引用本文
季漩, 陈云芳, 罗贤, 李运刚. Landsat 8 OLI影像的高原山地阴影区冰川识别方法. 光谱学与光谱分析, 2018,38(12): 3857-3863
JI Xuan, CHEN Yun-fang, LUO Xian, LI Yun-gang. Study on the Identification Method of Glacier in Mountain Shadows Based on Landsat 8 OLI Image. Spectroscopy and Spectral Analysis, 2018,38(12): 3857-3863.  
Doi: 10.3964/j.issn.1000-0593(2018)12-3857-07
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
Landsat 8 OLI影像的高原山地阴影区冰川识别方法
季漩1,2, 陈云芳3, 罗贤1,2, 李运刚1,2
1. 云南大学国际河流与生态安全研究院, 云南 昆明 650091
2. 云南省国际河流与跨境生态安全重点实验室, 云南 昆明 650091
3. 云南师范大学, 云南 昆明 650092

作者简介: 季 漩, 1984年生, 云南大学国际河流与生态安全研究院助理研究员 e-mail: jixuan@ynu.edu.cn

基金项目: 国家自然科学基金项目(41561003, 41601026, 41661144044), 云南省基础研究计划青年项目(2014FD004), 国家重点研发计划课题(2016YFA0601601)资助
摘要

冰川对气候变化极为敏感, 其变化对区域气候、 生态及水资源等有重要影响。 对于高原山地区域而言, 使用遥感数据开展冰川变化研究时, 影像经常会有较大面积的山体阴影。 阴影使地物目标反映的信息量有所损失或受到干扰, 在遥感影像数据上难以判读。 因此, 基于遥感影像的山体阴影区冰川识别成为一个技术难点。 选择青藏高原上的大型山地冰川群为实验区, 基于Landsat 8 OLI影像数据, 分析了山体阴影区冰川与非冰川的波段反射特征, 结果表明由于阴影区直射光被遮挡, 波长较短的蓝光波段因具有更高的散射强度, 是阴影区冰川识别的优势波段; 长波波段在阴影区无论是冰川还是非冰川区域反射率都很低, 难以区分。 在此基础上提出针对山体阴影区冰川信息提取的增强指数算法, 并与常规的冰川信息提取方法进行效果对比, 结果表明增强指数方法得到的直方图分割阈值更为明显。 从冰川信息提取结果来看, 无论是空间分布还是面积误差比例, 采用优势波段的增强指数法效果最好。 在高原山地区域进行大规模冰川提取时, 采用所提出的山体阴影区冰川信息增强指数算法, 有助于提高整体工作效率。

关键词: 冰川; Landsat8 OLI; 高原山地; 阴影区
中图分类号:TP753 文献标识码:A
Study on the Identification Method of Glacier in Mountain Shadows Based on Landsat 8 OLI Image
JI Xuan1,2, CHEN Yun-fang3, LUO Xian1,2, LI Yun-gang1,2
1. Institute of International Rivers and Eco-Security, Yunnan University, Kunming 650091, China
2. Yunnan Key Laboratory of International Rivers and Transboundary Eco-Security, Kunming 650091, China
3. Yunnan Normal University, Kunming 650092, China
Abstract

Glaciers are extremely sensitive to climate change. And glacier changes have great impacts on the regional climate, ecology, water resources and so on. Remote sensing images are often used to study glacial changes. For plateau mountainous areas, the images usually have a larger area of the mountain shadows. Shadows cause loss or distraction of the information reflected by the ground target, making remote sensing image difficult to understand. Therefore, the identification of glaciers in the mountain shadow area based on remote sensing images becomes a technical difficulty. In this study, a large mountain glacier on the Qinghai-Tibet Plateau was chosen as experimental subject. Based on Landsat 8 OLI data, this study first analyzed the reflection characteristics of different bands for glacier and non-glacier in shadow area. The results showed that due to the fact that direct light is blocked and target objects in a shadow area are mainly irradiated by the scattered light, the blue band which has shorter wavelength and higher intensity of the scattered light is preferred band for glacier identification in shaded area. For longer wavelength band, the reflectance of ground target in the entire shadow region is very low, and it is difficult to distinguish between glaciers or non-glacial regions. On this basis, a shaded glacier information enhanced index is proposed. Compared with the conventional glacier information extraction methods, the proposed method can give a result to identify the segmentation threshold more clearly in the histogram; and get the best result both in accuracy of the extracted boundary and the total area. For large-scale glacier extractionin the plateau mountainous area, it is recommended to use the proposed method which can be helpful in improving the overall work efficiency.

Key words: Glacier; Landsat8 OLI; Plateau mountainous area; shadow region
引 言

冰川变化是气候变化的产物, 同时也是全球气候变化的敏感指示器[1], 尤其是处于中纬度地区的高原山地冰川对气候变化响应极为敏感[2], 其变化对区域气候、 生态与环境、 水文水资源等均有重要影响[3]。 因此, 山地冰川变化一直是地学研究的热点。 而其中无论是冰川对气候变化响应还是对区域水资源的影响, 对山地冰川的提取、 变化监测是面临的首要问题[4]。

山地冰川通常地处偏远, 地形复杂, 实地监测成本巨大, 很难大范围开展监测工作[5]。 随着遥感技术的发展, 冰川变化研究可以获得及时、 准确的数据源, 一定程度解决高山区冰川信息资料稀缺等问题[1]。

基于遥感影像的冰川信息提取方法已有大量研究, 总体上可以分为目视解译和计算机辅助分类。 目视解译方法虽然精度较高, 但目视解译工作量大、 周期较长、 耗时耗力[6]。 计算机辅助分类方法精度整体上不如人工目视解译, 但能快速获取大尺度冰川区域的信息, 优越性十分明显。

常用的计算机辅助分类方法有比值阈值法[7, 8]、 雪盖指数法[9, 10]等。 对于早期冰川编目工作而言, 大多选用Landsat数据, 基于冰雪在可见光波段高反射率、 近红外波段低反射率的原理, 进行波段运算处理进而获取冰川信息[1]。 随着遥感技术的成熟, 面向对象的信息提取方法[11]、 雷达INSAR干涉技术[12]等也陆续应用于冰川的提取与监测中。 虽然基于遥感的冰川信息提取方法有很多, 但由于冰川类型、 影像空间分辨率、 影像质量及研究区域的不同, 每种方法也都有自己的适用性, 很难找到一种方法适用于所有地区冰川的提取[4, 13]。

对于高原山地区域而言, 遥感影像通常会有较大面积的山体阴影。 阴影使地物目标反映的信息量有所损失或受到干扰, 在遥感影像数据上表现为DN值偏低, 难以判读。 基于遥感影像的山体阴影区冰川识别也成为一个技术难点。 许多研究结果显示, 监督和非监督分类方法不能有效识别阴影下的冰川, NDSI(归一化差异雪被指数)指数效果也较差[4]; 相对于NDSI, 波段比值法对阴影区冰川的识别表现尚可[14, 15], 但是选用哪些波段效果更好, 结论不一[14, 15, 16, 17]。

选择青藏高原上的大型山地冰川群为实验区, 基于landsat 8 OLI数据, 从分析阴影区冰川与非冰川光谱特征入手, 提出阴影区冰川信息增强算法, 并对提取结果与已有的冰川信息提取方法进行了对比。

1 实验部分

选择青藏高原中部唐古拉山的岗加曲巴冰川及其周边冰川群区域为实验研究区, 具体位置如图1所示。 实验区共涉及大小冰川37条, 总面积约305 km2。 区域最高海拔6 571 m, 最低海拔5 148 m, 山体高大, 地形较为复杂, 有较多冰川长时间位于山体阴影区。

图1 研究区位置及其中的冰川与阴影(Landsat 8 OLI影像652波段假彩色合成)Fig.1 The location of study area and in which the glaciers, shadows presented by Landsat 8 OLI image (652-band Fake Color Synthesis)

1.1 数据

主要涉及的基础数据包括DEM数据和两期Landsat 8 OLI数据。

DEM数据选用30 m空间分辨率的ASTER GDEM(Version 2)。 该数据是由日本经济贸易产业省(METI)和美国国家航空航天局(NASA)联合研发的数字高程模型产品, 向全球用户公开免费。 数据覆盖范围包括了全球南北纬83° 之间的区域。 其Version2 版本于2011年10月发布, 相对于Version 1精度有了显著提升, 能保证本研究对于山体阴影的提取准确度。

Landsat 8 OLI影像数据来自美国地质调查局网站(http://www.glovis.usgs.gov)。 相较于之前的Landsat ETM+数据, OLI(Operational Land Imager, 陆地成像仪)传感器增加了两个波段: 海蓝波段(band 1: 0.433~0.453 μ m)主要应用海岸带观测; 短波红外波段, 又称卷云波段(band 9: 1.360~1.390 μ m)包含水汽强吸收特征, 主要用于云检测。 该产品经过了系统辐射校正和地面控制点几何校正, 并且经过数字高程模型(DEM)校正处理。 本实验研究选用了两期OLI影像, 具体信息见表1。 其中2015年10月的影像质量很好, 由于太阳高度角较大, 山体阴影区很小。 2016年12月的影像, 太阳高度角较小, 产生了较大范围的山体阴影区域。 对这两期影像进行了辐射定标等预处理, 用FLAASH模型对定标后的影像进行了大气校正。

表1 实验选用的LandSat 8 OLI影像数据信息 Table 1 The related parameters of Landsat 8 OLI image data used in this study
1.2 方法

1.2.1 阴影区的识别

阴影区进行冰川识别, 首先要提取准确的阴影区域。 近年来, 许多利用遥感影像光谱信息的阴影检测方法被提出[18]。 但是这些方法还是会因“ 同物异谱” 或“ 异物同谱” 存在一定程度错分。 本工作借鉴都伟冰等的方法[19], 基于DEM数据和遥感成像时的太阳方位角、 高度角信息, 利用地理信息系统软件模拟出相应的阴影区域。 这种方式相对于基于光谱信息的阴影检测方法, 更方便快捷, 在大规模冰川信息处理工作中, 具有更高效率。

1.2.2 冰川提取方法

(1) 波段比值法(Ratio)

波段比值法, 即计算多光谱影像两个波段DN值或者反射率的比值。 计算公式为

Ratio=BandXBandY

式中BandX, BandY分别表示遥感影像第X和Y波段的反射率或DN值, 计算结果为Ratio灰度值图像。 利用Ratio灰度图进行冰川提取时, 设置合适的阈值, 将灰度图转化为冰川分布二值图。

(2) 雪被指数法(NDSI)

归一化雪被指数( NDSI) 原理类似于归一化植被指数(NDVI), 即选择多光谱影像两个对冰雪具有典型反射特征的波段进行归一化处理。 计算公式为

NDSI=BandX-BandYBandX+BandY(2)

式中BandX和BandY意义同上, 计算结果为NDSI灰度值图像。 与比值法类似, 设置合适的阈值将灰度图转化为二值图, 实现冰川识别。

(3) 阴影区冰川信息增强型识别方法

基于前人对遥感影像阴影区地物分类研究的认识, 拟对传统的Ratio法和NDSI法进行改进。 主要思想: 先辨识出阴影区对冰川识别具有优势的波段, 然后对优势波段进行增强, 并计算相应阈值指标。

增强型比值法

ERatio=BandX2BandY(3)

增强型雪被指数法

ENDSI=BandX2-BandYBandX2+BandY(4)

式中BandX为阴影区冰川识别优势波段, BandY与上同。 计算结果ERatio和ENDSI分别为阴影区增强型波段比值灰度图和增强型雪被指数灰度图。 同样对灰度图选择合适的阈值分割即可得到冰川范围。

1.2.3 效果评价方法

对于几种冰川信息提取方法的效果, 采用面积误差比例进行评价。 计算公式为

P=AT-AMAM×100%(5)

式中, AT为比值法或指数法提取的阴影区冰川面积; AM为目视解译法得到的阴影区冰川面积。 P为准确率。

2 结果与讨论
2.1 阴影区提取及其目视解译冰川范围

基于DEM数据和遥感成像时的太阳方位角、 高度角信息, 利用地理信息系统软件提取出实验区阴影部分, 如图2所示。

图2 基于DEM的阴影区提取结果及其中目视解译的冰川范围
Fig.2 DEM-based shadow area extraction results and the visual interpretation boundary of glaciers

图2中底图为2016年12月23日的OLI数据652波段假彩色合成影像。 可以看出基于DEM提取出的山体阴影区与影像阴影区匹配良好, 对于容易误分的水体和阴影, 也能很好的区分开来。 图2中阴影区冰川范围是通过对2015年10月无阴影的OLI影像目视解译得到。 根据该结果统计可知, 实验区山体阴影总面积为34.42 km2, 其中冰川面积29.34 km2, 非冰川面积5.08 km2。

由于两期影像属于相邻年份不同月份的数据, 因此对其冰川分布范围的一致性进行了检验。 对2016年12月的影像中非阴影区冰川及薄阴影区冰川进行目视解译, 将解译结果与2015年10月质量良好的影像在相同范围内进行了对比, 冰川面积一致性达到99.1%。 在此基础上, 假定该区域冰川在两期影像成像时间并无显著变化。 认为2015年10月无阴影的OLI影像目视解译冰川范围可作为计算机辅助解译结果的对比标准。

2.2 阴影区冰川信息优势波段识别

根据目视解译的冰川边界, 实验区阴影分为冰川区和非冰川区。 分别按照阴影冰川区和阴影非冰川区统计各波段直方图, 如图3和图4所示。 由于遥感影像阴影区域的反射率随波长增加急剧减小[20], 第6和7波段在阴影区DN极小, 提供的信息十分有限。 因此仅针对前5波段进行分析。

图3 波段1~5在阴影区冰川部分的DN值直方图Fig.3 Histogram of DN values of Bands 1~5 in the glacier parts of the shaded area

图4 波段1~5在阴影区非冰川部分的DN值直方图Fig.4 Histogram of DN values of Bands 1~5 in the Un-glacier parts of the shaded area

根据图3和图4统计直方图可知, 不论是阴影区冰川部分, 还是非冰川部分, 随着波长增加, 其DN值减小。

对于阴影区非冰川部分, 1~5波段分别有97.1%, 98.5%, 99.1%, 99.3%及99.8%的像元DN值在5以下。 与此形成明显对比的是, 阴影区冰川部分, 1~5波段DN值小于5的像元比例分别有15.7%, 37.2%, 86.1%, 91.1%及96.5%。 波段3, 4, 5无论在阴影区冰川部分还是非冰川部分, 像元值重合比例过高, 不利于区分出阴影区的冰川信息。 而第1和2两个蓝光波段对于阴影区的冰川具有较高的辨识度, 是优势波段。 尽管如此, 若采用波段阈值法对第1、 2波段进行阈值分割提取, 还是很难准确分离出阴影区冰川信息, 因为仍有部分像元(15.7%和37.2%)与其他地物难以区分。 因此需要对优势波段进一步增强处理。

2.3 阴影区冰川信息提取结果

对OLI影像第1和2波段, 根据式(1)— 式(4)分别对整个阴影区进行计算; 此外, 为了对比传统做法, 对第1波段(可见光波段)和第5波段(近红外波段)也分别计算波段比值和雪被指数。 根据计算结果, 对于整个阴影区做直方图分析, 如图5所示。

图5 阴影区六种提取算法结果直方图Fig.5 Histograms of the results processed by six extraction methods for shaded area

可以看出, 对于优势波段(B1和B2)使用增强指数计算的结果其直方图“ 双峰” 效果明显, 分割阈值非常易于识别(ENDSI=0.64, ERatio=4.57); 而对于优势波段(B1和B2)使用常规的比值法和雪被指数法, 其直方图总体呈“ 单峰” 形态, 对于阴影区的冰川与非冰川并无明显分离情况, 阈值可辨识度较低。 对于常规做法使用第1、 5波段计算的比值和雪被指数, 其直方图都呈现出一个“ 主峰” 和一个不明显的“ 次峰” , 阈值的可辨识度仍然不够明确。 总体而言, 对优势波段采用增强指数计算后, 阴影区图像可分割性较强, 阈值可辨识度相较于其他常规方法要高。

从图5可知优势波段增强算法的阈值非常明显, 而常规比值法和雪被指数法从直方图上难以明确分割阈值, 因此在使用这种方式提取冰川时, 分别采用多次试验, 找到最佳的分割阈值: NDSI(B1& B2)阈值为0.11; Ratio(B1& B2)阈值为1.25; NDSI(B1& B5)阈值为0.82; Ratio(B1& B5)阈值为10.2。 根据最佳阈值对灰度图进行分割, 并提取出阴影区冰川范围, 结果如图6所示。

图6中对比了不同方法提取的阴影区冰川范围, 并与目视解译冰川范围作了比较。 可以看出, 采用优势波段增强指数提取的冰川效果较好; 优势波段常规算法效果次之; 而采用第1、 5波段做比值计算和雪被指数计算得到的结果最差。 使用优势波段增强算法提取的阴影区纯冰川范围效果极好, 对于阴影区内冰川与非冰川混杂的情况, 略有遗漏。 第1和5波段做常规比值法和雪被指数法结果对于阴影区纯冰川情况的提取也有较多遗漏, 而对于非冰川区又有较多区域被识别为冰川, 说明采用第1和5波段做常规比值法和雪被指数对于阴影区冰川识别能力不高。

表2中列出了各种算法提出冰川的面积以及相对于目视解译面积的误差。 可以看出基于优势波段的增强雪被指数提取结果误差最小。 其次是, 优势波段增强比值法和常规比值法, 二者效果相近。 而基于第1、 5波段提取的面积误差较大。

表2 不同方法提取的阴影区冰川面积比较 Table 2 Comparison of the glacier area in shadows between different extraction methods

综合偏差的空间分布(图6)与面积误差比例(表2), 基于优势波段增强的两种方法具有明显优势。

图6 不同方法对阴影区冰川范围识别效果对比Fig.6 Comparison of the glacier boundary in shadows between different extraction methods

对于山地冰川信息提取时, 山体阴影区内的信息如何快速准确的识别, 是常见的也是非常重要的问题。

已有很多研究采用Landsat TM影像的第3(红色波段)、 第4(近红外波段)、 第5(中红外)波段进行NDSI法或比值法计算, 对阴影区冰川提取效果进行了对比。 如Paul等对比了NDSI, TM3/TM5和TM4/TM5方法提取冰川的结果, 认为只有TM4/TM5方法能有效地识别阴影下的冰川[16]。 李治国等发现TM3/TM5提取浓阴影区的冰川较之NDSI和TM4/TM5效果好[14]。 GLIMS(Global Land Ice Measurements from Space, 全球陆地冰川空基监测组织) 算法研究组认为在深阴影区, TM3/TM5比TM4/TM5波段比值法的提取效果更好。 许艾文等(经过比较也得出TM3/TM5相对于TM4/TM5能更准确地提取阴影区的冰川[15]。 这些研究得到的共识是NDSI方法相对于波段比值法, 对于阴影区冰川识别效果较差。 对于波段比值法, TM3/TM5还是TM4/TM5效果更好, 仍有不同看法, 尽管较多的研究认为波长较短的TM3与TM5进行比值取得的效果较好。 但是结合本研究的实验结果可以得出, 阴影区短波波段对于冰川识别更具有优势, 长波波段在阴影区无论是冰川还是其他地物区域反射率都很小, 不易于区分。

从理论看, 遥感影像阴影是由于太阳直射光被遮挡而形成, 阴影区地物只有天空散射光和环境反射光照射[21]。 遥感影像阴影主要集中于可见光至近红外波段, 而在此波段范围内, 环境反射光所占比例很小, 主要以瑞利散射和米氏散射的散射光为主[22]。 由于瑞利散射强度与波长的四次方成反比, 米氏散射强度与波长的二次方成反比, 可知散射光强度随波长增大急剧减小[20]。 对于Landsat 8 OLI影像的波段特征而言, 波长较短的蓝光波段在阴影区由于散射光强度大, 而优于其他可见光波段。 另一方面, 冰川在可见光范围本身就有较明显区别于其他地物的光谱反射特性。 因而在阴影区直射光被遮挡, 冰川更能在波长较短的波段凸显出来。

总体而言, Landsat 8OLI数据中的第1和2两个蓝光波段在阴影区冰川识别具有较大优势, 本研究将具有优势的蓝光波段进行增强指数计算后, 对于阴影区冰川的识别效果更好。

然而, 本实验研究主要围绕山体阴影区进行分析, 选择了无云少雪的影像, 具有一定前提条件。 而现实应用中, 还存在云影问题和冰雪分离问题, 情况更为复杂, 需要进一步深入研究。

3 结 论

针对高原山地阴影区冰川识别问题, 基于landsat 8 OLI数据, 分析阴影区冰川与非冰川波段反射特征, 识别出阴影区冰川优势波段, 在此基础上提出阴影区冰川信息增强算法, 并对提取结果与已有的冰川信息提取方法进行了对比。 结论如下:

(1) LANDSAT 8 OLI 影像数据第1和2两个蓝光波段对于阴影区的冰川具有较高的辨识度, 是优势波段; 而波段3, 4和5无论在阴影区冰川部分还是非冰川部分, 像元值重合比例过高, 对于不利于区分出阴影区的冰川信息。

(2) 使用本文提出的优势波段增强算法得到的波段比值和雪被指数其直方图分割阈值非常明显, 而常规比值法和雪被指数法计算结果其分割阈值不够直观明确。 从阴影区冰川识别效果来看, 无论空间分布还是面积误差比例, 采用优势波段增强雪被指数法效果最好。 采用第1和5波段做常规比值法和雪被指数提取结果误分和漏分情况较多, 对于阴影区冰川识别能力不高。

光线良好的区域, 采用常规的影像处理方法就可以得到较好结果。 在高原山地区域大规模冰川提取时, 可以采用本文提出的阴影区冰川信息增强方法, 得到阴影区冰川范围, 然后与非阴影区冰川范围进行合并处理, 这样可以提高冰川提取工作的效率。

The authors have declared that no competing interests exist.

参考文献
[1] Paul F, Bolch T, Kaab A, et al. Remote Sensing of Environment, 2015, 162: 408. [本文引用:3]
[2] SUN Mei-ping, LIU Shi-yin, YAO Xiao-jun, et al(孙美平, 刘时银, 姚晓军, 等). Acta Geographica Sinica(地理学报), 2015, 70(9): 1402. [本文引用:1]
[3] Immerzeel W W, van Beek L P H, Bierkens M F P. Science, 2010, 328(5984): 1382. [本文引用:1]
[4] YAN Li-li, WANG Jian(彦立利, 王建). Journal of Glaciology and Geocryology(冰川冻土), 2013, 35(1): 110. [本文引用:3]
[5] ZHONG Zhen-wei, YE Qing-hua(仲振维, 叶庆华). Journal of Glaciology and Geocryology(冰川冻土), 2009, 31(4): 717. [本文引用:1]
[6] YAN Dong-hai, LI Zhong-qin, GAO Wen-yu, et al(颜东海, 李忠勤, 高闻宇, 等). Arid Zone Research(干旱区研究), 2012, 29(2): 245. [本文引用:1]
[7] Tielidze L G, Wheate R D. The Cryosphere, 2018, 12: 81. [本文引用:1]
[8] Rastner P, Strozzi T, Paul F. Remote Sensing, 2017, 9: 1122. [本文引用:1]
[9] HUANG Xiao-ran, BAO An-ming, GUO Hao, et al(黄晓然, 包安明, 郭浩, 等). Arid Zone Research(干旱区研究), 2017, 34(4): 870. [本文引用:1]
[10] Ke L H, Ding X L, Li W K, et al. Remote Sensing, 2017, 9: 114. [本文引用:1]
[11] NIE Yong, ZHANG Yi-li, LIU Lin-shan, at al(聂勇, 张镱锂, 刘林山, 等). Acta Geographica Sinica(地理学报), 2010, 65(1): 13. [本文引用:1]
[12] ZHOU Jian-min, LI Zhen, XING Qiang(周建民, 李震, 邢强). Journal of Glaciology and Geocryology(冰川冻土), 2010, 32(1): 28. [本文引用:1]
[13] HUAI Bao-juan, LI Zhong-qin, SUN Mei-ping, et al(怀保娟, 李忠勤, 孙美平, 等). Arid Zone Research(干旱区研究), 2013 年, 30(2): 372. [本文引用:1]
[14] LI Zhi-guo, YAO Tan-dong, YE Qing-hua, et al(李治国, 姚檀栋, 叶庆华, 等). Journal of Glaciology and Geocryology(冰川冻土), 2010, 32(4): 650. [本文引用:3]
[15] XU Ai-wen, YANG Tai-bao, WANG Cong-qiang, et al(许艾文, 杨太保, 王聪强, 等). Progress in Geography(地理科学进展), 2016, 35(7): 878. [本文引用:3]
[16] Paul F, KaabA, Maisch M, et al. Annals of Glaciology, 2002, 34(1): 355. [本文引用:2]
[17] Shangguan D H, Liu S Y, Ding Y J, et al. Annals of Glaciology, 2006, 43(1): 79. [本文引用:1]
[18] Lin J H, Fang T, Li D R. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(12): 5092. [本文引用:1]
[19] Du W B, Li J L, Bao A M, et al. Journal of Applied Remote Sensing, 2014, 8(1): 084683. [本文引用:1]
[20] Lindfors A V, Ylianttila L. Bulletin of the American Meteorological Society, 2016, 97(9): 1561. [本文引用:2]
[21] Wu S T, Hsieh Y T, Chen C T, et al. Canadian Journal of Remote Sensing, 2014, 40(4): 315. [本文引用:1]
[22] Gu L, Robles-Kelly A. Pattern Recognition Letters, 2014, 43: 89. [本文引用:1]