相互比较和验证MIRS、mspp和IMS Snow Cover产品

抽象

我们评估协议自动雪产品之间产生的卫星观测在微波波段NESDIS微波集成检索系统(大鹏)和微波表面和降水产品系统(MSPPS),一方面,和积雪地图生产手工输入由NOAA的交互式多传感器冰雪映射系统(IMS)。MIRS使用基于物理的大气和表面状态参数检索，以提供50公里分辨率下的积雪和积雪水当量的每日全球地图。较早的mspp提供45公里空间分辨率的每日全球地图，并主要使用简单的经验算法来检索信息。通过分析可见、红外和微波光谱波段的卫星图像，交互式地制作北半球冰雪和海冰覆盖的IMS日地图。我们以IMS为标准，比较了2014-2017年这些产品在北半球的性能。在这个相互比较中，自动化雪产品与IMS的每日总体一致性在MIRS的88% - 99%和mspp的87% - 99%之间。然而，日积雪敏感性较低，MIRS为36% - 90%，mspp为26% - 91%。我们将这一不一致率作为地形和土地覆盖类型的函数进行分析，发现相对于IMS, MIRS在高海拔和草原地区比mspp显示更少的假阳性，但更多的假阴性。

1.简介

积雪在地球的气候、水资源和天气中扮演着重要的角色。季节性积雪主要分布在北半球，其面积可达4600万公里²。积雪增加了地球表面的反照率，给某些地区的水库和河流补给水，并影响地表温度[1]。因此，雪的特性在气候、水文、水管理、农业、交通和娱乐等方面都有重要的应用。2-4]。

约雪性能，特别是在雪地和深度等效雪水的信息，可以从传统的现场测量来获取。这一点，具体的数据限制在人口密集或到达的位置。与现场数据，从气象卫星观测提供持续的广域覆盖，因此提供了一个工具，用于映射并在全球和大陆尺度的监测积雪。

有相当多的都为业务和气候应用程序开发的基于卫星的积雪产品。这些产品的检索技术采用交互式和自动数据处理的方法和在可见光/红外光谱带利用卫星观测[五-8]，被动微波观测[9-13]，或观察在可见光/红外和微波协同作用[14-17]。

自2000年以来，利用Terra和Aqua卫星上的中分辨率成像光谱仪(MODIS)的可见光和红外光谱波段的观测数据，一种自动图像分类算法已经被用于生成全球每日积雪图。类似的技术已应用于SNPP和NOAA-20卫星上的可见光和红外成像辐射计套件(VIIRS)的观测。从这种类型的观测中获得的雪景图具有高空间分辨率和高准确度的特点，一般在92 - 97%之间[18，19]。然而，在覆盖由于云层和黑暗的差距减少的基于卫星的可见光/红外光雪产品的价值，并阻碍模型应用中的使用。

其中最广泛使用的积雪数据集是冰雪覆盖地图由NOAA交互式多传感器冰雪绘图系统（IMS）[内产生20，21]。IMS地图是由人类分析人员绘制的，他们主要依靠对极地轨道和地球同步卫星图像的视觉分析。分析师还可以访问其他几个数据集，包括基于卫星的雪产品、表面测量和网络摄像头图像。IMS地图每日可用，覆盖北半球，空间分辨率约为1公里(自2014年起)。这些地图用于生成4公里和24公里处的较粗分辨率的每日冰雪图。

Satellite observations using passive microwave sensors have coarse spatial resolution, typically 10–50 km. However, they are not affected by most types of clouds and do not require daylight and thus can provide spatially continuous (gap-free) maps of snow cover properties. Besides the presence of the snow cover on the ground, these observations are also sensitive to physical properties of the snow pack, including the snow water equivalent. Automated satellite microwave-based snow products can be updated more frequently than products such as IMS that require human analyst input and can provide information not only on the snow cover extent but also on the snow depth and/or snow water equivalent [11，22]。

国家海洋和大气管理局（NOAA）在微波中本卫星观测运算积雪监测系统的一个重要组成部分。自1990年代中期以来，已经从卫星数据使用半经验决策树检索算法获得来自卫星观测全球积雪属性的信息，后来，它的修改版本[9，23]. 该算法通过一组基于阈值的测试，包括从卫星观测到的亮温值推断出的光谱和偏振指数，将积雪与无雪地面、云层、冰川和寒冷岩石表面区分开来。对于积雪区域，然后根据19和37 GHz以及37和89 GHz的亮度温度的光谱梯度估计雪的深度。这些算法已被纳入国家环境卫星、数据和信息服务（NESDIS）微波表面和降水产品系统（MSPPS）中，在该系统中，使用类似的半经验方法和基于阈值的算法来推断一组其他大气、陆地表面和海表参数。MSPPS内的积雪覆盖产品包括全球积雪范围和积雪深度的每日地图，分辨率约为50 km。

2011年以来，在被动微波卫星观察已经在NESDIS处理与MIRS系统[24]. 该系统生成一组大气、陆地和海面参数，在很大程度上类似于mspp。然而，与MSPPS不同，MIRS采用了一种基于物理的一维变分卫星数据同化技术，同时估计大气和地表的地球物理参数。该技术应用于NOAA卫星上AMSU和MHS仪器的数据处理。与MSPPS类似，MIRS产品的空间分辨率，包括积雪和积雪深度信息，约为50 km。

有一个合理的预期相比，在的MSPP大鹏系统更合理的基于物理的检索方法将提供导出环境参数的质量更好，特别是雪产品。这种预期已经在很大程度上促成了最近NESDIS决定退休的MSPP系统和同时保留MIRS操作终止其数据生产。的MIRS以上产品的MSPP，至少相对于积雪特性优势，尚未清楚地证明和记录。通过这两个系统提供的业务积雪产品从来没有在相同的环境条件下，并用同样的参考集比较。大鹏系统只运行在过去十年中，这意味着产生一致的长期时间序列的基于微波的积雪产品将不可避免地需要更早结合，预2011年的MSPP与后来的MIRS检索。因此，MIRS和雪的MSPP产品评价和分歧评估了详细的对比也从产生一致的长期气候数据集的点非常重要。

本研究的主要目的在于将雪程度的比较和精度评价的MSPP和MIRS系统内产生的映射。精度的评价是通过比较两个微波自动雪产品具有IMS积雪地图，考虑作为标准，由于它们的较高的空间分辨率和不同的卫星和地面数据的掺入进行。检查过的MSPP，AIRS和IMS之间的总体协定2014 - 2017年期间。分歧的关于积雪的发病率相对于地表高程和土地覆盖类型进行了分析。

2.数据集

三种积雪产品：微波统一检索系统（MIRS），诺阿微波表面和降水产品系统（的MSPP），以及NOAA交互式多传感器冰雪绘图系统（IMS）在本研究中使用（图1)。NESDIS MIRS和MSPPS协议于2014年1月1日至2017年4月24日与NOAA IMS进行评估。由MIRS和MSPPS系统产生的每日全球雪产品是从NOAA极地立体投影NOAA-18卫星的综合大型阵列数据管理系统(CLASS)获得的。北半球每日的冰雪覆盖数据均来自于24公里分辨率的国家冰雪数据中心FTP档案。

MIRS使用基于物理的大气和表面状态参数检索:温度和水汽分布、云和降水参数、垂直分布(非降水云水、雨、冰、雪和霰)、表面温度和发射率谱。它打算成为一个“企业”解决方案(一个用于雪覆盖层和属性检索的通用物理包)，可用于不同配置的各种卫星的微波传感器。业务产品目前由六颗极轨卫星上的微波传感器产生:先进的微波探测业务——一个(简称amsu - a)和微波湿度探测器(肉类)在国家海洋和大气Administration-18 (NOAA-18),国家海洋和大气Administration-19 (NOAA-19),极地轨道气象卫星(Metop-A和Metop-B),先进技术微波探测器Suomi-National极轨(自动取款机S-NPP)合作,和特殊的传感器微波成像仪/测深仪在国防气象卫星系列电视节目(SSMIS DMSP F18)。通过对上行节点和下行节点的观察，在极投影和柱投影中每天生成两个产品。产品具有50公里的空间分辨率、全球覆盖和每日频率。

MSPPS是基于NOAA amsu的原始产品，代表了即将被MIRS取代的较老一代雪检索方法。它主要采用简单的经验算法。该产品具有45公里的空间分辨率、全球覆盖和每日频率。它只在极地投影中可用，并结合了上升和下降节点上获得的卫星数据。它使用NOAA和EUMETAT极地轨道卫星上AMSU-A和AMSU-B/MHS的天线温度[25]。

IMS使用在可见光，红外线和微波光谱静止和极轨道卫星，以及手动输入分析的组合。该产品可提供的雪和海冰北半球每日地图和从来源，包括卫星图像数据和现场数据的组合导出。从极性和静止环境观测卫星可见和红外光谱数据被用来生成积雪数据[26]。持续云量抑制可见光和红外光谱;因此，特殊传感器微波成像仪(SSM/I)和先进EOS微波扫描辐射计(AMSR-E)的微波产品也被集成到IMS中。斯诺数据同化系统(SNODAS)和站点映射产品也集成在IMS [21，26]。IMS分析师开始使用来自前一天的地图，然后利用所述卫星输入[图表26]。IMS comes in 1 km, 4 km, and 24 km resolutions in polar stereographic projection [12]。

3.方法

验证和这些微波产品的比较（图2）通过第一二次采样的MIRS，的MSPP和IMS产品进入经纬度长方网格北半球执行的处理27]，其像素大小约为0.02778°(赤道约3公里)。重采样是通过复制最接近原始像素值的网格单元格来完成的。这提供了执行所有比较的基本网格。虽然我们预计全球雪产品在这个更精细的分辨率上有更低的精度，但目前研究的主要目的是比较不同产品的性能，对于这些产品，一个普通的精细分辨率是合适的。

新重新采样MIRS和的MSPP积雪数据的协议评价通过微波产品的每个网格单元进行比较，以使IMS的执行，并且给定的假阳性/阴性（FP / FN）或真阳性/阴性的分类（TP /TN）。积雪作为阳性分类。真或假的估算基于MIRS或的MSPP是否匹配检测积雪IMS（图3)。使用混淆矩阵来组织不同的分类，并使用每个分类的总面积来计算每个日常微波产品的总体一致性和雪敏感性。协议度量模型分类的总体准确性。敏感性度量产品在IMS显示积雪的地方一致的频率[28，29]。是所使用的等式如下： 哪里在每个分类的总面积。

为了更好地了解微波产品与IMS不一致的来源，将错误的分类与海拔和土地覆盖等级进行了比较。由于在复杂的地形中，雪的分布和密度可能非常不规则，因此山脉会干扰对雪的识别，而植被会引入掩蔽问题[30个]。对于海拔，使用GTOPO30数据集。GTOPO30 is a global digital elevation model with a horizontal grid spacing of 30 arc seconds (∼1 km). This was resampled to the same, coarser resolution grid used for the snow products (Figure图4（a）)。重采样是由聚集和平均所述较大的基部网格单元内的原始数据GTOPO30执行。For the analysis, it is assumed that elevations greater than one km, or 1000 meters, above sea level constitute mountainous terrain.

利用MODIS土地覆盖类型产品（MCD12Q1）和国际地圈生物圈计划（IGBP）的土地覆盖分类系统对地表覆盖类型进行了表征[31个]。为了进行分析，将分辨率为5 '的MODIS地表覆盖图重新绘制到基网。MODIS提供了大幅增强的光谱、空间、辐射和几何质量数据，为当前适用于本研究的全球土地覆盖图提供了基础[32个]. 原始地表覆盖类型被聚合为三大类：森林、矮树和草地（图图4（b）)。森林包括常绿针叶林，常绿阔叶林，落叶针叶林，落叶阔叶林和混交林。短的树包括封闭式和开放式灌木和木本稀树草原。草原包括稀树草原，草地，永久湿地，农田，农田/天然植物马赛克，和荒芜或植被稀疏。其他土地覆盖类型不包括在森林，树木短，和草原的分类进行分组其他。同样的程序查找错误的海拔地区的比例进行，还与土地覆盖识别完成。

4.结果与讨论

2014年至2017年比较的结果刊登在真/假阳性/阴性分类的相应区域方面多年执行的日常NESDIS MIRS和微波的MSPP积雪产品，IMS的比较。

作为一个例子，图五和6分别显示这些分类大鹏和的MSPP产品一月（冬季），月（春季），月（夏季）的个月的第29天，与2016年十月（下降）。据观察，这两种微波炉产品进行非常类似的错误相比，IMS;主宰冬天，春天和秋天假阴性，而假雪像素在夏季最少。微波产品往往是由IMS标识往往错过积雪，可能是由于普遍缺乏被动微波观测的敏感性的融雪[30个]。在另一方面，容易的MSPP高估雪西藏，而MIRS提供积雪山区的一个更准确的表征。

这两种产品的在整个2014 - 2017年期间与IMS的总体协议是相似的。MIRS具有93％的协议（真阳性和真阴性面积分数），而具有的MSPP 92％的协议（图7). 然而，他们的协议随着季节的变化而急剧变化。在冬季，协议从88%到93%不等。它在春季进一步增加，在夏季达到99%的最大协议百分比。这是因为在夏季，由于积雪覆盖率较低，不匹配或错误分类的可能性较低。一般来说，在研究期间，MIRS与IMS的一致性优于mspp。

然而，当研究真阳性比率除以所有阳性(雪敏感性)时，协议呈现出与前一个不同的行为。对雪的敏感度从26%到91%不等(图)8)。与整体一致，在冬季这个高峰时有更大的积累和覆盖范围。它春运期间显著下降，当更多的融雪发生。这相当于融化的雪礼物微波遥感的挑战。因为少雪是目前该协议再次改进了夏天。这两款产品都具有相同的季节性模式，但MIRS有协议的一个更好的速度，这显然是由于物理性质的MIRS检索。

在这两种产品的比较的一个重要方面是通过找到假阴性和假阳性指标的百分比识别不一致的源极（S）（图9)。在不匹配的情况下，这有助于理解在每个产品中哪种类型的不匹配更容易发生。MIRS高估积雪面积的比率较低，因为其假阳性指标的百分比较低。虽然假阴性指标(对积雪量的低估)是这两种微波产品的主要特征，但mspp丢失积雪的可能性比MIRS略低。

4.1。地形的影响

植被发射微波辐射，从而增加通过卫星传感器感测的表面的发射率。这往往掩盖潜在的雪的信号，导致积雪的低估。越的植被，所述少雪覆盖微波传感器可以识别[33个]。地形也影响雪如何积累在地上，怎么风可以重新分配。上山区地形，即斜率朝向的方向，天，温度，和云的时间决定积雪深度如何演变。在北半球，朝南的斜坡得到更多的太阳辐射，从而导致频繁和快速融雪。山的上风侧接收更多的沉淀。风可引起的风沉积雪更致密的层，其增强了积雪和雪变质的顶层的升华。一般来说，斜坡大于45度，雪不会累积太多。所有在山区发生的这些过程可能会导致积雪的错误描述。

地形对微波积雪检索的影响是通过确定位于确定的高度阈值之上或之下的每个产品的错误或不匹配像素的数量来评估的。假设海拔高于海平面1千米或1000米以上的地区被认为是山区。虽然在每个产品的算法中都考虑到了地形，但仍然发现它与雪覆盖层的错误表征有关。如表所示1，高海拔的地形，在这项研究特点是海拔超过一公里，其对产品的MSPP影响更大。在高海拔的地形，或比1公里海拔更高，拥有的MSPP 3.14％误差，而MIRS有2.29％的误差。因此，MIRS性能优于的MSPP在多山的地形（图10)。MIRS趋向于高海拔低估积雪;MIRS在高海拔地区的1.84％FN错误。在另一方面，的MSPP趋向于高海拔高估积雪;的MSPP在高海拔地区的2.03％FP错误。在低海拔，或者不到一公里，具有的MSPP 4.29％误差而MIRS具有4.44％的误差。因此，大鹏和的MSPP被发现在低海拔地区采取类似行动。在低海拔地区存在的大部分错误描述的是从低估雪。在低海拔，MIRS具有3.4％FN误差和的MSPP具有3.62％FN错误。

4.2。土地覆被的影响

虽然土地覆被考虑到算法，植被的特点仍然是作为微波积雪表征一个挑战。大部分分歧来自于低估积雪覆盖的地方也有在“森林”和“短树”的分类树。然而，在“草原”分类的情况下，高估积雪覆盖是最有可能的。的MSPP有2.14％FP错误和大鹏拥有草原0.92％FP出错，提示的MSPP有高估积雪覆盖这些地区的可能性更大（图11)。MSPPS在森林和短树区域的表现比MIRS更好;MSPPS对森林和矮树的误差率分别为1.41%和1.02%，MIRS对森林和矮树的误差率分别为1.51%和1.14%(图2)11)。关于“其他”类别的像素也有低估的雪更大的百分比：在“其他”为1.09％和1.36％FN错误，而在“其他”为0.16％，并分别MIRS和的MSPP，0.21％的FP错误。这尤其适用于产品的MSPP，它有虚假标识符在第二最大百分比“其他”。

五，结论

协议的特征和错误分类MIRS和MSPPS雪盖产品的来源对许多目的都是有用的。了解这些不同的微波产品，有助于开发一种技术和算法，结合微波产品，以改善表征积雪。此外，通过微波波段反演估计雪的性质所带来的附加价值超出了光和红外单独传感的可行性，这对于更好地模拟和规划气候、水文、水管理、农业、交通和娱乐变化和影响具有重要意义。这项研究表明，两种产品中，半球范围内的IMS的总体一致性都超过90%，这主要是由于低纬度地区和夏季月份缺少积雪覆盖造成的。然而，不同季节雪的特征率(敏感度)变化很大，从26%到91%不等。高海拔地形对两种产品与IMS的匹配均有负面影响;这导致MIRS中的积雪被低估，而mspp中的积雪被高估。土地覆盖类型对两种产品都有影响，导致对积雪的低估。但雪的识别不一致主要来自“草地”类型，植被密度较低，MIRS和MSPPS分别有43%和45%的错误识别(或2.9%和3.38%的错误)。

应解释这项研究的结果时必须考虑到的一个限制是MIRS和的MSPP分类的曲线与IMS产品，而不是直接在原位雪意见，这些意见仅适用于相对较少的车站。与特定点数据，IMS提供了积雪，这有助于我们北半球的大研究领域比较的连续广域覆盖。此外，IMS采用了表层雪的观察，这些地方都可以。先前的研究已经发现，在暑假期间，IMS是非常准确的，由于缺乏积雪，但准确度是其它季节低，范围从79〜100％[26]。

微波产品协议的变化以及地形和土地覆盖类型对其的影响可归因于不同的因素。检索算法在这方面起着很大的作用；但是，检索数据进行分析的节点也可能会有影响。夜间通行证更适合监测积雪，因为融雪的可能性较小，这使得在微波波段更难探测积雪。MIRS使用上升节点进行极轴投影，这是在夜间进行的，而MSPPS使用上升和下降节点的组合，这是白天和晚上的测量。因此，需要进一步与地面站进行比较，以确定冻土、浅层积雪和融雪，以研究观测时间对微波积雪产品的影响。

数据可用性

公开可用先前报道遥感积雪，海拔和土地覆盖数据来支持这项研究。这些现有数据集在文本中的相关位置引用。

泄露

本文中所包含的陈述并不是资助机构或美国政府的意见，而是作者的意见。

的利益冲突

作者声明他们没有利益冲突。

致谢

这项研究的支持，并且通过在合作协议批准号NA16SEC4810008美国国家海洋和大气管理局协作科学中心的地球系统科学和遥感技术监测。笔者想感谢纽约和教育NOAA办公室，教育合作计划的城市学院与少数族裔服务的机构（EPP / MSI）的杰西卡秋月和斯蒂芬妮·帕雷德斯 - 梅萨全奖学金支持。该包含在研究文章中的语句是不是资助机构或美国政府的意见，但反映了作者的观点。

参考文献

1. A. T. C. Chang, J. L. Foster和D. K. Hall，“Nimbus-7 SMMR推导出全球积雪参数，”冰川学志卷。9，第39-44，1987。查看在：发布者网站|谷歌学术
2. a . Rango”二世。雪水文过程和遥感，"水文过程，第7卷，第2期，第121-138页，1993年。查看在：发布者网站|谷歌学术
3. M. J. Zeeman, M. Mauder, R. Steinbrecher, K. Heidbach, E. Eckart，和H. P. Schmid，“减少的积雪影响了温带高地草原的生产力，”农业和林业气象，第232卷，第514-526页，2017年。查看在：发布者网站|谷歌学术
4. d.a. Call，“纽约州西部降雪对交通流量的影响，”天气、气候和社会卷。3，没有。2，第71-75，2011。查看在：发布者网站|谷歌学术
5. D. K. Hall, G. A. Riggs, V. V. Salomonson, N. E. DiGirolamo，和K. J. Bayr，《MODIS积雪覆盖产品》，环境遥感卷。83，没有。1-2，第181-194，2002。查看在：发布者网站|谷歌学术
6. S.Metsämäki，J. Pulliainen，M. Salminen等人，“介绍globsnow雪程度产品的考虑的准确性的评估，”环境遥感卷。156，第96-108，2015年。查看在：发布者网站|谷歌学术
7. P. Romanov，“北美积雪面积的测绘和监测”，地球物理学研究杂志卷。108，没有。D16，第1-15，2003。查看在：发布者网站|谷歌学术
8. K. Khlopenkov和A. P. Trishchenko， " SPARC:加拿大上空1公里AVHHR历史观测的新云、晴空、雪/冰和云阴影检测方案"大气和海洋技术杂志，第24卷，no。3，页322-343,2007。查看在：发布者网站|谷歌学术
9. N. C. Grody和A. N. Basist，“积雪的全球识别使用SSM / I测量，”地球科学与遥感IEEE汇刊卷。34，没有。1，第237-249，1996。查看在：发布者网站|谷歌学术
10. 古迪森和沃克，“加拿大从无源微波卫星数据中开发和利用积雪信息”，陆地大气相互作用的被动微波遥感，VSP BV，荷兰乌得勒支，1994年。查看在：谷歌学术
11. C.德克森，P. Toose，A. Rees等人，“一个特定苔原-雪水当量检索算法卫星无源微波数据的开发”环境遥感，第114卷，不。8，第1699-1709页，2010。查看在：发布者网站|谷歌学术
12. A.罗耶，K.Goïta，J.科恩和D.德塞弗“从微波卫星观测监测干，湿和无雪的条件下，”IEEE地球科学与遥感快报，第7卷第1期4, pp. 670-674, 2010。查看在：发布者网站|谷歌学术
13. J. Pulliainen，“雪水当量和积雪深度在寒带和亚寒带区同化空间传播的微波辐射计数据和地面观测的映射，”环境遥感，第101卷，第2期，第76-85页，2006年。查看在：发布者网站|谷歌学术
14. A、 B.Tait，J.S.Barton和D.K.Hall，“一个原型的MODIS-SSM/I雪映射算法”国际遥感学报，第22卷，no。17，页3275-3284,2001。查看在：发布者网站|谷歌学术
15. J. L.福斯特，D.霍尔，J. B. Eylander等人，“A混合全球雪产品使用可见光，无源微波和卫星散射数据，”国际遥感学报卷。32，没有。5，第1371至1395年，2011。查看在：发布者网站|谷歌学术
16. 全球多传感器自动卫星冰雪测绘系统(GMASI)的冰冻圈监测，"环境遥感卷。196，第42-55，2017年。查看在：发布者网站|谷歌学术
17. K. Chokmani，M.贝尼尔，和A.罗耶，“A合并算法从AVHRR和SSM / I数据区域积雪映射在加拿大东部，”遥感卷。5，没有。11，第5463-5487，2013。查看在：发布者网站|谷歌学术
18. D. K.霍尔和G. A.里格斯，“MODIS雪产品的准确性评估”，水文过程，第21卷，第1534-1547页，2007。查看在：谷歌学术
19. J. R.重点，R.马奥尼，Y. Liu等人，“冰雪产品芬兰语NPP VIIRS”地球物理学研究杂志：大气，第113卷，no。23页，12816-12830,2013。查看在：发布者网站|谷歌学术
20. B、 拉姆齐，“交互式多传感器冰雪测图系统”水文过程，第12卷，no。10-11，页1537-1546,1998。查看在：发布者网站|谷歌学术
21. S. R.赫尔弗里希，D.麦克纳马拉，B.H。拉姆齐，T.鲍德温和T. Kasheta，“增强，而在交互式多传感器冰雪映射系统（IMS）即将发展，”水文过程，第21卷，no。12页，1576-1586,2007。查看在：发布者网站|谷歌学术
22. AMSR-E雪深算法:描述和初始结果，"日本杂志的遥感学会卷。29，第307-317，2009查看在：谷歌学术
23. C. Kongoli，N.C。Grody和R. R.费拉罗，“AMSU微波测量为雪水当量和积雪深度的检索的解释，”地球物理学研究杂志，第109卷第24版，第1-12页，2004。查看在：发布者网站|谷歌学术
24. S、 A.Boukabara，K.Garrett，W.Chen等人，“和平号：全天候1DVAR卫星数据同化和检索系统”地球科学与遥感IEEE汇刊，第49卷，no。9，第3249-3272页，2011。查看在：发布者网站|谷歌学术
25. R. R. Ferraro, F. Weng, N. C. Grody等，“美国国家海洋和大气管理局从先进微波测深单元中获得的水文产品，”地球科学与遥感IEEE汇刊卷。43，没有。5，第一〇三六年至1049年，2005年。查看在：发布者网站|谷歌学术
26. C.陈，T. Lakhankar，P.罗曼诺夫，S.赫尔弗里希，A鲍威尔和R. Khanbilvardi，“NOAA-交互式多传感器冰雪制图系统（IMS）的验证通过了美国大陆地面测量比较状态，”遥感，第4卷第1期5，第1134-1145页，2012。查看在：发布者网站|谷歌学术
27. B.鲍尔 - Marschallinger，D.扎贝尔和W.瓦格纳，“用于高分辨率遥感数据的全球电网的优化，”电脑与地球科学卷。72，第84-93，2014。查看在：发布者网站|谷歌学术
28. 《遥感数据分类准确性评估综述》，R. G. Congalton， "环境遥感，第37卷，no。1，第35-46页，1991。查看在：发布者网站|谷歌学术
29. H. G. Lewis和M.布朗，“为从遥感数据评估区域估计广义混淆矩阵，”国际遥感学报，第22卷，no。16，第3223-3235，2001年。查看在：发布者网站|谷歌学术
30. 加拿大西部寒带森林/冻原过渡带被动微波雪水当量反演的评价，"环境遥感卷。96，没有。3-4，第315-327，2005。查看在：发布者网站|谷歌学术
31. C.吉里，Z.朱和B.里德，“全球土地覆盖2000和MODIS土地覆盖数据集的比较分析，”环境遥感，第94卷，no。1，页123-132,2005。查看在：发布者网站|谷歌学术
32. M. A.弗里德尔，D. K.麦基弗，J. C. F. Hodges等人，“从全球MODIS土地覆盖映射：算法和早期结果，”。环境遥感，第83卷，第1-2期，第287-3022002页。查看在：发布者网站|谷歌学术
33. F. T. Ulaby，M. Razani，和M. C.多布森，“对微波辐射的敏感性的植被影响到土壤水分，”地球科学与遥感IEEE汇刊，第GE-21卷，第1期，第51-61页，1983年。查看在：发布者网站|谷歌学术

版权

版权所有©2020杰西卡Chiu等。这是下发布的开放式访问文章知识共享署名许可协议，其允许在任何介质无限制地使用，分发和再现时，所提供的原始工作正确的引用。