基于GIS和RS的秦岭主峰太白山积雪变化研究

王 娟，董金芳,2，何慧娟

(1.陕西省农业遥感与经济作物气象服务中心，西安 710016；2.陕西省气象局秦岭和黄土高原生态环境气象重点实验室，西安 710016)

积雪对地表辐射、能量循环和水循环有着非常重要的影响，是影响区域和全球气候的一个重要因素[1]。秦岭是中国南北气候分界线，亦是黄河和长江流域分水岭[2]，秦岭主峰太白山积雪变化对我国气候变化起着至关重要的作用，然而国内关于太白山积雪情况的研究甚少。在气象情报不足、气候条件恶劣的山区，应用观测数据监测积雪变化难度极大，传统监测高山积雪的方法是利用地面观测站数据并结合实地考察来进行，这样的方法因数据量少、信息不完整无法得到客观实际的统计数据。利用遥感技术可客观、较完整地监测太白山积雪变化情况。近年来，国内外应用遥感手段提取积雪的方法不断更新，目前一般使用的方法大致分为混合像元分解法[3]及基于指数的提取方法[4-7]。混合像元分解法包括了监督分类及非监督分类等方法[8-10]。基于指数的方法是指通过给定阈值获得冰川或积雪监测结果。国内外学者应用归一化差分积雪指数开展众多研究，利用归一化差分积雪指数 (normalized difference snow index,NDSI)算法结合综合阈值判别法进行积雪信息反演[11-14]。本文采用在NDSI指数的基础上改进的基于近红外波段和归一化差分积雪指数的积雪面积提取方法SNOMAP算法，提取太白山积雪面积，并且利用太白山区域10个气象站点的冬半年平均气温及降水量数据，分析积雪面积变化与气候因素之间的关系，以期较为全面分析太白山区域积雪面积变化及其成因，为相应领域提供理论支持与参考。

1 研究区概况和资料方法

1.1 研究区概况

太白山是秦岭山脉主峰[15]，位于陕西省宝鸡市，秦岭北麓，眉县、太白县、周至县三县境内。太白山是秦岭山脉最高山峰[16]，海拔3 767.2 m。海拔3 000 m以上地带发育有第四纪末冰川。太白山气温特点为随海拔高度升高而垂直递减，在特有的气候环境下，动植物带也呈明显的垂直分布。

1.2 研究数据与方法

1.2.1 研究数据 遥感数据来自美国国家航空航天局(NASA)提供的Landsat TM、ETM及OLI_TIR数据，行列号为128～36，空间分辨率为30 m，时间序列为2000—2017年，集中选取冬半年(头年11月1日—次年4月30日)之间的晴空数据。

气象观测数据来自于陕西省气象信息中心，选用2000—2017年太白山区域10个气象观测站点冬半年的平均气温、降水量、积雪日数等观测数据。

1.2.2 研究方法

(1)对遥感数据Landsat TM、ETM及OLI_TIR进行数据预处理，包括大气校正和几何校正。

(2)以NDSI指数为基础，引入近红外波段构建辅助判别因子的积雪面积提取方法(SNOMAP)，其算法公式为

积雪面积：(b4>Tsnow)&&(INDS>INDS(snow))。

(1)

b4是Landsat TM数据近红外波段的反射率，Tsnow为近红外波段阈值；INDS为归一化差分积雪指数，INDS(snow)为归一化积雪指数阈值。

对于Landsat TM、ETM影像，用第 2、5 波段的反射率(b2，b5)计算INDS，公式为

INDS=(b2-b5)/(b2+b5)。

(2)

对于Landsat OLI_TIR数据，用第 3、6波段的反射率(b3，b6)计算INDS，公式为

INDS=(b3-b6)/(b3+b6)。

(3)

通过参考相近地区研究成果(INDS≥0.38)[17], 结合目视解译结果不断调整阈值，确定研究区INDS阈值为0.33。同时使用气象站点积雪观测数据进行验证。雷向杰等对1988—2010年冬半年积雪观测数据及卫星遥感数据进行分析，结果显示卫星遥感监测结果与积雪日数观测数据趋势一致[2]。

通过对研究区积雪、非积雪(森林、草地等)地物近红外反射率的提取分析，发现近红外波段积雪反射率远大于其他地物反射率，加入近红外波段进行积雪识别

(b4>0.11)&&(INDS≥0.33)。

(4)

(3)雪线高度利用ARCGIS地理信息软件进行处理提取。

2 SNOMAP算法的验证

2.1 不同方法提取积雪面积的比较

图1a是2000年积雪遥感图，从图1a中可以看到黄色方框区域为山体背阴积雪覆盖区域；图1b为仅进行监督分类后得到的积雪覆盖情况，可以看出原本背阴面的积雪(黄色方框区域)没有提取，被误分为其他地类；图1c为SNOMAP算法通过目视解译后选取恰当阈值，最终加入近红外波段判别所得的积雪覆盖情况，可以看到，原本背阴面的积雪(黄色方框区域)被识别。通过对比得到SNOMAP算法可以很好地识别积雪，减少了误分、错分等现象。

白色部分为积雪覆盖。图1 2000年太白山积雪分类对比图(a 遥感图，b 监督分类法提取结果，c SNOMAP算法提取结果)

2.2 遥感监测结果与气象观测数据的关系

分析2000—2017年太白山区降雪日数气象资料，将太白山区冬季观测的积雪日数进行排序，积雪日数排名前9位的年份中，2008年最多(18 d)，其次是2000年(14 d)，最少是2014年(9 d)。应用SNOMAP算法反演积雪日数排名前9位年份的积雪面积，并进行均值处理，分析该时间段冬季太白山区积雪面积(图2)。2008年积雪覆盖面积最大，为79.28 km2，降雪日数最少的2014年积雪面积均值为24.28 km2，两年的积雪面积相差55.00 km2。太白山区积雪覆盖面积与积雪日数呈显著正相关关系(α=0.001)。通过与气象观测数据对比，应用SNOMAP算法反演所得的积雪变化情况与气象观测数据变化趋势一致，采用SNOMAP算法反演积雪面积结果可信。

图2 太白山积雪面积与积雪日数关系

3 太白山积雪变化分析

3.1 积雪变化

应用SNOMAP算法反演2000—2017年冬半年的遥感数据，提取积雪覆盖面积。2000年太白山主峰积雪面积为52.96 km2，以2000年作为基准年，比较各年较2000年积雪面积变化情况(图3)：积雪面积减少的年份有13 a，平均减幅为14.10%；较2000年减少最多是2014年，减幅达28.68%，尤其是2010年以后(除2012年以外)积雪面积较2000年减幅均在9%以上。较2000年积雪面积增加的年份仅有4 a，其中2008年及2012年增加较多，分别为27.1%和26.3%。

图3 太白山积雪面积较2000年变化情况

从2000年和2017年积雪区域分布(图4)可以看出：2000年积雪区域明显大于2017年，2000年积雪覆盖面积较大，零星积雪覆盖较多；2017年积雪覆盖面积较小，主要集中在海拔较高的区域，零星积雪覆盖较少。

图4 2000年与2017年太白山积雪区域分布

3.2 雪线变化

应用ARCGIS中二值图像边缘提取的方法提取太白山的冬季雪线。为降低误差，选择每年有明显降水前的遥感图像提取雪线。图5是太白山2000年和2015年太白山冬季雪线示意图，从图中可以看出2015年的冬季雪线高度明显高于2000年，2000年冬季雪线高度为3 195.88 m，2015年为3 447.54 m。

图5 2000年与2015年太白山冬季雪线示意图

从2000、2001、2003、2005、2010、2015年的雪线高度变化(图6)可以看出，进入21世纪以来，太白山冬季雪线高度均在3 000 m以上，雪线高度在波动中呈上升趋势，年均上升16.74 m。

图6 太白山冬季雪线高度变化

4 冬半年气候因子对积雪变化的影响

分析太白山地区10个气象观测站点冬半年气象数据(图7)，2000—2017年平均气温和降水量在波动中均呈上升趋势。平均气温升高0.05 ℃/a，降水量增加3.16 mm/a。2000—2010年冬半年降水量年均增加4.96 mm，2010年以后年均增加9.46 mm；2010—2017年平均降水量123.36 mm，较2000—2017年均值增加13.97 mm。

图7 2000—2017年太白山冬半年平均气温与降水量年际变化

对太白山地区10个气象站点冬半年气象数据与积雪面积进行相关性分析。积雪面积与冬半年平均气温及降水量之间的相关系数均未通过显著性检验，但与平均气温相关性高，积雪面积与冬半年平均气温相关性较降水量大。太白积雪存在于太白山海拔3 000 m以上的地区，人类活动对其影响几乎不存在，影响其变化的因子包括地形因子、植被类型因子及气候因子等。在气候因子中,气温的升高是太白山积雪面积减少的主要原因。

5 结论

(1)通过与气象观测数据及监督分类方法得到的结果比较，应用SNOMAP算法提取太白山积雪面积结果可靠。

(2)2000—2017冬半年，太白山积雪面积在波动中呈减少趋势。进入21世纪以来，太白山冬季雪线高度均在3 000 m以上，雪线高度在波动中呈上升趋势。

(3)积雪面积与冬半年平均气温及降水量之间的相关系数均未通过显著性检验，积雪面积与冬半年平均气温相关性较降水量大。

(4)在提取积雪面积时应用SNOMAP算法，同时通过目视解译对多景遥感图像的积雪面积进行验证，不断优化阈值，可得到较满意的实验结果。但目视解译对研究人员的经验要求较高，研究人员的经验对目视解译的结果影响较大，在今后进一步研究中对算法进行进一步优化，减少因研究人员经验而造成的结果偏差。