HA.121 [遥感] 应用InSAR观测和机器学习量化大范围积雪深度

通讯作者：胡燮，北京大学城市与环境学院研究员，研究方向为地质灾害与浅表过程遥感。

课题组主页：

https://gsprs-pku.github.io/

联系邮箱:

hu.xie@pku.edu.cn

Yu, X., Hu, X., Wang, G., Wang, K., & Chen, X. (2022).  Machine-learning estimation of snow depth in 2021 Texas statewide winter storm using SAR imagery. Geophysical Research Letters, 49(17), e2022GL099119. https://doi.org/10.1029/2022GL099119

机器学习，InSAR，哨兵一号 (Sentinel-1），积雪深度，地面扰动

 近年来，全球范围内极端天气事件频发。2021年2月14-17日，一场史无前例的暴风雪袭击了美国德克萨斯州（以下简称“德州”），人口聚集的休斯顿、奥斯汀、达拉斯等地区受灾严重。和高纬度地区的常规降雪不同，在本次极寒风暴中，降温打破了德州30年的低温记录，且降雪在德州属罕见且突发性强，超过450万户的家庭失去电力供应，造成246人死亡，被认定为美国国家重大灾害事件Major Disaster。目前，积雪深度测量方法包括实地调查、超声探测、光学遥感反演和微波遥感反演等，但这些方法获取数据困难、易受天气影响、分辨率较低等。如何获取大范围、高分辨率、高精度的积雪深度仍是一个瓶颈问题。

该研究通过分析93景欧空局Sentinel-1 合成孔径雷达(SAR)卫星遥感影像(图1)，提取了美国德克萨斯州全区在暴风雪前后的干涉测量(InSAR)中的相干性(Coherence)差值，以此来表征积雪造成的地面扰动。基本思想是，积雪越深则电磁波的穿透和回波距离越长，体散射效应越大，InSAR相干性越低。但积雪深度和InSAR相干性之间并不是简单的线性/非线性关系，受地形、干燥度等多因子影响，这启发了作者通过机器学习集成多源数据估算积雪深度的研究思路。

图1：美国德州人口分布及Sentinel-1影像足迹

研究使用的数据包括土壤湿度、地表高程、SAR幅度影像、降水、温度、地面扰动和地面覆盖，同时为了探索潜在的“热岛效应”，还补充了人口数据(图2)。研究结果显示模型估算积雪深度与气象站点的观测结果高度吻合，德克萨斯州在此次事件中存在四个强地面扰动区，包括北部的东Panhandle区、东北部的Ark-Tex、西南部Middle Rio Grande和东南部的休斯顿地区，积雪深度超过30毫米(图3)的区域占89%，而降水量、地表高程和地面扰动这三个特征在模型估算中最为重要。

图2：机器学习输入特征：(a) 土壤湿度; (b) 地面高程; (c) 暴雪前SAR幅度; (d) 雪前雪中SAR幅度差分; (e) 暴雪前降水; (f) 雪前雪中差分降水差分; (g) 暴雪前气温; (h) 雪前雪中气温差分; (i) 地面扰动量; (j) 地面覆盖类型

图3：2021年2月美国德州积雪深度

该研究为定量分析极端天气事件提供了新思路，论证了SAR数据和InSAR产品在估算大范围地面扰动的可行性，集成土壤湿度、地表高程、SAR幅度影像、降水、温度、地面扰动和地面覆盖等多种因素参与机器学习，展示了大数据和人工智能在自然灾害研究的应用潜力。

[1] Cooley S.W., Ryan J.C. and Smith L.C., 2021. Human alteration of global surface water storage variability. Nature. 591 (7848), 78-81.

[2] Tao S.L., Fang J.Y., Ma S.H. et al., 2020. Changes in China's lakes: climate and human impacts.National Science Review. 7 (1), 132.