究所在该地区设有一个台站。 在2006.10〜2007.2之间进行了整个冬季休赛期的积雪活动。 SD记录是在纳木措站周围的三个站点获取的。 与AMSR-E / Aqua卫星覆盖区相比，这些地点被认为是一个地点，代表了整个地区的总体情况，尽管这在山区是相当不准确的。 本工作中的其他时间序列标准差资料来自于2009〜2010年的冬季观测资料（图1中的台站），当时中国北方出现了大范围的降雪。

图1西藏高原和西部地区选定的气象站（来自中国气象数据共享服务器系统，本文使用的数据）和南梦科站址（30046.44N，90059.31E）的地理位置分布

图2（左）显示了测得的现场积雪深度值的时间序列。 从2006年10月24日开始，2006年11月11日雪深从23厘米增加到45厘米。 在2007年1月28日之后，深度降至17厘米。 在这段时间内，发生了2006.12.11，2006.11.14和2007.1.16的几次降雪事件，最后一例有2厘米的新雪。 2006年12月14日出现了相对较大的转变，因为地表风的观测点发生了变化。

图2 SD从当雄站（no.55493）（左）和SD（CM）现场活动在纳木措站（右）

2.2 AMSR-E L2A测绘数据处理

根据地理坐标，我们在中国的实验场和其他西部台站上选择了AMSR-E每日L2A场地亮温，这意味着提取的场地Tb在场地周围10km²左右。 我们选89.0、36.5、18.7GHz和10.7GHz通道之间的Tb差异作为与台站积雪深度（cm）的梯度时间序列比较。

3 纳木措试验场比较结果

3.1 AMSR-E L2A TB随时间的变化率

图3 89.0 / 36.5GHz和18.7GHz之间的亮度温度梯度，对应于降雪时间的不同分辨率,实线代表地面积雪深度。

我们绘制了在89.0、36.5GHz和18.7GHz之间的Tb梯度，其分辨率对应于图3中纳木措的积雪测量时间。与积雪深度（实线）相比，亮度温度梯度（传统算法原型）在 图3显示了在89.0GHz（命名为高频）梯度和36.5GHz（命名为低频）梯度下雪深降低期（2006.11.24〜2007.1.26）的良好关系。 在这段时间内（积雪深度小于30厘米），我们可以理解高频对雪的演变比低频更敏感，图3中的底部面板表示高分辨率（L2A.res3 ）重采样对降雪演变比低分辨率（L2A.res1）更敏感。

图4显示了一个样本，位于试验场（距现场测量点20公里，时间戳从10月1日开始）旁边，表示与前一个趋势相同。如图3所示。 在前15天，89.0GHz对新雪具有良好的敏感度。 在接下来的17天（2006.11.7〜2006.11.24）期间，梯度变得越来越大，但雪深减少（与图2相比）。 这可以通过雪粒大小和密度的演变初步解释，雪粒大小和密度通常随着时间而增加。 更具体的解释需要对雪粒大小，积雪深度和积雪密度的积雪排放进行模拟模拟工作，以决定哪一部分起主导作用[5]。

3.2每日的AMSR-E SWE产品比较

另一个比较（图4）是通过使用AMSR-E每日积雪产品完成的，这些雪产品是具有粗分辨率（25km）的EASE-Grid和图2中的积雪深度。 从这些数据中我们可以发现，2006年〜2007年冬季Namco站上最大估计的AMSR-E SWE（mm）（使用36.5GHz梯度）发生在2006年12月26日左右，与雪测量不匹配 ，推迟了将近一个月。

与梯度图相比，从图4可以看出，36.5GHz梯度从2006.12.1〜2006.12.6显示出相对稳定的值。 SWE和Tb梯度之间的差异可能是由于37 GHz的SWE值超过120-140mm的饱和度响应或湖泊中的混合像素。 这需要更广泛的现场数据集来获得解释。

图4 AMSR-E SWE日产品（EASE-GRID）和相应的Tb差异。

如果我们考虑西藏地区典型的积雪密度大约为0.239g / cm3，那么从AMSR-E的观测结果中我们可以得到最大积雪深度值约75厘米。这与现场测量值相比相当大，这表明 AMSR-E SWE值高估，这与文献[6]的结果一致。

4 Tb与积雪深度的时间序列分析

我们选择了中国西部的几个观测资料（图1）进行定性分析，其中包括新疆和内蒙古大雪以及甘肃，青海和西藏浅层雪深情况。

图5中的所有数据都绘制了三个梯度（Tb差值分别为89.0-18.7,36.5-18.7和18.7-10.7）和相应的积雪深度（见图5）。

图5时间序列Tb差值（89、36.5-18.7GHz和18.7-10.7GHz）和地面积雪深度（cm）。 前4个图仅绘制为上升的Tb和相应的地面测量数据（当地早上的时间），后四个图在任何可用时间与所有Tb（A / D）和积雪深度一起绘制。

初步分析结果如下：

1）18.7〜10.7GHz的Tb除深度积雪（a，b，f）外对雪情评价不敏感，但由于局地植被的影响，f值下降明显。

2）在较深的积雪（a，b，f和g，连续积累gt; 20cm）时，36.5-18.7GHz的Tb比高频更加可靠，而在较浅的积雪（c，d，e和h，不连续降雪，lt;15cm），36.5-18.7对其不敏感，但高频（89.0-18.7）对其表现出明显的反应。

3）89.0-18.7对a，b，c，d，e表示其较浅的积雪能力，当积雪深度超过20cm时，信号变化较大，可疑。

4）89.0-18.7对表示其对快速降雪的敏感反应，并且当由于时间积雪物理特征和气候因素导致积雪深度不变时保持动荡。

5）最后四位数字表明，A / D Tb扮演着相关强度不同的相似行为

5 结论与未来发展

根据我们以上所示，可以认为

1）高频（89.0GHz）表明它对相对较浅的积雪很敏感，这表明我们可以深入中国西部通过良好的Tb对和地面雪开展浅层积雪深度反演。

2）需要模拟模拟工作来解释高频下积雪演变和亮度温度梯度的差异，我们应该加强以下方面：1）可能的混合像素效应; 2）大气效应消除; 3） 植被效应去除。

6 参考文献

[1]Che Tao, Li Xin, Geo Feng, Estimation of the snow water equivalent in the Tibet Plateau using passive microwave remote sensing data (SSM/I). Journal of glaciology and Geocryology, vol. 26, no 3, pp.363-368. 2004 (in Chinese)

[2]Armstrong, R. L., amp; Brodzik, M. J. (2001). Recent Northern Hemisphere snow extent: A comparison of data derived from visible and microwave sensors. Geophysical Research Letters, 28(19), 3673-3676.

[3]Matthew H. Savoie, Richard L. Armstronga, Mary J. Brodzika and James R. Wang, Atmospheric corrections for improved satellite passive microwave snow cover retrievals over the Tibet Plateau, Remote Sensing of Environment,vol.113, no. 15, PP.2661-2669,2009

[4]Yubao Qiu, Jiancheng Shi, Juha Lemmetyinen, Anna Kontu, Jouni Pulliainen, Huadong Guo,Lingmei Jiang, James R. Wang, Martti Hallikainen, Li Zhang，the atmosphere influence to AMSR-E measurements over snow-covered areas: simulation and experiments, Proceedings of IGARSSrsquo;09, 13-17 July, Cape Town, Africa, 2009

[5]Pulliainen, J., Grandell, J., Hallikainen, M., “HUT snow emission model and its applicability to snow water equivalent retrieval”. IEEE Transactions on Geoscience and Remote Sensing, vol. 37, no. 3, pp. 1378-1390, 1999.

[6]Basist, A., Garrett, D., Ferraro, R., Grody, N. C., amp;Mitchell, K. (1996). A comparison between snow cover products derived from visible and microwave satellite observations.Journal of Applied Meteorology, 35(2), 163-177.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22111]，资料为PDF文档或Word文档，PDF文档可免费转换为Word