基于遥感与GIS的西藏草原雪灾监测与评估*

高懋芳，刘三超，邱建军，张虹鸥，周 霞

(1.中国农业科学院农业资源与农业区划研究所，北京 100081;2.广东省环境科学与技术公共实验室，广州 510650;3.民政部国家减灾中心，北京 100053)

西藏是我国传统的五大牧区之一，有天然草地8 200万hm2，约占全国天然草地面积的21%，占西藏土地总面积的68.11%。根据中国首次统一草地资源调查，西藏拥有草地种类居全国各省、自治区之首，在全国18个草地类中，西藏就占有17个草地类。无论河谷、山地均有草地，海拔4 000～4 700m左右的高原则均为草地所占有。全区草场90%以上为高山草甸和高山草原，牧草营养价值高。畜牧业是西藏农业经济的主体，生产历史悠久，发展潜力大。但是，由于西藏地区地形复杂，气候多变，冬春季节雪灾频繁。在正常情况下，每3年就有1次小型雪灾，每5～6年有一次中型雪灾，每8～10年就有一次严重的雪灾。每当中、大型雪灾降临，往往造成大量牲畜死亡，交通阻塞，给牧民生活带来极大困难，给西藏草业及畜牧业发展带来极其严重的损失。因此，及时准确地了解积雪区域和积雪厚度的分布情况，是草地雪灾监测和雪灾危害程度评价的关键，对于牧区抗灾救灾工作意义重大［1］。

雪灾严重的地区通常交通不便，传统的台站式监测难以满足要求，遥感因其大面积、多波段、及时快速地获取信息而得到广泛地应用。早在20世纪50年代，人类就意识到雪盖制图的重要性，之后航空摄影为测定雪盖面积提供了较有效而精确的方法。从60年代初TIROS卫星提供覆盖加拿大东部的遥感资料起，即开始了卫星积雪观测。70年代卫星雪盖制图的潜力，由于系列卫星的更新换代 (NOAA)、更高时间分辨率卫星如GDES以及更高空间分辨率卫星如LANDSAT等卫星的出现而得以发展［2］。80年代以及90年代以来，随着地球观测系统的实施以及各种微波传感器的相继投入使用，积雪遥感监测研究进入了一个新的阶段［3-5］。

1 积雪覆盖区遥感监测

1.1 积雪的光谱特性

积雪在可见光波段有很强的反射特性，尤其是新雪，几乎达到全反射。图1显示了新雪与干旱区土壤、草地的光谱曲线，从图1可以看出，积雪在可见光波段与几种典型地物的光谱有很大的差别。随着波长的增加，雪的反射率迅速降低，到了近红外波段，则显示出强吸收的特性。卫星遥感积雪覆盖主要是依据雪在可见光近红外波段的反射差异。由于积雪在可见光波段的高反射率，通道饱和度成为传感器进行积雪监测的重要参数，MODIS传感器在通道设计上具备足够大的动态范围，用于检测积雪时可见光通道一般不会饱和。

1.2 积雪的检测方法

图1 新雪与干旱区土壤以及草地的光谱特性

MODIS传感器是美国对地观测系统的一个重要组成部分，在已经发射的TERRA和AQUA两颗卫星上均携带有该传感器。MODIS数据有 36个波段，分布在 0.415-14.235μm的波段范围内，空间分辨率为 250m、500m、1 000m，每天可以获得覆盖同一地区白天和晚上一共2～4景图像。NASA对MODIS数据采取对地直接广播的方式传输，数据获取方便快捷，数据成本低。MODIS传感器在有星上定标系统，数据的精度大大提高。根据以上特点，选取MODIS数据作为西藏地区雪灾遥感监测与评估的主要数据。用遥感监测雪灾不但弥补了地面台站空间间隔大，边远高寒山区地面观测人员无法到达的缺陷，而且能够更直观准确地对积雪区域进行判识，比传统方法有着很大的优越性。

积雪表面在MODIS数据的第4波段 (0.545～0.565μm)有高反射，在第6波段 (1.628～1.652μm)的反射率相对较低。因此归一化雪盖指数 (Normalized Difference Snow Index，NDSI)被广泛的用于积雪覆盖区的检测，计算NDSI的公式如下［6］:

式中Band4、Band6分别是MODIS数据第4波段、第6波段的反射率，可以根据MODIS数据的灰度值和头文件用下面的公式来计算。

式中Bandi是MODIS数据第4、6波段的反射率，DN是MODIS 1B数据相应波段的灰度值，Offsets和Scales可以从HDF数据的头文件中读取。

MODIS数据的第二波段用来去除云的影响，图2显示了用于西藏地区积雪覆盖区检测的流程图。计算得到NDSI后，再根据NDSI的大小以及MODIS数据第2、4波段的反射率大小关系来判断每一个像元是否是积雪。如果NDSI≥0.4，第2波段的反射率＞11%，并且第4波段的反射率＞10%，则判定该像元为积雪［6］。

2 雪灾评估方法

2.1 云覆盖区的积雪估算

MODIS积雪覆盖算法使用可见光和近红外波段数据检测积雪覆盖面积，然而，雪灾发生过程中，经常会有大面积的云覆盖区，可见光近红外波段无法获取厚云覆盖区的地表信息。因此，只利用MODIS云检测算法往往无法获取足够的信息进行雪灾监测，为了更精确地进行雪灾评估，该研究估算云区积雪覆盖的可能性。MODIS大气组开发了云产品，把所有像元分成了4类:确定有云、可能有云、可能晴空、确定晴空。对于确定晴空和可能晴空的两类像元，直接利用MODIS积雪检测算法，对于确定有云和可能有云的两类像元，估算积雪覆盖的可能性。

云是降雪的主要前提条件。因此，利用云信息来估算积雪覆盖的可能性是比较合理的，有厚云的地区降雪的可能性比晴空的地区明显要大很多。对于雪灾评估，该研究假定在确定有云的地区降雪的可能性是50%，而在可能有云的地区降雪的可能性是25%。虽然这种假设对于积雪覆盖的估算需要进一步的验证，但对于雪灾评估是有很重要意义的。

图2 积雪检测流程

2.2 数字地形模型

数字地形模型对于积雪覆盖区的检测以及雪灾评估都有很重要的意义［7］。西藏位于青藏高原腹地，被称为“世界屋脊”或“地球的第三极”，平均海拔4 700m，世界最高峰珠穆朗玛峰就位于西藏的南缘，海拔8 844m。西藏只有大约10%的国土海拔低于4 000m，主要分布在雅鲁藏布江河谷以及东南部分地区。海拔在4 000～5 000m的区域面积约为60万km2，占总面积的一半，另外约39%的地区海拔在5 000～6 000m。坡度和坡向可以直接由DEM计算得出，约有20%区域坡度大于10度，主要分布在高山地区，另外有约4 000km2的区域坡度大于30度。

地形和气候是地表覆盖类型的主要驱动因素，西藏90%以上的农田、林地和灌丛都分布在海拔3 000～5 000m的地区，这些区域的降水与温度比海拔更高的地区更适合作物以及树木的生长。所有的湖泊水库都位于4 000～6 000m海拔的地区，其中96%的湖泊分布在海拔4 000～5 000m的区域。几乎所有的沙漠和裸地都分布在4 000～6 000m的高山上，高于5 000m的山峰大多被永久性冰川和积雪覆盖。草地在高原上的分布最广，低于3 000m的地区有95%的面积是草地，3 000～6 000m的区域有77%是草地。

2.3 雪灾评估过程

雪灾评估基于研究区概况、积雪覆盖面积、土地利用类型、数字地形模型等数据，该研究所采用的方法结合了遥感与地理信息系统技术。图3给出了整个雪灾评估的过程，MODIS数据用于检测积雪覆盖区域并进行云检测，然后利用云检测数据来估算云区积雪覆盖的可能性。结合积雪覆盖监测以及云区估算的结果，得到每一景MODIS数据上的积雪覆盖图，该研究利用TERRA和AQUA双星的数据，可以得到一个地区每天2～4景数据。有时只利用一景数据无法覆盖整个西藏自治区，多景图像的合成技术对雪灾评估的精度提高也有比较重要的作用。

雪灾评估中还要用到GIS空间分析，积雪覆盖监测中得到的区域通常会含有一些并不感兴趣的地区，比如裸地和永久性冰川等。首先要用边界线矢量裁剪得到西藏范围内的积雪覆盖图，图4显示的是所有土地利用类型上的积雪覆盖状况，如果统计所有积雪区的面积来进行雪灾评估则势必会带来一定的误差，因为雪灾不会在裸地或者永久性冰川上发生，尽管这里的积雪厚度可能会很大。最严重的雪灾经常发生在牧民生活的草地上，这里有很多牧民所赖以生存的牲畜，他们没有坚固的房子用以躲避风雪，只有一顶简陋的帐篷，几乎所有的牲畜都没有圈棚，直接在草地上生活。一旦积雪覆盖了草地，牲畜吃不到草，也没有足够的饲料，经常会有大量的牲畜因冻饿交加而死。雪灾一般很少会在农区、林地以及灌丛地发生，因此，该研究仅考虑草地上的雪灾。

为了得到草地上的积雪覆盖区，把土地利用类型图由矢量转成与遥感数据相同分辨率的栅格数据，在新的栅格数据上，所有的草地都赋值为1，非草地赋值为0，最后把得到的栅格数据同积雪覆盖区数据相乘，得到草地上的积雪覆盖图。积雪覆盖区统计图将展示雪灾发生过程中积雪覆盖的变化序列，同时将将积雪覆盖图与数字地形模型结合进行综合分析。DEM数据像元被分成7类，分别是＜1 000m、1 000～2 000m、2 000～3 000m、3 000～4 000m、4 000～5 000m、5 000～6 000m、＞6000m。积雪覆盖区统计将分别针对不同高度范围进行计算，得出积雪分布同高度的关系，以更好地完成雪灾评估。

图3 雪灾评估流程

3 结果分析

3.1 研究区彩色合成图

由于地势高，地形起伏大，气候类型复杂，西藏在每年10月中旬至次年4月中旬经常受到暴风雪的袭击，其中2007年3月10～14日就遭受了一次严重的雪灾。从一系列的MODIS卫星遥感图上，可以检测积雪覆盖区的变化情况，进而评估雪灾影响。利用MODIS数据的多波段合成图可以很好的显示研究区的地表状况，图4显示了2007年3月8日雪灾发生前的地表状况。从这个图4可以看出，3月8日西藏全境几乎都是晴朗无云的，主要的土地利用类型非常容易分辨，暗色的点表示的是高原上的湖泊，南部边缘部分是少量的云。在随后的几天里，大雪降临青藏高原，厚厚的云层挡住了视线，从多波段合成图上就很难分辨出地表状况了。

3.2 积雪覆盖区变化及雪灾评估

根据该文第二部分中提到的方法，检测出了西藏2007年3月8～15日草地上的积雪覆盖状况，如图5所示。由于3月9日也是一个晴天，但数据质量没有3月8日的好，因此这一天的数据没有包括。图5浅色显示的是晴空并且没有被积雪覆盖的区域，由于雪灾评估中只考虑草地，因此非草地的区域单独标出，另外标出了覆盖区，确定有云区，可能有云区，以及永久积雪区。

积雪覆盖的时空变化可以非常清楚地从以上的一系列图上看出，总的来说，从3月8～15日，监测到的积雪覆盖面积是不断增大的，表1给出了积雪覆盖区的统计数据。从图5和表1中可以分析雪灾的发生发展过程，并评估此次雪灾的强度。图5-A显示的是雪灾发生前的地表状况，大于70%草地没有被积雪覆盖，确定有云和可能有云的像元比例分别是15%和7%，有云的区域主要分布在东南角，只有6.23%的像元被积雪覆盖，这对于牧民生活来说是可以接受的。

从3月10日起，云层开始在西部边缘以及东部地区累积，到了3月11日，小范围的雪灾开始在东南部分发生，与此同时，厚云继续在西部以及北部大部分地区累积。在3月10～12日期间，超过55%的草地被云覆盖，一场大的暴风雪正在酝酿。

暴风雪在3月12日下午袭击了西藏的西部和南部，连接新疆和西藏的公路上积雪厚度超过50cm，在进入普兰县的公路上，最深的积雪达到150cm，交通被完全阻断，电力和通讯设施也无法运行，普兰县成为了一个孤岛。大量的牲畜因冻饿交加而死，有的甚至被厚厚的积雪所掩埋。大雪也给这里的牧民生活带来了严重困难，温度骤然降至零下30℃以下，很多牧民的帐篷被毁，没有足够的干粮，患感冒和冻伤的牧民增多，却没有足够的医生和药品来对他们进行及时的救治。

雪灾在接下去的3天里继续恶化，图5E-G中深色区显示了雪灾中心的分布情况。表1给出了西藏此次雪灾过程中积雪覆盖面积和雪灾发生面积的统计，雪灾发生过程中，西藏超过70%面积被厚云覆盖，在3月13～15日期间，雪灾发生面积约为40万km2。

图4 2007年3月8日雪灾前西藏地区多波段合成

图5 西藏自治区2007年3月中旬积雪覆盖区及雪灾评估(图A－G显示了3月8、9～15日雪灾影响范围变化过程)

表1 积雪覆盖面积和雪灾评估统计 万hm2

3.3 不同高程的积雪覆盖区

数字地形模型对于雪灾评估有着非常重要的意义，可以计算地形参数，校正太阳高度角，计算积雪厚度，能够在很大程度上提高雪灾评估的精度。在前一步雪灾评估的基础上，统计出不同高度上雪灾发生的面积，如表2所示。雪灾发生的面积有95%以上集中在4 000～6 000m的高度范围内，其中在4 000～5 000m的高度范围内，有22.5万km2，约占雪灾总面积的一半。

表2 不同高度范围上雪灾发生面积统计

4 结论

该研究基于遥感数据，土地利用数据，数字地形模型，以及基础地理信息系统数据，探讨了西藏地区雪灾评估的方法。积雪以及云检测是确定雪灾严重程度的关键因素，针对雪灾发生过程中可见光近红外波段无法获取厚云覆盖区数据的问题，该研究提出了估算厚云区积雪覆盖可能性的方法。积雪以及云区的发展变化过程分析是雪灾评估的前提，土地利用数据用于研究西藏地表覆盖状况并找到草地分布范围，DEM用来校正积雪覆盖区范围并统计不同高度范围内的积雪覆盖面积。结合遥感以及基础地理信息系统数据分析，可以给雪灾救援等提供宝贵的资料。

该研究深入分析了发生于2007年3月中旬的雪灾过程，大面积的草地被积雪覆盖，给当地的牧民带来了严重的经济损失。结果表明，该研究提出的方法可以有效地监测西藏雪灾发生过程，评估雪灾损失。经过一定的修正之后，该方法同样适用于其他地区的雪灾监测及雪灾损失评估。2008年春，50年一遇的大雪袭击了我国南方7省份，给电力供应、交通以及通讯等基础设施带来了非常严重的破坏，这次严重的雪灾引起了全国广泛的关注，雪灾监测以及雪灾损失评估也将成为今后研究的一个热点问题。

1 史培军，陈晋.RS与GIS支持下的草地雪灾监测试验研究.地理学报，1996，51(4):296～305

2 陈贤章，李新，鲁安新，等.积雪定量化遥感研究进展，遥感技术与应用，1996，11(4):46～52

3 冯学智，陈贤章.雪冰遥感20年的进展与成果.冰川冻土，1998，20(3):245～248

4 毛克彪，唐华俊，周清波，等.利用被动微波数据AMSR-E对2008年中国南方雪灾监测分析.中国农业资源与区划，2009，30(1):46～50

5 周清波.国内外农情遥感现状与发展趋势.中国农业资源与区划，2004，25(5):9～14

6 Dorothy K.Hall，George A.Riggs，Vincent V.Salomonson，et al.，“MODIS snow-cover products”，Remote Sensing of Environment，2002，83:181～194

7 Richard Essery，Aggregated and distributed modelling of snow cover for a high-latitude basin，Global and Planetary Change，2003，38(1-2):115～120