改進積雪密度的估計是目前雪研究的一個關(guān)鍵問題。表征密度時空變異性對于水當量的估算、水力發(fā)電和自然災(zāi)害（雪崩洪水等）的評估至關(guān)重要。高光譜成像是一種監(jiān)測和估計其物理特性的有前途且可靠的工具。事實上，雪的光譜反射率在一定程度上受其物理特性變化的控制，尤其是在光譜的近紅外（NIR）部分。為此，已經(jīng)設(shè)計了幾種模型根據(jù)光譜信息估算積雪密度。然而，還沒有一個實現(xiàn)滿意的結(jié)果。主要困難之一是積雪密度和光譜反射率之間的關(guān)系是非雙射的（滿射的）。事實上，幾個反射振幅與相同的密度相關(guān)，反之亦然，所以密度和光譜反射率之間的相關(guān)性可能非常弱。
基于此，為了解決該問題，本研究中提出了基于光譜數(shù)據(jù)的積雪密度估計混合模型。主要研究目標是利用高光譜NIR成像（PIKA NIR，RESONON Company）（900-1700 nm）以5.5 nm的光譜分辨率測試混合模型（HM）估計季節(jié)性積雪密度的性能。混合模型結(jié)合了一個分類器和3個與密度類別相關(guān)聯(lián)的特定估算量（弱到中度變質(zhì)雪（WMM），中度到高度變質(zhì)雪（MHM）和高度到極高度變質(zhì)雪（HVM））。利用2018（1.19-3.27）、2019（1.10-4.3）和2020（1.29-3.10）年冬季在加拿大魁北克國立科學(xué)研究院（INRS）的科技園內(nèi)（46°47′43.22″北緯，-71°18′10″西經(jīng)）收集的數(shù)據(jù)集校準和驗證了HM?；旌夏Ｐ驮趦蓚€水平進行評估：利用留一法交叉驗證（LOOCV）算法和系統(tǒng)劃分驗證技術(shù)（SSV）。LOOCV技術(shù)用于評估3個特定估算量，SSV數(shù)據(jù)用于評估HM性能。4個統(tǒng)計評估指標（決定系數(shù)（R2），均方根誤差（RMSE），偏差（BIAS）和納什系數(shù)（NASH））用于評估模型的性能。
?
加拿大魁北克采樣區(qū)地理位置。
高光譜成像系統(tǒng)。
（a）雪樣垂直剖面的高光譜采集；（b）積雪垂直地層空間轉(zhuǎn)換的假彩色RGB圖像。
【結(jié)果】
?
3種積雪類別的NIR光譜反射率。
?
混合模型估計特定估算量的結(jié)果；（a）WMM，（b）MHM，（c）HVM。
混合模型特定估算量的LOOCV結(jié)果；（a）WMM，（b）MHM，（c）HVM。
利用SSV數(shù)據(jù)估計區(qū)域混合模型。
【結(jié)論】
基于多元逐步回歸的校準步驟結(jié)果表明，3種類型積雪均對不同NIR光譜區(qū)域敏感，局限于短波長和長波長。WMM對1265 nm和941 nm的波長敏感，MJM對1617 nm和941 nm的波長敏感，HVN對1424 nm和1188 nm的波長敏感。LOOCV技術(shù)強調(diào)了所有類別的特定估算量都趨向于略微高估積雪密度（BIAS＜0.1 kg·m-3）。當用SSV數(shù)據(jù)挑戰(zhàn)HM時，模型結(jié)果令人滿意，R2=Nash=0.93，積雪密度略有低估（BIAS=1.03 kg·m-3）。
本研究的目的是開發(fā)一種基于積雪光學(xué)特性地方法，結(jié)合傳統(tǒng)密度測量方法以減輕野外作業(yè)。利用HM估算積雪密度的關(guān)鍵步驟是最終特定估算量的選擇。事實上，分類算法（如CART）是局部且不穩(wěn)定的。這種不穩(wěn)定性會顯著影響利用HM的特定估算量的密度的準確性。換句話說，對于利用HM的理想建模過程，要建模的樣品必須很好地分類，以便使用與該類對應(yīng)的特定估算量來進行最優(yōu)密度估計。否則，一個錯誤的特定估算量將會被選擇，從而影響估算精度。例如，對于一個581 kg·m-3的測量密度（分類為HVM），當分別利用HVM，MHM和WMM特定估算量估算時，相對誤差變化了5%、39%和75%。另一方面，該方法的另一阻礙是野外和恢復(fù)的高光譜圖像上均勻積雪層的正確選擇。因此，需要進行額外的野外工作來收集更多的數(shù)據(jù)以克服這一弱點并允許適當?shù)囊巴鈱嵤?。HM提供了一種改進工具來監(jiān)測季節(jié)性積雪的演變，即使對于低到中等的積雪密度，其性能也令人滿意。該研究結(jié)果是開發(fā)一種在野外連續(xù)監(jiān)測積雪密度剖面的有效方法的重要一步。
?
請點擊如下鏈接，閱讀原文：
PIKA NIR高光譜成像在估算積雪密度上的應(yīng)用