2002～2016年高亚洲地区中大型湖泊微波亮温和冻融数据集 中华文库

摘要：高亚洲地区是中纬度全球变化敏感区和研究的热点区域，其境内湖泊星罗棋布，湖冰冻融参数是全球变化的关键敏感因子之一。由于冰水介电常数差异大，高重访率且对天气不敏感的星载被动微波遥感可实现湖冰冻融状态的快速监测。本数据集依据微波辐射计像元内湖泊和陆表的面积比例，应用混合像元分解方法获取了像元（亚像元级）的湖泊亮温信息，实现高亚洲地区被动微波遥感亚像元级湖冰冻融监测，并采用多种被动微波数据，共计获得高亚洲区域2002～2016年51个中大型时间序列湖泊亮温数据和冻融状态信息。以无云MODIS光学产品为验证数据，在高亚洲不同区域，选取可可西里湖、达则错、库赛湖等三个大小不一的湖泊进行冻融判别验证，结果表明微波和光学遥感所获取的湖冰冻结和融化参数具有较高的一致性，其相关系数可达0.968与0.987。本数据集包含湖泊的时间序列亮温值和湖冰冻融参数，可进一步对湖泊开展特征参数反演，以及提升对高亚洲地区的湖冰冻融的理解，为高亚洲地区气候、环境变化以及高亚洲对全球气候变化响应模型提供数据基础。

关键词：高亚洲；湖泊；被动微波亮温；冻融参数；混合像元分解法

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

以青藏高原为主体，由喜马拉雅山、昆仑山、横断山、祁连山和天山等山脉及高原地区组成的高亚洲区域，海拔范围在2000～8844 m之间，是全球高海拔湖泊最为密集的地区。其境内湖泊星罗棋布，面积大于1 km2的约有1210个^[1]。高亚洲地区气候变化研究已引起了相关学者的广泛关注^[2][3]，该地区成为全球气候变化最为敏感的区域和研究的热点区域^[4]。高山湖泊对于气候变化非常敏感^[5]，特别是高山湖泊冻融的时间点，常被期望用来记录、揭示区域气候变化特征^[6]。

图1 本数据集所包括的湖泊分布图

高亚洲地区具有高寒、人迹罕至等特征，缺少湖泊监测站点，湖冰冻融参数难以获取^[7][8]，通常借助遥感手段补充获取。星载被动微波数据具有全天时、全天候、重放周期短等特点^[9]，微波对冰水相变的敏感性高^[10]，特别适合用于冰雪冻融监测研究，如陆表冻土变化监测^[11]、积雪变化监测^[12]、海冰变化监测^[13]等研究。

但由于被动微波辐射计分辨率粗糙，混合像元效应严重，在湖冰冻融变化监测中受到极大的限制^[14][15]。目前在整个北半球区域适合用于现有被动微波像元尺度的湖泊仅有35个大型湖泊^[16]，而在高亚洲区域可以直接采用被动微波数据开展监测的为青海湖、纳木错和色林错等大型湖泊^[14][15]。

要清晰、深入了解高亚洲区气候和环境变化对湖泊冻融带来的影响及其响应，需要了解该区更多湖泊的冻融状况，在地面观测和光学遥感（云影响）获取湖泊冻融资料都受限制的情况下，被动微波数据依然是监测和理解湖泊冻融的资料源^[16]。

本数据集采用最邻近法与线性混合像元分解技术，利用高分辨率数据作为辅助输入，将通常用于大尺度地表监测的AMSR-E、AMSR2与MWRI被动微波数据，应用到高亚洲地区中大型湖泊湖冰冻融监测，获取了2002～2016年高亚洲不同区域的51个湖泊湖冰冻融情况（图1），为高亚洲区域的湖冰冻融信息提供重要的资料补充。

1.1 数据采集

本数据集生产过程中主要采用3种研究数据，包括AMSR-E、AMSR2与MWRI（Microwave Radiation Imager）被动微波亮温数据、青藏高原湖泊数据集和青藏高原MODIS逐日无云积雪面积数据集，分别用于提取湖泊区域亮温值、计算湖泊与湖岸的动态面积比例、验证湖冰冻融参数。详细介绍如下：

1.1.1 AMSR-E、AMSR2与MWRI被动微波亮温数据

被动微波AMSR-E具有水平极化和垂直极化的12个成像仪通道，频率分别为6.9、10.65、18.7、23.8、36.5、89.0 GHz；而AMSR2有14个成像仪通道，频率分别为6.9、7.3、10.65、18.7、23.8、36.5、89.0 GHz。冰与水在18.7 GHz通道下发射率差异较大，从其分辨率和受大气和地表状态影响的角度考虑，通常用18.7 GHz的V极化进行湖冰冻融监测^[14][15]，AMSR-E的数据分辨率为27 km × 16 km，AMSR2分辨率为22 km × 14 km。其中AMSR-E数据获取地址为http://nsidc.org/，AMSR2数据获取地址为http://gcom-w1.jaxa.jp/index.html。

AMSR-E与AMSR2两个传感器在时间上未能衔接，从2011年10月4日开始至2012年7月2日数据存在缺失空档，而国产风云三号的MWRI传感器于2010升空运行至今，可补充AMSR-E与AMSR2缺失的数据信息。MWRI传感器有10个成像仪通道，除6.9 GHz外，其他通道频率与AMSR-E一致。由于MWRI数据分辨率较低，其18.7 GHz数据的分辨率为30 km × 50 km，在本数据集中仅采用最邻近法处理MWRI数据对青海湖、纳木错与色林错进行空档信息补缺。MWRI数据获取地址为http://satellite.nsmc.org.cn/。

1.1.2 青藏高原湖泊数据集

青藏高原面积1 km2以上湖泊在过去60年的变迁数据集^[1]来自于《科学数据》。该数据集包含3期数据，分别为：（a）20世纪60年代（人工测绘，部分基于第一次湖泊调查成果整理）；（b）2005年（CBERS-1 CCD，部分基于第二次湖泊调查成果整理）；（c）2014年（GF-1 WFV）。在本数据集的生产中，分别采用了2005期与2014期的湖泊面积数据与被动微波数据进行叠置分析求取湖泊面积与陆地面积比例。其中2002～2011年的AMSR-E被动微波数据采用2005期的青藏高原湖泊数据集作为湖泊面积输入数据，而2012～2016年的AMSR2被动微波数据则采用2014期的青藏高原湖泊数据集来计算。青藏高原湖泊数据集的获取地址为https://figshare.com/articles/Data_TPLakes/3145369。

1.1.3 青藏高原MODIS逐日无云积雪面积数据集

此数据为基于MOD10A1与MYD10A1开发的逐日无云二值积雪产品^[17]，下载网址为http://www.sciencedb.cn/dataSet/handle/55，包括以下几种青藏高原区域的地物分类：陆地、积雪、湖水、湖冰及湖泊不确定（其中湖泊不确定是在去云重分类的过程中，湖泊区域存在的较少数无法判别湖泊状态的类别）。利用该数据集湖水及湖冰变化情况，可比较验证微波的湖泊冻融情况。

1.2 数据处理

1.2.1 最邻近法

卫星在高空中对地扫描时，相对地球处于不断运动的状态，故在传感器重访过程中，离湖泊中心最邻近的扫描点位置会出现偏移，导致AMSR-E（27 km × 16 km）、AMSR2（22 km × 14 km）与MWRI（30 km × 50 km）像元获取的地表区域也会发生细小的局部挪移，所以该像元捕获的湖泊/湖岸面积不停地发生变化（除了面积远远小于像元分辨率的湖泊外）。卫星过境扫描示意图如图2。

图2 卫星过境扫描导致的湖泊/陆地面积比例发生变化

为获取湖泊区域亮温信息，论文根据AMSR-E、AMSR2或MWRI像元距离湖心点最短距离法来选择像元。首先通过高分辨Landsat5影像辅助确定湖中心点位置，获取湖心坐标位置，然后以湖心坐标为中心缓冲出一个25 km×25 km的矩形，该矩形和被动微波18.7 GHz像元覆盖范围相当，目的是尽量控制获得像元坐标中心点与湖心点在一个像元范围内。最邻近法满足条件为：假设湖泊中心点为${\displaystyle O(X,Y)}$ ，${\displaystyle TB({X}_{i},{Y}_{i})}$  为任意像元中心点，${\displaystyle A({X}_{a},{Y}_{a})}$ 为矩形的一个顶点坐标。当点${\displaystyle TB({X}_{i},{Y}_{i})}$ 是满足以下公式（1）、（2）与（3）的像元点${\displaystyle ({X}_{min},{Y}_{min})}$  则为所求的点： ${\displaystyle {\sqrt {({X-{X}_{i})}^{2}+({Y-{Y}_{i})}^{2}}}<{\sqrt {({X-{X}_{a})}^{2}+({Y-{Y}_{a})}^{2}}}}$ （1）${\displaystyle {\sqrt {({X-{X}_{min})}^{2}+({Y-{Y}_{min})}^{2}}}\leq {\sqrt {({X-{X}_{i})}^{2}+({Y-{Y}_{i})}^{2}}}}$ （2）${\displaystyle {\sqrt {({X-{X}_{min})}^{2}+({Y-{Y}_{min})}^{2}}}<12.5}$ （3） 用于混合像元分解的湖岸像元亮温则以较高分辨率Landsat影像为依据获取，选取距离湖泊最近的2～3个被动微波像元作为纯净陆地像元${\displaystyle P\left({X}_{l},{Y}_{l}\right)}$ ，并求取均值而获得。

1.2.2 混合像元分解方法

被动微波数据空间分辨率低，单个像元能捕获到多种不同种类的地表特征信息，混合效应严重，采用经过辐射定标后的AMSR-E L2A与AMSR2 L1R亮温数据^[18]，采用基于湖泊/陆地面积比例的混合像元分解算法进行湖泊亮温数据获取，其主要思路为：假设被动微波辐射计所捕获的陆表信息是均质的，所获的地表陆地信息只与地物的面积有关，忽略其他影响因素，则基于湖泊/陆地面积比例的被动微波像元分解的算法模型可以用公式（4）表示^[19][20]： ${\displaystyle {TB}_{sensor}=a{TB}_{lake}+b{TB}_{land}}$ （4） 式中，${\displaystyle {TB}_{sensor}}$ 表示被动微波数据单个像元所捕获的湖泊亮温值，${\displaystyle {TB}_{water}}$ 为混合像元中的湖泊区域亮温值，${\displaystyle {TB}_{land}}$ 为混合像元中陆地区域亮温值，${\displaystyle a}$ 与${\displaystyle b}$ 分别表示湖泊与陆地像元在一个被动微波像元的面积比例权重。式（4）中，湖泊区域亮温与陆地区域亮温包括了与其对应的大气等影响因素。

湖泊面积权重${\displaystyle a}$ 与湖岸面积权重${\displaystyle b}$ ，在分解计算AMSR-E像元所对应的值时，是以卫星过境的最邻近湖心点的扫描点为中心缓冲出一个27 km × 16 km的矩形区域，AMSR2数据缓冲出的矩形区域为22 km × 14km。然后通过叠置分析动态计算出每次卫星重访像元的湖泊湖岸面积权重。最后将求出的湖泊与湖岸的比值代入公式（4）中，分解出每个像元里湖泊区域的亮温值。

在WGS84（World Geodetic System 1984）投影坐标系统中，利用一个中心点难以一次性缓冲生成一个矩形区域，AMSR-E像元对应的矩形长宽为27 km × 16 km，AMSR2为22 km × 14km。故在实验操作中通过利用一点先缓冲成两个正圆，其中大圆的半径为矩形长的一半，小圆的半径为矩形宽的一半，再求取两圆的最小外包矩形，然后根据等角横轴割圆柱投影坐标系统特性，获得所求矩形，如图3为AMSR-E像元缓冲示意图。最后求取出卫星每天过境的矩形IJKL后与湖泊面积数据进行叠置分析，动态分解出湖岸与湖泊的比例。

图3 AMSR-E像元矩形动态缓冲示意图

1.2.3 基于TIMESAT软件及目视判别的冻融参数提取

在对湖泊区域像元亮温进行混合像元分解处理后，应用TIMESAT（Time-series of satellite sensor data）软件提取湖泊冻融参数。TIMESAT软件系统起初是应用于处理长时间序列的NDVI数据，以监测植物的周期性生长变化^[21][22]，鉴于TIMESAT软件系统具有快速处理季节性变化的长时间序列数据的能力，结合被动微波数据在湖泊冻融变化的亮温周期规律^[14][15]，将湖泊亮温数据嵌入到该软件，并结合目视判别，纠正并提取湖泊冻融参数（图4）。

图4 基于TIMESAT软件辅助的冻融参数提取

2.1 基于最邻近法与像元分解的湖泊亮温数据

数据存储于Excel表格中，其中有51个湖泊2002～2011年的AMSR-E数据，51个湖泊2012～2016年的AMSR2数据，3个湖泊2011～2016年的MWRI数据，共含105个表格。全部表格有两种类型的存储格式，详细说明如下：

类型一：不需要混合像元分解，仅利用最邻近法就能够探测到的湖冰冻融变化的湖泊亮温存储格式（表1）。数据只有A与B两列，其中A列代表日期，B列代表18.7 GHz的V极化亮温。

表1 基于最邻近法的湖泊亮温表

利用最邻近法获取的湖泊长时间序列亮温曲线图如图5所示。

图5 最邻近法湖泊亮温长时间序列曲线图（以青海湖为例）

类型二：结合最邻近法与混合像元分解法探测到湖冰冻融变化的湖泊亮温存储格式如表2。数据共8列，其中A列代表日期，B、C列分别代表像元中心点的X坐标、Y坐标，D列代表18.7 GHz的V极化湖泊湖岸混合亮温，E、F列分别代表湖泊区域、湖岸区域在最邻近湖心像元的比例，G列是邻近湖岸区域的18.7 GHz的V极化亮温值，H列是分解还原后的湖泊区域亮温值。

表2 基于像元分解法的湖泊亮温表

利用像元分解法获取的湖泊长时间序列亮温曲线图如图6所示。

图6 像元分解法湖泊亮温长时间序列曲线图（以拜惹布错为例）

2.2 湖泊湖冰冻融数据集

数据以Excel表格格式存储，共有一个Excel表格，其中包含51个表单，每个表单以湖泊名称命名。表格存储格式（表3）以青海湖为例，其详细说明如下：数据共8列，其中A列代表湖泊中文名称，B列代表湖泊英文名称，C、D列分别代表湖泊中心点的X坐标、Y坐标，E、F列分别代表该湖泊湖冰开始冻结日期、完全冻结日期，G、H列分别代表该湖泊湖冰开始融化日期、完全融化日期。

表3 青海湖湖冰冻融日期表

3.1 数据缺失情况说明

3.1.1 高亚洲被动微波遥感数据日重访问题

被动微波数据在对地扫描时存在数据间隙，其在中低纬地区的重访周期约为1～2天，而在高纬度地区的重访率可以达到1天多次（图7）。而高亚洲地区处于中高纬之间，其所获取的湖泊亮温值的时间间隔为1或2天。

图7 被动微波数据观测覆盖图

3.1.2 数据断档缺失说明

本数据集生产选用AMSR-E、AMSR2与MWRI三种被动微波传感器数据，其中AMSR-E于2002年5月4日升空，于2002年6月19日开始获取对地观测数据，在轨运行至2011年10月4日，因天线失去动力，而无法获得后续数据；AMSR2于2012年5月18日升空，于2012年7月3日开始获取对地观测数据，在轨运行至今；而MWRI于2010升空运行至今，可以填补AMSR-E与AMSR2的数据空档。

但MWRI数据分辨率较低，在本数据集生产中仅采用最邻近法处理MWRI数据对青海湖、纳木错与色林错三个湖泊进行数据补缺。因此其他的湖泊亮温数据集与湖冰冻融数据集在2011年10月至2012年7月期间的数据存在空缺。

3.2 误差来源和分析

3.2.1 被动微波数据定位误差

在应用被动微波数据进行湖冰监测应用中，由于只选取被动微波传感器过境时离湖泊中心点最近的单个像元，故该像元定位精度所带来的误差将会直接影响湖冰冻融探测的精度。以AMSR-E L2A数据为例，其定位误差约为5～7 km^[23]。这种位置偏移也给湖泊亮度的混合像元分解带来误差，在原有的被动微波数据误差基础上，湖冰冻结时期误差约为3～4 K，而湖冰融化时期误差可达7～8 K。

3.2.2 数据处理过程误差

经过数据分析，被动微波混合像元分解法可普遍适用于湖泊面积占单个AMSR-E像元0.3倍以上的湖泊。而湖泊面积与AMSR-E像元比例在0.2～0.3倍之间时，该方法受湖泊形状、湖泊的本身特质和湖岸周边地理环境特征影响，具有较大的不确定性。此外，被动微波混合像元线性分解也还存在着一些限制条件：湖泊周围生长的植被受季节性影响明显会对湖泊亮温分解造成干扰，致使提取结果出现偏差；湖泊与湖岸像元间应避免海拔落差巨大，如高山环绕的湖泊，湖泊亮温与周边陆地亮温有很大差异，山地的角度和地形影响会造成像元分解结果出现较大的误差。

3.3 对比验证

以青藏高原MODIS逐日无云积雪面积数据集作为对比验证数据^[17]，该套数据集主要解决了云盖条件下积雪与陆地的重新判别问题，其湖泊区的云覆盖也做了重分类，将湖泊上空区域重新判别为湖水、湖冰及少数湖泊不确定三种状态。选取去云处理之前云盖情况较好的湖泊区域，以长时间序列的湖泊中的湖水面积变化曲线，以湖水面积占湖泊面积的90%为湖冰融化的判别阈值，以湖水面积占湖泊面积的20%为湖冰冻结的判别阈值^[8] ，以此削弱去云重分类误差带来的直接目视判别湖冰冻融状况的误差积累^[7]。

选择达则错、库赛湖与可可西里湖作为验证湖泊，利用AMSR-E数据提取的湖泊冻融结果与MODIS无云数据提取的湖泊冻结与湖泊融化结果有一定相关性，其皮尔森相关系数分别为0.968与0.987（图8），可认为基于被动微波遥感数据的湖泊冻融数据具有较高的可靠性。

（a）

（b）

图8 基于MODIS无云数据产品的对比验证图

本数据集包含高亚洲区域2002～2016年51个中大型湖泊时间序列亮温值和湖冰冻融参数信息；可进一步对湖泊开展特征参数反演，如湖冰厚度变化等；可提升对高亚洲地区湖冰冻融的理解，如对全球气温升高等大尺度气候变化的响应模式认知；可为高亚洲地区气候、环境变化以及高亚洲对全球气候变化响应模型提供数据基础。

邱玉宝（1978—），男，江西人，博士，副研究员，从事环境遥感应用研究。主要承担工作：算法和处理过程建模。

郭华东（1950—）男，江苏人，博士，研究员，研究方向为遥感技术应用。主要承担工作：全球变化研究指导。

阮永俭（1990—），男，广东人，硕士生，主要研究方向被动微波遥感技术与应用。主要承担工作：数据生产和冻融识别研究。

付心如（1991—），女，河北人，硕士生，主要研究方向为遥感技术与应用。主要承担工作：数据预处理和分析工作。

石利娟（1987—），女，河南人，博士生，主要从事被动微波技术。主要承担工作：数据预处理与数据解译。

田邦森（1983—），男，湖北人，助理研究员，主要从事微波遥感应用研究。主要承担工作：数据处理和解译。

感谢美国国家冰雪数据中心（National Snow and Ice Data Center）提供AMSR-E L2A Swath亮温数据，日本宇宙航空研究开发机构（Japan Aerospace Exploration Agency）提供AMSR2 L1R Swath亮温数据，科学数据存储库（Science Data Bank）提供青藏高原MODIS逐日无云积雪面积数据和《科学数据》提供青藏高原湖泊数据集。

邱玉宝, 郭华东, 阮永俭, 等. 2002～2016年高亚洲地区中大型湖泊微波亮温和冻融数据集[DB/OL]. Science Data Bank, 2017. DOI: 10.11922/sciencedb.374.