积雪覆盖范围是积雪的关键物理参数之一，是水文学、气候学等相关研究的重要输入。MODIS积雪覆盖产品（MOD10A1、MODSCAG等）因其较长的时间记录和较高的时间分辨率得到了广泛的应用。最近的研究表明，由于积雪有着较强的时空异质性，虽然现有的MODIS积雪覆盖产品总体精度较高，但是在一些地形、地表覆盖复杂的区域与积雪快速变化的时期精度欠佳。从较高空间分辨率影像中获取等效地面参考来训练机器学习模型，可以有效地结合光谱和辅助数据，减小由积雪的时空异质性所造成的误差，成为进一步提升MODIS积雪覆盖制图精度的有效途径之一。
机器学习模型的效果在很大程度上取决于训练样本的代表性。鉴于积雪拥有较强的时空异质性，最理想的策略是使用与MODIS影像在同一日期、同一空间的高分辨率影像作为等效地面参考。然而，由于空间分辨率和传感器成像宽度之间的矛盾，高分辨率影像在时间和空间上不如MODIS影像完整，该策略难以实现。因此，目前基于机器学习的积雪覆盖制图研究往往局限于小的区域和离散的时间，无法满足气候和水文学等相关研究对更精确的、大范围、长时期的积雪覆盖数据的迫切需求。如何保证训练样本在高分辨率影像数据缺失的时间和空间上的代表性，成为制约机器学习用于大范围、长时期积雪覆盖制图的关键问题。
为此，南京大学高分辨率遥感实验室提出了一种简单、高效的m天动态积雪覆盖制图策略，来确保样本的时空代表性，进一步提升MODIS二值积雪覆盖范围制图（BSC）和积雪覆盖面积比例制图（FSC）的精度。
图1 16天动态积雪覆盖制图策略示意图
m天动态积雪覆盖制图策略综合考虑了积雪较强的时空异质性和遥感影像的成像时空规律。首先，MODIS影像每天覆盖研究区一次，而Landsat 8 OLI影像16天覆盖研究区一次，从连续m（≥16）天的MODIS和Landsat 8 OLI影像对中随机选择的训练样本可以均匀分布在整个研究区内，保证了样本的空间代表性，可以有效应对积雪的空间异质性给积雪覆盖制图带来的影响；其次，采用动态的策略，每m天训练一个模型，应用于当下m天，可以有效应对积雪的时间异质性给积雪覆盖制图带来的影响；此外，与长时间序列的任务相比，一系列短期的任务面临的积雪异质性较小，数据复杂度相对较低，更容易拟合，且能并行提高计算效率。
具体算法如下：第1步，将一个长时间序列的积雪覆盖制图任务划分为多个连续m（≥16）天的短期任务；第2步，从每个连续m（≥16）天的MODIS和Landsat 8 OLI影像对中随机选择训练样本；第3步，使用所选的训练样本来训练机器学习模型，并将其应用于每个短期的积雪覆盖制图任务。整体流程如图1所示。
本研究以青藏高原为研究区（图2），以Landsat 8 OLI数据为等效地面参考，对m天动态积雪覆盖制图策略进行了验证，并与其他策略和方法在不同的时间、空间环境条件下的效果以及计算效率进行比较。
图2 研究区位置与Landsat 8 OLI分布图
研究结果表明：（1） m天动态策略可以有效利用现有的大量Landsat数据，提高MODIS积雪覆盖制图（表1，图3）；（2）m天动态策略具有时间适应性，可以有效应对青藏高原积雪的时间异质性和快速变化给积雪覆盖制图带来的问题（图4）；（3）m天动态策略可以有效提高不同地形条件和土地覆盖类型的BSC和FSC制图精度（图5，图6）；（4）m天动态策略实现了精度和效率的平衡，具有进行高精度、大范围、长时期积雪信息提取的潜力。
表1 各种方法在全年BSC制图中的验证精度
图3 各种方法在全年FSC制图中的验证精度
图4不同策略训练的模型在每个月BSC和FSC制图上的精度
图5 不同策略训练的模型的BSC制图误差空间分布
图6 不同策略训练的模型的FSC制图误差空间分布
该研究成果近日以“Binary and Fractional MODIS Snow Cover Mapping Boosted by Machine Learning and Big Landsat Data”为题发表于IEEE Transactions on Geoscience and Remote Sensing。南京大学地理与海洋科学学院硕士生栾文博为论文第一作者，张学良副教授为论文通讯作者，肖鹏峰教授、硕士生王华东、博士生陈思勇为论文合作作者。该研究得到国家自然科学基金项目（42071297, 42171307）和国家科技基础资源调查专项项目（2017FY100503）资助。
W. Luan, X. Zhang *, P. Xiao, H. Wang and S. Chen, "Binary and Fractional MODIS Snow Cover Mapping Boosted by Machine Learning and Big Landsat Data," in IEEE Transactions on Geoscience and Remote Sensing, 2022, doi: 10.1109/TGRS.2022.3198508.
点击“阅读原文”下载原文
