目前应用最为广泛的积雪覆盖区域图(SCA)可由中分辨率成像光谱仪(MODIS)获取，常被用于积雪覆盖时空变化的研究中.由于受云遮挡的影响，MODIS积雪产品存在较大区域的数据缺失.为了消除云遮挡的影响，本文构建一种降噪自编码神经网络模型，建立雪粒径与复杂地形、土地覆盖类型之间的复杂的映射关系，实现云下积雪参数的补全，提高积雪产品的覆盖面积.本文选取开都河流域为研究区域，将MODIS反演得到的积雪产品数据与地形地物数据结合，并通过降噪自编码神经网络(Denoising Autoencoder Artificial Neural Network)、极值雪线法相结合的方法来定量地回归补全高山复杂地形下由于云覆盖导致的积雪缺失数据，从而得到无缺失的逐日雪盖数据.其中，降噪自编码神经网络融合多特征数据，建立地形特征与雪粒径数据之间的非线性映射关系，从而来补全云层下的雪粒径数据；极值雪线法主要用来去除低海拔地区误报值，进一步提高雪盖提取精度.采用MODIS积雪产品对去云结果开展精度验证，本文所提出的去云方法的精度超过86%,有效地提高了雪盖提取精度.因此，本文所提的算法可以有效地去除复杂地形区域的...

归一化差值积雪指数NDSI (Normalized Difference Snow Index)是积雪识别中最常用的指数，但由于云的遮挡限制了MODIS NDSI产品的应用。本文提出了一种基于邻近相似像元的MODIS NDSI产品去云方法，并分析了无云NDSI序列在积雪识别中的最优阈值。对于NDSI影像上某一个云遮挡的目标像元，选取目标像元的n个邻近相似像元进行加权平均来预测该目标像元的NDSI值。以东北积雪区2017年10月1日—2018年4月31日一个积雪季的NDSI产品进行去云实验，并采用“云假设”的方法进行了检验，所预测到的云覆盖像元NDSI值与实际值的相关系数达到0.95，均方根误差为0.08。将逐日无云NDSI序列与气象站点测量的雪深序列进行对比，二者具有很好的一致性。气象站点的测量雪深大于等于1 cm时，假定该站点所在的像元为有雪像元，并以此为真值，分析无云NDSI序列在积雪识别中的最优阈值。结果表明，非森林地区NDSI阈值为0.1时积雪提取的精度最高，可以达到95.6%；森林地区的NDSI最优阈值为0，对应的积雪提取精度为93.5%。

积雪作为冰冻圈的活跃因子之一，对气候环境的敏感性使其能够快速反映出与气温、降水等气候因素的关系变化，并影响着全球水文变化。对新疆北部地区2003年6月—2021年6月的中分辨率成像光谱仪(moderate resolution imaging spectrometer, MODIS)逐日积雪数据进行去云处理，并基于像元计算了积雪覆盖比例(snow cover percentage, SCP)、积雪覆盖日数(snow cover days, SCD)、积雪开始时间(snow onset day, SOD)和积雪结束时间(snow end day, SED)。实验结果表明：积雪产品相对于气象站点数据的总精度达到91.47%,有利于提高对积雪因子的时空变化分析。新疆北部地区SCD空间分布差异较大，SCD随海拔的升高而增加，SOD随海拔升高而提前，主要在11月和12月出现；SED随海拔升高而推迟，主要在2月和3月出现；夏季平均SCD最少，主要分布于天山中部以及阿尔泰山北部区域，约占3.35%,冬季平均SCD最为明显，大于60 d的区域占46.3%;而SCP在1月达到最大，7月和8月最小。趋势变...