2002～2016年高亞洲地區中大型湖泊微波亮溫和凍融數據集
| 2002～2016年高亞洲地區中大型湖泊微波亮溫和凍融數據集 作者：邱玉寶 郭華東 阮永儉 付心如 石利娟 田邦森 2017年5月12日 |
 邱玉寶, 郭華東, 阮永儉, 等. 2002～2016年高亞洲地區中大型湖泊微波亮溫和凍融數據集[J/OL]. 中國科學數據, 2017, 2 (2). DOI: 10.11922/csdata.170.2017.0117. |
摘要&關鍵詞[編輯]
摘要：高亞洲地區是中緯度全球變化敏感區和研究的熱點區域，其境內湖泊星羅棋布，湖冰凍融參數是全球變化的關鍵敏感因子之一。由於冰水介電常數差異大，高重訪率且對天氣不敏感的星載被動微波遙感可實現湖冰凍融狀態的快速監測。本數據集依據微波輻射計像元內湖泊和陸表的面積比例，應用混合像元分解方法獲取了像元（亞像元級）的湖泊亮溫信息，實現高亞洲地區被動微波遙感亞像元級湖冰凍融監測，並採用多種被動微波數據，共計獲得高亞洲區域2002～2016年51個中大型時間序列湖泊亮溫數據和凍融狀態信息。以無雲MODIS光學產品為驗證數據，在高亞洲不同區域，選取可可西里湖、達則錯、庫賽湖等三個大小不一的湖泊進行凍融判別驗證，結果表明微波和光學遙感所獲取的湖冰凍結和融化參數具有較高的一致性，其相關係數可達0.968與0.987。本數據集包含湖泊的時間序列亮溫值和湖冰凍融參數，可進一步對湖泊開展特徵參數反演，以及提升對高亞洲地區的湖冰凍融的理解，為高亞洲地區氣候、環境變化以及高亞洲對全球氣候變化響應模型提供數據基礎。
關鍵詞：高亞洲；湖泊；被動微波亮溫；凍融參數；混合像元分解法
Abstract & Keywords[編輯]
Abstract: High Asia is a region dotted with lakes, sensitive to changes that are occurring in the mid-latitudes of the northern hemisphere. It is thus a focus for researchers. Due to widely different dielectric constants of ice and water, satellite passive microwave remote sensing, which has a high revisit rate and is insensitive to the weather, can be used for quick detection of the thawing and freezing of lake ice. Based on the proportions of lake and land areas within the microwave radiometer pixels, the brightness temperature of a lake surface was acquired by linear and dynamic decomposition of the radiometer footprint measurements. The freezing and thawing of 51 sub-pixel level lakes in the High Asia region was closely monitored during the period 2002 – 2016. The data obtainedthere were then validated against the cloud-free MODIS optical snow product data. The validation test selected three lakes with different sizes located in different parts of High Asia-Hoh Xil Lake, Dagze Co and Kusai Lake. Results suggest that the freezing and thawing times are highly correlated with each other and have correlation coefficients of 0.968 and0.987, as measured by the optical and microwave remote sensing approach, respectively. The polished dataset contains lake brightness temperatures and lake ice freeze-thaw in different basins of High Asia. These data can be used to carry out inversion of geophysical parameters of other lakes and to enhance the understanding of lake freezing and thawing in High Asia, thus providing a data base of climate and environmental change in High Asia and also of this region’s response to global climate change.
Keywords: High Asia; lake; passive microwave brightness temperature; freeze-thaw parameters; Pixel Unmixing method
數據庫（集）基本信息簡介[編輯]
| 數據庫（集）中文名稱 | 2002～2016年高亞洲地區中大型湖泊微波亮溫和凍融數據集 | ||
| 數據庫（集）英文名稱 | A dataset of microwave brightness temperature and freeze-thaw for medium-to-large lakes over the High Asia region (2002 – 2016) | ||
| 數據作者 | 邱玉寶、郭華東、阮永儉、付心如、石利娟、田邦森 | ||
| 通訊作者 | 邱玉寶（[email protected]） | ||
| 數據時間範圍 | 2002～2016年 | ||
| 地理區域 | 高亞洲地區的地理範圍為：北緯24°40′～45°58′，東經61°57′～105°29′。以青藏高原為主體的喜馬拉雅山、崑崙山、橫斷山、祁連山和天山等山脈等山區和高原等組成。 | ||
| 數據格式 | *.xls | 數據量 | 12.1 MB |
| 數據服務系統網址 | http://www.sciencedb.cn/dataSet/handle/371 | ||
| 基金項目 | 中國科學院國際合作局對外合作重點項目（131CllKYSB20160061）、國家自然科學基金（41371351）、國家自然科學基金重點項目（ABCC計劃，41120114001） | ||
| 數據庫（集）組成 | 數據集由2部分數據組成，其一為2002～2016年高亞洲區域51個湖泊的被動微波遙感亮溫數據集，觀測時間間隔為1～2天；其二是由湖泊亮溫數據集判斷所獲得的湖冰凍融數據集。文件名分別為：最鄰近法與像元分解的湖泊亮溫數據.zip（12 MB），2002–2016高亞洲51個湖泊湖冰凍融數據集. xls（0.1 MB）。 | ||
引 言[編輯]
以青藏高原為主體，由喜馬拉雅山、崑崙山、橫斷山、祁連山和天山等山脈及高原地區組成的高亞洲區域，海拔範圍在2000～8844 m之間，是全球高海拔湖泊最為密集的地區。其境內湖泊星羅棋布，面積大於1 km2的約有1210個[1]。高亞洲地區氣候變化研究已引起了相關學者的廣泛關注[2][3]，該地區成為全球氣候變化最為敏感的區域和研究的熱點區域[4]。高山湖泊對於氣候變化非常敏感[5]，特別是高山湖泊凍融的時間點，常被期望用來記錄、揭示區域氣候變化特徵[6]。
圖1 本數據集所包括的湖泊分布圖
高亞洲地區具有高寒、人跡罕至等特徵，缺少湖泊監測站點，湖冰凍融參數難以獲取[7][8]，通常藉助遙感手段補充獲取。星載被動微波數據具有全天時、全天候、重放周期短等特點[9]，微波對冰水相變的敏感性高[10]，特別適合用於冰雪凍融監測研究，如陸表凍土變化監測[11]、積雪變化監測[12]、海冰變化監測[13]等研究。
但由於被動微波輻射計分辨率粗糙，混合像元效應嚴重，在湖冰凍融變化監測中受到極大的限制[14][15]。目前在整個北半球區域適合用於現有被動微波像元尺度的湖泊僅有35個大型湖泊[16]，而在高亞洲區域可以直接採用被動微波數據開展監測的為青海湖、納木錯和色林錯等大型湖泊[14][15]。
要清晰、深入了解高亞洲區氣候和環境變化對湖泊凍融帶來的影響及其響應，需要了解該區更多湖泊的凍融狀況，在地面觀測和光學遙感（雲影響）獲取湖泊凍融資料都受限制的情況下，被動微波數據依然是監測和理解湖泊凍融的資料源[16]。
本數據集採用最鄰近法與線性混合像元分解技術，利用高分辨率數據作為輔助輸入，將通常用於大尺度地表監測的AMSR-E、AMSR2與MWRI被動微波數據，應用到高亞洲地區中大型湖泊湖冰凍融監測，獲取了2002～2016年高亞洲不同區域的51個湖泊湖冰凍融情況（圖1），為高亞洲區域的湖冰凍融信息提供重要的資料補充。
1 數據採集和處理方法[編輯]
1.1 數據採集[編輯]
本數據集生產過程中主要採用3種研究數據，包括AMSR-E、AMSR2與MWRI（Microwave Radiation Imager）被動微波亮溫數據、青藏高原湖泊數據集和青藏高原MODIS逐日無雲積雪面積數據集，分別用於提取湖泊區域亮溫值、計算湖泊與湖岸的動態面積比例、驗證湖冰凍融參數。詳細介紹如下：
1.1.1 AMSR-E、AMSR2與MWRI被動微波亮溫數據[編輯]
被動微波AMSR-E具有水平極化和垂直極化的12個成像儀通道，頻率分別為6.9、10.65、18.7、23.8、36.5、89.0 GHz；而AMSR2有14個成像儀通道，頻率分別為6.9、7.3、10.65、18.7、23.8、36.5、89.0 GHz。冰與水在18.7 GHz通道下發射率差異較大，從其分辨率和受大氣和地表狀態影響的角度考慮，通常用18.7 GHz的V極化進行湖冰凍融監測[14][15]，AMSR-E的數據分辨率為27 km × 16 km，AMSR2分辨率為22 km × 14 km。其中AMSR-E數據獲取地址為http://nsidc.org/，AMSR2數據獲取地址為http://gcom-w1.jaxa.jp/index.html。
AMSR-E與AMSR2兩個傳感器在時間上未能銜接，從2011年10月4日開始至2012年7月2日數據存在缺失空檔，而國產風雲三號的MWRI傳感器於2010升空運行至今，可補充AMSR-E與AMSR2缺失的數據信息。MWRI傳感器有10個成像儀通道，除6.9 GHz外，其他通道頻率與AMSR-E一致。由於MWRI數據分辨率較低，其18.7 GHz數據的分辨率為30 km × 50 km，在本數據集中僅採用最鄰近法處理MWRI數據對青海湖、納木錯與色林錯進行空檔信息補缺。MWRI數據獲取地址為http://satellite.nsmc.org.cn/。
1.1.2 青藏高原湖泊數據集[編輯]
青藏高原面積1 km2以上湖泊在過去60年的變遷數據集[1]來自於《科學數據》。該數據集包含3期數據，分別為：（a）20世紀60年代（人工測繪，部分基於第一次湖泊調查成果整理）；（b）2005年（CBERS-1 CCD，部分基於第二次湖泊調查成果整理）；（c）2014年（GF-1 WFV）。在本數據集的生產中，分別採用了2005期與2014期的湖泊面積數據與被動微波數據進行疊置分析求取湖泊面積與陸地面積比例。其中2002～2011年的AMSR-E被動微波數據採用2005期的青藏高原湖泊數據集作為湖泊面積輸入數據，而2012～2016年的AMSR2被動微波數據則採用2014期的青藏高原湖泊數據集來計算。青藏高原湖泊數據集的獲取地址為https://figshare.com/articles/Data_TPLakes/3145369。
1.1.3 青藏高原MODIS逐日無雲積雪面積數據集[編輯]
此數據為基於MOD10A1與MYD10A1開發的逐日無雲二值積雪產品[17]，下載網址為http://www.sciencedb.cn/dataSet/handle/55，包括以下幾種青藏高原區域的地物分類：陸地、積雪、湖水、湖冰及湖泊不確定（其中湖泊不確定是在去雲重分類的過程中，湖泊區域存在的較少數無法判別湖泊狀態的類別）。利用該數據集湖水及湖冰變化情況，可比較驗證微波的湖泊凍融情況。
1.2 數據處理[編輯]
1.2.1 最鄰近法[編輯]
衛星在高空中對地掃描時，相對地球處於不斷運動的狀態，故在傳感器重訪過程中，離湖泊中心最鄰近的掃描點位置會出現偏移，導致AMSR-E（27 km × 16 km）、AMSR2（22 km × 14 km）與MWRI（30 km × 50 km）像元獲取的地表區域也會發生細小的局部挪移，所以該像元捕獲的湖泊/湖岸面積不停地發生變化（除了面積遠遠小於像元分辨率的湖泊外）。衛星過境掃描示意圖如圖2。
圖2 衛星過境掃描導致的湖泊/陸地面積比例發生變化
為獲取湖泊區域亮溫信息，論文根據AMSR-E、AMSR2或MWRI像元距離湖心點最短距離法來選擇像元。首先通過高分辨Landsat5影像輔助確定湖中心點位置，獲取湖心坐標位置，然後以湖心坐標為中心緩衝出一個25 km×25 km的矩形，該矩形和被動微波18.7 GHz像元覆蓋範圍相當，目的是儘量控制獲得像元坐標中心點與湖心點在一個像元範圍內。最鄰近法滿足條件為：假設湖泊中心點為， 為任意像元中心點，為矩形的一個頂點坐標。當點是滿足以下公式（1）、（2）與（3）的像元點 則為所求的點：
（1）（2）（3）
用於混合像元分解的湖岸像元亮溫則以較高分辨率Landsat影像為依據獲取，選取距離湖泊最近的2～3個被動微波像元作為純淨陸地像元，並求取均值而獲得。
1.2.2 混合像元分解方法[編輯]
被動微波數據空間分辨率低，單個像元能捕獲到多種不同種類的地表特徵信息，混合效應嚴重，採用經過輻射定標後的AMSR-E L2A與AMSR2 L1R亮溫數據[18]，採用基於湖泊/陸地面積比例的混合像元分解算法進行湖泊亮溫數據獲取，其主要思路為：假設被動微波輻射計所捕獲的陸表信息是均質的，所獲的地表陸地信息只與地物的面積有關，忽略其他影響因素，則基於湖泊/陸地面積比例的被動微波像元分解的算法模型可以用公式（4）表示[19][20]： （4） 式中，表示被動微波數據單個像元所捕獲的湖泊亮溫值，為混合像元中的湖泊區域亮溫值，為混合像元中陸地區域亮溫值，與分別表示湖泊與陸地像元在一個被動微波像元的面積比例權重。式（4）中，湖泊區域亮溫與陸地區域亮溫包括了與其對應的大氣等影響因素。
湖泊面積權重與湖岸面積權重，在分解計算AMSR-E像元所對應的值時，是以衛星過境的最鄰近湖心點的掃描點為中心緩衝出一個27 km × 16 km的矩形區域，AMSR2數據緩衝出的矩形區域為22 km × 14km。然後通過疊置分析動態計算出每次衛星重訪像元的湖泊湖岸面積權重。最後將求出的湖泊與湖岸的比值代入公式（4）中，分解出每個像元里湖泊區域的亮溫值。
在WGS84（World Geodetic System 1984）投影坐標系統中，利用一個中心點難以一次性緩衝生成一個矩形區域，AMSR-E像元對應的矩形長寬為27 km × 16 km，AMSR2為22 km × 14km。故在實驗操作中通過利用一點先緩衝成兩個正圓，其中大圓的半徑為矩形長的一半，小圓的半徑為矩形寬的一半，再求取兩圓的最小外包矩形，然後根據等角橫軸割圓柱投影坐標系統特性，獲得所求矩形，如圖3為AMSR-E像元緩衝示意圖。最後求取出衛星每天過境的矩形IJKL後與湖泊面積數據進行疊置分析，動態分解出湖岸與湖泊的比例。
圖3 AMSR-E像元矩形動態緩衝示意圖
1.2.3 基於TIMESAT軟件及目視判別的凍融參數提取[編輯]
在對湖泊區域像元亮溫進行混合像元分解處理後，應用TIMESAT（Time-series of satellite sensor data）軟件提取湖泊凍融參數。TIMESAT軟件系統起初是應用於處理長時間序列的NDVI數據，以監測植物的周期性生長變化[21][22]，鑑於TIMESAT軟件系統具有快速處理季節性變化的長時間序列數據的能力，結合被動微波數據在湖泊凍融變化的亮溫周期規律[14][15]，將湖泊亮溫數據嵌入到該軟件，並結合目視判別，糾正並提取湖泊凍融參數（圖4）。
圖4 基於TIMESAT軟件輔助的凍融參數提取
2 數據樣本描述[編輯]
2.1 基於最鄰近法與像元分解的湖泊亮溫數據[編輯]
數據存儲於Excel表格中，其中有51個湖泊2002～2011年的AMSR-E數據，51個湖泊2012～2016年的AMSR2數據，3個湖泊2011～2016年的MWRI數據，共含105個表格。全部表格有兩種類型的存儲格式，詳細說明如下：
類型一：不需要混合像元分解，僅利用最鄰近法就能夠探測到的湖冰凍融變化的湖泊亮溫存儲格式（表1）。數據只有A與B兩列，其中A列代表日期，B列代表18.7 GHz的V極化亮溫。
表1 基於最鄰近法的湖泊亮溫表
| A | B |
| 日期 | 18.7GHz V |
| 20020619 | 203.179993 |
| 20020620 | 195.949997 |
| 20020622 | 195.020004 |
| 20020624 | 199.179993 |
| 20020625 | 193.970001 |
| 20020626 | 200.949997 |
| 20020629 | 192.380005 |
| 20020701 | 197.929993 |
| 20020703 | 200.919998 |
利用最鄰近法獲取的湖泊長時間序列亮溫曲線圖如圖5所示。
圖5 最鄰近法湖泊亮溫長時間序列曲線圖（以青海湖為例）
類型二：結合最鄰近法與混合像元分解法探測到湖冰凍融變化的湖泊亮溫存儲格式如表2。數據共8列，其中A列代表日期，B、C列分別代表像元中心點的X坐標、Y坐標，D列代表18.7 GHz的V極化湖泊湖岸混合亮溫，E、F列分別代表湖泊區域、湖岸區域在最鄰近湖心像元的比例，G列是鄰近湖岸區域的18.7 GHz的V極化亮溫值，H列是分解還原後的湖泊區域亮溫值。
表2 基於像元分解法的湖泊亮溫表
| A | B | C | D | E | F | G | H |
| 日期 | X坐標 | Y坐標 | 湖泊湖岸混合亮溫 | 湖泊比例 | 湖岸比例 | 湖岸亮溫 | 分解的湖泊亮溫 |
| 20020620 | 31.888 47 | 87.526 56 | 253.44 | 0.644 517 | 0.355 483 | 265.09 | 247.0145 |
| 20020621 | 31.881 92 | 87.531 67 | 247.07 | 0.620 583 | 0.379 417 | 260.31 | 238.9752 |
| 20020623 | 31.846 58 | 87.546 26 | 249.17 | 0.459 976 | 0.540 024 | 263.05 | 232.8745 |
| 20020625 | 31.896 07 | 87.557 38 | 253.18 | 0.625 501 | 0.3744 99 | 264.37 | 246.4803 |
| 20020626 | 31.922 45 | 87.563 47 | 250.67 | 0.540 223 | 0.459 777 | 261.35 | 241.5804 |
| 20020630 | 31.905 04 | 87.519 09 | 249.59 | 0.523 359 | 0.476 641 | 262.42 | 237.9052 |
| 20020702 | 31.876 72 | 87.584 86 | 251.72 | 0.610 791 | 0.389 209 | 262.34 | 244.9527 |
| 20020704 | 31.916 36 | 87.509 19 | 252.49 | 0.566 584 | 0.433 416 | 267.03 | 241.3674 |
| 20020705 | 31.869 82 | 87.493 92 | 253.33 | 0.603 482 | 0.396 518 | 269.08 | 242.9814 |
利用像元分解法獲取的湖泊長時間序列亮溫曲線圖如圖6所示。
圖6 像元分解法湖泊亮溫長時間序列曲線圖（以拜惹布錯為例）
2.2 湖泊湖冰凍融數據集[編輯]
數據以Excel表格格式存儲，共有一個Excel表格，其中包含51個表單，每個表單以湖泊名稱命名。表格存儲格式（表3）以青海湖為例，其詳細說明如下：數據共8列，其中A列代表湖泊中文名稱，B列代表湖泊英文名稱，C、D列分別代表湖泊中心點的X坐標、Y坐標，E、F列分別代表該湖泊湖冰開始凍結日期、完全凍結日期，G、H列分別代表該湖泊湖冰開始融化日期、完全融化日期。
表3 青海湖湖冰凍融日期表
| A | B | C | D | E | F | G | H |
| 湖泊名稱（中文） | 湖泊名稱（英文） | 湖心點X坐標 | 湖心點Y坐標 | 開始凍結 | 完全凍結 | 開始融化 | 完全融化 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2002-12-22 | 2002-12-30 | 2003-3-26 | 2003-4-1 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2003-12-21 | 2004-1-1 | 2004-3-17 | 2004-3-27 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2004-12-25 | 2004-12-30 | 2005-3-18 | 2005-3-28 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2005-12-12 | 2005-12-20 | 2006-3-24 | 2006-4-4 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2006-12-19 | 2006-12-30 | 2007-3-31 | 2007-4-6 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2007-12-27 | 2008-1-1 | 2008-4-6 | 2008-4-11 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2008-12-15 | 2008-12-29 | 2009-3-19 | 2009-3-29 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2009-12-23 | 2009-12-26 | 2010-3-19 | 2010-3-27 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2010-12-14 | 2010-12-26 | 2011-4-3 | 2011-4-15 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2011-12-20 | 2012-1-3 | 2012-4-3 | 2012-4-10 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2012-12-9 | 2012-12-23 | 2013-3-27 | 2013-4-1 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2013-12-21 | 2013-12-30 | 2014-3-9 | 2014-3-24 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2014-12-19 | 2014-12-29 | 2015-3-17 | 2015-4-1 |
| 青海湖 | Qinghai Lake | 36.886 03 | 100.178 55 | 2015-12-25 | 2016-1-6 | 2016-3-16 | 2016-3-22 |
3 數據質量控制和評估[編輯]
3.1 數據缺失情況說明[編輯]
3.1.1 高亞洲被動微波遙感數據日重訪問題[編輯]
被動微波數據在對地掃描時存在數據間隙，其在中低緯地區的重訪周期約為1～2天，而在高緯度地區的重訪率可以達到1天多次（圖7）。而高亞洲地區處於中高緯之間，其所獲取的湖泊亮溫值的時間間隔為1或2天。
圖7 被動微波數據觀測覆蓋圖
3.1.2 數據斷檔缺失說明[編輯]
本數據集生產選用AMSR-E、AMSR2與MWRI三種被動微波傳感器數據，其中AMSR-E於2002年5月4日升空，於2002年6月19日開始獲取對地觀測數據，在軌運行至2011年10月4日，因天線失去動力，而無法獲得後續數據；AMSR2於2012年5月18日升空，於2012年7月3日開始獲取對地觀測數據，在軌運行至今；而MWRI於2010升空運行至今，可以填補AMSR-E與AMSR2的數據空檔。
但MWRI數據分辨率較低，在本數據集生產中僅採用最鄰近法處理MWRI數據對青海湖、納木錯與色林錯三個湖泊進行數據補缺。因此其他的湖泊亮溫數據集與湖冰凍融數據集在2011年10月至2012年7月期間的數據存在空缺。
3.2 誤差來源和分析[編輯]
3.2.1 被動微波數據定位誤差[編輯]
在應用被動微波數據進行湖冰監測應用中，由於只選取被動微波傳感器過境時離湖泊中心點最近的單個像元，故該像元定位精度所帶來的誤差將會直接影響湖冰凍融探測的精度。以AMSR-E L2A數據為例，其定位誤差約為5～7 km[23]。這種位置偏移也給湖泊亮度的混合像元分解帶來誤差，在原有的被動微波數據誤差基礎上，湖冰凍結時期誤差約為3～4 K，而湖冰融化時期誤差可達7～8 K。
3.2.2 數據處理過程誤差[編輯]
經過數據分析，被動微波混合像元分解法可普遍適用於湖泊面積占單個AMSR-E像元0.3倍以上的湖泊。而湖泊面積與AMSR-E像元比例在0.2～0.3倍之間時，該方法受湖泊形狀、湖泊的本身特質和湖岸周邊地理環境特徵影響，具有較大的不確定性。此外，被動微波混合像元線性分解也還存在着一些限制條件：湖泊周圍生長的植被受季節性影響明顯會對湖泊亮溫分解造成干擾，致使提取結果出現偏差；湖泊與湖岸像元間應避免海拔落差巨大，如高山環繞的湖泊，湖泊亮溫與周邊陸地亮溫有很大差異，山地的角度和地形影響會造成像元分解結果出現較大的誤差。
3.3 對比驗證[編輯]
以青藏高原MODIS逐日無雲積雪面積數據集作為對比驗證數據[17]，該套數據集主要解決了雲蓋條件下積雪與陸地的重新判別問題，其湖泊區的雲覆蓋也做了重分類，將湖泊上空區域重新判別為湖水、湖冰及少數湖泊不確定三種狀態。選取去雲處理之前雲蓋情況較好的湖泊區域，以長時間序列的湖泊中的湖水面積變化曲線，以湖水面積占湖泊面積的90%為湖冰融化的判別閾值，以湖水面積占湖泊面積的20%為湖冰凍結的判別閾值[8] ，以此削弱去雲重分類誤差帶來的直接目視判別湖冰凍融狀況的誤差積累[7]。
選擇達則錯、庫賽湖與可可西里湖作為驗證湖泊，利用AMSR-E數據提取的湖泊凍融結果與MODIS無雲數據提取的湖泊凍結與湖泊融化結果有一定相關性，其皮爾森相關係數分別為0.968與0.987（圖8），可認為基於被動微波遙感數據的湖泊凍融數據具有較高的可靠性。
圖片（a）
圖片（b）
圖8 基於MODIS無雲數據產品的對比驗證圖
4 數據使用方法和建議[編輯]
本數據集包含高亞洲區域2002～2016年51個中大型湖泊時間序列亮溫值和湖冰凍融參數信息；可進一步對湖泊開展特徵參數反演，如湖冰厚度變化等；可提升對高亞洲地區湖冰凍融的理解，如對全球氣溫升高等大尺度氣候變化的響應模式認知；可為高亞洲地區氣候、環境變化以及高亞洲對全球氣候變化響應模型提供數據基礎。
數據作者分工職責[編輯]
邱玉寶（1978—），男，江西人，博士，副研究員，從事環境遙感應用研究。主要承擔工作：算法和處理過程建模。
郭華東（1950—）男，江蘇人，博士，研究員，研究方向為遙感技術應用。主要承擔工作：全球變化研究指導。
阮永儉（1990—），男，廣東人，碩士生，主要研究方向被動微波遙感技術與應用。主要承擔工作：數據生產和凍融識別研究。
付心如（1991—），女，河北人，碩士生，主要研究方向為遙感技術與應用。主要承擔工作：數據預處理和分析工作。
石利娟（1987—），女，河南人，博士生，主要從事被動微波技術。主要承擔工作：數據預處理與數據解譯。
田邦森（1983—），男，湖北人，助理研究員，主要從事微波遙感應用研究。主要承擔工作：數據處理和解譯。
致 謝[編輯]
感謝美國國家冰雪數據中心（National Snow and Ice Data Center）提供AMSR-E L2A Swath亮溫數據，日本宇宙航空研究開發機構（Japan Aerospace Exploration Agency）提供AMSR2 L1R Swath亮溫數據，科學數據存儲庫（Science Data Bank）提供青藏高原MODIS逐日無雲積雪面積數據和《科學數據》提供青藏高原湖泊數據集。
參考文獻[編輯]
- ^ 1.0 1.1 Wan W, Long D, Hong Y, et al. A lake data set for the Tibetan Plateau from the 1960s, 2005, and 2014[J/OL].Sci. Data, 2016. DOI: 10.1038/sdata.2016.39.
- ↑ 姚檀棟, 郭學軍, Thompson L, 等. 青藏高原冰芯過去100年δ18O記錄與溫度變化[J]. 中國科學: 地球科學, 2006, 36(1): 1–8.
- ↑ Han G, Wang Y, Fang S. Climate Change over the Qinghai-Tibet Plateau and Its Impacts on Local Agriculture and Animal Husbandry in the Last 50 Years[J]. Resources Science, 2011, 33(10): 1969–1975.
- ↑ Liu X, Chen B. Climatic warming in the Tibetan Plateau during recent decades[J]. International Journal of Climatology, 2000, 20(14): 1729–1742.
- ↑ 姚曉軍, 劉時銀, 李龍, 等. 近40年可可西里地區湖泊時空變化特徵[J]. 地理學報, 2013, 68(7): 886–896.
- ↑ Preston D, Caine N, Mcknight D, et al. Climate regulates alpine lake ice cover phenology and aquatic ecosystem structure[J]. Geophysical Research Letters, 2016, 43(10):1–8. DOI: 10.1002/2016GL069036.
- ^ 7.0 7.1 Kropácek J, Maussion F, Chen F, et al. Analysis of ice phenology of lakes on the Tibetan Plateau from MODIS data[J]. Cryosphere Discussions, 2013, 7(1): 287–301.
- ^ 8.0 8.1 Yao X, Long L, Zhao J, et al. Spatial-temporal variations of lake ice phenology in the Hoh Xil region from 2000 to 2011[J]. Journal of Geographical Sciences, 2016, 26(1):70–82.
- ↑ Maaß N, Kaleschke L. Improving passive microwave sea ice concentration algorithms for coastal areas: applications to the Baltic Sea[J]. Tellus, 2010, 62(4): 393–410.
- ↑ Stogryn A. Equations for Calculating the Dielectric Constant of Saline Water (Correspondence)[J]. IEEE Transactions on Microwave Theory & Techniques, 1971, 19(8):733–736.
- ↑ Zhao T, Zhang L, Jiang L, et al. A new soil freeze/thaw discriminant algorithm using AMSR-E passive microwave imagery[J]. Hydrological Processes, 2011, 25(11): 1704–1716.
- ↑ Kelly R, Chang A, Tsang L, et al. A prototype AMSR-E global snow area and snow depth algorithm[J]. IEEE Transactions on Geoscience & Remote Sensing, 2003, 41(2): 230–242.
- ↑ Comiso J, Fumihiko N. Trends in the sea ice cover using enhanced and compatible AMSR-E, SSM/I, and SMMR data[J]. Journal of Geophysical Research, 2007, 113(C2): 228–236.
- ^ 14.0 14.1 14.2 14.3 陶安琪. 被動微波遙感納木錯湖冰變化研究[D]. 南京: 南京大學, 2014.
- ^ 15.0 15.1 15.2 15.3 車濤, 李新, 晉銳. 利用被動微波遙感低頻亮溫數據監測青海湖封凍與解凍期[J]. 科學通報, 2009, 54(6): 787–791.
- ^ 16.0 16.1 Che T, Li X, Dai L. Monitoring freeze-up and break-up dates of Northern Hemisphere big lakes using passive microwave remote sensing data[C]// Geoscience and Remote Sensing Symposium (IGARSS), 2011 IEEE International. IEEE, 2011: 3191–3193.
- ^ 17.0 17.1 邱玉寶, 郭華東, 除多, 等. 青藏高原MODIS逐日無雲積雪面積數據集（2002～2015年）[DB/OL]. Science Data Bank. DOI: 10.11922/sciencedb.170.55.
- ↑ Shibata A. AMSR/AMSR-E algorithm development and data distribution[C]// Geoscience and Remote Sensing Symposium, Proceedings, 2000 IEEE International, 2000, 1(1): 59–61.
- ↑ Bennartz R. On the Use of SSM/I Measurements in Coastal Regions[J]. Journal of Atmospheric & Oceanic Technology, 1999, 16(4): 183–204.
- ↑ Bellerby T, Taberner M, Wilmshurst A, et al. Retrieval of land and sea brightness temperatures from mixed coastal pixels in passive microwave data[J]. IEEE Transactions on Geoscience & Remote Sensing, 1998, 36(6): 1844–1851.
- ↑ Jonsson P, Eklundh L. Seasonality extraction by function fitting to time-series of satellite sensor data[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002, 40(8): 1824–1832.
- ↑ Jonsson P, Eklundh L. TIMESAT—a program for analyzing time-series of satellite sensor data [J]. Computers & Geosciences, 2004, 30(8): 833–845.
- ↑ Ashcroft P, Wentz F. 2013. AMSR-E/Aqua L2A Global Swath Spatially-Resampled Brightness Temperatures, Version 3[EB/OL]. (2015-07-18). Boulder, Colorado USA: NASA National Snow and Ice Data Center Distributed Active Archive Center. http://dx.doi.org/10.5067/AMSR-E/AE_L2A.003.
數據引用格式[編輯]
邱玉寶, 郭華東, 阮永儉, 等. 2002～2016年高亞洲地區中大型湖泊微波亮溫和凍融數據集[DB/OL]. Science Data Bank, 2017. DOI: 10.11922/sciencedb.374.
