2. 甘肃省武威市气象局, 甘肃 武威 733000;
3. 中国科学院大学, 北京 100049;
4. 成都信息工程大学大气科学学院 高原大气与环境四川省重点实验室, 四川 成都 610225;
5. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;
6. 云南电网有限责任公司电力科学研究院, 云南 昆明 650217
地表反照率是遥感反演陆面过程参数中的重要参数之一(王介民等, 2004), 它表征了地表对入射的太阳辐射的反射通量与入射辐射通量之比, 直接决定地表可吸收的净辐射的比例, 影响着地表的能量和水分循环过程。地表反照率一般受地表土壤颜色、粗糙度长度、植被覆盖、土壤湿度、太阳高度角和天气状况等因素的影响, 具有较大的时空分异性(肖登攀等, 2011)。它不仅是表征陆面过程地表能量收支的关键物理参数(陈隆勋等, 1964; Dickinson et al, 1983; 王介民等, 2004), 也对大气环流、区域降水和温度有十分重要的影响(林朝晖等, 1995; Lofgren et al, 1995)。鉴于地表反照率的重要影响, 许多学者对地表反照率在模型中进行了不同方式的刻画(Nai et al, 2001; Niu et al, 2011), 如在没有积雪或冰覆盖时, 将地表反照率作为植被类型的函数, 或是基于植被地理分布的函数; 将裸土的反照率定义为常数(Chen et al, 2001), 或定义为土壤颜色和土壤湿度的函数(Dickinson et al, 1986; Nai et al, 2001)。
青藏高原平均海拔高于4000 m, 被称为“世界屋脊”。其独特的大地形所产生的动力和热力作用, 对我国东部、亚洲乃至全球的天气、气候均产生重大影响(叶笃正等, 1979; 章基嘉等, 1988)。青藏高原气候环境复杂多样, 是全球变化最敏感的地区之一, 但气象站点稀少, 观测资料相对匮乏。地表反照率对地面加热场有明显的影响, 通过地表温度、感热、潜热使得高原上数值模拟结果出现偏湿、偏冷(颜宏等, 1987; Li et al, 2016; 于涵等, 2018)。长时间定点监测和定量研究青藏高原地表反照率对地面能量平衡分析、天气气候变化、气候模式及陆面过程研究都有非常重要的意义(Ye et al, 1979; 刘晓东等, 1994)。目前, 卫星遥感反演可以获得大区域、时空分布连续的高时空分辨率的地表反照率(Geleyn et al, 1983; Pinty et al, 2000), 可以一定程度上弥补观测的不足, 但其反演精度还存在许多不确定性, 特别是在青藏高原, 受观测资料时空代表性的限制, 还需进一步验证和评估。
近年来, 针对青藏高原地表能量和水分循环过程进行的观测项目不断增多, 其中就包括地表反照率的观测。为更好地应用反照率产品, 不断地采用新的观测数据对遥感产品进行验证和评估就显得尤为重要(马耀明等, 2004, 2006; 余予等, 2010; Taberner et al, 2010; Pinty et al, 2011; 吴宏伊等, 2012)。陈爱军等(2015, 2016a, 2016b, 2016c)评估了MODIS、GlobAlbedo、GLASS地表反照率的反演质量, 认为这些产品在青藏高原绝大部分区域具有较高质量, MODIS黑空、白空反照率的变化趋势基本一致, 但冬、夏季节的反演效率及“积雪”状态下的反演精度都还有待提高; 局地积雪和云覆盖对GLASS反照率产品的精度影响较大。廖瑶等(2014)发现MODIS、MISR和POLDER之间相关性较好, 其中MODIS与MISR产品的相关性最好, MISR与POLDER产品的相关性最低, 短波波段的相关系数分别为0.939与0.911。胡慎慎(2016)指出GLASS地表反照率能够有效反映实际地表状态的变化, 云覆盖可能导致GLASS高估实际的地表反照率; GLASS反照率产品与MCD43B3的一致性较好, 与GlobAlbedo的一致性较差; GLASS反照率产品反演效率比MCD43B3和GlobAlbedo高。但上述对比主要是基于短期观测资料进行的, 在青藏高原尚未利用长时间序列的地表反照率观测验证和评估遥感产品。
本研究在综合以上研究的基础上, 利用中国科学院寒区旱区环境与工程研究所若尔盖高原湿地生态系统研究站玛曲和玛多两个典型高寒草地站点长达8年的观测资料, 对GLASS、MODIS和GlobAlbedo遥感反照率产品进行了验证和评估, 以进一步加深对不同遥感反照率产品差异的认识, 为改进青藏高原区域遥感反照率产品反演精度提供参考。
2 数据与方法 2.1 地表反照率产品 2.1.1 GLASS反照率产品GLASS(Global Land Surface Satellite)地表反照率产品是北京师范大学在863计划重点项目“全球陆表特征参量产品生成与应用研究”支持下开发的面向全球变化与地球系统科学研究的五个参数产品(叶面积指数、发射率、地表反照率、下行短波福射和下行光合有效福射)之一(刘强等, 2012; 梁顺林等, 2014)。该产品覆盖全球陆地表面, 时间范围是1981-2015年, 其中1981-1999年的产品基于AVHRR数据生成, 空间分辨率是0.05°, 采用等经纬度投影; 2000-2015年的产品基于MODIS数据生成, 空间分辨率是1 km, 采用正弦投影(刘强等, 2012; 梁顺林等, 2014), 每年46个数据文件。GLASS地表反照率产品是国内唯一自主研发、时间序列最长的全球地表反照率产品。本文使用的GLASS地表反照率产品是GLASS02A06产品(第4版)。该版本在原有短波波段黑空反照率BSA(Black-Sky Albedo)、白空反照率WSA(White-Sky Albedo)及其质量控制信息的基础上, 扩展到可见光波段、近红外波段的BSA、WSA及其质量控制信息。数据从http://glass-product.bnu.edu.cn免费下载。
2.1.2 MODIS反照率产品MODIS(Moderate Resolution Imaging Spectroradiometer)是美国国家宇航局NASA地球观测系统EOS系列卫星上搭载的一个重要探测器, 具有较高的时空分辨率和光谱分辨率。MODIS全球地表反照率产品联合了Terra和Aqua双星的数据, 编号为MCD43, 采用正弦投影和等经纬度投影两种方式(Román et al, 2009)。本文所用的MCD43B3产品数据是由NASA陆地分布式活动档案中心(LP DAAC), 美国地质调查局USGS(United States Geological Survey)与地球资源观测与科学EROS(Earth Resource Observation and Science)数据中心提供(https://lpdaac.usgs.gov/data_access/data_pool)。
2.1.3 GlobAlbedo反照率产品欧洲航天局全球地表反照率产品GlobAlbedo反演周期为8天, 以正弦投影和等经纬度投影两种方式提供可见光VIS、近红外NIR和短波SW波段的黑空反照率DHR和白空反照率BHR(Lewis et al, 2012)。本文使用的是空间分辨率为1 km、正弦投影的GlobAlbedo产品。该数据由欧洲航天局ESA(European Space Agency)地球观测网络计划EOEP(Earth Observation Envelope Programme)提供(http://www.globalbedo.org)。
![]() |
表 1 GLASS、MODIS和GlobAlbedo地表反照率产品信息 Table 1 The feature of GLASS, MODIS and GlobAlbedo surface albedo products |
中国科学院寒区旱区环境与工程研究所若尔盖高原湿地生态系统研究站(简称若尔盖站)成立于2008年, 主要面向黄河源区高寒草地、湿地、湖泊以及冻土、积雪等典型下垫面地表过程对全球变化的响应、反馈、多尺度相互作用和适应性研究, 主站位于甘肃省甘南藏族自治州玛曲县河曲马场, 在四川省若尔盖湿地、青海省玛多县鄂陵湖流域建立有多个观测场。
2.2.1 玛曲草地观测站玛曲草地观测站(下称玛曲站, 33°53′N, 102°08′E, 海拔3443 m)位于甘肃省甘南藏族自治州, 地处高原东北部边缘(图 1)。该地区地势平坦、地表是以莎草科和禾本科为主的高寒草甸, 草甸夏季平均高度约为0.2 m, 冬季约0.1 m。根据美国农业部的分类, 浅层土壤(40 cm深度内)是粉砂土壤, 由29.8%的沙子, 66.7%的泥沙和3.5%的粘土组成(Wang et al, 2013)。该地区年平均温度为1.2 ℃, 1月和7月平均气温分别为-10 ℃和11.7 ℃, 年平均降水量为620 mm(Niu et al, 2009)。
![]() |
图 1 玛曲和玛多站点分布(☆)及数字高程图(彩色区) Fig. 1 Maqu and Maduo stations distribution (☆) and digital elevation map (color area) on the Qinghai-Tibetan Plateau (QTP) |
玛多草地观测站(下称玛多站, 34°54′N, 97°33′E, 海拔4300 m)位于青海省玛多县鄂陵湖西北侧的草地上, 距离湖泊1.7 km(图 1)。玛多站植被低矮稀疏, 覆盖度40%~70%, 植被高度0.05~1.10 m, 观测站地势平坦, 其西北方1 km外分布着相对海拔50~100 m的丘陵(李照国等, 2012), 土壤类型为高山草原土。
![]() |
表 2 地面观测站点的基本信息 Table 2 The basic information about ground observation stations |
首先剔除观测值中小于0和大于1的异常反照率值。因GLASS反照率是当地正午时刻的地表反照率(陈爱军等, 2015), 本文中观测的日平均地表反照率是12:00(北京时, 下同)-14:00的小时平均值。GLASS、MODIS和GlobAlbedo遥感反照率产品的投影虽然一致, 但为了得到玛曲和玛多站对应像元的地表反照率, 先对遥感产品进行投影转换, 进而提取对应像元的反照率值。
在对比8天平均的地表反照率时, GLASS地表反照率产品是每8天以17天的时域滤波窗口合成的, 例如:时间标记为第9天的GLASS产品, 实际是第1~17天日地表反照率的合成结果(梁顺林等, 2014)。为准确对比, 观测数据处理成与GLASS产品完全相同的时间周期。考虑到积雪对反照率的影响, 将当地时间正午地表反照率不小于0.4的日期定为“积雪日”(陈爱军等, 2016c), 8天平均地表反照率按照17天中“无雪日”或“积雪日”的多数计算得到。例如, 玛曲站在2009年第321天开始的反演周期内, 17天中有6天的反照率大于0.4, 无雪日数大于积雪日数, 地面观测值按无雪日进行计算。
GLASS、MODIS和GlobAlbedo产品都提供了空间分辨率为1 km、时间分辨率为8天, 正弦投影的短波黑空反照率和白空反照率, 但是GLASS02A06和MCD43B3的合成时间窗口不一致。为减小这种数据源差异带来的影响, 选用GLASS02A06第9天开始的反演周期与MCD43B3第1天开始的反演周期对比, GLASS02A06第17天开始的反演周期与MCD43B3第9天开始的反演周期对比, 依此类推。将这三种产品和地面观测存在有效数据的值进行比较。
遥感产品的实际反照率要根据天空漫射光比例和气溶胶光学厚度加权计算得到, 但由于无法获得玛曲和玛多与地面辐射观测对应的气溶胶光学厚度, 因此, 本研究中将遥感产品黑空反照率、白空反照率与观测的平均地表反照率直接进行对比。
3 结果分析 3.1 8天平均反照率对比图 2(a)是GLASS、MODIS和GlobAlbedo反照率产品与玛曲站观测的8年的8天平均反照率值的对比。值得注意的是, 在2009年第1~49天和第105~121天开始的反演周期内, 地面观测数据缺失。整体上, 由于草地自身的生长周期, 玛曲站的反照率呈现明显的季节变化, 集中在0.16~0.28之间。冬季玛曲站反照率量值较小, 表明玛曲冬季积雪较少, 且可能消融较快。但是, 在2014年第49天和2015年第9天, 观测的地表反照率分别达到了0.67和0.65, 这可能与降雪强度关系很大。其中2014年2月17日12:00-14:00的反照率达到了0.83~0.88。新雪的反照率可达0.9(王介民等, 2004; 李丹华等, 2017), 草地上覆盖的积雪会影响并提高草地下垫面的反照率。总的来说, 三种反照率遥感产品基本都能反映出地面观测的反照率变化趋势与幅度[图 2(a), 图 3(a)], 但GlobAlbedo产品的量值明显大于GLASS和MODIS。整体平均来看, GlobAlbedo反照率比观测值偏高0.048;而GLASS和MODIS分别平均偏低0.074和0.063。在2009年第321天开始的反演周期内, MODIS黑空反照率小于地面观测值, 而白空反照率却显著偏大, 表明MODIS产品对积雪的敏感性较高。但在2015年第9天开始的反演周期内, 观测的反照率突然剧增, 而GLASS和MODIS反照率仅略微增大, 未能准确反映观测的实际变化。地表反照率反演需要较长周期的观测数据, 因此反演产品时间分辨率较低, 不能反映出雨雪或植被快速生长过程中反照率的快速变化(齐文栋等, 2014)。GLASS、MODIS和GlobAlbedo与玛曲站观测值的最小绝对偏差和均方根误差(RMSE)分别为0.052, 0.031, 0.035和0.068, 0.037, 0.047, 相关系数(R)最大分别为0.922, 0.908和0.815。从图 4(a)可以看出, GlobAlbedo反照率与地面观测值的RMSE最小, 为0.055, R为0.737, GLASS反照率的RMSE最大, 为0.086, R为0.684。MODIS产品准确性最高, RMSE=0.069, R=0.710。图 5散点分布的结果与上述分析完全一致。
![]() |
图 2 GLASS、MODIS和GlobAlbedo地表反照率与地面观测8天平均值的对比 Fig. 2 Comparison the 8-day average albedo over the years between observations and GLASS, MODIS and GlobAlbedo albedo |
![]() |
图 3 三种地表反照率产品与地面观测值的均方根误差和绝对误差频数分布 Fig. 3 Frequency distribution of the root mean square error and absolute deviation between observations and surface albedo products |
![]() |
图 4 GLASS、MODIS和GlobAlbedo地表反照率与地面观测值多年平均的均方根误差和绝对偏差 Fig. 4 The root mean square error and absolute deviation of years between observations and GLASS, MODIS and GlobAlbedo albedo |
![]() |
图 5 GLASS、MODIS和GlobAlbedo地表反照率与玛曲观测值逐年的和8年的散点分布 Fig. 5 The annual and 8-year scatter plots of observations and GLASS, MODIS and GlobAlbedo albedo at Maqu |
玛多站地面观测的反照率年际变化大, 与积雪密切相关[图 2(b)]。如在2012年第9~25天和第41~81天, 2013年第305~313天, 2014年第1~49天, 2015年第1~9天及2017年第1~17天开始的反演周期内, 都是积雪日, 观测值在0.6左右。尤其是2012年第9天和2013年第313天开始的反演周期内, 地表反照率均达到了0.76, 为一年中最大。此类降雪过程与“湖泊效应”降雪有关, 在冬季湖泊未完全冻结之前, 湖泊能为“湖泊效应”降雪提供充足的水汽源头(Zhao et al, 2012)。这些时段内, GLASS和MODIS反照率也显著增大, MODIS相对增大更快, 更敏感。但在2011年、2012年、2014年和2016年第289天开始的反演周期内, 是无雪日, GLASS和MODIS反照率却明显增大, 与观测存在偏差。这说明GLASS和MODIS产品对积雪较敏感, 当温度升高, 局地积雪快速消融时, 有较大偏差。遥感与地面观测的源区范围的巨大差异也是造成两者不同的重要原因。对比GLASS、MODIS与玛多站的统计结果发现, 反照率产品存在一定的波动(图 4b, 图 6), 绝对偏差范围分别为0.007~0.062和0.005~0.075; RMSE范围为0.037~0.180和0.057~0.161; R范围为0.350~0.951和0.037~0.894。GLASS、MODIS与观测值的多年平均绝对偏差分别为0.02、0.01, RMSE为0.10和0.11[图 3(b)]。总的来说, GLASS产品相对较好, RMSE=0.104, R=0.598。体现出基于贝叶斯滤波(statistics-based temporal filtering, 简称STF)算法的GLASS产品的优越性。
![]() |
图 6 GLASS、MODIS和GlobAlbedo地表反照率与玛多观测值逐年的和6年的散点分布 Fig. 6 The annual and 6-year scatter plots of observations and GLASS, MODIS and GlobAlbedo albedo at Maduo |
图 7是GLASS、MODIS和GlobAlbedo产品与玛曲(2009-2016年)和玛多站(2011-2016年)多年平均地表反照率(8天均值)的变化。玛曲站年平均反照率为0.21, 与李德帅等(2014)得到的半干旱草地的反照率完全一致。GlobAlbedo反照率呈现为平滑曲线, 有明显的高估现象, GLASS和MODIS都存在低估, MODIS低估程度最低。
![]() |
图 7 GLASS、MODIS和GlobAlbedo地表反照率与地面观测的多年8天平均变化对比 Fig. 7 The average changes of 8-day albedo over the years of observations and GLASS, MODIS and GlobAlbedo albedo |
玛多站年平均地表反照率为0.25, 介于绿洲和沙漠之间。季节变化显著:呈现近似“U”形分布。在第297天开始的反演周期内, 反照率明显增加且达到一年的最大值0.49;第73天开始的反演周期内, 反照率下降到0.20~0.33;第161~241天开始的反演周期内NDVI较大, 反照率最小为0.17。GlobAlbedo地表反照率最不稳定, 波动性较大。三种地表反照率产品与玛多观测值在第65~241天开始的反演周期内具有较高的一致性, 第249天开始的反演周期内, GlobAlbedo地表反照率迅速增大, 随后GLASS和MODIS也显著增大。三种产品反照率开始增大的时间早于观测值。第313天开始的反演周期内, 产品反照率与地面观测值一致减小, 在第1~9天开始的反演周期内, 观测值在0.3~0.5之间, 但产品反照率继续降低, 在0.2~0.3之间。只有GlobAlbedo在第49天开始的反演周期内达到了0.42, 与观测值较为接近。MODIS不做多角度观测, 假定地表在16天内不发生变化, 通过卫星多次多角度的观测得到这段时间的观测数据, 也就是说它对地表状况的快速变化是不敏感的, 这必然会导致反照率反演产品对积雪反演的偏差(廖瑶等, 2014)。
3.3 季节平均地表反照率是一个动态的地表参数, 它受地面状况(植被、土壤湿度和土壤颜色等)和云量等的影响, 不同月份的反照率表现出不同的特征(王鸽等, 2010; 孙俊等, 2011)。玛曲站地表反照率值为:冬季>春季>秋季>夏季, 平均值依次为0.25, 0.22, 0.19和0.18[图 8]。夏季植被长势良好, 全年降水多, 表层土壤湿度大, 土壤颜色偏暗, 反照率为全年最低, 为0.17~0.20。秋季, 植被开始枯黄, 反照率逐渐增大, 但是变化幅度不大。冬季, 植被颜色变浅, 土壤含水量小, 地表反照率最大, 在0.22~0.26之间。春季, 气温回升, 冻土消融, 土壤湿度增加, 反照率随之降低, 0.19~0.23。GlobAlbedo在春、夏、秋、冬均高于地面观测, 最大差异在冬季, 偏高0.055; GLASS和MODIS均小于地面观测, 其中GLASS与观测最大差异也在冬季, 为0.077; MODIS与观测的最大差异出现在夏季, 为0.067。对比图 8可见, 玛曲地面观测与三种产品的反照率离散程度在冬季最高, 最小为0.16, 最大为0.65。积雪作为最重要的陆面强迫因子之一, 对气候有着重要的影响(李燕等, 2018)。1000 m×1000 m像元内, 当积雪局部融化或仅存在于观测场内, 都会增加GLASS和MODIS算法反演的难度。
![]() |
图 8 GLASS、MODIS和GlobAlbedo地表反照率与玛曲地面观测多年的季节变化 Fig. 8 Boxplots on the seasonal changes between observations and GLASS, MODIS and GlobAlbedo albedo at Maqu |
玛多站反照率季节变化较玛曲站更显著, 夏季反照率最小, 平均值为0.18, 秋季为0.22, 与春季较为接近, 冬季平均值最大为0.33。反照率季节变化的原因与玛曲站相似, 不同之处在于玛多站海拔更高, 积雪随季节变化明显, 秋季开始出现降雪, 再加上植被的影响, 反照率离散程度较大, 在0.19~0.31之间。冬季因地面积雪影响, 反照率全年最高, 变化幅度也较大, 在0.22~0.48之间[图 9, 图 10(b)]。也再次证明了地表覆盖对反照率不可忽略的影响。春夏季, 三种反照率产品与地面观测具有较高的一致性, 差值仅为0.01;秋季, GlobAlbedo比地面观测偏高0.16, GLASS和MODIS与观测差值增大到0.05, 尤其是2011-2014年明显大于地面观测; 冬季, GlobAlbedo依然偏高约0.06, GLASS和MODIS分别偏低0.09和0.08。地表反照率在秋冬季年际变化最大, 差值达0.12~0.25。对大气产品进行大气校正时, 采用不同的气溶胶模型是造成不确定性的主要来源之一, 也是使用辐射传输模型进行校正的常见问题。校正算法中使用“暗物体”方法来估计气溶胶光学深度, 但这种方法在具有较大的反照率值、植被少(如雪, 冰和裸露土壤)的区域存在较大的偏差(Liang et al, 2003)。另外, GLASS和MODIS产品之间的差异也在秋冬季达最大, MODIS相对在秋冬季更适用于玛多。主要归因于MODIS分离雪和云的能力(Hall et al, 2002)。
![]() |
图 9 GLASS、MODIS和GlobAlbedo地表反照率与玛多地面观测多年的季节变化 Fig. 9 Boxplots on the seasonal changes between observations and GLASS, MODIS and GlobAlbedo albedo at Maduo |
![]() |
图 10 GLASS, MODIS和GlobAlbedo三种地表反照率与地面观测值多年平均的季节变化 Fig. 10 The average seasonal changes over the years of observations and GLASS, MODIS and GlobAlbedo albedo |
利用黄河源区玛曲和玛多两个高寒草地站点长达8年的地表反照率观测数据, 对GLASS、MODIS和GlobAlbedo地表反照率遥感产品进行了评估与分析, 得到以下主要结论:
(1) 玛曲站观测的反照率年际变化较小, 集中在0.16~0.28。GLASS、MODIS和GlobAlbedo反照率产品基本都能揭示出反照率年际变化的趋势与幅度, 整体上, GlobAlbedo反照率平均比地面观测偏高0.048;而GLASS和MODIS反照率平均分别偏低0.074和0.063。MODIS产品精度相对最高, 其中RMSE=0.069, R=0.710。
受积雪影响, 玛多地区地表反照率年际变化较大。遥感产品中, GLASS和MODIS反照率产品对积雪较为敏感, 当局地积雪消融较快时偏差较大。统计值表明, GLASS产品精度相对较高, 其中RMSE=0.104, R=0.598。
(2) 玛曲站地表反照率值为冬季>春季>秋季>夏季, 平均值依次为0.25, 0.22, 0.19和0.18。年平均值为0.21。GlobAlbedo地表反照率在春、夏、秋、冬均高于地面观测值, 最大差异在冬季, 高出0.055; GLASS和MODIS均小于地面观测, 其中GLASS与观测最大差异也在冬季, 为0.077; MODIS最大差异出现在夏季, 为0.067。MODIS低估程度最低。玛多站反照率季节变化较玛曲站更显著, 呈现近似“U”形分布。夏季反照率最小, 平均值为0.18, 秋季为0.22, 与春季较为接近, 冬季平均值最大为0.33。年平均值为0.25。三种地表反照率产品春夏季与地面观测一致性较好, 秋季反照率开始增大的时间比观测早, 冬季后期明显小于地面观测。另外, GLASS和MODIS产品的差异也在秋冬季达到最大, MODIS相对在秋冬季更适用于玛多。主要归因于MODIS分离雪和云的能力。
通过反照率8天均值、年变化和季节变化分析发现, 三种地表反照率产品与玛曲和玛多站地面观测相关性较好。三种产品的传感器、辐射校正、几何配准、反演算法等不相同, 导致它们之间存在一定的系统性差异。GLASS产品对单日反照率时间序列进行了平滑、缺失填补并合成8天分辨率产品(Liu et al, 2013), 方便进行长时间序列的分析。相对来说, MODIS对积雪更敏感。青藏高原是地球上最高和最复杂的地形, 植被多样化, 天气变化剧烈, 短时积雪频发, 这些因素都对高原地区反照率的反演、订正带来了极大困难。未来气候的变化, 冰川冻土的消融, 高原地区的干暖化等都将对地表反照率造成不同程度的影响。定量化评估卫星遥感反演的地表反照率产品在不同地区的精度, 一方面可以将验证结果反馈给算法开发者帮助他们进一步改进算法, 另一方面方便用户全方位了解产品以更好地实际应用。但地面“点”和像元“面”之间的尺度差异问题亟待解决, 下一步研究要通过更多更准确的地面多点观测、高分辨率影像间接验证或结合以上两种方法估计卫星产品的真实误差, 尽可能减少验证方法本身的不确定性。
致谢: 感谢北京师范大学提供的GLASS地表反照率数据; 感谢LP DAAC提供的MODIS地表反照率数据; 感谢欧洲航天局EOEP提供的GlobAlbedo地表反照率数据; 感谢若尔盖站提供的地表反照率观测数据。
Chen F, Dudhia J. 2001. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part Ⅰ:Model implementation and sensitivity[J]. Monthly Weather Review, 129(4): 569–585.
DOI:10.1175/1520-0493(2001)129<0569:CAALSH>2.0.CO;2 |
|
Dickinson R E. 1983. Land surface processes and climate-surface albedos and energy balance[J]. Advances in geophysics, 25: 305–353.
DOI:10.1016/S0065-2687(08)60176-4 |
|
Dickinson R E, 1986. Biosphere/atmosphere transfer scheme (BATS) for the NCAR community climate model[J]. Technical report, NCAR.
|
|
Geleyn J F, Preuss H J. 1983. A new data set of satellite-derived surface albedo values for operational use at ECMWF[J]. Meteorology and Atmospheric Physics, 32(4): 353–359.
|
|
Hall D K, Riggs G A, Salomonson V V, et al. 2002. MODIS snow-cover products[J]. Remote sensing of Environment, 83(1/2): 181–194.
|
|
Lewis P, Guanter L, López G, et al, 2012. GlobAlbedo Algorithm Theoretical Basis Document V3.1[Z]. http://www.globalbedo.org.[2018-03-15].
|
|
Li Y, Wang T, Zeng Z, et al. 2016. Evaluating biases in simulated land surface albedo from CMIP5 global climate models[J]. Journal of Geophysical Research:Atmospheres, 121(11): 6178–6190.
DOI:10.1002/jgrd.v121.11 |
|
Liang S. 2003. A direct algorithm for estimating land surface broadband albedos from MODIS imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 41(1): 136–145.
DOI:10.1109/TGRS.2002.807751 |
|
Liu Q, Wang L, Qu Y, et al. 2013. Preliminary evaluation of the long-term GLASS albedo product[J]. International Journal of Digital Earth, 6: 69–95.
DOI:10.1080/17538947.2013.804601 |
|
Lofgren B M. 1995. Surface albedo-climate feedback simulated using two-way coupling[J]. Journal of Climate, 8(10): 2543–2562.
DOI:10.1175/1520-0442(1995)008<2543:SAFSUT>2.0.CO;2 |
|
Nai Y, Zeng X, Dickinson R E, 2001. Common Land Model (CLM) Technical Documentation and User's Guide[Z]. http://www.cesm.ucar.edu/models/clm.[2018-03-15].
|
|
Niu G Y, Yang Z L, Mitchell K E, et al. 2011. The community Noah land surface model with multiparameterization options (Noah-MP):1. Model description and evaluation with local-scale measurements[J]. Journal of Geophysical Research:Atmospheres, 116(D12): 1248–1256.
|
|
Niu K, Choler P, Zhao B, et al. 2009. The allometry of reproductive biomass in response to land use in Tibetan alpine grasslands[J]. Functional ecology, 23(2): 274–283.
DOI:10.1111/fec.2009.23.issue-2 |
|
Pinty B, Roveda F, Verstraete M M, et al. 2000. Surface albedo retrieval from Meteosat:2. Applications[J]. Journal of Geophysical Research:Atmospheres, 105(D14): 18113–18134.
DOI:10.1029/2000JD900114 |
|
Pinty B, Taberner M, Haemmerle V R, et al. 2011. Global-scale comparison of MISR and MODIS land surface albedos[J]. Journal of Climate, 24(3): 732–749.
DOI:10.1175/2010JCLI3709.1 |
|
Román M O, Schaaf C B, Woodcock C E, et al. 2009. The MODIS (Collection V005) BRDF/albedo product:Assessment of spatial representativeness over forested landscapes[J]. Remote Sensing of Environment, 113(11): 2476–2498.
DOI:10.1016/j.rse.2009.07.009 |
|
Taberner M, Pinty B, Govaerts Y, et al. 2010. Comparison of MISR and MODIS land surface albedos:Methodology[J]. Journal of Geophysical Research:Atmospheres, 115: D05101.
DOI:10.1029/2009JD012665 |
|
Wang S, Zhang Y, Lü S, et al. 2013. Estimation of turbulent fluxes using the flux-variance method over an alpine meadow surface in the eastern Tibetan Plateau[J]. Advances in Atmospheric Sciences, 30(2): 411.
DOI:10.1007/s00376-012-2056-1 |
|
Ye D Z, Gao Y X, 1979. The meteorology of the Qinghai-Xizang (Tibet) plateau[J]. Beijing: Science Press, 1-278.
|
|
Zhao L, Jin J, Wang S Y, et al. 2012. Integration of remote-sensing data with WRF to improve lake-effect precipitation simulations over the Great Lakes region[J]. Journal of Geophysical Research:Atmospheres, 117(D9).
|
|
陈隆勋, 龚知本, 温玉璞, 等. 1964. 东亚地区的大气辐射能的收支(一)-地球和大气的太阳辐射能收支[J]. 气象学报, 32(2): 146–161.
|
|
陈爱军, 胡慎慎, 卞林根, 等. 2015. 青藏高原GLASS地表反照率产品精度分析[J]. 气象学报, 73(6): 1114–1120.
|
|
陈爱军, 梁学伟, 卞林根, 等. 2016a. 青藏高原MODIS地表反照率反演质量分析[J]. 高原气象, 35(2): 277–284.
DOI:10.7522/j.issn.1000-0534.2015.00015 |
|
陈爱军, 吴倩倩, 卞林根, 等. 2016b. 青藏高原MODIS地表反照率与地面观测结果的比较[J]. 科技通报, 32(11): 47–50.
|
|
陈爱军, 周婵, 卞林根, 等. 2016c. 藏北高原GlobAlbedo地表反照率的精度分析[J]. 高原气象, 35(4): 887–894.
DOI:10.7522/j.issn.1000-0534.2015.00097 |
|
胡慎慎, 2016.多源数据对比分析青藏高原GLASS地表反照率[D].南京: 南京信息工程大学.
http://cdmd.cnki.com.cn/Article/CDMD-10300-1016194486.htm |
|
刘晓东, 田良, 韦志刚. 1994. 青藏高原地表反射率变化对东亚夏季风影响的数值试验[J]. 高原气象, 13(4): 468–472.
|
|
林朝晖, 1995.气候模式中的反馈机制及模式改进的研究[D].北京: 中国科学院大气物理研究所.
http://www.wanfangdata.com.cn/details/detail.do?_type=degree&id=Y301907 |
|
刘强, 瞿瑛, 王立钊, 等, 2012. GLASS陆表反照率产品使用手册[Z/OL]. http://www.docin.com/p-912177174.html.[2018-03-22].
|
|
梁顺林, 张晓通, 肖志强, 等. 2014. 全球陆表特征参量(GLASS)产品算法验证与分析[M]. 北京: 高等教育出版社.
|
|
李照国, 吕世华, 奥银焕, 等. 2012. 鄂陵湖湖滨地区夏季近地层微气象特征与碳通量变化分析[J]. 地理科学进展, 31(5): 602–608.
|
|
李德帅, 王金艳, 王式功, 等. 2014. 陇中黄土高原半干旱草地地表反照率的变化特征[J]. 高原气象, 33(1): 89–96.
DOI:10.7522/j.issn.1000-0534.2012.00178 |
|
廖瑶, 吕达仁, 何晴. 2014. MODIS, MISR与POLDER 3种全球地表反照率卫星反演产品的比较与分析[J]. 遥感技术与应用, 29(6): 1008–1019.
|
|
李丹华, 文莉娟, 隆霄, 等. 2017. 积雪对玛曲局地微气象特征影响的观测研究[J]. 高原气象, 36(2): 330–339.
DOI:10.7522/j.issn.1000-0534.2016.00074 |
|
李燕, 闫加海, 张冬峰. 2018. 青藏高原冬春积雪异常和中国东部夏季降水关系的诊断与模拟[J]. 高原气象, 37(2): 317–324.
DOI:10.7522/j.issn.1000-0534.2017.00040 |
|
马耀明, 刘东升, 苏中波, 等. 2004. 卫星遥感藏北高原非均匀陆表地表特征参数和植被参数[J]. 大气科学, 28(1): 23–31.
DOI:10.3878/j.issn.1006-9895.2004.01.03 |
|
马耀明, 姚檀栋, 王介民, 等. 2006. 青藏高原复杂地表能量通量研究[J]. 地球科学进展, 21(12): 1215–1223.
DOI:10.3321/j.issn:1001-8166.2006.12.002 |
|
齐文栋, 刘强, 洪友堂. 2014. 3种反演算法的地表反照率遥感产品对比分析[J]. 遥感学报, 18(3): 559–572.
|
|
孙俊, 胡泽勇, 荀学义, 等. 2011. 黑河中上游不同下垫面反照率特征及其影响因子分析[J]. 高原气象, 30(3): 607–613.
|
|
王介民, 高峰. 2004. 关于地表反照率遥感反演的几个问题[J]. 遥感技术与应用, 19(5): 295–300.
DOI:10.3969/j.issn.1004-0323.2004.05.001 |
|
王鸽, 韩琳. 2010. 地表反照率研究进展[J]. 高原山地气象研究, 30(2): 79–83.
DOI:10.3969/j.issn.1674-2184.2010.02.018 |
|
吴宏伊, 童玲, 陈云坪. 2012. 基于中国通量网的MODIS短波反照率验证与分析[J]. 遥感技术与应用, 27(5): 735–739.
|
|
肖登攀, 陶福禄, MoiwoJ P. 2011. 全球变化下地表反照率研究进展[J]. 地球科学进展, 26(11): 1217–1224.
|
|
颜宏, 魏丽, 陈玉春, 等. 1987. 地表反照率和土壤含水量的综合估算及其在地面加热场计算中的影响[J]. 高原气象, 6(2): 255–266.
|
|
叶笃正, 高由禧. 1979. 青藏高原气象学[M]. 北京: 科学出版社.
|
|
于涵, 张杰, 刘诗梦. 2018. 基于CERES卫星资料的青藏高原有效辐射变化规律[J]. 高原气象, 37(1): 106–122.
DOI:10.7522/j.issn.1000-0534.2017.00045 |
|
余予, 陈洪滨, 夏祥鳌, 等. 2010. 青藏高原纳木错站地表反照率观测与MODIS资料的对比分析[J]. 高原气象, 29(2): 260–267.
|
|
章基嘉, 朱抱真, 朱福康, 等. 1988. 青藏高原气象学进展[M]. 北京: 科学出版社.
|
2. Wuwei Meteorological Bureau, Wuwei 733000, Gansu, China;
3. University of Chinese Academy of Science, Beijing 100049, China;
4. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province, School of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu 610225, Sichuan, China;
5. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, Jiangsu, China;
6. Yunnan Power Grid Company Limited, Kunming 650217, Yunnan, China