积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。
积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。
积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。
MODIS V6不再提供二值积雪分布及积雪面积比例产品，而是仅仅给出像元的归一化差值积雪指数NDSI。因此，基于MODIS V6进行积雪制图时，NDSI阈值的选取及相应的积雪制图精度有待研究。本文基于2013—2021年间250个地面气象站点逐日实测积雪深度数据，对中国三大典型积雪区内1 927景MOD10A1和1 936景MYD10A1影像中的NDSI＿Snow＿Cover波段进行评价，分别计算了逐站点像元在积雪产品制图中的最优精度及对应的最优NDSI阈值，并对影响精度的因素进行了分析。基于站点雪深的评价结果表明：（1）1 cm雪深阈值下，MOD10A1和MYD10A1的最优NDSI阈值均值±标准差分别为0.16±0.09和0.17±0.10，对应的总体精度OA、FS指数和CK指数的均值±标准差分别为0.96±0.05和0.94±0.05、0.84±0.19和0.75±0.24、0.81±0.20和0.71±0.24,MOD10A1的精度要优于MYD10A1。（2）MODIS积雪产品精度具有明显的空间异质性，青藏高原地区要远小于东北-内蒙古地区和北疆地区。（3）基于站点的积雪制图精度...
MODIS V6不再提供二值积雪分布及积雪面积比例产品，而是仅仅给出像元的归一化差值积雪指数NDSI。因此，基于MODIS V6进行积雪制图时，NDSI阈值的选取及相应的积雪制图精度有待研究。本文基于2013—2021年间250个地面气象站点逐日实测积雪深度数据，对中国三大典型积雪区内1 927景MOD10A1和1 936景MYD10A1影像中的NDSI＿Snow＿Cover波段进行评价，分别计算了逐站点像元在积雪产品制图中的最优精度及对应的最优NDSI阈值，并对影响精度的因素进行了分析。基于站点雪深的评价结果表明：（1）1 cm雪深阈值下，MOD10A1和MYD10A1的最优NDSI阈值均值±标准差分别为0.16±0.09和0.17±0.10，对应的总体精度OA、FS指数和CK指数的均值±标准差分别为0.96±0.05和0.94±0.05、0.84±0.19和0.75±0.24、0.81±0.20和0.71±0.24,MOD10A1的精度要优于MYD10A1。（2）MODIS积雪产品精度具有明显的空间异质性，青藏高原地区要远小于东北-内蒙古地区和北疆地区。（3）基于站点的积雪制图精度...
雪深是积雪重要的物理属性之一，准确的获取雪深对积雪水文与水资源、气候变化、雪灾等研究至关重要。目前，广泛用于长时间序列雪深研究的是气象站观测雪深数据和被动微波遥感(如SMMR、SSM/I和SSMI/S)反演雪深数据。本文对这两种数据的雪深最大值和平均值在中国地区的空间分布、年际变化进行对比，分析两种数据的分布特征。结果表明：空间上，站点观测雪深与站点对应遥感像元雪深在东北地区相关性最好，新疆地区次之，青藏高原地区相关性较差。两种雪深在稳定积雪区分布较为一致，在大于40 cm的深雪区和雪深小于5 cm的南方地区站点观测雪深的最大值明显高于遥感反演雪深的最大值。时间上，相比于1980年—2019年这一时间段，1989年—2019年站点雪深与遥感雪深在各典型积雪区的相关性明显提高。进而对比近30 a中国地区两种雪深的变化，结果显示两种数据在青藏高原东南部雪深有一致的显著(p<0.05)减少趋势，在东北平原地区雪深有一致的显著(p<0.05)增加趋势。分布在青藏高原地区的气象站大多选址在海拔较低的地方，不能很好的反映对应微波遥感像元中高海拔地区及山区内雪深的平均分布和变化情况，而被...
雪深是积雪重要的物理属性之一，准确的获取雪深对积雪水文与水资源、气候变化、雪灾等研究至关重要。目前，广泛用于长时间序列雪深研究的是气象站观测雪深数据和被动微波遥感(如SMMR、SSM/I和SSMI/S)反演雪深数据。本文对这两种数据的雪深最大值和平均值在中国地区的空间分布、年际变化进行对比，分析两种数据的分布特征。结果表明：空间上，站点观测雪深与站点对应遥感像元雪深在东北地区相关性最好，新疆地区次之，青藏高原地区相关性较差。两种雪深在稳定积雪区分布较为一致，在大于40 cm的深雪区和雪深小于5 cm的南方地区站点观测雪深的最大值明显高于遥感反演雪深的最大值。时间上，相比于1980年—2019年这一时间段，1989年—2019年站点雪深与遥感雪深在各典型积雪区的相关性明显提高。进而对比近30 a中国地区两种雪深的变化，结果显示两种数据在青藏高原东南部雪深有一致的显著(p<0.05)减少趋势，在东北平原地区雪深有一致的显著(p<0.05)增加趋势。分布在青藏高原地区的气象站大多选址在海拔较低的地方，不能很好的反映对应微波遥感像元中高海拔地区及山区内雪深的平均分布和变化情况，而被...
青藏高原内积雪的动态变化对区域能量平衡以及水文、气候和生态环境具有重要的影响。因青藏高原季节性积雪多呈现出雪层偏浅、斑块分布且消融较快等特征，积雪日数能更好地体现其时空分布状况。以空间分辨率为500m的MODIS-NDSI数据为基础，通过逐日积雪覆盖范围提取、积雪日数合成和站点数据校正等步骤，制作了青海省逐雪季年积雪日数遥感监测数据集，并经51个地面气象台站观测资料同期对比，R2在0.75–0.93，平均相对误差25%，表明数据具有较高精度。本数据集将为积雪动态变化监测、雪灾评估和气候变化等研究工作提供数据支撑。
青藏高原内积雪的动态变化对区域能量平衡以及水文、气候和生态环境具有重要的影响。因青藏高原季节性积雪多呈现出雪层偏浅、斑块分布且消融较快等特征，积雪日数能更好地体现其时空分布状况。以空间分辨率为500m的MODIS-NDSI数据为基础，通过逐日积雪覆盖范围提取、积雪日数合成和站点数据校正等步骤，制作了青海省逐雪季年积雪日数遥感监测数据集，并经51个地面气象台站观测资料同期对比，R2在0.75–0.93，平均相对误差25%，表明数据具有较高精度。本数据集将为积雪动态变化监测、雪灾评估和气候变化等研究工作提供数据支撑。