高时空分辨率雪深数据对水文建模和灾害预报至关重要。目前，高时间分辨率雪深通常源于被动微波数据，由于仅依据被动微波数据的空间分辨率较低，还无法满足区域水文和灾害研究的需求。本研究基于被动微波和光学等多源遥感数据，提出一种耦合深度学习模型FT-Transformer (Feature Tokenizer+Transformer)与积雪微波辐射传输模型SMRT (Snow Microwave Radiative Transfer)的降尺度雪深反演算法。使用深度学习映射AMSR 2亮温差TBD (Brightness Temperature Difference)、积雪覆盖日数SCD (Snow Cover Days)和积雪面积比例SCF (Snow Cover Fraction)等特征与雪深的复杂非线性关系，耦合SMRT拟合等效雪粒径ESG (Effective Snow Grain size)实现降尺度反演雪深，并以北疆39个站点数据进行模型训练和验证，获取北疆500 m降尺度雪深。验证结果表明：引入SCD独立验证RMSE优化了18%，有助于提高模型的空间泛化能力；ESG显著优化了深度学习...

明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...

明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...

明确山区季节性积雪的时空变化对山区水资源管理、水文过程和生态保护至关重要。高时空分辨率的积雪面积数据是监测山区积雪变化的重要手段，然而，由于现有积雪面积遥感产品受传感器性能的限制，短时间和高空间分辨率无法兼得，难以准确捕捉高度异质的山区斑状积雪的细微变化。为监测积雪面积的时空动态变化，本研究选取祁连山北麓山区为研究对象，利用MODIS和Landsat 8两种卫星数据，构建了基于U-Net++网络多源数据融合获取高时空分辨积雪面积的方法，并使用高分辨率的Landsat数据和Sentinel数据对新发展的方法进行验证，与融合高时空反射率数据间接重建积雪面积的STARFM和DMNet时空融合算法从不同角度进行对比验证。结果表明：（1）基于U-Net++网络的30 m空间分辨率积雪面积重建算法有效恢复了山区积雪的细节特征。算法精度较高，总体精度为90.4%，制图精度为89.9%，用户精度为88.4%,Kappa系数为0.80。重建结果鲁棒性较好，在不同积雪覆盖度、不同地表下垫面和不同云量的条件下，总体精度相差<3%，且均高于88%。（2）相较于STARFM和DMNet时空融合间接重建积雪...

表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。

表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。

表面融水深刻影响着南极冰盖物质平衡和全球海平面上升。受地理环境和气候条件影响,南极冰盖表面融水的年际变化差异较大,对环南极表面融水的动态监测方法与技术提出了诸多挑战。本文旨在对南极冰盖表面融水遥感识别方法的相关研究进行综述:(1)简介冰盖表面融水影响南极冰盖物质平衡的主要途径;(2)阐述用于南极表面融水提取任务的遥感卫星产品,包括多光谱图像和合成孔径雷达图像;(3)突出介绍目前实现南极表面融水提取的主要技术,包括阈值法、机器学习和深度学习等;(4)比较上述各种方法的优缺点,重点展望深度学习在南极冰盖表面融水的应用前景。

我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。

我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。

我国高速公路缺乏专业的路面状态检测设备，冬季难以针对冰雪路面进行实时监测和高效预警。对此，提出一种基于交通摄像头的高速公路积雪智能识别方法。利用摄像头采集高速公路视频图像，融合卷积神经网络和注意力机制建立图像分类模型，实现无积雪、应急车道积雪和行车道积雪三种路面状态的识别。实验结果表明，模型在白天场景测试集上识别准确率为98.3%,夜间场景测试集上识别率准确为85.9%。该方法能够充分利用现有交通视频监控设备，以较低成本实现冬季高速公路积雪状况的高密度、大范围监测。