中国东北地区是我国三大积雪区之一。该地区地处高纬度，冬季太阳高度角低，光照条件差，并且该地区具有很高的森林覆盖度。当前MODISV6积雪产品提供的归一化差值积雪指数（NDSI）在中国东北地区，尤其是东北森林地区存在明显的过度云掩膜问题，严重影响了该产品在积雪时空变化研究中的应用。同时，MODISV6积雪产品采用了低NDSI屏蔽，导致森林地区存在积雪漏分现象。以MODISV6多种数据集作为源数据，分别采用上下午星合成、决策树分类和时空自适应去云的方法，生产了2000-2020年积雪季中国东北地区具有较高精度、时空连续的NDSI逐日无云产品。本数据集可用于我国东北地区积雪面积制图和积雪物候等后续科研工作。
在MODIS V6积雪产品中，使用了 MOD10A1/MYD10A1产品中的Raw_NDSI、NDSI_snow_cover数据集和MOD09GA产品中的sur_refl_b04波段数据集。上述产品数据来源于Google Earth Engine (https://code.eartengine.google.com)
第一步，影像裁剪。在Google Earth Engine 上首先对研究区积雪产品数据集进行裁剪。
第二步，上下午星合成，恢复部分像元的NDSI值。算法规则为若原产品上午定义有云，下午定义无云，则将下午星NDSI值赋值给当天；若上下午星都有云，则未被恢复，依然保留该像元为云像元；其余情况则采用上午星的NDSI值。
第三步，采用决策树判别方法。首先对Raw_NDSI进行均值滤波，算法规则是像元周围9个像元的值直接平均赋值给中心像元，得到新的数据层Mean_NDSI。若MOD10A1中的云像元对应的Mean_NDSI均值大于0.4，则认为该像元不是云像元，恢复该像元的Raw_NDSI值。当NDSI在0到0.4之间的像元，若绿光波段地表反射率小于或等于0.4，则该像元为非云像元，恢复其Raw NDSI 值；若绿光波段地表反射率大于0.4，则该像元仍标记为云。当NDSI在小于0的像元，仍然认定为云像元（此步骤值只针对上下午星合成后仍标记为云的像元进行判别）。
第四步，进行临近日合成。算法规则为若目标像元前后天都是非云像元，则将前后天NDSI值平均后赋值给当天；若前后两天中有一天为非云像元，则直接使用该非云像元的NDSI值赋值给当天；若前后天都为云像元，则需寻找前后两天像元继续判别，算法规则同上；若前后两天同样也都是云像元，则目标像元仍未得到恢复，计算结束，等待下一步去云操作。
第五步，采用chen提出的时空自适应去云算法，进行全图层彻底去云。其主要思路是判断相似像元，基于相似像元的NDSI在自适应时空中赋予相应的权重去云。
从数据生产的每个环节进行质量控制，MODIS V6 版本与之前V5相比，有了很大的改进，对水、云、重气溶胶等进行了大气校正。因此，本研究数据来源可靠。
从原始数据到最终产品的计算中，每个处理步骤都确保数据准确性。上下午星合成去云是积雪产品去云常用的方法，主要是考虑同一天的地表具有稳定性；决策树中的阈值也是基于文献或者统计特征选取的，并且选取了大量执行决策树之后的结果与假彩色合成影像进行了对比，该步骤可以有效恢复NDSI_snow_cover数据集中一些由森林积雪误分成云的问题。最终采用chen等的方法进行完全去云，该方法也经过了云假设检验证明了其精度。最后对2018年逐日的数据产品均进行了目视检验，结果表明该数据集NDSI分布合理，可以作为东北地区积雪研究的基础数据源。
| # | 编号 | 名称 | 类型 |
| 1 | 41771373 | 森林地区光学遥感积雪制图方法研究 | 国家自然科学基金 |
| 2 | 2017FY100500 | 中国积雪特性及分布调查 | 科技基础资源调查专项 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.ncdc.isnow.db2527.2022
10.12072/ncdc.I-SNOW.db0024.2021
