利用水平能见度图检测SAR时间序列中的季节性积雪变化

《Remote Sensing Applications: Society and Environment》：Detecting seasonal snow transitions in SAR time series with Horizontal Visibility Graphs

本研究首次将水平可见性图（HVG）与社区检测算法应用于安第斯山脉季节雪动态分析，有效识别了传统阈值方法遗漏的夏季至秋季裸土过渡现象，验证了SAVI/NMDI指标，为数据稀缺地区的雪监测提供了新方法，对水资源管理和灾害防控具有重要意义。

　　这项研究聚焦于南美洲安第斯山脉的季节性积雪监测，探索了一种基于水平可见性图（HVG）的新型方法，以解决传统遥感技术在复杂地形下难以区分裸土与新鲜积雪的问题。研究团队由Giuliana Beltramone、Alejandro C. Frery、Marcelo C. Scavuzzo、Matias Bonansea和Anabella Ferral组成，他们来自阿根廷的多个科研机构，包括Gulich研究所、CONAE与国家科尔多瓦大学的合作单位。研究区域位于阿根廷里奥内格罗省的圣卡洛斯德巴里洛切附近，这一地区以其独特的地理环境和气候条件而闻名，尤其适合分析季节性积雪的变化特征。

积雪在地球的水文循环和气候系统中扮演着关键角色，但目前在拉丁美洲，尤其是安第斯山脉地区，关于积雪动态的研究仍然较为有限。这主要是由于该地区地形复杂，地面观测存在较大困难。随着遥感技术的发展，合成孔径雷达（SAR）图像时间序列被广泛认为是监测积雪变化的一种有效手段。SAR技术具有高空间分辨率、不受云层或光照条件影响等优势，能够通过干涉和极化分析提供丰富的数据信息。然而，在安第斯山脉等复杂地形中，SAR信号容易受到几何畸变（如地形遮蔽、回波效应和阴影效应）的影响，这使得其在识别积雪特征时面临一定挑战。

此外，干燥的积雪在典型的雷达波长（如X、C和L波段）下通常具有透明性，这使得其与裸土之间的区分变得困难。传统的阈值方法在处理这种复杂性时往往表现不佳，无法准确捕捉积雪的非线性和非平稳特性。因此，研究团队提出了一种基于HVG和模块化社区检测的新方法，以更好地识别积雪的相变过程。HVG方法通过建立节点间的水平可见性关系，将时间序列转化为图结构，从而揭示其潜在的非线性特征。这种方法在处理积雪监测任务时具有独特的优势，因为它能够提供更丰富的结构信息，并有助于更精确地识别积雪的变化阶段。

研究区域的气候条件具有显著的季节性，且存在明显的干季和降水梯度。该地区位于安第斯山脉的东侧坡，受西北方来自太平洋的风影响较大，形成了独特的气候模式。这些气候特征与地形变化共同作用，导致积雪在时间和空间上的分布具有高度的不稳定性。因此，准确识别积雪的变化阶段对于预测区域内的洪水、雪崩、冻害、杂质水平以及水资源供应至关重要。而目前在拉丁美洲，尤其是安第斯山脉地区，针对季节性积雪的高级遥感研究仍然较为稀缺，这使得研究团队的工作具有重要的现实意义。

为了弥补这一知识空白，研究团队采用了Google Earth Engine（GEE）平台进行数据处理和初步分析。GEE平台为卫星图像的获取、预处理、时间序列生成和分析提供了强大的支持，使得研究团队能够在数据获取和处理方面更加高效。通过GEE代码编辑器，研究团队对Sentinel-1卫星图像进行了筛选和处理，最终获得了33个连续的影像数据，这些数据在2019年以相同的采集参数（相对轨道号=10，模式IW，极化VV/VH，采集时间约为早上6:49）获取。这些影像数据覆盖了研究区域，且具有规律的12天重访周期，确保了时间序列的稳定性。

研究团队进一步对这些SAR回波时间序列进行了分析，探索了HVG方法在识别积雪相变过程中的可行性。他们发现，HVG方法能够检测到传统阈值方法未能识别的夏季到秋季的裸土过渡现象，这一发现通过SAVI/NMDI方法进行了验证。这表明，HVG方法在识别积雪动态方面具有较强的鲁棒性和洞察力。同时，研究团队还评估了社区检测算法在区分裸土、干燥积雪和融雪过程中的性能，从而为开发非线性分析框架提供了支持。这种方法能够更全面地捕捉积雪的复杂动态，为实际的积雪监测任务提供更可靠的工具。

研究团队的工作不仅在方法上有所创新，还在应用层面具有重要的现实意义。通过在拉丁美洲的偏远山区测试这一方法，他们回应了该地区在季节性积雪研究方面的不足，并展示了HVG方法在缺乏地面验证和基础设施条件下的适用性。这一方法的推广将有助于提高对积雪动态的监测精度，从而为水资源管理、水力发电和洪水风险缓解提供科学依据。此外，研究团队还强调了结合实地测量、气象数据、遥感技术和反照率模拟的综合方法在准确表征大面积和偏远山区积雪状况方面的优势。

总的来说，这项研究为季节性积雪监测提供了一种新的视角和方法，填补了传统遥感技术在复杂地形下识别积雪相变过程的空白。HVG方法的引入使得研究人员能够从非线性角度分析时间序列数据，从而更全面地理解积雪的变化特征。这种方法不仅适用于安第斯山脉地区，还可能在其他具有类似地形和气候条件的地区推广。研究团队的工作为未来的积雪监测研究提供了重要的参考，同时也为遥感技术在地球系统科学中的应用开辟了新的可能性。通过这一研究，科学家们能够更有效地利用SAR图像时间序列，为应对气候变化和水资源管理挑战提供更精准的数据支持。