基于ESTARFM算法的融合数据在土壤墒情反演中的应用研究

Estarfm算法通过变化检测与修正补偿机制实现了多源数据的融合与高时空分辨率数据的输出,是当前最为有效的高时空地表反射率数据合成方法,并已被广泛应用。为探讨基于Estarfm算法的融合数据在土壤墒情遥感反演应用中的可行性,以河北省南五地市为研究区,选择时间分辨率较高的MODIS影像、空间分辨率较高的GF卫星影像和地面土壤墒情实测数据为试验数据,应用Estarfm算法和基于MPDI的土壤墒情反演方法进行土壤含水率遥感反演精度对比分析研究。结果表明:相对真实影像,Estarfm算法能较好地模拟区域地表反射率状况,融合影像数据用于区域土壤墒情反演总体精度较好,能反映区域土壤墒情的空间分布特征,反演精度较低的像元主要集中在水体、厚云和植被覆盖较高的区域。在无法获取高质量遥感影像的情况下,可应用Estarfm算法融合多源遥感数据开展土壤墒情的常态化监测。

利用ESTARFM模型获取南方红壤区高时空分辨率MODIS遥感蒸散估算数据

蒸散发是水分循环的重要环节,影响着作物生长和粮食生产,获得长时序高空间分辨率蒸散发过程数据有助于优化区域水资源配置。基于Landsat和MODIS遥感数据,结合地面观测通量数据和气象数据,利用SEBS模型和ESTARFM模型获得了南方红壤区2019年4−10月高时空分辨率日蒸散量,并分析高时空分辨率日蒸散量时空变化特征及其影响因素。结果表明:高空间分辨率的遥感影像可获得精度更高的遥感蒸散模拟效果,基于Landsat遥感数据驱动的SEBS模型的模拟效果优于基于MODIS遥感数据作为输入的SEBS模型。ESTARFM模型获得的高时空分辨率日蒸散量与实测蒸散量对比,RMSE为0.68mm·d^(−1),R^(2)为0.87。模拟获得的2019年4−10月高时空分辨率日蒸散量在空间变化上与土地利用类型相关。各土地利用类型的蒸散量表现为林地>稻田>其他农用地,在时间变化上,4−8月蒸散量呈上升趋势,8−10月蒸散量则逐渐降低,气温是影响研究区域蒸散量的主要气象因子。基于SEBS模型和ESTARFM模型获得的高时空分辨率蒸散量与实测蒸散量具有良好的相关性,SEBS模型与ESTARFM模型结合的方法可作为估算南方红壤区蒸散量的有效工具。

基于ESTARFM模型的区域农田高时空分辨率影像产生与应用

多时相遥感影像特别是关键生育期数据是农业物候、长势及产量监测的重要数据源,然而可见光影像易受云雨干扰,在特定区域关键时间窗口缺少高时空分辨率数据的现实情况下,遥感影像时空数据融合方法变得尤为重要。增强型自适应反射率时空融合模型 ESARFM (Enanced Spaial and emporal Adapive Reflecance Fusion Model)是一种小区域合成高时空分辨率影像的较好方法,该算法在我国不同农业种植区的适应性及应用工作尚未充分展开。本文以河北、黑龙江、新疆典型农区为研究区域进行大面积应用检验分析,基于 MODIS 与 Landsa 影像,利用ESARFM 生成具有高时空特征的 Landsa 模拟影像,将其与真实 Landsa 影像进行对比,并在新疆地区展开ESARFM 算法在 NDVI 方面的应用。结果表明, ESARFM 对 3 个不同区域状况的地区都有较好的影像预测能力,并且在新疆地区可以很好地生成 30 m 空间分辨率的多时相 NDVI,用于作物分类和长势监测。

基于ESTARFM的内陆湖泊遥感动态变化监测

在进行长时间湖泊水体面积遥感动态变化监测研究时,常出现数据缺失问题。利用改进型时空自适应反射率模型(enhanced spatial and temporal adaptive reference fusion model,ESTARFM)对缺失的遥感影像进行数据填补。结合MODIS数据模拟内蒙古红碱淖研究区2000年以后缺失的Landsat影像,在此基础上,利用水体指数法实现湖泊的面积和岸线的定量提取,从而实现了长时间湖泊水体遥感动态变化监测。结果表明:通过ESTARFM模型生成的MODIS和Landsat融合影像效果理想,有效解决了2000年以后Landsat影像缺失的问题;加入了融合影像的时序影像在进行水体动态变化监测时,更加细节地反映水体变化情况,有助于后续的分析研究;通过对红碱淖的长时间遥感动态变化监测,发现湖泊总体呈现出萎缩状态,具体可分为稳定、持续萎缩和增长3个阶段。

基于ESTARFM NDVI的察汗淖尔流域灌溉耕地提取方法研究

运用遥感精准识别技术提取灌溉耕地可以为区域内农业耗水管理提供关键数据支持,但受限于遥感数据的时空分辨率,对于光谱特性相似容易混淆的灌溉耕地作物识别有一定难度。为此,本研究通过增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)对MODIS和Landsat数据进行融合,得到察汗淖尔流域时间分辨率为8 d、空间分辨率为30 m的NDVI数据,并与同期真实Landsat NDVI进行对比验证,相关系数为0.94。利用HANTS滤波建立ESTARFN NDVI时间序列数据,选取灌溉耕地样本通过支持向量机进行灌溉耕地空间分布的提取,以弥补数据源、特征提取等限制因素对复杂灌溉耕地提取的空缺。结果表明:流域内灌溉耕地总面积为1958.24 km^(2),商都、兴和、尚义、康保和化德5县耕地总面积占流域耕地总面积的94%,灌溉耕地分别为616.67 km^(2)、337.36 km^(2)、409.85 km^(2)、290.93 km^(2)和239.38 km^(2),主要种植葵花、甜菜、马铃薯等生长季从4月初到9月底的长生育期作物和生长季从5月初到8月初的蔬菜;张北、察哈尔右翼前旗、后旗和镶黄旗耕地占流域耕地总面积为6%,4县灌溉耕地面积共64.05 km^(2)。最后,通过真实样本进行验证,总分类精度为93.18%,Kappa系数为0.91。结果表明,用该数据融合模型获得的NDVI时间序列能反映作物真实变化情况,并且使用支持向量机提取察汗淖尔流域灌溉耕地效果较好。

基于ESTARFM模型的农作物类型识别方法应用

【目的】利用时空融合技术生成高时空分辨率影像,为农作物类型识别研究提供一种思路和方法。【方法】以河套灌区部分区域(40°10′N~41°25′N、106°23′E~108°47′E)为研究区,基于MODIS和Landsat融合影像,利用增强型时空自适应反射率融合模型(ESTARFM),预测Landsat影像并建立NDVI时间序列影像数据集。结合地面样方数据将真实影像与预测影像数据集导入随机森林分类器,并对比分析研究区主要农作物类型。【结果】ESTARFM模型融合影像具有较清晰的空间表达能力,预测影像与真实影像波段表现出较好的相关性,其R值均能达到0.6以上。利用NDVI时间序列预测影像数据集农作物类型识别总体精度为93.03%,比真实影像精度高12.07%,Kappa系数为0.89。【结论】ESTARFM模型能够有效地解决农作物特定窗口期影像缺失困难,并能为农作物类型识别研究提供一种较好的应用方法。

基于ESTARFM的MODIS与Sentinel-2三江平原EVI与LSWI时空融合质量评价

EVI、LSWI时序数据是农业遥感应用中重要的数据源,时空融合模型可以减弱重访周期及天气等因素对遥感数据获取的限制。然而前人选取的数据源多为MODIS与LANDSAT作为时空融合模型的输入数据,限制了融合结果的空间分辨率,因此本文基于MODIS与Sentinel-2以ESTARFM时空融合方法构建10m空间分辨率的连续EVI、LSWI时序数据,并对时空融合结果进行分析评价。结果表明:ESTARFM时空融合模型模拟结果与纯像元MODIS时序EVI和LSWI曲线差异不超过0.1,与验证日期Sentienl-2的EVI与LSWI的平均R2均为0.878,证明ESTARFM时空融合方法可以有效的对Sentienl-2进行模拟。

基于改进的ESTARFM数据融合方法研究

为解决高空间分辨率数据重访周期过长及云覆盖带来的数据短缺问题,以利用空间高分辨率数据进行地表动态变化监测,提出了一种基于ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)的改进方法,通过消除BRDF(Bidirectional Reflectance Distribution Function)效应对融合数据的影响,及调整距离权的设置、窗口设置及转换系数的计算方法,提高融合精度和运算速度,以更好地实现高空间分辨率信息与高时间分辨率波谱信息的融合。研究结果表明:①在地表覆盖不变的区域,改进的ESTARFM与原方法得到的融合结果相比,前者取得了较高的融合精度,较后者在各波段都有不同程度的改进;②在地表覆盖变化的区域,改进的ESTARFM比原方法得到了更合理的地表变化融合结果,改进幅度较大,尤其是green、red波段。

ESTARFM模型在西藏色林错湖面积时空变化中的应用分析(1976-2014年)

湖泊(特别是内陆湖)作为全球气候变化的敏感区域,是气候变化与环境变异的指示器,其面积变化在一定程度上可反映区域的气候变化。因此,精确监测湖泊面积的时空变化,对分析区域生态环境变化具有重要的意义。本文基于ESTARFM时空数据融合模型,利用MODIS数据模拟了2000年后无法得到的Landsat数据;利用NDWI和MNDWI 2种水体指数并辅以DEM数据分析了1976-2014年西藏色林错湖湖面面积的时空变化;综合湖区周围6个气象站点的气象数据(1970-2014年),探究了湖面面积变化的原因及其对气候变化的响应。结果表明:(1)利用ESTARFM时空融合模型得到的Landsat-Like数据与真实的Landsat数据在水体信息提取方面具有较高的相关性,R2可达0.93,时空数据融合的结果可用于湖泊水体的信息提取;(2)近40年来(1976-2014年),色林错湖处于持续扩张状态,面积呈较显著的增长趋势,增加了近711.652 km2,增幅为42.36%,年平均增长速率约为18.728 km2a-1,增长最快时可达55.954 km2a-1;湖面面积变化先后经历了平稳变化-迅速变化-平稳变化3个阶段;北部湖区在40年间变化最为明显,向北扩展了约22.812 km;2003-2005年,南部湖区已与雅根错湖连为一体,随后二者共同扩张;(3)气温的持续升高造成的冰雪融水补给增加可能是导致湖泊面积扩张的主要因素,风速的降低为次要因素,湖面的面积变化与降水量、日照时数的变化相关性不明显。

ESTARFM算法在长江中下游平原地区的适用性研究

时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)进行参数敏感性分析,并系统地对比分析了2组融合实验RI(先融合波段反射率后计算植被指数)和IR(先计算植被指数后直接融合)的融合效果。结果表明:(1)ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;(2)相较于RI组,IR组模拟结果精度更高(R_(RI-NDVI)^(2)=0.866,R_(IR-NDVI)^(2)=0.953,R_(RI-EVI)^(2)=0.814,R_(IR-EVI)^(2)=0.930),且能够较好地削弱"斑块"现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。

ESTARFM相似像元选取方法的改进研究

ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一种经典的基于权重滤波的时空融合算法,它在众多领域得到广泛应用。相似像元选取是其一个重要步骤,ESTARFM模型中相似像元选取过程受搜索框大小和分类数影响,当前的研究中搜索框大小的设定较为统一,而分类数大小设定缺乏统一性。为降低ESTARFM算法中分类数对算法性能的影响,将STNLFFM(A Spatial and Temporal Nonlocal Filter-Based Data Fusion Method)中相似像元选取方法与ESTARFM模型相结合,提出改进的ESTARFM_NL模型。研究设计了两组不同时相变化条件下的数据进行对比分析。结果表明:ESTARFM_NL与ESTARFM融合结果相对误差直方图总体分布趋近一致,同时利用平均相对误差和相关系数对融合结果进行评价,发现两种算法之间精度差异较小,表明两种算法融合精度相当;对比两种算法运算效率,发现ESTARFM_NL运行时间能够得到大幅缩减。因此,ESTARFM_NL为大区域或长时间序列遥感数据的时空融合提供了一种可选择的融合方案。

五种典型遥感时空信息融合算法在湿地区域植被指数重建中的适用性比较

为探讨不同遥感时空信息融合算法在水陆转换频繁、地物类型多样的湿地区域的适用性问题,该文以鄱阳湖样区为研究区,选取5种典型的时空信息融合算法(STARFM,ESTARFM,FSDAF,Fit-FC和STNLFFM)。根据不同时期地物差异状况,选取Landsat和MODIS遥感数据分别开展枯水期、平水期2个时段的归一化植被指数(normalized difference vegetation index,NDVI)影像融合实验,并在空间和光谱2个维度进行算法精度评估。结果表明,仅一对粗细分辨率影像输入时,FSDAF算法在枯水期的融合预测效果最好,总体误差为0.4335;STNLFFM算法在平水期的融合预测效果最好,总体误差为0.5147;同时应用枯水期、平水期2对粗细分辨率影像时,ESTARFM算法融合预测效果最好,总体误差为0.4670。不同时空信息融合算法在湿地地区的适用性与研究区域内水体面积的占比情况有关,STNLFFM算法在水体区域的融合预测效果最好。

基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究

陕北黄土高原地形复杂,水土流失现象较为严重,精确监测植被的时空变化对于该区域的生态环境建设具有重要意义。文中基于ESTARFM时空分辨率融合模型,利用MODIS和Landsat数据获取2008—2016年6～8月陕北黄土高原的Landsat NDVI时序数据,分析陕北黄土高原植被覆盖的时空变化情况及对气候因子的响应。结论:①运用ESTARFM融合模型得到的Landsat NDVI数据与真实Landsat NDVI数据在植被信息的表达方面具有较高的相关性,融合结果可以应用于后续植被覆盖度的估算。②2008—2016年陕北黄土高原地区植被覆盖呈现较为明显的增加趋势;空间分布上呈现由东南向西北逐渐递减的特点,植被覆盖等级结构好转;研究区78%的地区植被改善效果良好;各土地利用类型植被覆盖度均呈波动增加趋势。③整体上植被覆盖度与同期气温和降水的相关性呈现较为明显的空间分异,其中植被覆盖度对降水因子的响应更为敏感。ESTARFM算法综合了高空间分辨率数据的空间细节表达力和高时间分辨率数据的快速时序变化能力,为陕北黄土高原高精度的植被动态监测研究提供了有效依据。

南京地区蒸散发降尺度研究——基于增强型时空自适应反射融合模型

蒸散发是水文循环的重要组成部分,获取高时空分辨率的数据能够更加精细化蒸散发的时空变化规律,对于水资源管理、生态水文过程量化具有重要意义。由于单一传感器反演的蒸散发无法同时具有高空间和高时间分辨率,以南京地区为例,首先结合Landsat-8遥感影像数据和气象数据,采用基于能量平衡原理的SEBS模型估算日蒸散量。在此基础上,选取典型区域采用基于增强型时空自适应反射融合模型(ESTARFM)将估算的蒸散发结果与低空间分辨率的MOD16A2蒸散发产品数据进行时空融合降尺度研究,并评价模型的融合精度。结果表明:(1)SEBS模型估算的蒸散发结果与蒸发皿折算后的数据、MOD16A2产品数据的平均相对误差分别为0.14 mm/d和0.22 mm/d。(2)南京地区蒸散量季节差异明显,表现为夏季>秋季>冬季;各区在夏季的日平均蒸散量差异也较大,六合区蒸散量最大,秦淮区最小;另外,蒸散量分布受土地利用类型的影响,总体上表现为水域>林地>耕地>草地>其他,且植被覆盖度较高的区域蒸散量较大。(3)基于ESTARFM模型融合的蒸散发结果与基于Landsat-8遥感影像反演的蒸散发数据在空间分布上具有相似性,二者相关系数为0.74。在全球气候变化的背景下,本研究可为蒸散发数据集时空分辨率的提高提供参考,同时也能够为南京地区水循环过程和水资源管理研究提供数据支撑。

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子(Vegetation cover and management factor,以下简称C因子)是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型(Linear Spectral Mixture Model,LSMM)、像元二分模型、增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区(海拔>3000 m)的C因子值较高,北部中低山丘陵区(2000 m<海拔<3000 m)的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。

川西高原植被时空格局及其对气候变化的响应

地处青藏高原东缘且作为重要生态屏障的川西高原生态环境脆弱,属全球变化敏感区,但由于2000年之前MODIS数据的缺失,限制了川西高原针对大范围较高分辨率数据进行植被气候响应的研究。为研究其长期的植被时空格局及其对气候变化的响应,基于增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM),根据MODIS NDVI(500 m)数据得到研究区1995年GIMMS NDVI3g(8 km)的高空间分辨率数据(500 m),并结合年均气温和年降水量开展川西高原1995—2015年植被时空格局及其对气候变化响应的研究。结果表明:(1)ESTARFM模型融合的GIMMS NDVI3g与真实MODIS NDVI数据吻合度较高,融合结果可用于地形复杂的川西高原植被变化的研究。(2)1995—2015年川西高原植被覆盖呈现沿海拔梯度先升高后降低的垂直分布特点,植被变化趋势稳定;(3)1995—2015年川西高原年均气温和年降水量空间分布特征主要表现为西部年均气温和年降水量低于东部。植被覆盖对年降水量的变化较年均气温更加敏感,植被覆盖与年均气温呈正相关的区域占14.9%,与年降水量呈正相关的区域约占35.4%。总体而言,川西高原总体植被覆盖程度较好,且变化趋势稳定。年降水量相较于年均气温影响植被变化更明显。

喀斯特高原区多源遥感数据时空融合模型适用性分析

喀斯特石漠化综合治理防治措施已落实到小流域等较小空间单元内,迫切需要高时空分辨率植被覆盖度等数据支撑相关研究。由于技术和预算的限制,单一传感器难以获取同时满足高空间、高时间分辨率的数据,时空融合技术是目前解决遥感数据缺失和“时空矛盾”的重要方法之一。以Landsat8 OLI数据与MODIS数据为数据源,以喀斯特高原20 km×20 km区域为实验区,采用时空自适应反射融合模型(spatial and temporal adaptive rcflectance fusion model,STARFM)、增强型时空自适应反射融合模型(enhanced spatial and temporal adaptive rcflectance fusion model,ESTARFM)、灵活的时空数据融合模型(flexible spatiotemporal data fusion,FSDAF)模型三种模型融合生成高时空分辨率数据,分析三种模型在喀斯特高原区的应用能力。结果表明:STARFM、ESTARFM、FSDAF三种模型的融合影像与真实影像的R均高于0.6,ESTARFM模型的融合影像与真实影像的相关性最高,空间细节最为清晰,层次性更明显;ESTARFM模型在地表破碎,异质性较高的喀斯特高原区具有较好的适用能力。

三种TM与MODIS数据融合方法在山区的适用性研究

为解决Landsat数据云覆盖和扫描线校正仪失效的影响,弥补可能的Landsat数据的空缺,找出在山区的最佳融合方法,本文比较了山区地形起伏对3种主要的TM与MODIS融合方法的影响,为消除BRDF效应对各方法的不同影响,文中使用MODIS BRDF/Abedo产品,统一采用核驱动模型对数据进行了BRDF校正。评估结果表明:①山区地形起伏,影像细节部分较多,ESTARFM具有对这些复杂异质地区较好的处理能力,其融合结果的各波段在山区都有比半物理方法和STARFM更高的精度;②三种方法都会在地形起伏区的背阴面产生出现较大的误差,而使这些区域的融合结果变得不可靠;③目前为止,ESTARFM可能是唯一适合在山区进行植被动态监测的方法。

基于时空融合技术的高精度遥感蒸散计算

在利用遥感数据进行蒸散计算时,常因云雨污染和单一传感器限制,导致影像数据缺失严重,特别是在一些景观破碎化程度高的地区,较难获取高时空分辨率的蒸散序列。以黄河三角洲为研究区,基于增强型时空自适应融合模型构建高时空分辨率的遥感数据集,结合地表能量平衡系统模型采用先估算后融合和先融合后估算两种方式估算了区域2020年高时空分辨率的蒸散时间序列,探讨了融合算法和蒸散模型相结合的可行性和估算精度。结果表明:增强型时空自适应反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model, ESTARFM)算法性能较好,融合反射率与实际反射率的相关系数均在0.85以上;地表能量平衡系统(surface energy balance system, SEBS)模型估算的显热通量与通量站数据的均方根误差(root mean squared error, RMSE)仅为57.8 W/m2,融合模型估算的水面蒸发与蒸发皿折算数据的相关系数达到了0.93;黄河三角洲蒸散量随季节变化较大,其中夏季蒸散量约占全年的40%,不同地物类型的年蒸散量差异明显,为548.2~1 289.9 mm/a;蒸散的空间分布格局受海陆分布和土地利用的影响显著,沿海的滩涂和水体蒸散量最高,自然植被明显高于人工地物;ESTARFM算法与SEBS模型的耦合方式对蒸散结果,先融合后估算方案的蒸散精度更高(R=0.88;RMSE=0.36 mm/d),有效提高了蒸散的时空分辨率,更适用于黄河三角洲地区。

联合SAR与光学遥感数据的山区积雪消融识别

积雪消融是气候变化和水资源管理的重要影响因素。本文联合Sentinel-1与Sentinel-2时序数据,提出了一种联合SAR与光学遥感数据的积雪消融识别方法。以祁连山区八宝河流域为研究区,利用ESTARFM时空数据融合模型得到与Sentinel-1同时相的Sentinel-2模拟数据,提取流域积雪覆盖范围;基于SAR多时相多极化变化检测算法提取湿雪;结合光学遥感与DEM数据对SAR提取的湿雪进行校正,最终获得八宝河流域消融期内18个时相干湿雪分布。利用GF-2影像和消融期的Sentinel-2影像分别对积雪和湿雪面积进行精度验证,结果表明该方法能够快速识别积雪消融时空变化,总体分类精度OA高达99%,Kappa系数高达0.86。同时,利用同一天早晚过境相差约12小时的升、降轨SAR数据对比分析了积雪消融变化特征。根据实验数据集分析表明,八宝河流域内干湿雪分布随时间剧烈变化,消融初期湿雪主要集中在河谷低海拔区域且消融速度快,随着气温的升高积雪消融至高海拔区域,而干雪主要分布在四周高海拔山区。且由于过境时间的差异,在整个消融期,降轨数据提取的湿雪面积小于升轨数据提取的湿雪面积。