基于MODIS数据的青藏高原积雪时空分布特征分析

利用2000―2014年间获取的MOD10A2积雪产品,结合数字高程模型数据,借助GIS空间分析方法,以积雪覆盖率(snow cover fraction,SCF)为指标,定量分析了青藏高原积雪的整体空间分布特征及高程、坡度和坡向等地形因素对高原积雪时空分布的影响。主要结论有:(1)青藏高原积雪覆盖具有高原周围和中部高大山脉积雪丰富、SCF高,内陆盆地和谷地积雪少、SCF低的特点;(2)海拔越高,SCF越高,积雪持续时间越长,年内变化越稳定;(3)海拔4 000 m以下年内积雪覆盖呈单峰型分布特点,海拔4 000 m以上则为双峰型;(4)SCF最低值在海拔6 000 m以下出现在夏季,而在海拔6 000 m以上则出现在冬季;(5)SCF在不同坡向中,北坡向最高,南坡向最低,东坡和西坡向居中。

BCC-CSM1.1m对欧亚积雪覆盖的预测评估

利用基于BCC-CSM1.1m模式建立的第2代季节预测模式系统1984—2019年历史回算数据,客观评估该模式对1月和4月欧亚积雪覆盖率(snow cover fraction,SCF)气候态和年际变化的预测技巧,分析模式预测偏差产生的可能原因。结果表明:BCC-CSM1.1m模式在超前0~2个月对欧亚大陆SCF具有一定预测技巧,对4月SCF的预测能力明显高于1月,1月预测技巧在欧洲西部地区最高,4月在西西伯利亚地区最高。SCF的预测结果在除青藏高原外的大范围地区表现为系统性偏低,预测偏差在1月随着起报时间的增长没有明显变化,而在4月随着起报时间的增长,关键区偏差由负转正并逐渐增大。分析表明,SCF预测偏差与模式中近地面气温的预测偏差有直接关系。除此之外,SCF的预测偏差部分源于模式本身的系统性偏差,模式分辨率以及参数化方案可能是预测结果在积雪覆盖率接近100%的高纬度地区明显偏低的原因。

近15a青藏高原积雪覆盖时空变化分析

利用MOD10A2积雪产品分析了2000~2014年青藏高原(以下简称高原)积雪面积和覆盖率的时空分布和变化特点。主要结论如下:1近15a高原年平均积雪面积减少趋势不明显,但季节差异很大,秋季积雪面积略显上升趋势,其他3个季节略有减少趋势,其中夏季减少趋势相对较明显;积雪面积变化与同期气温之间存在负相关关系,且与最高气温的关系更为密切;2过去15a高原积雪覆盖率变化趋势的空间差异明显。青海南部至藏北羌塘高原北部及西南喜马拉雅山脉北麓增加趋势较明显,其中青海南部覆盖范围最广,而念青唐古拉山中西段、喜马拉雅山东段、高原东南地势较低区域和西北部存在较明显的减少趋势,其中那曲东南减少最为明显;3高原积雪覆盖率的年际变率空间差异同样很大,总体上与高原平均积雪覆盖分布相似,即高寒内陆和周边的高大山脉及其周边地区是积雪年际差异明显区域,且主要是由春秋两季的年际变率导致的,高原积雪年际变率较大区域是高原主要的牧区和雪灾频发区,是高原积雪监测和防灾减灾的重点地区。

基于渐进辐射传输模型的雪粒径与积雪覆盖面积反演算法

渐进辐射传输模型(Asymptotic Radiative Transfer,ART)广泛应用于雪粒径反演,但是ART模型忽略了像元混合的影响。在本文中,ART模型被应用于混合像元分解之中,考虑积雪粒径变化的影响,提出了两种混合像元分解算法,用以同时获取雪粒径和积雪面积。第一种算法是采用均方根误差指标获取每个像元的最优雪粒径,使用全约束线性分解算法(FCLS)反演积雪面积。另一种算法使用通用梯度下降算法(GRG)获取每个像元的最优粒径,仍然采用全约束线性分解算法获取积雪面积。为了提高模型的运行效率,单波段ART算法用来获取影像的雪粒径,将之作为两种算法的先验知识。同时,MODSCAG模型反演的结果也被用于进行交叉对比,实验结果表明,两种算法比MODSCAG模型的反演结果更为精确。

冰沟流域积雪面积比例与雪水当量关系初探

像元尺度上积雪面积比例与雪水当量的关系是将积雪遥感面积数据引入水文模型的有效手段。以冰沟流域为例,利用合成孔径雷达ENVISAT-ASAR数据反演得到积雪面积、雪水当量信息,分析了500m像元尺度上积雪面积比例与雪水当量的关系。结果表明:1在积雪面积比例未达到全覆盖饱和状态,雪水当量和积雪面积比例呈正相关关系,积雪面积比例控制着雪水当量的最大值,但由于受到地形的影响,关系不显著;2当考虑地形因子影响,即将坡度、坡向、海拔、积雪面积比例与雪水当量进行多元线性回归,回归系数的显著性水平均小于0.05,相关系数(r)达到0.841。因此,在高分辨率地形因子已知的情况下,结合遥感积雪数据,可建立良好的积雪面积比例和雪水当量之间的关系,有利于高分辨率积雪面积比例数据在寒区分布式水文模型中的应用。