快速检索        
  武汉大学学报·信息科学版  2018, Vol. 43 Issue (7): 971-977

文章信息

庞小平, 刘清全, 季青
PANG Xiaoping, LIU Qingquan, JI Qing
北极一年海冰表面积雪深度遥感反演与时序分析
Retrieval and Analysis of Snow Depth on Arctic First-Year Sea Ice
武汉大学学报·信息科学版, 2018, 43(7): 971-977
Geomatics and Information Science of Wuhan University, 2018, 43(7): 971-977
http://dx.doi.org/10.13203/j.whugis20160259

文章历史

收稿日期: 2017-03-14
北极一年海冰表面积雪深度遥感反演与时序分析
庞小平1,2 , 刘清全1 , 季青1,3     
1. 武汉大学中国南极测绘研究中心, 湖北 武汉, 430079;
2. 武汉大学国家领土主权与海洋权益协同创新中心, 湖北 武汉, 430072;
3. 极地测绘科学国家测绘地理信息局重点实验室, 湖北 武汉, 430079
摘要:北极海冰表面的积雪深度是重要的地球物理变量, 是研究物质与能量平衡、计算海冰厚度的重要参数。为减小不同被动微波传感器观测数据的系统误差, 对国防气象卫星计划(Defense Meteorological Satellite Program, DMSP)F17-SSMIS与F13-SSM/I重叠期亮度温度数据进行交叉定标, 建立4个频段48个月尺度定标模型, 并与传统年尺度定标模型进行比较和优选, 在此基础上估算并分析2003-2014年北极一年海冰表面积雪深度变化。结果表明:19H、19V、22V、37V频段1~5月的月尺度模型决定系数高于传统年尺度拟合模型; 2003-2014年, 北极一年海冰表面积雪深度总体呈现下降趋势, 同时积雪深度存在明显的周期性变化, 每年7月积雪深度最小, 9月最大; 东西伯利亚海、拉普捷夫海和巴伦支海海冰表面积雪深度呈现减少的趋势。
关键词积雪深度     变化分析     交叉定标     北极海冰     SSM/I-SSMIS    
Retrieval and Analysis of Snow Depth on Arctic First-Year Sea Ice
PANG Xiaoping1,2, LIU Qingquan1, JI Qing1,3     
1. Chinese Antarctic Center of Surveying and Mapping, Wuhan University, Wuhan 430079, China;
2. Collaborative Innovation Center for Territorial Sovereignty and Maritime Rights, Wuhan University, Wuhan 430072, China;
3. Key Laboratory of Polar Surveying and Mapping, National Administration of Surveying, Mapping and Geoinformation, Wuhan 430079, China
First author: PANG Xiaoping, PhD, professor, specializes in sea ice remote sensing and cartography.E-mail:pxp@whu.edu.cn
Corresponding author: JI Qing, PhD, lecturer.E-mail:jiqing@whu.edu.cn
Foundation support: The National Key Research and Development Program of China, No.2016YFC1402704;the National Natural Science Foundation of China, Nos.41576188, 41606215;the Open Fund of Key Laboratory of Global Change and Marine-Atmospheric Chemistry, SOA, No.GCMAC1504;the Polar Environment Comprehensive Investigation and Assessment Programmers of China, No.CHINARE2016-04-07
Abstract: The snow depth on the Arctic sea ice is not only a significant geophysical variable, but also an important parameter for the study of mass and energy balance, calculating sea ice thickness.To reduce the systematic error from different passive microwave sensor, we calibrated brightness temperature data obtained from the DMSP F17-SSMIS and F13-SSM/I during the overlap period.Forty-eight calibration models at the monthly scale were built up and compared with traditional calibration model at the yearly scale, which formed the basis for the snow depth retrieval and analysis on the Arctic first-year sea ice from 2003 to 2014.The results show that the correlation coefficients of the monthly fitting models of 19H, 19V, 22V, 37V channels are higher than the traditional model from January to May.Based on the calibrated satellite observation data, there is a general decline trend of snow depth on the Arctic first-year sea ice from 2003 to 2014, with the East Siberia Sea, the Laptev Sea and the Barents Sea decreasing obviously during the study period.
Key words: snow depth     change analysis     inter-calibration     Arctic sea ice     SSM/I-SSMIS    

近年来, 北极海冰的范围和面积处于下降趋势[1], 并出现了由多年海冰逐步向一年海冰转变的情形[2]。海冰上的积雪深度是重要的地球物理变量, 对地球气候系统有着至关重要的影响。海冰上的积雪具有高反射率和低导热性, 可以调节海洋、海冰与大气之间的热传递, 在地球表面能量平衡过程中扮演着重要的角色[3-4]。通过对海冰表面积雪深度的定量研究可以估算海冰上的降雪量, 从而为海冰-海洋模型提供必要的降水参数[5]。此外, 海冰的积雪深度也是影响海冰厚度与体积卫星测高反演的关键参数[6-7]

政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第5次报告指出, 地球上大部分陆地的积雪深度呈现下降趋势, 但近几十年对北极海冰表面积雪深度的时序变化研究尚不充分[1]。Warren等根据前苏联学者在北极现场观测获得的1954-1991年的海冰表面积雪深度资料, 建立了积雪深度模型, 估算了北极早期海冰表面月尺度积雪深度(以下简称Warren积雪深度)[8]。被动微波数据AMSR-E可以较好地反演一年海冰表面积雪深度[3, 9], 但由于受到卫星传感器寿命的限制, AMSR-E数据及其后续卫星传感器AMSR2数据在时间上并不连续。近年来, 较多学者利用机载测量(IceBridge)的积雪深度数据进行北极积雪深度变化的研究[6, 10], 但航空遥感仅能获取航线上的雪深数据, 较难获得大尺度长时序的积雪深度信息。

美国国防气象卫星计划(Defense Meteorological Satellite Program, DMSP)系列卫星上搭载的被动微波传感器可以实现对海冰的大尺度连续观测, 能够反演长时间序列的北极海冰表面积雪深度[11-12]。美国国家航空航天局(National Aeronautics and Space Administration, NASA)就利用DMSP SMMR(scanning multichannel microwave radiometer)和SSM/I(special sensor microwave imager)被动微波传感器测得的亮温数据, 反演并发布了1978-2007年北极一年海冰表面积雪深度数据产品(以下简称NASA雪深产品)。

DMSP-F13卫星上搭载的SSM/I传感器及其后续星DMSP-F17上载有的SSMIS(special sensor microwave imager/sounder)传感器为多频段、双极化的被动微波传感器。由于这两个传感器在空间、时间和辐射测量特征上的不同, 时序观测数据会产生一定的系统偏差。利用不同传感器重叠期内测量的亮度温度数据进行交叉定标处理, 可以有效减小数据间的系统误差[13]。本文在前人研究的基础上将重叠期按月份进行划分, 建立月尺度拟合模型, 通过与传统年尺度拟合模型进行比较与优选, 实现数据的交叉定标处理, 在此基础上反演了2003-2014年北极一年海冰表面积雪深度, 并分析近12 a积雪深度的变化趋势, 以期为相关学科研究提供基础信息和参考。

1 数据与方法 1.1 研究区

本文研究区设定为北纬65°以上的北极边缘海域, 包括东西伯利亚海、拉普捷夫海、喀拉海、巴伦支海、格陵兰与挪威海、巴芬湾、加拿大北极群岛海域、波弗特海、楚科奇海, 各海域的地理范围如图 1所示。

图 1 研究区及其海域 Figure 1 The Study Area and Sea Regions
1.2 SSM/I-SSMIS亮度温度数据

被动微波遥感具有穿云透雾的能力, 不受极夜影响的特点, 可以获得极区长时续海冰观测数据。本文使用的被动微波遥感数据来源于美国国家雪冰数据中心(NSIDC), 为DMSP系列卫星上搭载的SSM/I和SSMIS传感器采集得到的2003-2014年共12 a的北极海冰亮度温度数据, 包括19 GHz垂直极化(19V)、19 GHz水平极化(19H)、22 GHz垂直极化(22V)、37 GHz垂直极化(37V)和37 GHz水平极化数据(37H), 数据的空间分辨率为25 km。其中, DMSP-F13卫星SSM/I传感器数据的覆盖时间为1995年5月3日至2009年4月29日; DMSP-F17卫星SSMIS传感器数据的覆盖时间为2006年12月14日至今[13]

1.3 数据交叉定标方法

DMSP-F17卫星与DMSP-F13卫星同属于DMSP卫星系列, 但由于搭载的传感器不同, 使得采集的亮温数据存在一定的系统误差[14-15]。为了保持估算的时序积雪深度的统一性, 需要对不同传感器测量的数据进行交叉定标和同化处理。

F17-SSMIS与F13-SSM/I亮度温度数据定标的基本原理主要是利用不同传感器观测获得的亮温数据之间的线性关系来标定所有的数据, 实现数据间的协同一致, 这就要求不同传感器之间存在重叠的覆盖时段(见表 1)。F13-SSM/I和F17-SSMIS传感器的重叠时间为2006年12月至2009年4月, 考虑到数据的质量及模型的可靠性, 本文选用2007年1~12月的重叠期数据进行交叉定标处理。同时, 为了避免陆地的影响, 对研究区陆地部分进行掩膜处理, 仅选留北极海区的观测数据参与建模计算。考虑到不同时相上数据间系统误差的不同, 本文将重叠年份的数据按照不同月份分别进行拟合, 构建月尺度交叉定标模型, 并与传统的年尺度定标结果进行比较, 择优选择拟合精度较高的模型, 实现F17-SSMIS和F13-SSM/I数据之间的同化处理。

表 1 F17-SSMIS与F13-SSM/I对比 Table 1 Comparison Between F17-SSMIS and F13-SSM/I
比较项 DMSP-F13 DMSP-F17
传感器 SSM/I SSMIS
运行时间 1995-05-03-
2009-04-29
2006-12-14至今
重叠时间 2006-12-14-2009-04-29
有效样本重叠时间 2007-01-01-2007-12-31
1.4 积雪深度被动微波遥感反演算法

被动微波传感器获得的亮度温度数据与海冰表面的积雪深度之间存在着密切的关系。Markus等据此提出了利用被动微波亮度温度数据反演海冰表面积雪深度的算法, 并将该算法应用到南北两极海冰表面雪深的计算中[16]。利用被动微波传感器19 GHz和37 GHz垂直极化的光谱梯度比计算海冰表面的积雪深度, 公式为:

$ {h_s} = \alpha + \beta \cdot{G_{{\text{ice}}}} $ (1)

式中, hs是积雪深度(单位为cm); α=-2.34和β=-771是通过对被动微波数据与实测数据进行线性回归得到的系数[16]; Gice是光谱梯度比, 由19 GHz和37 GHz垂直极化亮度温度数据经过海冰密集度以及开阔水域的亮度温度修正得到, 计算公式为:

$ {G_{{\text{ice}}}} = \frac{{{T_B}\left( {37V} \right)-{T_B}\left( {19V} \right)-{k^-}\left( {1 - C} \right)}}{{{T_B}\left( {37V} \right) + {T_B}\left( {19V} \right) - {k^ + }\left( {1 - C} \right)}} $ (2)

式中, TB(37V)和TB(19V)分别表示37V频段和19V频段的亮度温度值; k-=TBow 37V -TBow(19V); k+=TBow 37V +TBow(19V); TBow 37V与TBow(19V)来自开阔海域样本的亮度温度平均值, 通常取常数, 即TBow 37V =200.5 K, TBow 19V =176.6 K; 海冰密集度C可由NASA Team(NT)算法计算得到, 该算法涉及4个频段的被动微波亮温数据, 具体参见文献[11]。此外, 本文采用37V与19V频段的光谱梯度比G 37V/19V ≥-0.02作为一年海冰的阈值, 剔除多年冰; 用G 37V/19V ≥-0.053与22V和19V频段的光谱梯度比G 22V/19V ≥-0.045作为阈值, 来剔除云、雨水等干扰因素形成的无效数据[17]

1.5 积雪深度时序分析方法

利用经过交叉定标处理的被动微波遥感数据反演一年海冰表面积雪深度, 通过对日尺度积雪深度求平均, 得到月均积雪深度序列; 再对2003-2014年相同月份的月均积雪深度求平均值, 获得多年月均积雪深度。将月均积雪深度序列减去多年月均积雪深度, 即可得到北极一年海冰表面月均积雪深度距平序列, 进而分析积雪深度的变化异常和趋势。

此外, 本文采用线性倾向估计法分析2003-2014年北极一年海冰表面积雪深度的空间变化。通过对月均积雪深度求平均获得年均积雪深度数据序列, 再根据式(3)计算积雪深度多年平均变化速率R:

$ R = \frac{{\sum\limits_{i = 1}^n {{h_i}{t_i}}-\frac{1}{n}\left( {\sum\limits_{i = 1}^n {{h_i}} } \right)\left( {\sum\limits_{i = 1}^n {{t_i}} } \right)}}{{\sum\limits_{i = 1}^n {t_i^2}-\frac{1}{n}{{\left( {\sum\limits_{i = 1}^n {{t_i}} } \right)}^2}}} $ (3)

式中, hi表示第i年的积雪深度空间分布; tihi对应的时间; n为序列数, 本文为12。R的正负情况可表明积雪深度的趋势倾向:当R>0时, 表示积雪深度随时间t的增加呈现上升趋势; 当R < 0时, 则为下降趋势, 而R的大小可反映积雪深度在时间t内上升或下降的速率。

2 结果与分析 2.1 SSM/I-SSMIS数据定标结果分析

将4个频段(19H、19V、22V、37V)的亮度温度数据在月尺度上分别进行建模拟合, 最终得到48个拟合模型, 即每个频段的亮度温度数据各有12个模型, 如图 2所示(限于篇幅, 仅列出19V和37V频段的拟合模型), 决定系数(R2)见表 2。其中, 19H与19V频段模型的决定系数较好, 均在0.99以上; 同月37V频段模型的决定系数最低; 4个频段1~5月以及11~12月模型的决定系数均在0.99以上; 同频段下, 6~10月模型的决定系数较低, 37V频段表现得更为明显。

图 2 F13-F17 19 GHz和37 GHz垂直极化月尺度交叉定标模型 Figure 2 Monthly Calibration Model Between F13 and F17 of Channels 19V and 37V
表 2 F13-F17月尺度和年尺度交叉定标决定系数 Table 2 Determination Coefficients of Monthly and Yearly Calibration Methods Between F13 and F17
频段 月尺度 年尺度
1 2 3 4 5 6 7 8 9 10 11 12
19H 0.998 2 0.998 5 0.997 4 0.997 7 0.997 5 0.995 7 0.994 3 0.991 9 0.990 8 0.993 7 0.996 5 0.996 5 0.996 4
19V 0.997 9 0.998 2 0.997 1 0.997 6 0.997 4 0.996 1 0.994 5 0.992 1 0.991 0 0.993 7 0.996 2 0.996 3 0.996 5
22V 0.996 7 0.997 0 0.994 6 0.995 9 0.995 6 0.992 9 0.989 5 0.985 4 0.981 8 0.988 8 0.993 8 0.993 4 0.993 9
37V 0.995 0 0.993 9 0.990 5 0.992 4 0.990 2 0.985 3 0.983 2 0.972 6 0.947 7 0.979 2 0.991 7 0.990 2 0.989 1

表 2可以看出, 4个频段月尺度拟合模型的R2值在1~5月均高于年尺度交叉定标方法; 在6~10月低于年尺度交叉定标方法; 其中, 19H与37V频段的R2值在11~12月均高于年尺度交叉定标方法。

为进一步比较月尺度交叉定标模型的优劣, 本文将其与传统年尺度交叉定标方法[13, 15]所构建的拟合模型(图 3)进行对比。

图 3 F13-F17 19 GHz和37 GHz垂直极化年尺度交叉定标模型 Figure 3 Yearly Calibration Model Between F13 and F17 of Channels 19V and 37V

由于较高的R2值反映数据间更好的拟合程度, 为保持F13与F17亮度温度数据具有更高的协调一致性, 本文对1~5月的亮度温度数据和11~12月的19H与37V频段数据, 选用R2值更高的月尺度交叉定标模型进行数据间的匹配, 其他月份和频段采用年尺度模型进行定标处理。

2.2 2003-2014年积雪深度变化分析

利用优选的交叉定标模型对2003-2014年北极海冰亮度温度数据进行同化处理, 并反演出月尺度空间下的平均海冰表面积雪深度, 同时叠加2003-2007年NASA北极一年海冰积雪深度数据产品, 对比结果如图 4所示。

图 4 2003-2014年北极一年海冰表面积雪深度时序变化 Figure 4 Variation of Snow Depth on Arctic First-Year Sea Ice During 2003-2014

图 4(a)可见, 本文的海冰积雪深度反演结果与NASA雪深产品具有较好的一致性。北极一年海冰表面积雪深度存在稳定的周期性变化, 每年7月积雪深度最小, 9月最大。在每年7~9月、11月~次年3月积雪深度呈上升趋势, 4~7月、9~10月积雪深度表现为下降趋势。12年间月均积雪深度最大值为24.53 cm, 出现在2003年9月; 2005年7月是最小积雪深度月, 仅为8.44 cm。由图 4(b)可以看出, 2003-2014年积雪深度总体呈下降趋势, 但不显著。从图 4(c)年均积雪深度变化来看, 2007年积雪深度最小, 为15.16 cm; 2003年最大, 为15.98 cm; 2003-2014年北极一年海冰表面多年平均积雪深度为15.61 cm。通过与对应范围的Warren积雪深度比较可知, 相对于1954-1991年的Warren积雪深度[8], 2003-2014年北极一年海冰表面积雪深度减少了(10.13±0.53) cm。

图 5反映的是2003-2014年北极一年海冰表面积雪深度的空间变化趋势。可以看出, 研究期内积雪深度的变化范围为-0.89~1.26 cm/a。其中, 东西伯利亚海(ESS)、拉普捷夫(LS)海和巴伦支海(BS)的海冰表面积雪深度呈现减少的趋势, 而楚科奇海(CS)、波弗特海(BFS)的海冰表面积雪深度表现为增长的趋势。

图 5 2003-2014年北极一年海冰表面积雪深度空间变化 Figure 5 Spatial Variation of Snow Depth on Arctic First-Year Sea Ice During 2003-2014

研究期内, 海冰表面的积雪深度变化及其区域差异除了与海冰面积的变化密切相关外, 还与区域降雪量、雪的累积率及大气环流引起雪的重分布等因素有关[6], 未来可进一步收集相关多源数据, 开展北极一年海冰表面积雪深度的变化机制研究。

3 结语

本文以F13-SSM/I与F17-SSMIS被动微波亮度温度数据为基础, 将传统的年尺度交叉定标模型与月尺度交叉定标模型进行对比分析来确定最优的定标方法。在此基础上, 对不同卫星传感器观测的亮温数据进行同化, 反演了2003-2014年北极一年海冰表面积雪深度的时空变化。主要结论如下:

1) F13-SSM/I与F17-SSMIS观测的亮度温度数据具有一定的系统误差, 通过建立月尺度交叉定标模型, 细化了时间尺度, 可优选出更好的定标模型。与传统年尺度定标模型进行对比分析, 结果表明1~5月的月尺度交叉定标模型要优于年尺度定标模型, 因而对于海冰增长期(1~5月), 使用月尺度定标模型代替年尺度定标模型, 更能保持数据间的协调一致性。

2) 2003-2014年北极一年海冰表面积雪深度存在稳定的周期性变化, 每年7月积雪深度最小, 9月最大。12年间月均积雪深度最大值为24.53 cm, 出现在2003年9月; 2005年7月积雪深度最小, 仅为8.44 cm。2003-2014年北极一年海冰表面积雪深度总体呈现减少趋势, 与1954-1991年的Warren积雪深度相比, 减少了(10.13±0.53) cm。

3) 研究期内, 海冰表面积雪深度变化范围为-0.89~1.26 cm/a。积雪深度减少的区域有东西伯利亚海、拉普捷夫海和巴伦支海, 而楚科奇海、波弗特表海的海冰面积雪深度表现为增长的趋势。积雪深度的变化及其区域差异是海冰面积变化、降雪和雪累积、风作用下积雪的重分布等因素综合作用的结果, 未来可进一步收集相关资料开展积雪深度变化机制的研究。

海冰表面积雪深度对估算海冰厚度与体积、研究地球表面物质与能量平衡都起着重要的作用。经过定标后的被动微波亮度温度数据, 不仅能为长时间序列积雪深度反演提供更为准确的数据源, 而且对海冰密集度、海冰面积与范围、地表融化信息等长时间序列的时空变化分析都有着重要的影响。本文交叉定标仅在时间尺度上对传统的定标方法进行优化, 下一步研究中可考虑对亮度温度数据的空间分布差异进行同化处理, 以获得更为准确的积雪深度信息; 同时收集大量的现场积雪深度观测数据, 对积雪深度遥感反演算法进行改进和精度验证。

参考文献
[1] IPCC. Climate Change 2013-The Physical Science Basis:Working Group Ⅰ Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2014
[2] Nghiem S V, Rigor I G, Perovich D K, et al. Rapid Reduction of Arctic Perennial Sea Ice[J]. Geophysical Research Letters, 2007, 34(19): 1–6
[3] Brucker L, Markus T. Arctic-Scale Assessment of Satellite Passive Microwave-Derived Snow Depth on Sea Ice Using Operation IceBridge Airborne Data[J]. Journal of Geophysical Research:Oceans, 2013, 118(6): 2892–2905 DOI:10.1002/jgrc.20228
[4] Li Zhijun, Zhao Haiqing, Feng Enmin, et al. Time-Space Distribution of Water Content in the Snow on Arctic Sea Ice Surface in Summer[J]. Advances in Water Science, 2007, 18(1): 24–28 ( 李志军, 赵海清, 冯恩民, 等. 北极夏季海冰表面积雪层内水分含量的时空分布[J]. 水科学进展, 2007, 18(1): 24–28. )
[5] Häkkinen S. Seasonal Simulation of the Southern Ocean Coupled Ice-Ocean System[J]. Journal of Geophysical Research:Oceans, 1995, 100(C11): 22733–22748 DOI:10.1029/95JC02441
[6] Webster M A, Rigor I G, Nghiem S V, et al. Interdecadal Changes in Snow Depth on Arctic Sea Ice[J]. Journal of Geophysical Research:Oceans, 2014, 119(8): 5395–5406 DOI:10.1002/2014JC009985
[7] Ji Qing, Pang Xiaoping, Zhao Xi, et al. Comparison of Sea Ice Thickness Retrieval Algorithms from CryoSat-2 Satellite Altimeter Data[J]. Geomatics and Information Science of Wuhan University, 2015, 40(11): 1467–1472 ( 季青, 庞小平, 赵羲, 等. 基于CryoSat-2数据的海冰厚度估算算法比较[J]. 武汉大学学报·信息科学版, 2015, 40(11): 1467–1472. )
[8] Warren S G, Rigor I G, Untersteiner N, et al. Snow Depth on Arctic Sea Ice[J]. Journal of Climate, 1999, 12(6): 1814–1829 DOI:10.1175/1520-0442(1999)012<1814:SDOASI>2.0.CO;2
[9] Comiso J C, Cavalieri D J, Markus T. Sea Ice Concentration, Ice Temperature, and Snow Depth Using AMSR-E Data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(2): 243–252 DOI:10.1109/TGRS.2002.808317
[10] Kwok R, Maksym T. Snow Depth of the Weddell and Bellingshausen Sea Ice Covers from IceBridge Surveys in 2010 and 2011:An Examination[J]. Journal of Geophysical Research:Oceans, 2014, 119(7): 4141–4167 DOI:10.1002/2014JC009943
[11] Markus T, Cavalieri D J. An Enhancement of the NASA Team Sea Ice Algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(3): 1387–1398 DOI:10.1109/36.843033
[12] Comiso J C, Steffen K. Studies of Antarctic Sea Ice Concentrations from Satellite Data and Their Applications[J]. Journal of Geophysical Research:Oceans (1978-2012), 2001, 106(C12): 31361–31385 DOI:10.1029/2001JC000823
[13] Dai Liyun, Che Tao. Cross-Platform Calibration of Passive Microwave Brightness Temperature[J]. Remote Sensing Technology and Application, 2009, 24(5): 617–621 ( 戴礼云, 车涛. SMMR与SSM/I被动微波亮度温度数据交叉定标[J]. 遥感技术与应用, 2009, 24(5): 617–621. DOI:10.11873/j.issn.1004-0323.2009.5.617 )
[14] Stroeve J, Maslanik J, Li Xiaoming. An Intercomparison of DMSP F11-and F13-Derived Sea Ice Products[J]. Remote Sensing of Environment, 1998, 64(2): 132–152 DOI:10.1016/S0034-4257(97)00174-0
[15] Dai L, Che T, Ding Y. Inter-Calibrating SMMR, SSM/I and SSMI/S Data to Improve the Consistency of Snow-Depth Products in China[J]. Remote Sensing, 2015, 7(6): 7212–7230 DOI:10.3390/rs70607212
[16] Markus T, Cavalieri D J. Snow Depth Distribution Over Sea Ice in the Southern Ocean from Satellite Passive Microwave Data[M]. Washington D C: American Geophysical Union, 1998
[17] Markus T, Cavalieri D J, Ivanoff A. Algorithm Theoretical Basis Document: Sea Ice Products: Updated December 2011[EB/OL]. http://nsidc.org/sites/nsidc.org/files/files/amsr_atbd_seaice_dec2011.pdf,2011