Anterior|Próximo

Comparação espaço-temporal da profundidade da neve obtida por sensoriamento remoto passivo por micro-ondas e por observações em estações meteorológicas

  • role： First author第一作者
  • Affiliation：

    Heihe Remote Sensing Experimental Research Station, Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000,China

    University of Chinese Academy of Sciences, Beijing 100049, China

  • Email：wangjing2020@nieer.ac.cn
  • Introduction：王静，研究方向为积雪遥感。E-mail：wangjing2020@nieer.ac.cn
WANG Jing12,  
  • role： Corresponding author通信作者
  • Affiliation：

    Heihe Remote Sensing Experimental Research Station, Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000,China

  • Email：chetao@lzb.ac.cn
  • Introduction：车涛，研究方向为冰冻圈遥感。E-mail：chetao@lzb.ac.cn
CHE Tao1*,  
  • Affiliation：

    Heihe Remote Sensing Experimental Research Station, Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000,China

DAI Liyun1,  
  • Affiliation：

    Heihe Remote Sensing Experimental Research Station, Key Laboratory of Remote Sensing of Gansu Province, Northwest Institute of Eco-Environment and Resources, Chinese Academy of Sciences, Lanzhou 730000,China

    University of Chinese Academy of Sciences, Beijing 100049, China

YUE Shanna12,  
  • Affiliation：

    National Satellite Meteorological Center, Beijing 100081, China

ZHENG Zhaojun3

Resumo

A profundidade da neve é uma das importantes propriedades físicas da neve acumulada, e a obtenção precisa da profundidade da neve é fundamental para pesquisas em hidrologia da neve, recursos hídricos, mudanças climáticas e desastres relacionados à neve. Atualmente, os dados amplamente utilizados para estudar a profundidade da neve em séries temporais longas são os dados de observação da profundidade da neve em estações meteorológicas e os dados de inversão da profundidade da neve derivados da sensoriamento remoto passivo por micro-ondas (como SMMR, SSM/I e SSMI/S). Este artigo compara a distribuição espacial e as variações anuais dos valores máximos e médios da profundidade da neve desses dois tipos de dados na região da China, analisando as características de distribuição de ambos. Os resultados mostram que, espacialmente, a correlação entre a profundidade de neve observada nas estações e a profundidade da neve dos pixels correspondentes do sensoriamento remoto é melhor na região nordeste, seguida pela região de Xinjiang, com correlação mais fraca no planalto do Tibete. Os dois tipos de dados apresentam distribuição relativamente consistente em áreas de neve estável; nas regiões de neve profunda com mais de 40 cm e nas regiões do sul com profundidade de neve inferior a 5 cm, os valores máximos observados nas estações são claramente maiores do que os valores máximos derivados do sensoriamento remoto. Temporalmente, em comparação com o período de 1980 a 2019, a correlação entre a profundidade da neve observada nas estações e a profundidade derivada do sensoriamento remoto aumentou significativamente no período de 1989 a 2019 em várias áreas típicas de neve. Além disso, ao comparar as mudanças na profundidade da neve nas últimas três décadas na China, os resultados mostram uma tendência significativa e consistente (p<0.05) de diminuição na parte sudeste do planalto do Tibete e uma tendência significativa e consistente (p<0.05) de aumento na planície do nordeste. A maioria das estações meteorológicas no planalto do Tibete está localizada em altitudes relativamente baixas, não refletindo bem a distribuição e as variações médias da profundidade da neve em áreas de alta altitude e regiões montanhosas dentro dos pixels correspondentes do sensoriamento remoto por micro-ondas passivo, enquanto a inversão da profundidade da neve por sensoriamento remoto passivo por micro-ondas é afetada pelas variações nas características da neve, não sendo sensível a eventos extremos de nevasca com grandes variações na profundidade da neve em curto período.

Palavras-chave

profundidade da neve; estações meteorológicas; sensoriamento remoto passivo por micro-ondas; áreas típicas de neve; análise comparativa

References

  1. 1.
    Brown R D and Goodison B E. 1996. Interannual variability in reconstructed Canadian snow cover, 1915-1992. Journal of Climate, 9(6): 1299-1318
  2. 2.
    Chang A T C, Foster J L and Hall D K. 1987. Nimbus-7 SMMR derived global snow cover parameters. Annals of Glaciology, 9: 39-44
  3. 3.
    Chang A T C, Foster J L, Kelly R E J, Josberger E G, Armstrong R L and Mognard N M. 2005. Analysis of ground-measured and passive-microwave-derived snow depth variations in midwinter across the northern great plains. Journal of Hydrometeorology, 6(1): 20-33
  4. 4.
    Chang T C, Gloersen P, Schmugge T, Wilheit T T and Zwally H J. 1976. Microwave emission from snow and glacier ice. Journal of Glaciology, 16(74): 23-39
  5. 5.
    Che T. 2006. Study on Passive Microwave Remote Sensing of Snow and Snow Data Assimilation Method. Lanzhou: Cold and Arid Regions Environmental and Engineering Research Institute, Chinese Academy of Sciences
  6. 6.
    Che T and Li X. 2005. Spatial distribution and temporal variation of snow water resources in China during 1993-2002. Journal of Glaciology and Geocryology, 27(1): 64-67
  7. 7.
    Chu D, Da Z and Laba Z M. 2017. Spatio-temporal distribution patterns of snow cover on the Tibet and orographic impacts. Journal of Geo-Information Science, 19(5): 635-645
  8. 8.
    Dai L Y and Che T. 2010. The spatio-temporal distribution of snow density and its influence factors from 1999 to 2008 in China. Journal of Glaciology and Geocryology, 32(5): 861-866
  9. 9.
    Dai L Y, Che T and Ding Y J. 2015. Inter-calibrating SMMR, SSM/I and SSMI/S data to improve the consistency of snow-depth products in China. Remote Sensing, 7(6): 7212-7230
  10. 10.
    Dai S P, Zhang B, Cheng F, Wang H J and Wang P. 2010. The Spatio-temporal variations of snow cover in China from the snow depth time series dataset based on passive microwave remote sensing. Journal of Glaciology and Geocryology, 32(6): 1066-1073
  11. 11.
    Hall D K, Riggs G A, Salomonson V V, Digirolamo N E and Bayr K J. 2002. MODIS snow-cover products. Remote Sensing of Environment, 83(1/2): 181-194
  12. 12.
    Kunkel K E, Palecki M A, Hubbard K G, Robinson D A, Redmond K T and Easterling D R. 2007. Trend identification in twentieth-century U.S. snowfall: the challenges. Journal of Atmospheric and Oceanic Technology, 24(1): 64-73
  13. 13.
    Kuraś P K, Weiler M and Alila Y. 2008. The spatiotemporal variability of runoff generation and groundwater dynamics in a snow-dominated catchment. Journal of Hydrology, 352(1/2): 50-66
  14. 14.
    Li H X, Zhong X Y, Zheng L, Hao X H, Wang J and Zhang J. 2022. Classification of snow cover persistence across China. Water, 14, 933
  15. 15.
    Li P J. 1987. Seasonal snow resources and its fluctuation in China. Chinese Science Bulletin, 32(17): 1329-1332
  16. 16.
    Li P J. 1990. A Preliminary study of snow mass variations over past 30 years in China. Acta Meteorologica Sinica, 48(4): 433-437
  17. 17.
    Li P J and Mi D S. 1983. Distribution of snow cover in China. Journal of Glaciology and Cryopedology, 5(4): 9-18
  18. 18.
    Li X. 2014. Characterization, controlling, and reduction of uncertainties in the modeling and observation of land-surface systems. Science China: Earth Sciences, 57(1): 80-87
  19. 19.
    Li X and Che T. 2007. A review on passive microwave remote sensing of snow cover. Journal of Glaciology and Geocryology, 29(3): 487-496
  20. 20.
    Ma L J and Qin D H. 2012. Spatial-Temporal characteristics of observed key parameters for snow cover in China during 1957-2009. Journal of Glaciology and Geocryology, 34(1): 1-11
  21. 21.
    Ma L J, Qin D H, Bian L G, Xiao C D and Luo Y. 2010. Analysis of air temperature sensitivity of snow cover days on the Qinghai-Tibetan Plateau. Advances in Climate Change Research, 6(1): 1-7
  22. 22.
    Mankin J S, Viviroli D, Singh D, Hoekstra A Y and Diffenbaugh N S. 2015. The potential for snow to supply human water demand in the present and future. Environmental Research Letters, 10(11): 114016
  23. 23.
    Matzler C, Schanda E and Good W. 1982. Towards the definition of optimum sensor specifications for microwave remote sensing of snow. IEEE Transactions on Geoscience and Remote Sensing, GE-20(1): 57-66
  24. 24.
    Qiao D J, Wang N Q, Li Z, Zhou J M and Fu X Y. 2018. Spatio-temporal changes of snow phenology in the Qinghai-Tibetan Plateau during the hydrological year of 1980-2009. Climate Change Research, 14(2): 137-143
  25. 25.
    Tan Q Y, Cheng L, Xu Z X, Zhao Y J, Liu J T and Liu X W. 2021. Spatiotemporal distribution of snow cover depth and its driving factors in the Yarlung Zangbo River basin, 1979-2017. Journal of Glaciology and Geocryology, 43(4): 1049-1059
  26. 26.
    Tian L Q, Li W Z, Zhang Y, Tian L J, Zhu Q A, Peng C H and Chen H. 2014. The analysis of snow information from 1979 to 2007 in Qinghai-Tibetan Plateau. Acta Ecologica Sinica, 34(20): 5974-5983
  27. 27.
    Trujillo E, Ramírez J A and Elder K J. 2009. Scaling properties and spatial organization of snow depth fields in sub-alpine forest and alpine tundra. Hydrological Processes, 23(11): 1575-1590
  28. 28.
    Wang J, Li H X, Hao X H, Huang X D, Hou J L, Che T, Dai L Y, Liang T G, Huang C L, Li H Y, Tang Z G and Wang Z Y. 2014. Remote sensing for snow hydrology in China: challenges and perspectives. Journal of Applied Remote Sensing, 8(1): 084687
  29. 29.
    Wu Y, Zhang J H, Xu H M and He J H. 2007. Advances in study of snow-cover from remote sensing data. Meteorological Monthly, 33(6): 3-10
  30. 30.
    Xu B D, Li J, Liu Q H, Xin X Z, Zeng Y L and Yin G F. 2015. Review of methods for evaluating representativeness of ground station observations. Journal of Remote Sensing, 19(5): 703-718
  31. 31.
    Yang D Q and Woo M K. 1999. Representativeness of local snow data for large scale hydrologic investigations. Hydrological Processes, 13(12/13): 1977-1988
  32. 32.
    Zhang T J and Zhong X Y. 2014. Classification and regionalization of the seasonal snow cover across the Eurasian Continent. Journal of Glaciology and Geocryology, 36(3): 481-490

Leia o texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website