地球被积雪覆盖的面积约占23%，积雪覆盖是影响全球气候的重要因素，是对环境十分敏感的一个指示因子。在全球气候变暖背景下积雪消融速度加快且范围增大，增加了相关气候极端事件的发生频次（沈永平等，2013），积雪-水文效应跨季节滞后影响下一年度的降水情况（段安民等，2014），因此及时获取积雪信息对于研究积雪灾害、春汛均有重要意义。传统积雪研究应用地理学、气象学研究方法无法定量获取大范围积雪数据，而遥感技术反演方法的发展和应用为积雪信息获取提供了新的技术手段（孙少波和车涛，2013），借助不同的遥感数据及处理算法，可以直接通过遥感影像资料提取需要的积雪数据。

基于遥感数据的积雪判识方法中，归一化差分雪指数（Normalized Difference Snow Index，NDSI）作为经典算法已被广泛应用。国内外学者通过优化波段组合、增设判别条件等方式持续改进该算法，形成了多维度技术演进路径。早期研究中，Hall等（1995）提出的归一化植被指数的积雪决策树算法（Snow Mapping，SNOMAP）创新性地引入Landsat TM第4波段（0.76~0.90 μm）反射率阈值大于0.11，有效消除了水体对NDSI判识的干扰。宋珍等（2011）利用环境卫星（HJ-1A/1B）数据验证发现，在西藏普兰县应用NDSI方法较MODIS（Moderate Resolution Imaging Spectroradiometer）产品精度明显提升，证实该算法在高海拔区域有一定的适用性。随着研究深入，科研工作者发现在植被覆盖区域进行积雪判识存在特殊挑战，林冠层对积雪的遮蔽效应会导致NDSI值异常衰减。针对这一技术瓶颈，相关研究提出两类解决路径：其一是改进NDSI波段组合，如Wang等（2015）在黑河上游研究中创新性地用近红外波段替代可见光波段，构建归一化差值林地积雪指数（Normalized Difference Forest Snow Index，NDFSI），使林区积雪判识精度提升12.6%；王晓艳等（2017）进一步融合NDSI与NDFSI构建复合判识模型，在阿尔泰山区验证显示该方法无需辅助数据即可提升复杂地形判识效率。其二是结合植被指数阈值法，如姜萍等（2019）通过设置归一化差分植被指数（Normalized Difference Vegetation Index，NDVI）动态阈值构建决策树模型，在天山区域成功实现植被干扰的有效剔除。在传统阈值法持续优化的同时，机器学习算法为积雪判识开辟了新方向。Czyzowska-Wisniewski等（2015）率先应用人工神经网络处理多尺度遥感数据进行积雪覆盖度反演，Kuter等（2018）则开发出计算效率更高的多元自适应回归样条模型。国内朱灵龙（2022）使用机器学习对流域尺度高时空分辨率积雪信息进行了重建；丁炜（2020）针对青藏高原的纳木错流域和佩枯错流域，应用Google Earth Engine遥感大数据平台改进的积雪提取算法进行了积雪判识。但需注意的是，这类方法依赖海量训练数据的特点严重制约其在样本匮乏区域（如内蒙古中西部）的应用可行性。以上研究多基于极轨气象卫星数据，虽具备较高空间分辨率，但其时间分辨率难以满足大范围动态监测需求。静止气象卫星的出现有效弥补了这一缺陷，其分钟级观测频率与高空间分辨率的组合，为构建兼顾时效性与精度的业务化监测体系提供了新可能。

静止气象卫星具有定点观测、高时间分辨率等特点，在去云处理和提高雪盖监测范围方面具有重要的应用潜力。Wang等（2019）对基于FY-2卫星遥感数据的积雪判识法进行改进，利用逐像元纯雪反射率和雪季之前的无雪反射率提出了一种积雪覆盖度线性插值估算方法，进一步剔除了地形等地表元素对判识准确性的干扰；Yang等（2014）利用新一代静止气象卫星Himawari-8/AHI数据在青藏高原地区合成无雪背景，应用其提出的动态积雪指数算法进行积雪覆盖度反演，形成了一套适用于高原多山脉地区的积雪判识方法。

目前，尚没有应用静止气象卫星影像开展内蒙全境积雪判识的相关研究，该区域复杂的下垫面给积雪判识带来一定难度。本文利用内蒙古自治区植被指数空间分布图挑选合适的林区和非林区作为研究区域，结合葵花8号卫星特点提出基于遥感数据的变化检测方法判识积雪，具体过程是利用研究区域有积雪时的遥感图像与当年秋季无雪的遥感图像对NDSI直接比较，通过剔除下垫面的干扰提高判识准确性，并与日常业务所使用到的几种积雪判识方法进行对比，验证新方法的适用性。

内蒙古自治区（97.2°E—126.1°E，37.4°N—53.4°N）位于中国北部，地形从东北到西南呈狭长形，东西直线距离最长超过2 400 km，南北直线距离最长达1 700 km。全区总体地势较高，平均海拔1 000 m左右，地貌以蒙古高原为主体，具有复杂多样的形态。气候以温带大陆性季风气候为主，降水少且不均，寒暑变化剧烈。春季气温常出现骤升并伴有大风天气；夏季短促且炎热，降水较集中；秋季气温下降很快，霜冻时常早来；冬季漫长且严寒，多寒潮天气。全区森林资源相对丰富，由东至西分布着大兴安岭原始林区及11片次生林区和长期建设而成的人工林区，森林面积达1.7×10⁸ hm²，居全国第一位，森林覆盖率达23%。

1 ）Himawari-8卫星数据

2014年10月7日，日本葵花8号（Himawari-8）静止气象卫星发射成功，其内置的高像素红外线成像仪（Advanced Himawari Imager，AHI）共包括16个波段：3个可见光、3个近红外及10个红外波段，可见光、近红外和红外通道空间分辨率分别为0.5、1.0、2.0 km，全盘图观测频率为每10 min一次。Himawari-8卫星每10 min一张影像且完整覆盖内蒙古自治区全域，提供了动态监测所需要的多时相、大范围数据，避免了低空间分辨率卫星影像在拼接融合时所产生的不必要误差。基于数据的完整性，研究资料采用2018—2021年研究区晴空无云的Himawari-8卫星观测资料，数据预处理包括地理定位校正和大气辐射校正。

2 ）气象站点数据

2018—2021年全区119个国家基本气象观测站的经纬度数据和实测雪深、积雪日温湿度和地表温度、月均最大积雪深度、年积雪日数等资料。数据处理包括剔除异常值、插值处理缺测数据。

3 ）辅助数据

使用美国国家航空航天局戈达德航天中心LAADS（Level-1 and Atmosphere Archive & Distribution System）DAAC（Distributed Active Archive Center）官网下载的中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）16 d合成的归一化植被指数（MOD13A2NDVI）数据，结合内蒙古自治区植被分布由东至西植被覆盖类型为森林、草原、荒漠的特点（候勇等，2018），选择3个地区作为积雪判识研究区域，分别为：大兴安岭地区（林区）、锡盟草原地区（高覆盖度草原）和呼包草原地区（低覆盖度草原）。

归一化差分雪指数（NDSI）是像素中雪存在的关键指数。雪通常具有非常高的可见光反射率和非常低的短波红外反射率，基于Himawari-8号卫星数据的NDSI计算方法为

式中：ρ_green为积雪在近红外波段的反射率，ρ_swir2为积雪在红光波段的反射率。针对Himawari-8卫星数据对应为第2波段（b2，绿波段，0.5 μm）和第5波段（b5，近红外波段，1.6 μm）。

在此基础上，本文需要监测变化的目标是积雪，遥感影像上表现为积雪积累或者消融的过程变化，在变化信息监测阶段选用图像直接比较法，其主要原理是对经过配准的两个时相遥感影像数据中的像元值进行运算和变换处理，从而找出变化区域。用NDSI直接比较法进行积雪判识，即使用有积雪的待判识数据与当年秋季无积雪数据进行直接比较，找出变化部分，通过调整变化阈值确认积雪，其具体表达式为NDSI_判识结果=NDSI_{待判识影像}-NDSI_{秋季无积雪}，在变化信息提取阶段，选用图像分割法手工分割阈值，最终用阈值判识像元是否为积雪。

基于NDVI的SNOMAP积雪判识法在判识过程中设定NDSI阈值为0.4，当像元NDSI≥0.4时，该像元被定义为积雪。但积雪和水体在可见光和短波红外波段的反射特征相似，该阈值识别出的积雪中有水体存在，为进一步识别积雪，利用近红外波段积雪吸收弱于水体的特点，SNOMAP加入积雪识别的另外一个判别因子：b4≥0.11，b4为Himawari-8卫星AHI第4波段的反射率。这样，当满足NDSI≥0.4且b4≥0.11时，该像元被识别为积雪。同时考虑到植被覆盖度对积雪识别的影响，利用植被和积雪混合像元相互影响的特点，SNOMAP加入积雪识别的又一个判别因子NDVI，NDVI计算时用到Himawari-8卫星AHI第4波段（近红外波段，0.86 μm）和第3波段（可见光波段，0.64 μm）的反射率，结合前人经验及目视解译设置当0.1≤NDSI<0.4，但NDVI≥0.38，同时b4≥0.11时，该像元也被识别为积雪（姜萍等，2019）。SNOMAP判识法操作较为繁琐，调整两个因子NDSI、NDVI的阈值过程会产生人为因素的影响。

积雪分数（Fractional Snow Cover，FSC）是单位像元内积雪覆盖面积（Snow Cover Area，SCA）与像元空间范围的比值：

式中：NDSI_soil为裸地的NDSI值，NDSI_snow为纯雪的NDSI值。为了计算在不同白天生成的每个场景的积雪分数，NDSI_soil来自最近一天的晴空无雪观测；NDSI_snow可以从多光谱图像选择纯雪像元值。最终，通过结合研究区地理位置及相关研究经验定义FSC阈值大于等于0.4时该像元被识别为积雪（Wang et al.，2019）。但该方法在计算时没有直接剔除水体，影响最终判识精度。

将判识结果同地面气象站实测积雪深度数据进行对比，使用的评价指标有总准确度（Overall Accuracy，OA）、积雪判识一致性（Consistency，CO）、漏检误差（Omission Error，OE）、错分误差（Commission Error，CE）。

总准确度是正确判识积雪和非积雪像元与像元总数的比值，表征判识的准确性，表达式如下：

式中：TP为正确区分积雪的像元总数，TN为正确区分非积雪的像元总数，FP为非积雪误分类到积雪的像元总数，FN为积雪误分类到非积雪像元的总数。

积雪判识一致性指正确判识积雪的像元数与正确判识像元总数的比值，表示该算法对积雪像元判识的准确度，表达式如下：

漏检误差为积雪像元被误判为非积雪像元数与像元总数的比值，表达式如下：

错分误差表示将非雪像元判识为积雪的像元数与像元总数的比值：

根据Himawari-8卫星数据待判识积雪影像年份，选择当年秋季无雪晴空影像数据作为底图，分别计算两幅不同时相数据的NDSI值，再通过直接比较提取积雪像元。选用图像分割法手工分割阈值，通过使用目视解译及地面站点验证最终定义NDSI≥0.3时，该像元为积雪。

挑选2019年高覆盖度草原、2020年低覆盖度草原的两幅Himawari-8卫星影像进行积雪判识。根据图1（a）、（c）展示的判识结果，结合对图1（b）、（d）的目视解译和站点数据分析可以看出，东乌旗、西乌旗附近的薄雪，海力素、五原县、达旗、土右旗站点附近的积雪像元都得到了很好的识别，说明基于NDSI直接比较法不仅可以判识出明显的积雪覆盖区，而且对以往业务工作中常用方法难以判识出的薄雪部分也有很好的判识效果。

为了验证基于NDSI直接比较法在非林区的判识精度，使用地面气象站点实测积雪数据进行验证。在非林区的50个气象站点范围内随机挑选100个验证点记录判识结果，对应记录每个验证点最近的气象站点有无积雪，然后进行对比验证。从表1可见，2019年高覆盖度草原、2020年低覆盖度草原总体判识总准确度分别高达80.80%、75.00%，平均77.90%；漏检误差分别为3.00%、12.00%，平均7.50%；错分误差分别是16.16%、12.00%，平均14.08%。表明基于NDSI直接比较法在内蒙古非林区的总体准确度较高。

挑选2018—2020年林区3幅Himawari-8卫星影像进行积雪判识。根据图2（a）、（c）、（e）展示的判识结果，结合对图2（b）、（d）、（f）的目视解译和站点数据分析可以看出，基于NDSI直接比较法很好地剔除了呼伦湖（水域）[图2（a）]，对根河、图里河站点附近的积雪像元、阿尔山站附近的积雪覆盖区都判识清楚，另外，鄂伦春站点附近的林下积雪也得到了很好的判识[图2（c）]，大兴安岭林区大面积林下积雪也被明显判识[图2（e）]。表明基于NDSI直接比较法判识积雪可以有效剔除水域对判识结果的影响，同时，此方法在林区可以很好地降低植被对判识结果的影响。

为验证基于NDSI直接比较法在内蒙古林区的判识精度，随机挑选研究区域内15个气象站范围内100个位置点记录其判识结果，对应记录每个位置点最近的气象站点有、无积雪记录，然后进行对比验证。从表2可见，2018、2019、2020年3个林区积雪个例总体判识总准确度分别高达94.00%、84.00%、85.00%，平均87.67%；漏检误差分别为4.00%、12.00%、15.00%，平均10.33%；错分误差分别为2.00%、4.00%、0，平均2.00%。表明基于NDSI直接比较法对内蒙古林区积雪的总体判识精度很高。

选取基于NDVI的SNOMAP积雪判识法和FSC积雪判识法与NDSI直接比较法进行积雪判识效果对比。

在林区的15个气象站和非林区的50个气象站范围内分别挑选100个验证点积雪数据进行对比验证。从表3可以看到，SNOMAP积雪判识法在非林区和林区的总准确度均值分别为73.64%、65.00%，FSC判识法在非林区和林区的总准确度均值分别为77.00%、81.00%，NDSI直接比较法在非林区和林区总准确度均值分别为77.52%、88.00%。

非林区NDSI直接比较法相较SNOMAP判识法和FSC判识法总准确度分别提升3.88%、0.52%；漏检误差相较FSC算法上升0.71%，但错分误差下降1.55%。综合分析NDSI直接比较法和FSC判识法在非林区的判识准确度相差很小。

林区SNOMAP判识法总准确度较低，平均只有65.00%；FSC判识法和NDSI直接比较法在林区的判识总准确度较高，两种方法在林区相较SNOMAP判识法总准确度分别提升16.00%、23.00%。另外，在林区NDSI直接比较法相较FSC判识法总准确度平均提升7.00%，同时漏检误差降低1.00%，错分误差相比FSC判识法下降6.00%。

综上可见，在内蒙古地区进行积雪判识时，NDSI直接比较法和FSC判识法相较于SNOMAP判识法总准确度更高，尤其针对林区这种复杂下垫面情况。在非林区，NDSI直接比较法相较SNOMAP判识法、FSC判识法总准确度分别小幅提升3.88%、0.52%，NDSI直接比较法和FSC判识法在非林区准确度相差很小。总体而言，SNOMAP判识法总准确度较低，不适用于内蒙古林区的积雪判识；而NDSI直接比较法相较FSC判识法判识总准确度得到提升，同时漏检误差有所降低，更适用于内蒙古地区林区的积雪判识。

在使用葵花8号卫星数据进行积雪判识时，常用到的判识算法有基于NDVI的SNOMAP判识法、FSC判识法，本文通过实例展示出几种积雪判识方法的效果图和验证结果，分析了常用方法的判识准确度，创新性地提出了NDSI直接比较判识法，并通过实例与原有算法进行比较，具体得出如下结论。

1 ）NDSI直接比较积雪判识法是指对经过配准的两个时相遥感影像数据中的像元值进行运算和变换处理，即使用有积雪的待判识数据与当年秋季无积雪数据进行直接比较，找出变化部分，通过调整变化阈值确认积雪范围。

2 ）NDSI直接比较法有助于直观感受积雪大体位置，在内蒙古的林区和非林区均能很好地识别较厚积雪和薄雪部分，还可以有效剔除水域、植被对判识结果的影响。

3 ）在非林区，NDSI直接比较法相较SNOMAP判识法和FSC判识法总准确度分别提升3.88%、0.52%，NDSI直接比较法和FSC判识法在非林区精度相差不大；在林区，NDSI直接比较法较FSC判识法总准确度有明显提升，同时漏检误差降低，说明NDSI直接比较法更适用于内蒙古地区的林区积雪判识。

NDSI直接比较法在整个算法过程中只有最后在定义分割阈值时有人为干预，相较FSC判识法降低了人为因素的误差。但由于内蒙古地区站点稀疏，可用数据有限，本文在验证时使用站点数据代表该站点所在区域的积雪数据，即站点数据代表该区域的面数据，此过程存在一定误差。在下一步研究中，可结合高清卫星提供的局部地区数据影像以减小误差。