CN: 11-6035/N
ISSN: 2096-2223
科学大数据工程优秀数据成果专题 II 区论文（已发表） • 版本 ZH2 Vol 8 (4) 2023
下载
青藏高原色林错2000–2021年湖冰数据集
A dataset of lake ice distribution in Lake Selin Co on theTibet Plateau from 2000 to 2021
李佳鑫，曹志刚，胡旻琪，熊俊峰，马荣华
LI Jiaxin, CAO Zhigang, HU Minqi, XIONG Junfeng, MA Ronghua
 >>
： 2023 - 04 - 25
： 2023 - 08 - 22
： 2023 - 05 - 15
： 2023 - 12 - 20
Baidu
map
4781 26 0
摘要&关键词
摘要：湖冰是气候变化的敏感指示因子，理解湖冰对气候的响应机制可为研究全球气候变化机制、提高气候预测能力提供理论基础。本文基于Landsat地表反射率产品生产2000–2021年的色林错湖泊边界数据；基于MODIS地表反射率产品生产2000–2020年11月至次年5月的色林错250 m分辨率日尺度湖冰分布数据；分别选取冻结期和完全封冻期结果与目视结果对比进行精度验证计算混淆矩阵，用户总精度达到90%，Kappa系数均在0.80以上；随后基于湖冰面积比例阈值识别物候期。色林错的湖冰物候有着指示气候变化的重要意义，连续的监测数据弥补了实测数据的不足，为相关研究提供数据支撑。
关键词：湖冰遥感；湖冰物候；MODIS；色林错
Abstract & Keywords
Abstract: Lake ice is a sensitive indicator of climate change. Research on the response mechanism between lake ice and climate offer valuable insights into the mechanisms driving global climate change and enhance our ability to predict climate patterns. Using the Landsat surface albedo products, we delineated the boundaries of Lake Selin Co from 2000 to 2021; and by leveraging the MODIS Terra surface reflectance data with a 250 m resolution and daily revisit time, we generated a dataset of lake ice distribution in Lake Selin Co from 2000 to 2021. We selected the results of the freezing period and the complete freezing period respectively, compared them with the visual results to perform accuracy verification and calculate the confusion matrix. The overall accuracy of the user reached 94%, and the Kappa coefficient exceeded 0.89. Continuous monitoring data for lake ice phenology in Selin Co are of great significance for tracking climate change, which help fill gaps in measured data and provide valuable support for related research.
Keywords: remote sensing of lake ice; lake ice phenology; MODIS; Selin Co
数据库（集）基本信息简介
数据库（集）名称青藏高原色林错2000–2021年湖冰数据集
数据作者马荣华（rhma@niglas.ac.cn）
数据通信作者李佳鑫，曹志刚，胡旻琪，熊俊峰，马荣华
数据时间范围2000–2021年
地理区域色林错地处西藏自治区申扎、班戈和尼玛3县交界处，位于冈底斯山北麓，申扎县以北，88°33′–89°21′E，31°34′–31°51′N之间。
空间分辨率250 m
数据量13 MB
数据格式*.shp, *.tif, *.xlsx
数据服务系统网址https://doi.org/10.57760/sciencedb.07457
基金项目中国科学院网络安全和信息化专项（CAS-WX2021SF-0306、CAS-WX2022SDC-SJ05）
数据库（集）组成数据集压缩包内共包括2个文件夹，其中：（1）SLC_Boundary包含2000–2021年色林错湖泊边界矢量，以湖泊缩写和年份命名；（2）SLC_ICE是湖冰日分布数据，按年分类，栅格数据以湖泊缩写和日期命名。
Dataset Profile
TitleA dataset of lake ice distribution in Lake Selin Co on theTibet Plateau from 2000 to 2021
Data corresponding authorMA Ronghua (rhma@niglas.ac.cn)
Data authorsLI Jiaxin, MA Ronghua, HU Minqi, XIONG Junfeng
Time range2000–2021
Geographical scopeSering Co, located at the junction of the three counties of Shenzha, Bangor and Nyima in the Tibet Autonomous Region, at the northern foot of Gangdise Mountain, north of Shenzha County (88°33′–89°21′E, 31°34′–31°51'N)
Spatial resolution250 m
Data volume13 MB
Data format*.shp, *.tif, *.xlsx
Data service system<https://doi.org/10.57760/sciencedb.07457>
Sources of fundingNetwork Security and Informatization Plan of Chinese Academy of Sciences (CAS-WX2021SF-0306, CAS-WX2022SDC-SJ05).
Dataset compositionThere are 2 data files in the compressed dataset package: (1) SLC_Boundary contains the annual lake boundary data; (2) SLC_ICE contain the daily distribution data of lake ice.
Baidu
引 言
全球变暖成为不争的事实[1]，大气和海洋变暖、水循环变化、冰冻圈退缩、海平面上升和极端气候事件增加，对全球自然生态系统和社会经济系统产生深刻的影响，严重制约人类可持续发展[2]。冰冻圈作为气候系统重要组成圈层之一，不仅对气候变化表现出高度的敏感性，同时其自身变化亦会改变气候系统和生态环境[3]。湖冰是冰冻圈的重要组成部分，与气候相互影响，湖面水冰状态转变影响湖流运动，使湖面物理性质发生变化，影响与大气的热量交换。因此，湖泊冰期趋势对于了解当地和全球气候系统动态非常重要。
色林错地处青藏高原，较少受人类活动影响，湖冰物候更能反映自然气候的变化。但高原复杂的地理环境为实地考察增加不少危险性，难以对湖泊进行全方位观测，不利于相关研究工作的开展。遥感具有覆盖面广、获取数据时间短、信息丰富、同步显示地物特征等特点。随着遥感技术的不断发展，影像数据获取便利，基于卫星观测数据在研究世界各地湖泊冰物候变化时展现出巨大的潜力[4-5]。微波影像和光学影像都被应用于湖冰提取，但微波遥感由于时间分辨率低（5–6天）且成本高，不适合大规模的湖泊冰物提取，光学卫星的应用较为广泛。例如，基于湖冰光谱特征构建的归一化积雪指数[6]、湖面温度、支持向量机和决策树等方法都被用于湖冰提取[7-8]。搭载于Terra卫星（1999至今）和Aqua卫星（2002年至今）的MODIS（Moderate Moderate Resolution Imaging Spectroradiometer）传感器可提供日尺度的全球影像数据，为湖冰连续监测和了解湖冰间歇性、持续时间等提供了可能。全球变暖背景下，不少研究表明湖泊冰期整体上呈现缩短趋势[9]。色林错流域近50 a气温显著升高、降水总体增加[10]，湖面不断扩张[11]，湖冰呈现出冻结推迟、冰期缩短的趋势[12]。色林错的湖冰物候有着指示气候变化的重要意义，长时序的湖冰监测可为相关研究提供数据支撑。
本研究首先通过归一化水体指数（Normalized Difference Water Index，NDWI）[13]获取2000–2021年色林错湖泊边界数据。之后基于光谱反射率特征，构建了一种基于波段差值的高精度湖冰遥感提取方法，结合目视解译验证了算法精度，总精度与Kappa系数显著优于已有的MODIS积雪产品MOD10A1。最后，将算法应用于MODIS Terra的地表反射率数据，获取了2000–2020年11月至次年5月的日尺度色林错湖冰分布数据集，并基于湖冰面积比例识别每年湖冰物候期，为湖泊系统和气候变化的研究提供支持。
1   数据采集和处理方法
1.1   数据采集
MODIS传感器的时间分辨率高，被用于提取湖冰并获取物候变化。考虑到色林错每年边界存在较大变动，Landsat系列传感器（30 m）被用于确定每年的色林错精确边界。具体地，本研究使用2000–2021年每年11月至次年5月的Terra MODIS陆地反射率数据（MOD09GQ）提取湖冰[14]，使用每年丰水期（6–9月）的Landsat系列传感器地表反射率产品（Surface reflectance，Collection 2，Tier 1）提取色林错湖泊边界。MODIS与Landsat的地表反射率产品均已去除水汽和臭氧吸收、气溶胶和瑞利散射等大气影响。在湖冰提取前，我们使用二者陆地反射率产品中自带的质量控制波段区域云和云阴影的影响（MODIS:state_1km_1，Landsat: QA_PIXEL）。影像的获取和处理均通过Google Earth Engine完成。
1.2   处理方法
1.2.1   归一化水体指数
湖泊水体反射率整体较低，随波长增加而减少，在近红外波段处反射率几乎为零；植被在可见光波段表现出高吸收，在近红外波段处反射率较高。归一化水体指数（NDWI）通过对绿波段与近红外波段做归一化运算，增大二者在近红外波段的差异，从而达到突出水体信息的目的。该方法简单快捷，应用广泛，其计算公式如下：
\(NDWI=\frac{GREEN-NIR}{GREEN+NIR}\) （1）
式中，GREEN为绿波段地表反射率，NIR为近红外波段地表反射率。分别为Landsat TM/ETM+第二波段（525–605 nm）和第四波段（775–900 nm）、Landsat OLI第三波段（525–600 nm）和第五波段（845–885 nm）。计算NDWI指数后，值大于0则判定为水体，获得每年多景水体二值图，计算像素积水年频率，基于年频率大于70%的认为是年永久性水体。将此部分栅格转为矢量数据，目视剔除多余的河流部分。
1.2.2   湖冰覆盖范围提取
对2000–2020年11月至次年5月的MODIS影像，用每年的湖泊边界数据进行裁剪以排除陆地的干扰。在MODIS影像上选择云、陆地、冰和水4类像元，光谱对比如图1所示。


图1   MODIS不同地物像元光谱对比
Figure 1 Comparison of the spectra of different ground object pixels in MODIS
冰和水在近红外波段的反射率均低于红外波段的反射率，且冰的差值大幅高于水，陆地和云在这两个波段反射率相近，因此使用MODIS红波段与近红外波段的差值提取湖冰，计算公式如下：
RED - NIR > T （2）
其中RED（620–670 nm）、NIR（841–876 nm）分别为MODIS第一波段反射率与第二波段反射率；T表示阈值，使用OTSU算法[15]自动确定。由于冰和水在短波红外波段的反射率均高于近红外波段，波段差值小于0的像元不是冰也不是水；色林错水体反射率整体都在0.1以下，波段差值不会高于0.1，因此确定灰度在0–0.1范围的像元只存在冰和水两类，进一步排除干扰因子。截取直方图0–0.1范围内数据计算OTSU阈值T2，如图2（d）湖冰提取结果所示，与图2（c）相比补全了北部湖湾漏提的湖冰。使用优化后的方法遍历MODIS影像数据集，计算每幅影像的阈值实现湖冰分布提取。


图2   方法示例
（a）MODIS影像（b）B1-B2灰度图（c）波段差灰度图OTSU阈值T1=0.061（d）0–0.1范围内的波段差值像元OTSU阈值T2=0.037
Figure 2 Method example (a) MODIS image, (b) B1-B2 grayscale image, (c)The OTSU threshold T1=0.061 of the band difference grayscale image, (d) OTSU threshold T2=0.037 for band difference pixels in the range of 0–0.1
1.2.3   湖冰物候识别
湖冰从开始冻结到完全融化是一个完整的封冻期（frozen duration，FD），一般从每年11月开始，次年5月结束。湖冰物候的主要时间节点包括：开始冻结时间（freeze-up start，FUS），即湖泊表面湖冰开始出现的时间点；完全冻结时间（freeze-up end，FUE），即湖泊表面首次全部冻结的时间点；开始融化时间（break-up start，BUS），即湖泊完全封冻后，湖冰开始融化的第一天；完全融化时间（break-up end，BUE），即湖冰完全融化，湖泊表面不再有湖冰出现的第一天。相邻时间节点之间的三个时间段分别为：冻结期（freeze-up duration，FUD）、完全封冻期（complete ice duration，CID）和消融期（break-up duration，BUD）。考虑到提取结果误差及去云导致的影像信息缺失，计算湖冰面积占比的5天平均数判断FUS和BUE，随时间推移当湖冰面积占全湖面积的10%时认为此时湖泊开始结冰，达到90%时认为湖泊完全冻结，当面积小于90%时则为开始融化日，小于10%时则为完全融化日，由于可能存在多次冻融过程，FUS和BUS取最后一次日期，FUE和BUE首次日期（图3），各日期代表每年湖冰冻结到的某一同样程度，而不是严格意义上第一次出现（完全消失）。


图3   湖冰物候识别示意图
Figure 3 Schematic diagram of phenological identification of lake ice
注：为色林错2020年MODIS获取的湖冰曲线和计算五天平均后的曲线。
2   数据样本描述
本数据集包括2000–2021年色林错年湖泊边界矢量数据集和2000–2020年每年11月至次年5月每日湖冰分布数据集：
（1）湖泊边界矢量数据集位于文件夹“SLC_Boundary”，命名规则为“slc年份_b.shp”，如slc2000_b.shp，投影坐标系WGS84UTM。每年面积统计结果汇总在“色林错面积.xlsx”。
（2）湖冰分布数据集位于文件夹“SLC_ICE”，命名规则为“SLC年-月-日_Iout.tif”，如“SLC2000-11-1_Iout.tif”，投影坐标系WGS84UTM，空间分辨率250 m，栅格像元值1为湖冰，0为非湖冰。物候识别结果汇总于“色林错湖冰物候.xlsx”，FUS、FUE、BUS和BUE以“年/月/日”记录，FD、FUD、CID和BUD以每年第几天记录，次年则加365或366天。
3   数据质量控制和评估
本数据集为日尺度连续数据，由于原始MODIS影像质量问题致小部分日期缺失。图4展示了2018年1月18日冻结期和2月3日完全封冻期MODIS影像的湖冰提取结果，与MODIS积雪产品MOD10A1[16]及同日Landsat OLI影像目视解译结果的对比，本数据集结果记为B12。


图4   湖冰提取结果验证
Figure 4 Verification of lake ice extraction results
以目视解译结果作为真实地表数据进行验证，计算混淆矩阵得到总精度（OA）和Kappa系数（见表1）。本数据集总精度都保持在90%以上，Kappa系数均达到0.80，精度高于MODIS积雪产品MOD10A1。此外对各种方法提取结果的面积做对比（表2），除2020年4月29日的结果外，本数据集面积更接近目视解译面积。
表1   湖冰提取精度
日期评价指标B12MOD10A1
20061219OA96.41%83.89%
Kappa0.940.71
20090415OA91.14%77.97%
Kappa0.850.61
20161230OA94.05%84.16%
Kappa0.890.71
20180118OA95.52%81.52%
Kappa0.90.57
20180203OA90.95%73.58%
Kappa0.810.44
20200429OA93.36%84.03%
Kappa0.880.72
表2   湖冰面积对比（km2）
日期B12（湖冰比例/%）MOD10A1（湖冰比例/%）目视解译（湖冰比例/%）
20061219499.0021.59%460.2519.91%572.2524.76%
20090415579.2524.36%306.2512.88%732.7530.82%
20161230380.7515.64%266.2510.94%467.7519.22%
201801181908.2578.36%1488.5061.12%1920.1678.85%
201802031970.9480.52%1521.7562.17%2447.90100.00%
20200429435.4417.48%458.5018.41%525.0021.08%
4   数据使用方法和建议
本数据集基于MODIS的地表反射率数据，使用基于阈值优化波段差值的高精度湖冰遥感提取方法，获取了色林错2000–2021年湖冰物候数据集，可为研究色林错的湖冰时空分布和物候变化提供数据支持，也可为理解气候变化下的湖冰生消过程提供科学依据。本数据集可直接在ArcGIS、ENVI等地理信息系统软件中进行编辑、查询以及后续分析工作。
[1]
ARIAS P, BELLOUIN N, COPPOLA E, et al. Technical Summary[M]. Climate Change 2021: The Physical Science Basis. IPCC, 2021.
+ CSCD · Baidu Scholar
[2]
秦大河. 气候变化科学与人类可持续发展[J]. 地理科学进展, 2014, 33(7): 874–883. DOI: 10.11820/dlkxjz.2014.07.002. [QIN D H. Climate change science and sustainable development[J]. Progress in Geography, 2014, 33(7): 874–883. DOI: 10.11820/dlkxjz.2014.07.002.]
+ CSCD · Baidu Scholar
[3]
秦大河. 中国气候与环境演变（2012·综合卷）[M]. 北京: 气象出版社, 2013. [QIN D H. Climate and Environmental Evolution in China (2012, Comprehensive Volume)[M]. Beijing: China Meteorological Press, 2013.]
+ CSCD · Baidu Scholar
[4]
GUO L N, ZHENG H X, WU Y H, et al. Responses of lake ice phenology to climate change at Tibetan Plateau[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 3856–3861. DOI: 10.1109/JSTARS.2020.3006270.
+ CSCD · Baidu Scholar
[5]
YANG X, PAVELSKY T M, BENDEZU L P, et al. Simple method to extract lake ice condition from landsat images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 1–10. DOI: 10.1109/TGRS.2021.3088144.
+ CSCD · Baidu Scholar
[6]
DOROTHY, K., HALL, et al. Development of methods for mapping global snow cover using moderate resolution imaging spectroradiometer data [J]. Remote Sensing of Environment, 1995. DOI: 10.1016/0034-4257(95)00137-P
+ CSCD · Baidu Scholar
[7]
ZHANG X, WANG K, KIRILLIN G. An Automatic Method to Detect Lake Ice Phenology Using MODIS Daily Temperature Imagery [J]. Remote Sensing, 2021, DOI: 13(14): 2711. 10.3390/rs13142711
+ CSCD · Baidu Scholar
[8]
WU Y, DUGUAY C R, XU L. Assessment of machine learning classifiers for global lake ice cover mapping from MODIS TOA reflectance data [J]. Remote Sensing of Environment, 2021, 253: 112206. DOI: 10.1016/j.rse.2020.112206.
+ CSCD · Baidu Scholar
[9]
SHARMA S, BLAGRAVE K, MAGNUSON J J, et al. Widespread loss of lake ice around the Northern Hemisphere in a warming world[J]. Nature Climate Change, 2019, 9(3): 227–231. DOI: 10.1038/s41558-018-0393-5.
+ CSCD · Baidu Scholar
[10]
王坤鑫, 张寅生, 张腾, 等. 1979—2017年青藏高原色林错流域气候变化分析[J]. 干旱区研究, 2020, 37(3): 652–662. DOI: 10.13866/j.azr.2020.03.13. [WANG K X, ZHANG Y S, ZHANG T, et al. Analysis of climate change in the Selin Co Basin, Tibetan Plateau, from 1979 to 2017[J]. Arid Zone Research, 2020, 37(3): 652–662. DOI: 10.13866/j.azr.2020.03.13.]
+ CSCD · Baidu Scholar
[11]
ZHANG G Q, YAO T D, XIE H J, et al. Lakes’ state and abundance across the Tibetan Plateau[J].Chinese Science Bulletin, 2014, 59(24): 3010–3021. DOI: 10.1007/s11434-014-0258-x.
+ CSCD · Baidu Scholar
[12]
邰雪楠, 王宁练, 吴玉伟, 等. 近20 a色林错湖冰物候变化特征及其影响因素[J]. 湖泊科学, 2022, 34(1): 334–348. DOI: 10.18307/2022.0127. [TAI X N, WANG N L, WU Y W, et al. Lake ice phenology variations and influencing factors of Selin Co from 2000 to 2020[J]. Journal of Lake Sciences, 2022, 34(1): 334–348. DOI: 10.18307/2022.0127.]
+ CSCD · Baidu Scholar
[13]
MCFEETERS S K. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425–1432. DOI: 10.1080/01431169608948714.
+ CSCD · Baidu Scholar
[14]
VERMOTE E, WOLFE R. MODIS/Terra Surface Reflectance Daily L2G Global 250m SIN Grid V061[DS/OL]. NASA EOSDIS Land Processes DAAC, 2021. DOI: 10.5067/MODIS/MOD09GQ.061.
+ CSCD · Baidu Scholar
[15]
OTSU N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62–66. DOI: 10.1109/TSMC.1979.4310076.
+ CSCD · Baidu Scholar
[16]
HALL D K, RIGGS G A. MODIS/Terra Snow Cover Daily L3 Global 500m SIN Grid, Version 6[DS/OL]. Boulder, Colorado USA. NASA National Snow and Ice Data Center Distributed Active Archive Center, 2016. DOI:10.5067/MODIS/MOD10A1.006.
+ CSCD · Baidu Scholar
数据引用格式
李佳鑫, 马荣华, 胡旻琪, 等. 青藏高原色林错2000–2021年湖冰数据集[DS/OL]. Science Data Bank, 2023. (2023-06-26). DOI: 10.57760/sciencedb.07457.
Baidu
稿件与作者信息
论文引用格式
李佳鑫, 曹志刚, 胡旻琪, 等. 青藏高原色林错2000–2021年湖冰数据集[J/OL]. 中国科学数据, 2023, 8(4). (2023-12-04). DOI: 10.11922/11-6035.csd.2023.0099.zh.
李佳鑫
LI Jiaxin
湖冰算法集成程序编写，数据生产流程设计，论文撰写。
（1998—），女，山西长治人，硕士，研究方向为湖冰遥感监测。
曹志刚
CAO Zhigang
算法指导，论文修改。
（1991—），男，安徽亳州人，博士，研究方向为湖泊水色遥感。
胡旻琪
HU Minqi
技术指导，论文修改。
（1994—），女，江苏南京人，博士，研究方向为湖泊水环境遥感。
熊俊峰
XIONG Junfeng
技术指导，论文修改。
（1993—），男，江西九江人，博士，研究方向为流域地理与环境遥感。
马荣华
MA Ronghua
总体思路设计，论文修改。
rhma@niglas.ac.cn
（1972—），男，山东临沂人，博士，研究方向为湖泊环境遥感。
中国科学院网络安全和信息化专项（CAS-WX2021SF-0306、CAS-WX2022SDC-SJ05）。
Network Security and Informatization Plan of Chinese Academy of Sciences (CAS-WX2021SF-0306, CAS-WX2022SDC-SJ05).
Baidu
出版历史
I区发布时间：2023年5月15日 （ 版本ZH1）
II区出版时间：2023年12月20日 （ 版本ZH2）
CSCD  ·  Badiu Scholar
参考文献列表中查看
中国科学数据
csdata

  • --

中国科学院期刊云服务平台 · 中国科学院科学传播局
技术支持 中国科学院计算机网络信息中心 · 印刻学术
Baidu
map