为了更好利用极化特征进行较准确的干雪识别，提出了一种面向干雪识别的合成孔径雷达（synthetic aperture radar,SAR）指数模型。以新疆玛纳斯河流域为研究区，选择干雪期Radarast-2全极化SAR数据进行Freeman极化分解，获取该时期的极化特征，并分析积雪覆盖区、非积雪覆盖区极化特征差异及极化特征的变化规律；在此基础上，提出一种新的面向干雪识别的指数模型，并进行Ostu阈值分割，识别干雪范围，并与最小距离、马氏距离、最大似然等监督分类方法的干雪识别结果进行对比分析。研究结果表明：基于Freeman极化分解构建的干雪识别指数模型，其总体分类精度达到85.83%，通过非监督的方式能够识别干雪覆盖范围。

针对全自主扫雪机器人在扫雪运行过程中偏离运行轨迹、覆盖率小、重复率高的问题，提出了一种路径-方向解析的选择搜索机制，设定扫雪场景局部坐标和世界坐标模型，采用视觉处理融合超声波测距反馈机制和方向解析算法，建立人机交互界面决策规则。通过扫雪机器人硬件和软件两个部分连接控制点，软件部分包括积雪识别、位置信息获取、人机界面；硬件部分包括行走机构、浮雪机构、视觉传感器、超声波传感器以及STM32F103ZET6芯片为核心的系统硬件。结果表明该优化控制算法在扫雪场景100cm范围内起点偏移距离维持在±2.17%内、起点偏差角度维持在±0.37%内、扫雪覆盖率≥95%、扫雪重复率≤20%，满足一定区域范围全自主除雪需求。

积雪作为冰冻圈重要组成部分，与全球气候变化和生态系统密切相关，精准识别积雪分布信息具有重要意义。合成孔径雷达(Synthetic Aperture Radar, SAR)数据的极化和散射特征在积雪识别中具有极大的应用潜力。以新疆玛纳斯河流域为研究区，提取全极化Radarsat-2数据后向散射特征和目标极化分解特征；为探索极化特征和散射特征对积雪识别的贡献，将获取的特征进行组合，得到3种特征集；采用随机森林算法对研究区积雪进行识别提取。结果显示，基于随机森林的Radarsat-2极化特征结合散射特征识别结果的总体精度和调和平均值(F1)达到最高，分别为83.00%和0.82,仅基于极化特征识别结果总体精度和F1分别为77.5%和0.76。研究结果表明，与单一极化特征相比，结合散射特征和极化特征能有效提高积雪识别精度，对山区大范围积雪识别具有极大的潜力。

针对2000年前北半球较高时空分辨率和高精度的历史积雪范围数据缺失问题，利用NOAA-AVHRR地表反射率数据，以Landsat-5 TM生成的积雪范围影像作为参考真值，优化基于多指标的多级决策树积雪识别算法的阈值，并结合云雪混淆区分技术，生成了北半球AVHRR1981—1999年L1级逐日积雪范围数据集。此外，针对AVHRR在高纬度地区数据完全缺失和低纬度地区数据部分缺失问题，利用微波雪深数据集进行填充，生成了北半球L2级逐日积雪范围数据集。最后，利用北半球1981—1999年间2 546个气象台站记录的雪深数据和939景Landsat-5 TM参考积雪范围影像作为验证数据，对AVHRR积雪范围数据集进行了精度验证。结果表明：L1级和L2级数据集的总体精度分别为81.8%和82.2%，用户精度分别为83.7%和83.8%，生产者精度分别为81.7%和84.2%，说明算法精度较高，错分误差和漏分误差均比较均衡。进一步利用Landsat-5 TM参考积雪范围影像对L2级数据集进行面上精度评估，发现L2级数据集的总体精度为90.3%，用户精度为90.2%，生产者精度为99.1%,L2级数据...

以黑龙江省哈尔滨市道外区为研究区,系统探讨分析了基于遥感的不同方法在积雪信息识别中的应用。首先,对研究区两个时相的高分六号(GF-6)多光谱相机(PMS)影像进行目视解译,掌握了研究区内地物类型和积雪分布特点。其次,基于目视解译结果,选取了8种典型地物类型,得到了"积雪"和"非雪"两类像元的光谱特征规律。再次,探讨分析了6种方法在积雪识别中的应用,利用精确率、召回率和F指数3个指标进行了精度评价。最后,提出了基于投票结果的最终识别结果判定方法,得到了研究区积雪信息最终识别结果。研究表明:(1)受下垫面和阴影的影响,研究区"同谱异物"和"同物异谱"现象普遍;(2)深度学习算法的识别效果最好,决策树法的识别效果相对较差;农田区的识别精度高于池塘区,误识别和漏识别的现象都相对较少;(3)基于投票结果的最终识别结果判定,可以有效改善单一识别方法存在的误识别和漏识别现象。

祁连山区积雪类型丰富、判识复杂,是中国积雪研究的典型区域。因此,精确地监测祁连山区积雪面积变化及其时空演变,对祁连山区生态环境和社会经济发展等具有重要意义。FY-3C MULSS利用多阈值积雪指数模型提供全球日积雪覆盖产品,FY-4A AGRI传感器每15～60 min提供一景覆盖全球的多光谱影像。基于FY-4A AGRI高时间分辨率的特征,构建适合于FY-4A号数据的动态多阈值多时相云隙间积雪识别方法,很大程度上减小了云对光学数据识别积雪造成的影响,并结合FY-3C MULSS积雪覆盖日产品较高空间分辨率的优势,融合得到去除云后的FY3C4积雪覆盖数据。利用Landsat 8 OLI卫星数据对融合后的积雪数据进行对比验证,结果表明融合FY-3C和FY-4A后的数据能更好地判识祁连山区的积雪覆盖情况。以MODIS MOD10A2积雪产品为真实值,随机检验了2018年3月～2019年3月融合后数据的积雪判识精度,发现无云情况下方法的总体精度可达到85.25%。进一步研究发现祁连山区积雪面积在海拔、气候和坡向等因素的影响下时空分布极不均匀,总体呈现出冬春季节大于夏秋季节,以及东部积雪面积大...

以新疆阿尔泰山南麓克兰河流域典型区为研究区,利用GF-3全极化数据进行积雪探测,提出了一种基于特征优选的积雪识别方法。首先通过极化分解获取了GF-3数据的22个极化特征,并利用随机森林方法计算各特征的重要性,构建特征优选规则生成最优特征集,然后基于最优特征集对积雪进行识别。分析特征的重要性发现,同极化后向散射系数对积雪识别的贡献比交叉极化的贡献大,面散射和体散射对积雪识别的贡献比二面角散射贡献大。将该方法与最大似然法、支持向量机、BP神经网络3种分类器的对比发现,使用最优特征集并且利用随机森林方法的积雪识别精度最高(F指数为0.86,总体精度为0.79)。结果表明:基于特征优选进行积雪识别,不仅使得积雪识别效率得到提高,而且保持精度不变甚至有所增加,证明了该方法在积雪识别中的有效性。