Projekt:FE Auswerteverfahren 1/Schnee/Salomonson 2003

Literatur Schnee

Startseite Appel, 2002 Bettems, 2006 Borel and Gerstl, 1994 De Ruyter de Wildt, 2005 De Ruyter de Wildt, 2007 Dozier, Jeff, 1989 Hall, 1995 Hall et al., 2002 Hall et al., 2005 Hauber, 2000 Klein, 1998 Krijger and Schrijver, 2005 Martinez et al., 2005 Painter et al., 1998 Paul, 2000 Rau, 2004 Riggs and Hall, 2002 Riggs et al., 2006 Robinson, 1993 Romanov et al., 2003 Salomonson et al., 2004 Sokol et al., 1999 Srivastava et al., 2003 Storvold et al., 2005 Trepte et al., 2002 Vikhamar et al., 2002 Willmes, 2003 Wiscombe and Warren, 1980

Weitere Teilprojekte

Wettersatelliten Oberflächentemperaturen Vegetationsindizes Schnee Niederschlag

Salomonson et al. 2004

Salomonson, V.V. & Appel, I.; Estimating fractional snow cover from MODIS using the normalized difference snow index Remote Sensing of Environment, 89, 351-360, 2004

Prinzip

Salomonson und Appel wollten einen Algorithmus zur Ableitung der Schneefraktion entwickeln, der in die bestehende MODIS-Schneeerkennung integriert werden kann. Anders als bei Mischungsansätzen, die bei Anwendung auf täglicher, automatisierter Basis schnell zu komplexen Problemen führen können, sollte die Einfachheit in der Berechnung des MODIS-Schneeprodukts erhalten bleiben. Grundgedanke der Arbeit ist, die Schneefraktion direkt aus dem NDSI einer schneebedeckten Oberfläche zu bestimmen.

Vorgehen

Es wurden die in 500m-Pixel aufgelösten MODIS-Messungen mit 30m-Landsat-Messungen (ETM+) verglichen. Untersucht wurden drei Gebiete, die die Schneebedeckung in unterschiedlichen Entwicklungsstadien, auf unterschiedlichem Relief und verschiedenen Landnutzungsarten gut wiedergeben. Diese lagen in Alaska, in Labrador und der sibirischen Taiga. Der MODIS-Algorithmus zur Schneeerkennung wurde auf die Landsat-Messungen angewandt und die 30m-Pixel in schneebedeckte und schneefreie Zellen unterteilt. MODIS- und Landsat-Messung wurden anschließend auf ein in 500m Schrittweite aufgelöstes UTM-Gitter projiziert. Für jede der Gitterzellen wurde über bilineare Interpolation der MODIS-Pixel ein NDSI bestimmt. Anschließend wurde für jede Zelle bestimmt, wie viele der Landsat-Pixel, die innerhalb der Zelle liegen, als schneefrei und schneebedeckt eingestuft wurden. Der Anteil der schneebedeckten Landsat-Pixel entspricht der Schneefraktion. Damit konnten jetzt lineare Beziehungen zwischen NDSI und Schneefraktion F aufgestellt werden. Dabei kann entweder der NDSI die unabhängige Variable sein und die Schneefraktion die abhängige Variable, oder umgekehrt. Letzterer Ansatz wurde von den Autoren für besser befunden, da die Berechnung des NDSI Fehlern aufgrund variabler Korngrößen, richtungsabhängigen Reflexionseigenschaften und unterschiedlichen optischen Dicken der Atmosphäre unterliegt. Weiter kann die Regressionsgleichung für die Schneefraktion keine Werte <0 oder >1 ergeben, wenn diese als unabhängige Variable in die Regression eingeht. Umgekehrt ist dies sehr wohl der Fall. Zuletzt ist der Anstieg der Ausgleichsgerade größer, wenn der NDSI als unabhängige Variable eingeht, die Sensitivität der Schneefraktion auf den NDSI also höher. Somit wurde folgende Gleichung an die Messungen angepasst:

$NDSI=a+b\cdot F$

Zur Ableitung der Schneefraktion F wurde die Gleichung invertiert. Die Ableitung der Gleichung erfolgte getrennt für die 3 oben genannten Gebiete. Die Ableitung der Regressionsbeziehung erfolgte in drei Fällen:

• Im ersten Fall wurden alle Zellen des UTM-Gitters verwendet.
• Im zweiten Fall wurden nur Zellen berücksichtigt, in denen auch Schnee identifiziert wurde.
• Im dritten Fall wurden nur Zellen berücksichtigt, in denen mindestens 10 % der Landsat-Pixel als schneebedeckt eingestuft wurden.

Ergebnisse

Die besten Ergebnisse lieferte der letzte Fall, da der Einfluss von Bereichen ohne oder mit nur wenig Schneebedeckung eliminiert wird. Für die Validierung der abgeleiteten Schneefraktion wurden 2 Varianten verwendet:

• Zuerst wurden die für zwei Gebiete aufgestellten Beziehungen zwischen NDSI und F gemittelt, auf das dritte Gebiet angewandt und dort mit den Landsat-Messungen verglichen. Der absolute Fehler der Schneefraktion lag in dieser Variante in allen drei Fällen unter 10%, der RMS bewegte sich um 10%.
• In einer zweiten Variante wurden die Beziehungen aller drei Gebiete gemittelt und mit zwei neuen Gebieten in Alaska und den Anden verglichen. Das Resultat glich dem der ersten Variante.

Fehler

Die Autoren haben ebenfalls eine Fehleranalyse durchgeführt. Als Hauptfehlerquellen werden unterschiedliche Korngrößen, die Reflexionsanisotropie und variable optische Dicken der Atmosphäre angegeben. Für jede dieser Fehlerquellen wurde aus Literaturwerten ein typischer Schwankungsbereich des NDSI und der daraus abgeleiteten Schneefraktion ermittelt und angenommen, dass dieser einer Schwankungsbreite von ±3σ entspricht. Damit konnte für jede Fehlerquelle eine Standardabweichung σ der Schneefraktion angegeben werden. Diese liegt für die Korngröße bei σ = 0,07, für Fehler infolge des Beleuchtungs- und des Beobachtungswinkels bei jeweils σ = 0,05 und für die optische Dicke der Atmosphäre bei σ = 0,02. Für den theoretischen RMS ergibt sich damit ein Wert von 0,1, was den Beobachtungen entspricht.

Zusammenfassung

Zusammengefasst halten die Autoren die Ergebnisse des entwickelten Algorithmus für gut, schränken jedoch den Anwendungsbereich ein. Da nur der Schneeanteil innerhalb eines Pixels untersucht wird, jedoch keine Abschätzung der Schneedecke unter Vegetation erfolgt, kann das Vorgehen nicht für die Schneebestimmung in stark bewaldeten Gebieten verwendet werden. Gute Ergebnisse werden jedoch bei Anwendungen erwartet, in denen die Auswirkung der Schneefraktion auf die Strahlungsbilanz berücksichtigt werden soll.