0 引言

新疆是我国三大稳定积雪区之一。积雪在新疆的气候变化、水资源供给和农牧业发展方面具有不可估量的作用； 但新疆也是雪灾多发区，由积雪引发的雪灾、暴风雪、雪崩和融雪性洪水等自然灾害频发，对当地造成了严重的危害[1-2]。新疆地域辽阔，但积雪监测地面站点不足，大范围积雪都分布在高山等地面台站无法监测的区域，因此，利用遥感技术对新疆积雪进行实时动态监测和大范围积雪资源调查是未来的发展方向[3-4]。利用遥感技术进行积雪观察迄今已经超过半个世纪，形成了一系列积雪制图算法及监测产品[5]。在国外有SMMR，SSM/I和AMSR-E等微波产品，AVHRR，TM，ETM+，SPOT和MODIS等光学产品以及交互式多传感器雪冰制图系统(interactive multi-sensor snow ice mapping system，IMS)等多源数据合成产品； 在国内则有FY-2C/2D/2E/2F/2G积雪范围产品，FY-3/MERSI和FY-3/VIRR等光学产品以及FY-3/MWRI等微波产品。MODIS因具有较高的时间和空间分辨率而在积雪监测中具有绝对优势[6-9]。

目前，MODIS数据是积雪研究与实时监测中获取最便捷、应用最广泛、研究最深入的数据，已开发出了一系列基于MODIS的积雪产品，包括MOD10A2和MYD10A2的8 d积雪最大值合成产品(maximum snow extent，MSE)、MOD10A1和MYD10A1日积雪面积比例产品和日积雪面积二值产品[10-13]。但由于光学遥感产品会受到云的影响，很大程度上限制了其在积雪监测中的应用。据统计，在新疆地区积雪期(11月初—翌年3月底)云覆盖占整个积雪期的80%，因而大大限制了MODIS数据10A1产品在新疆地区的应用，即使部分MSE产品也有云像元的存在，因而如何获取云覆盖下的积雪信息(去云处理)，会直接影响MODIS产品数据在新疆地区积雪监测中的精准度。为了降低MODIS积雪产品中的云覆盖，已有很多学者进行了有效的去云算法研究。目前，去云算法大致可分为5类： ①基于积雪时间连续性法[6，9，14-20]，具体指上下午星合成、临近日分析、灵活多日结合和基于时间序列分析等； ②基于积雪空间连续性法[6，9，14-20]，具体有临近日4像元法和临近日8像元法等； ③基于数字高程模型法[6，9，14-23]，具体有Snowl法、高程滤波法和高程掩模法等； ④多传感器融合法[6，14-24]，大多采用的是与被动微波融合去云法； ⑤其他方法[24-25]，包括计算积雪可能性和函数拟合积雪边界等方法。通过对相关MODIS数据去云文献[6，9，14-25]的总结，发现多数文献对去云方法的结果验证主要集中在青藏高原等地区，而对新疆区域的积雪去云方法结果数据的精度验证较少。在多源遥感数据融合去云方面，主要采用微波数据具有的穿透性进行云下信息的判识[26]，但微波数据低空间分辨率(25 km)的缺点是造成这类方法精度偏低的最主要原因，而很少有方法采用具有较高空间分辨率(4 km)且不受云影响的IMS雪冰产品数据进行新疆区域内逐日去云积雪产品数据的生成。针对上述情况，本文以新疆地区为研究区，综合利用MODIS逐日积雪覆盖产品MOD10A1和MYD10A1数据、IMS数据、新疆地区数字高程数据(digital elevation model,DEM)、新疆109个常规气象站数据和野外实验人工实测数据，结合已有研究成果，拟发展一套适合于新疆地区的基于多源数据的积雪遥感数据去云算法，生成研究区2002—2016年间逐日无云积雪遥感产品数据集； 并对生成的结果数据进行精度验证，给出精度评价验证结果。

1 数据源及其预处理

1.1 光学积雪遥感产品数据

本文采用的光学积雪遥感产品数据来自美国国家雪冰数据中心(National Snow and Ice Data Center,NSIDC)网站(https: //ladsweb.nascom.nasa.gov/)提供的MODIS/Terra和MODIS/Aqua卫星日积雪产品数据(MOD10A1和MYD10A1)。此类积雪产品是基于归一化积雪指数(normalized difference snow index，NDSI)阈值法生成的全球每日积雪覆盖产品[27]，是目前积雪研究中应用最为广泛的长时间序列数据。已有学者对MODIS积雪制图算法的精度进行了验证，结果表明在晴空状态下上述2种产品的积雪识别率达到90%[14,26]。目前全球发布的MODIS积雪制图算法的版本有第四版本(V004)和第五版本(V005)。本文采用V005版本算法生成的每日积雪覆盖产品，空间分辨率为500 m，时间分辨率为1 d，数据文件为hdf4格式，投影方式为Inergrized Sinosoida GRID。轨道编号分别为h23v04,h23v05,h24v04,h24v05,h25v04和h25v05 的6块数据覆盖了整个研究区。本文下载了2002年8月1日—2016年8月1日共15 a间的所有可下载数据，其中，MOD10A1共30 602景(缺失82景)，MYD10A1共30 648景(缺失36景)； 对于同一天的数据，如果有数据缺失，就只采用1个传感器的数据参与去云。通过编程，对所有数据自动进行拼接与投影转换(转换为经纬度投影)，得到覆盖研究区(E73°～95°，N34°～50°)的hdf4格式积雪产品数据。由于MODIS数据有时存在数据缺失及无法判识现象，因此把这一类数据也定义为疑似云像元，进行后续去云处理； 并结合IMS数据的编码意义，对MODIS数据进行重新分类，结果如表1所示。

 

表1 MODIS标准积雪产品类别及重新划分标准Tab.1 MODIS standardized snow cover productclasses and reclassification rules

  

MODIS标准产品编码及意义重新编码及意义编码意义编码意义0数据丢失1无法判识11夜间50云254探测器饱和50云255填充数据255填充数据37内陆水体或湖泊37湖与湖冰100湖冰39海洋39海洋25无雪覆盖陆地25无雪覆盖陆地200积雪200积雪

1.2 IMS雪冰产品数据

IMS雪冰产品数据由美国国家海洋和大气管理局(Nation Oceanic and Atmospheric Administration，NOAA)制作，通过NSIDC网站(http: //nsidc.org/data/docs/noaa/g02156_ims_snow_ ice_analysis/)可以免费获取。该产品是由NOAA极地轨道卫星、地球静止轨道卫星、日本GMS同步气象卫星、日本MTSAT多功能卫星、欧洲同步气象卫星、美国国防部极地卫星、美国国防部气象卫星计划、NIC每周海冰分析产品、美国空军雪深/雪冰分析产品和微波传感器数据等卫星数据及产品融合而成，并通过分析师判识确定的多源数据雪冰覆盖产品[27-28]，因此IMS数据不受云的影响。文献[28]得出IMS数据在新疆积雪的年平均总体准确率超过了92%，积雪季平均总体准确率均超过了88%。IMS雪冰产品采用以北极点为中心的极地方位投影，其产品包括ASCII格式和TIFF格式，时间分辨率为1 d，空间分辨率有24 km(自1997年至今)、4 km(自2004年至今)和1 km(自2014年至今)3种。不同的像元值代表不同的地物： 1为海洋，2为陆地，3为海冰与湖冰，4为积雪。本文下载了2002年8月1日—2014年2月23日的24 km空间分辨率和2014年2月24日—2016年8月1日的1 km空间分辨率的数据，并通过编程对研究区范围内的数据进行提取与投影转换。转换后的投影方式为经纬度投影，数据格式为hdf4。

1.3 DEM数据

DEM选取的是美国地质调查局(United States Geological Survey，USGS)地球资源观测系统(the earth resources observation systems，EROS)数据中心(ftp: //eosrp01u. ecs.nasa.gov/)发布的空间分辨率为90 m的SRTM DEM数据。为了与积雪产品匹配，将其空间分辨率重采样为500 m。

1.4 实测雪深数据

式中： Nc为影像中的云像元数； Ns为影像中的雪像元数； N为像元总数。

  

图1 研究区及气象台站位置

 

Fig.1 Study area and position of meteorological stations

1.5 气象数据

虽然通过上述步骤可以消除一部分云量，但是对时间滤波窗口期内没有明显变化的大面积云量还是无法去除； 所以本文引入不受云影响的IMS数据，对MOYD10A1_T_SF数据进行最终去云处理。对重新编码后MOYD10A1_T_SF数据中值为50的像元与IMS数据进行融合，具体规则为： 若IMS=1，则表示云下信息为海洋，编码为39； 若IMS=2，则表示云下信息为无雪覆盖陆地，编码为25； 若IMS=3，则表示云下信息为海冰与湖冰，编码为37； 若IMS=4，则表示云下信息为积雪覆盖，编码为200。通过多源数据合成法去除以上方法无法去除的云体，最终得到无云的积雪产品MOYD10A1_T_SF_IMS。

野外实测数据是指近5 a来积雪期在研究区野外积雪观察实验中所测积雪信息数据，包括观察时间、观察地点经纬度、天气、SnowFork数据、积雪光谱数据、雪深(cm)、雪压(g/cm2)、雪层温度(℃)、雪粒径大小、雪层情况、雪层底地表特性、积雪覆盖度、地形和环境照片等信息。野外实测数据作为随机数据，与气象站数据一同作为精度验证数据。

1.6 野外实测数据

运用AMOS软件运算分析，对收集的766份问卷的假设进行结构方程模型拟合，其结果显示，各测度项估计参数显著性良好（P＜0.001，显示为***的水平，P＜0.01，显示为**的水平），其模型拟合路径如图2，其模型主要拟配度检验指标如表4。

2 研究方法

本文综合已有去云方法的优点，引入IMS数据和DEM数据，分析不同影像的空间和时间信息，设计了一套适合于研究区的去云算法，算法流程如图2所示。

  

图2 去云算法流程

 

Fig.2 Flow chart of cloud-removing algorithm

2.1 上下午星结合去云

同一天的MODIS/Terra卫星与MODIS/Aqua卫星在新疆区域成像时间相差4 h左右，这段时间内云会产生变化和发生移动，而云下积雪相对变化较小。利用2颗卫星的这一时间差，有可能将原来被云遮挡的积雪信息识别出来。在长期的业务运行中发现以及文献[24]表明，在新疆地区MODIS/Terra卫星资料的质量要明显高于MODIS/Aqua，故本文以MODIS/Terra卫星的积雪产品MOD10A1为初步去云数据。当MOD10A1重新编码后像元值为50时，进行如下操作，否则保持不变： 如果相同位置MYD10A1产品数据重新编码后像元值也为50，则保持MOD10A1值不变； 如果相同位置MYD10A1产品数据的值为非50，则用MYD10A1值替代相同位置MOD10A1的值，上下午星结合去云最终结果的产品记作MOYD10A1。

(3)目我国老年人运动干预研究比较零碎，涉及诸多主题，缺乏系统的研究。由于认知神经科学本身也是一个新兴领域，虽然大部分研究认为，适量的体育活动有助于改善老年人认知功能，但是研究者对一些关键问题，如对于体育锻炼影响老年人认知能力的作用机制、体育锻炼与老年人认知功能提升的量效关系等问题的认识还不足，还有待进一步研究。

2.2 前后日合成去云

前后日合成去云通过考虑云体在不同时相的位置差异和在这一时段的降融雪过程，获取当日积雪信息。此方法最大的缺点是随着合成日数的增加，对持续较短的积雪时间探测能力有所下降，而新疆积雪除了降融雪时期外，整个积雪期的积雪都相对稳定，这为此方法的应用提供了可能。考虑到结果数据应用的时效性及研究区积雪存在的机理，本文采用探测前一日(d-1)与后一日(d+1)和当日(d)MOYD10A1产品中被云遮挡的积雪信息，具体的积雪判识方法如表2所示。

罗瑞回答：“是的。但没有人当真。那天我去找她借点钱，她不给也就算了，她没完没了地数落我，我顶了她几句，她一生气就倒下了，我们赶紧把她送到医院，就没活过来。”

 

表2 前后日合成去云判识Tab.2 Cloud removal judgement by combination of beforeand after day

  

类型第d-1日第d日第d+1日雪无雪云云雪无雪云1√判识为有雪√2√—√3√—√4√判识为有雪√5√判识为无雪√6√—√7√判识为有雪√8√—√9√—√

云覆盖度Pc和雪覆盖度Ps可以反映不同融合方法的去云效果，其表达式为

2.3 空间滤波法去云

因为积雪具有一定的地带分布规律，在同一区域的相同地理环境下，积雪的分布具有一定的相似性(即相近相似原理)。空间滤波法去云即依据积雪在局部区域的空间分布相似性原理，消除由于IMS数据空间分辨率比MOYD10A1_T低而引起的对大面积云体边缘及零星云体的云下信息的误判。具体判识过程为： 选择窗口大小为9像元×9像元空间滤波器，能够判识的大面积云体边缘及零星云体像元类别，如图3所示(C为云像元，S为积雪像元，L为陆地和水体等其他晴空非雪像元)。

 

(a) 类别1 (b) 类别2(c) 类别3

图3 滤波窗口像元类别

Fig.3 Pixel types in filtering window

图4以2013年3月9日MODIS积雪产品数据为例，给出了通过本文算法进行逐步去云后所得产品的空间影像图。图5给出了各去云步骤所得产品数据近15 a间逐日平均Pc。

2.4 多源数据合成去云

气象数据包括测站基本信息、气压、温度、降水、风、地温、人工观测数据和其他重要天气数据，其中人工观测数据包括能见度、云等数据，其他重要天气数据包括积雪深度(0.1 cm)、雪压(0.1 g/cm2)、冻土、龙卷风、电线积冰和冰雹直径等信息。每个气象站日值为一个数据样本，若雪深大于0 cm，表示有积雪覆盖； 若雪深为0 cm，表示无雪样本。

3 结果验证

3.1 基于统计分析的去云效果评价

判识过程为： 类型1表示d±1日晴空有雪，则将有云d日判识为有雪； 类型5表示d±1日晴空无雪，则有云d日判识为无雪； 类型4表示d-1日晴空无雪，d+1日晴空有雪，则有云d日表示有降雪过程，判识为有雪； 类型7表示d-1日有云，d+1日晴空有雪，即连续2日有云后的晴天监测到有雪，说明晴天之前有积雪存在，表示d日有雪； 其他类型尚无法判识，待后续进行判识。前后日合成去云最终结果的产品记做MOYD10A1_T。

，

(1)

，

(2)

实测雪深数据采用新疆气象局提供的新疆109个常规气象站2002—2016年间观测的日值数据。气象站位置如图1所示。

图3中，类别1滤波窗口内仅存在L和C像元，对比窗口内每个像元的DEM，若某C像元的DEM小于所有L像元的平均DEM，则可判识这个C像元为最近的L像元； 否则表示无法判识。类别2滤波窗口内仅存在S和C像元，对比窗口内每个像元的DEM，若某C像元的DEM大于所有S像元的平均DEM，则可判识这个C像元为最近的S像元； 否则表示无法判识。类别3滤波窗口内同时存在S，L与C像元，对比窗口内每个像元的DEM，若某C像元的DEM大于所有S像元的平均DEM，则可判识这个C像元为最近的S像元； 若某C像元的DEM小于所有L像元的平均DEM，则可以判识这个C像元为最近的L像元； 否则表示无法判识。空间滤波法去云最终结果的产品记作MOYD10A1_T_SF。

(a) MYD10A1 (b) MOD10A1 (c) MOYD10A1

 

(d) MOYD10A1_T(e) MOYD10A1_T_SF

图4 研究区MODIS积雪产品去云过程影像

Fig.4 Cloud removal process images of MODIS snow cover product of study area

  

图5 研究区近15 a不同去云方法逐日平均云覆盖度(2002—2016年)

 

Fig.5 Daily average cloud cover proportion by different cloud removal methods during recent 15 years in study area

对研究区近15 a的MOD10A1和MYD10A1数据进行逐日云像元统计分析，发现研究区内全年大部分时间的Pc占比在50%左右，尤其在积雪季(11月─翌年3月)，大部分时间逐日云覆盖占比高达60%左右，如图5中MOD10A1曲线与MYD10A1曲线所示。以2013年3月9日数据为例， MYD10A1的Pc可达68.35%，Ps仅为3.96%(图4(a))； 而MOD10A1的Pc达65.15%，Ps为4.03%(图4(b))。显然，云覆盖已成为影响MODIS数据在研究区进行积雪监测的最大制约因素，通过本文去云算法，最终解决了研究区MODIS积雪产品中的云覆盖问题。

从逐日平均Pc统计结果可知，MOD10A1和MYD10A1数据近15 a间平均Pc分别为46.22%和48.12%(如图5中MOD10A1曲线与MYD10A1曲线所示)。通过上下午星结合去云法得到的产品MOYD10A1，其近15 a间逐日平均Pc为34.26%(如图5中MOYD10A1曲线所示)，与MOD10A1数据相比，Pc降低了11.96%。从单日统计结果可以看出，2013年3月9日MOYD10A1的Pc为56.02%，与同日MOD10A1数据相比，Pc降低了9.13%(图4(c))。从图4可以看出，上下午星结合去云主要是去掉了同一天内上下午星过境时间差内变化的云和移动的云。前后日合成去云在几种方法中去云量最多，去除云量的多少主要取决于d±1日内云体的变化及其移动的范围，其结果产品MOYD10A1_T的近15 a间逐日年平均Pc为17.86%(如图5中MOYD10A1_T曲线所示)，与MOYD10A1相比，Pc降低了16.40%。2013年3月9日单日Pc为40.22%(图4(d))，减少了15.80%。从图4(e)中的空间滤波结果产品空间影像可以看出，空间滤波法去云主要去除了空间零星云体，对云体—积雪、云体—晴空陆地等云体与其他非云体相接边缘处的云体也有较好的去除效果，这为后续去云方法提供了较大帮助。结果产品MOYD10A1_T_SF近15 a间逐日年平均Pc为13.29%(如图5中MOYD10A1_T_SF曲线所示)，与MOYD10A1_T相比，Pc减少了4.57%。2013年3月9日单日Pc为31.53%(图4(e))，减少了8.69%。多源数据融合去云法结合IMS数据去除了以上步骤无法去除的剩余云体，最终得到研究区内晴空积雪产品数据MOYD10A1_T_SF_IMS。与无云遮挡的IMS数据和原始MODIS积雪产品数据相比，该产品数据在保持了原有数据时空分辨率的同时，得到了研究区内无云遮挡的晴空积雪覆盖数据，图6给出了研究区2013年3月9日IMS数据与MOYD10A1_T_SF_IMS数据积雪空间分布。

（d）I can keep the book I borrowed from the library for a week.

(a) IMS (b) MOYD10A1_T_SF_IMS

图6 研究区晴空积雪覆盖空间分布

Fig.6 Space distribution of snow cover in clear sky in study area

对研究区内近15 a间去云前MOD10A1逐日数据和去云后MOYD10A1_T_SF_IMS逐日无云数据进行了Ps统计。去云前因受云的影响，研究区内逐日Ps呈现出比较剧烈的波动，如图7(a)所示研究区代表性年份逐日Ps曲线； 去云后变化趋于平稳，恢复了自然状态积雪变化的波动，如图7(b)所示研究区代表性年份逐日Ps曲线。统计近15 a间各去云方法的逐日平均Ps，结果如图7(c)所示，去云前，MYD10A1和MOD10A1的逐日年平均Ps分别为6.39%和6.99%； 通过各去云方法依次去云后，得到的研究区各产品数据MOYD10A1，MOYD10A1_T，MOYD10A1_T_SF和MOYD10A1_T_SF_IMS的逐日年平均Ps分别为8.97%，12.54%，13.94%和19.31%，随着云量的减少，积雪覆盖逐渐增加，直至接近真实情况。

（1）访问控制与病毒防范：身份认证 在医院申请企业号时就将所有人员信息导入，职工在关注企业号需通过邮件或手机号码验证才能关注成功；访问地址控制 系统通过统一出口接入外部网络。在局域网的出口处配置防火墙，实现对用户的入网访问控制，有效防止非法入侵；漏洞扫描 采用专业漏洞扫描工具，定期对网络系统及计算机系统进行漏洞扫描，加以防范处理。病毒防范 在服务器端安装服务器端防病毒系统，以提供对病毒的检测、清除、免疫和对抗能力。

（3）当前，全市各县城镇污水处理率较低，仍然存在污水直排水功能区现象，严重污染了水功能区的水环境。各级政府应当加强污水处理厂的规划与建设，同时做好污水管网建设，以提高污水的处理率和处理质量。

(a) 去云前

 

(b) 去云后

 

(c) 不同去云方法的逐日平均Ps

图7 研究区近15 a各去云方法逐日积雪覆盖度(2002—2016年)

Fig.7 Daily average snow cover proportion by different cloud removal methods from 2002 to 2016 in study area

3.2 基于实测数据的去云精度评价

MODIS积雪产品精度是指在晴空状态下进行的精度验证，对于云覆盖的区域，应用本文算法去云后，与去云前晴空状态数据相比，原来为云覆盖的区域在MOYD10A1_T_SF_IMS数据中表现为新增晴空状态数据。选择研究区内109个常规气象站近15 a间的日值数据，分别对近15 a间去云前MODIS晴空状态下积雪产品数据(表3)和去云后新增晴空状态下积雪产品数据(表4)进行精度验证。

 

表3 去云前MODIS数据与气象站点积雪观察误差矩阵Tab.3 Error matrix of MODIS data before cloud removaland in-situ observation data at meteorological station

  

类别遥感—积雪遥感—陆地合计站点—积雪52 767 (占比91.5%)4 902 (占比8.5%)57 669站点—陆地11 303 (占比4.9%)219 376 (占比95.1%)230 679合计64 070224 278288 348

 

表4 去云后MODIS数据与气象站点积雪观察误差矩阵Tab.4 Error matrix of MODIS data after cloud removaland in-situ observation data at meteorological station

  

类别遥感—积雪遥感—陆地合计站点—积雪41 436 (占比88.12%)5 586 (占比11.88%) 47 022站点—陆地12 959 (占比6.89%)175 129 (占比93.11%)188 089合计54 395180 716235 111

去云前晴空状态下MODIS积雪产品数据能与气象站观察数据匹配的数据共有377 472条记录，实测数据共有876条记录，共288 348对数据，精度结果验证(表3)表明，积雪一致性为91.5%，陆地一致性为95.1%，总体精度为93.3%，说明在晴空状态下，MODIS积雪产品数据在研究区有较高的精度。从分析结果也可以看出MODIS积雪产品对研究区积雪覆盖存在11.1%高估现象。

去云后对MOYD10A1_T_SF_IMS产品中新增晴空状态数据精度验证的实测数据应同时满足如下要求： ①去云前MOD10A1数据云覆盖下的气象台站； ②气象台站云总量记录值超过60%； ③气象台站积雪深度记录值超过1 cm。符合条件的数据共有234 137条记录，符合条件的野外实测数据有974条记录，共235 111对数据，精度验证(表4)表明，积雪一致性为88.12%，陆地一致性为93.11%，总体精度为90.61%。从分析结果也可以看出，去云后的积雪产品对研究区积雪覆盖存在着15.62%高估现象，说明原来被云覆盖的区域经过本文算法去云后，生成的研究区逐日无云积雪产品MOYD10A1_T_SF_IMS的精度基本接近MODIS晴空积雪产品数据在研究区的积雪监测精度，验证了本文算法对研究区MODIS数据积雪产品去云的有效性。

4 结论

1)MODIS每日积雪产品一般存在着严重的云覆盖，大大影响了对积雪覆盖的实时监测及应用； 通过本文去云算法处理之后，在保证产品时空分辨率不变的前提下，解决了MODIS积雪产品在研究区的云覆盖问题。通过对去云后产品的精度验证，得出去云后产品总体精度为90.61%，接近MODIS原始数据在研究区的晴空积雪总体精度(93.3%)，说明经本文算法去云后的逐日无云积雪产品可以用于研究区积雪监测。通过建立2002—2016年近15 a间研究区逐日无云数据集，为后续新疆积雪研究提供了较高空间分辨率的逐日积雪覆盖产品数据。

谚语是民间创作并在口头上广为流传，通俗而含义深刻且较为固定的艺术语句，一般用来揭示客观道理或总结生产生活经验，是民众智慧与经验的结晶[2]。谚语具有精练性、口语性、韵律美的特点。

2)不同的去云方法依据不同原理进行去云，因而造成的误差也不同。在本文的4步去云法中，第2步前后日合成去云法会在积雪不稳定区、降雪期或融雪期相对带来更大误差； 而新疆积雪除了降、融雪期，其他时期比较稳定，这为本算法在新疆地区的应用创造了条件。第4步多源数据合成去云法由于不同数据空间分辨率的差异，在去云过程中造成了因空间分辨率不同而产生的误差。

3)云覆盖是影响高时空分辨率光学积雪遥感产品应用的瓶颈。利用高时间分辨率和积雪存在特点，并结合多源积雪产品数据，可以达到去云效果。通过改进本文算法，也可适应于其他高时间分辨率光学积雪遥感产品的去云。但去云算法只是一种手段，如何采用高时空分辨率且不受云影响的遥感资料直接进行积雪监测是未来发展的趋势。

参考文献(References)：

[1] 刘 艳,汪 宏,张 璞,等.MODIS大气校正精度评价及其对表层雪密度提取影响[J].国土资源遥感,2011,23(1):128-132.doi:10.6046/gtzyyg.2011.01.26.

Liu Y,Wang H,Zhang P,et al.Accuracy evaluation of MODIS atmospheric correction and its effects on surface-snow density extraction[J].Remote Sensing for Land and Resources,2011,23(1):128-132.doi:10.6046/gtzyyg.2011.01.26.

[2] 马丽云,李建刚,李 帅.基于FY-3/MERSI数据的新疆融雪性洪水灾害监测[J].国土资源遥感,2015,27(4):73-78.doi:10.6046/gtzyyg.2015.04.12.

Ma L Y,Li J G,Li S.Snowmelt flood disaster monitoring based on FY-3/MERSI in Xinjiang[J].Remote Sensing for Land and Resources,2015,27(4):73-78.doi:10.6046/gtzyyg.2015.04.12.

[3] 胡列群,武鹏飞,梁凤超,等.新疆冬春季积雪及温度对冻土深度的影响分析[J].冰川冻土,2014,36(1):48-54.

Hu L Q,Wu P F,Liang F C,et al.Analyzing the effect of snow cover in spring and winter and air temperature on frozen ground depth in Xinjiang[J]Journal of Glaciology and Geocryology,2014,36(1):48-54.

[4] 白淑英,吴 奇,史建桥,等.青藏高原积雪深度时空分布与地形的关系[J].国土资源遥感,2015,27(4):171-178.doi:10.6046/gtzyyg.2015.04.26.

Bai S Y,Wu Q,Shi J Q,et al.Relationship between the spatial and temporal distribution of snow depth and the terrain over the Tibetan Plateau[J].Remote Sensing for Land and Resources,2015,27(4):171-178.doi:10.6046/gtzyyg.2015.04.26.

[5] 李三妹,闫 华,刘 诚.FY-2C积雪判识方法研究[J].遥感学报,2007,11(3):406-413.

Li S M,Yan H,Liu C.Study of snow detection using FY-2C satellite data[J].Journal of Remote Sensing,2007,11(3):406-413.

[6] 梁守真,施 平,邢前国.MODIS NDVI时间序列数据的去云算法比较[J].国土资源遥感,2011,23(1):33-36.doi:10.6046/gtzyyg.2011.01.06.

Liang S Z,Shi P,Xing Q G.A comparison between the algorithms for removing cloud pixel from MODIS NDVI time series data[J].Remote Sensing for Land and Resources,2011,23(1):33-36.doi:10.6046/gtzyyg.2011.01.06.

[7] 孙知文,于鹏珊,夏 浪,等.被动微波遥感积雪参数反演方法进展[J].国土资源遥感,2015,27(1):9-15.doi:10.6046/gtzyyg.2015.01.02.

Sun Z W,Yu P S,Xia L,et al.Progress in study of snow parameter inversion by passive microwave remote sensing[J].Remote Sensing for Land and Resources,2015,27(1):9-15.doi:10.6046/gtzyyg.2015.01.02.

[8] Xie H J,Wang X W,Liang T G.Development and assessment of combined Terra and Aqua snow cover products in Colorado Plateau,USA and northern Xinjiang,China[J].Journal of Applied Remote Sensing,2009,3(1):033559.

[9] 王增艳，车 涛.中国干旱区积雪面积产品去云处理方法验证与评估[J].干旱区研究，2012,29(2)：312-319.

Wang Z Y,Che T.Validation and assessment of cloud obscuration reduction of snow cover products in arid areas in China[J].Arid Zone Research,2012,29(2):312-319

[10] 刘 艳,李 杨,张 璞.基于实测光谱和SRF的稀疏植被区MODIS积雪信息提取[J].国土资源遥感,2013,25(1):26-32.doi:10.6046/gtzyyg.2013.01.05.

Liu Y,Li Y,Zhang P.Extraction of snow cover information in sparse vegetation area based on spectral measurement and SRF by using MODIS data[J].Remote Sensing for Land and Resources,2013,25(1):26-32.doi:10.6046/gtzyyg.2013.01.05.

[11] 许剑辉,舒 红,李 杨.基于MODIS雪盖数据的北疆雪深多元非线性回归克里金插值[J].国土资源遥感,2015,27(3):84-91.doi:10.6046/gtzyyg.2015.03.15.

Xu J H,Shu H,Li Y.Mapping of monthly mean snow depth in Northern Xinjiang using a multivariate nonlinear regression Kriging model based on MODIS snow cover data[J].Remote Sensing for Land and Resources,2015,27(3):84-91.doi:10.6046/gtzyyg.2015.03.15.

[12] 张瑞江,赵福岳,方洪宾,等.青藏高原近30年现代雪线遥感调查[J].国土资源遥感,2010,22(s1):59-63.doi:10.6046/gtzyyg.2010.s1.14.

Zhang R J,Zhao F Y,Fang H B,et al.Remote sensing survey of existing snowlines in the past 30 years in Qinghai-Tibet Plateau[J].Remote Sensing for Land and Resources,2010,22(s1):59-63.doi:10.6046/gtzyyg.2010.s1.14.

[13] 李光辉,王 成,习晓环,等.机载LiDAR和高光谱数据融合提取冰川雪线[J].国土资源遥感,2013,25(3):79-84.doi:10.6046/gtzyyg.2013.03.14.

Li G H,Wang C,Xi X H,et al.Extraction of glacier snowline based on airborne LiDAR and hyperspectral data fusion[J].Remote Sensing for Land and Resources,2013,25(3):79-84.doi:10.6046/gtzyyg.2013.03.14.

[14] 黄晓东,郝晓华,王 玮,等.MODIS逐日积雪产品去云算法研究[J].冰川冻土,2012,34(5):1118-1126.

Huang X D,Hao X H,Wang W,et al.Algorithms for cloud removal in MODIS daily snow products[J].Journal of Glaciology and Geocryology,2012,34(5):1118-1126.

[15] 唐志光,王 建,李弘毅,等.青藏高原MODIS积雪面积比例产品的精度验证与去云研究[J].遥感技术与应用,2013,28(3):423-430.

Tang Z G,Wang J,Li H Y,et al.Accuracy validation and cloud obscuration removal of MODIS fractional snow cover products over Tibetan Plateau[J].Remote Sensing Technology and Application,2013,28(3):423-430.

[16] 张 欢,邱玉宝,郑照军,等.基于MODIS的青藏高原季节性积雪去云方法可行性比较研究[J].冰川冻土,2016,38(3):714-724.

Zhang H,Qiu Y B,Zheng Z J,et al.Comparative study of the feasibility of cloud removal methods based on MODIS seasonal snow cover data over the Tibetan Plateau[J].Journal of Glaciology and Geocryology,2016,38(3):714-724.

[17] 赵明洋,别 强,何 磊,等.基于去云处理的祁连山积雪覆盖遥感监测研究[J].干旱区地理,2014,37(2):325-332.

Zhao M Y,Bie Q,He L,et al.Estimating snow cover accuracy from MODIS and AMSR-E with cloud removal methodology in Qilian Mountains[J].Arid Land Geography,2014,37(2):325-332.

[18] 张 颖,黄晓东,王 玮,等.MODIS逐日积雪覆盖率产品验证及算法重建[J].干旱区研究,2013,30(5):808-814.

Zhang Y,Huang X D,Wang W,et al.Validation and algorithm redevelopment of MODIS daily fractional snow cover products[J].Arid Zone Research,2013,30(5):808-814.

[19] 黄晓东,张学通,李 霞,等.北疆牧区MODIS积雪产品MOD10A1和MOD10A2的精度分析与评价[J].冰川冻土,2007,29(5):722-729.

Huang X D,Zhang X T,Li X,et al.Accuracy analysis for MODIS snow products of MOD10A1 and MOD10A2 in Northern Xinjiang Area[J].Journal of Glaciology and Geocryology,2007,29(5):722-729.

[20] Dankers R,Jong S M D.Monitoring snow-cover dynamics in Northern Fennoscandia with SPOT VEGETATION images[J].International Journal of Remote Sensing,2004,25(15):2933-2949.

[21] Hartman R K,Rost A A,Anderson D M.Operational processing of multi-source snow data[C]//Proceedings of the 63rd Annual Western Snow Conference.Sparks,Nevada:Western Snow Conference,1995:147-151.

[22] Hall D K,Riggs G A,Salomonson V V,et al.MODIS snow-cover products[J].Remote Sensing of Environment,2002,83(1/2):181-194.

[23] Parajka J,Pepe M,Rampini A,et al.A regional snow-line method for estimating snow cover from MODIS during cloud cover[J].Journal of Hydrology,2010,381(3/4):203-212.

[24] Gao Y,Xie H J,Lu N,et al.Toward advanced daily cloud-free snow cover and snow water equivalent products from Terra-Aqua MODIS and Aqua AMSR-E measurements[J].Journal of Hydrology,2010,385(1/4):23-35.

[25] 付文轩,沈焕锋,李星华,等.时空自适应加权的MODIS积雪产品去云方法[J].遥感信息,2016,31(2):36-43.

Fu W X,Shen H F,Li X H,et al.Adaptively spatio-temporal weighted method for removing cloud obscuration from MODIS daily snow cover products[J].Remote Sensing Information,2016,31(2):36-43.

[26] Hall D K,Riggs G A,Salomonson V V.Algorithm Theoretical Basis Document (ATBD) for the MODIS Snow and Sea Ice-Mapping Algorithms[R].Washington:NASA,2001.

[27] 侯小刚,张 璞,郑照军,等.基于多源数据的阿勒泰地区雪深反演研究[J].遥感技术与应用,2015,30(1):178-185.

Hou X G,Zhang P,Zheng Z J,et al.Study of snow depth retrieval based on multi-source data about Aletai Area[J].Remote Sensing Technology and Application,2015,30(1):178-185.

[28] 刘 洵,金 鑫,柯长青.中国稳定积雪区IMS雪冰产品精度评价[J].冰川冻土,2014,36(3):500-507.

Liu X,Jin X,Ke C Q.Accuracy evaluation of the IMS snow and ice products in stable snow covers regions in China[J].Journal of Glaciology and Geocryology,2014,36(3):500-507.