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...

本文基于中国雪深长时间序列数据集，分析1979—2020水文年东北黑土区年均、各月以及各季主要积雪参数的时空变化特征。结果表明：（1）1979—2020水文年东北黑土区年均积雪深度2.70 cm，年均稳定积雪面积为1.07×10～6 km2，积雪初日为12月1日，积雪终日为3月22日，稳定积雪期112.0 d。年内各季、各月平均积雪深度与稳定积雪面积均呈现出单峰分布的特征，2月均为峰值最高月份。（2）各积雪参数空间分布几乎呈现出一致的空间差异性，均表现为以黑土区腹地为中心的马蹄形空间分布方式。（3）研究发现，除积雪面积未发生显著变化外，积雪深度以及积雪物候均发生了显著的变化。年均、各季以及各月积雪深度均呈现出一致的下降趋势，相比于1979—1988年，近10年年均积雪深度减少了29.48%。积雪初日以1.4 d·（10a）-1的速率显著推后，积雪终日以-1.6 d·（10a）-1的速率显著提前，从而导致稳定积雪期以3.0 d·（10a）-1的速率显著缩短。（4）各积雪参数空间变化特征略有差异。年均积...

积雪面积比例FSC(Fractional Snow Cover)能在亚像元尺度上定量描述积雪的覆盖程度，相比二值积雪更适合反映复杂山区积雪的分布情况，是山区融雪径流模拟，气候变化预测的重要输入参数。本研究在亚洲高山区HMA(High Mountain Asia)基于分地类特征选择的多元自适应回归样条MARS(Multivariate Adaptive Regression Splines)模型LC-MARS发展了MODIS FSC反演算法，并制备了亚洲高山区FSC产品。以Landsat 8提取的FSC为参考真值验证LC-MARS模型反演FSC精度，对比相同训练样本下LC-MARS模型与线性回归模型反演FSC精度，比较LC-MARS模型制备的FSC与MOD10A1、SnowCCI在亚洲高山区的精度表现。结果表明：（1） LC-MARS模型反演的FSC总Accuracy、Recall分别为93.4%、97.1%，总体RMSE为0.148,MAE为0.093，总体精度较高。（2）相同训练样本下LC-MARS模型在林区、植被和裸地反演FSC精度均高于线性回归模型，表明LC-MARS模型更适用于...

积雪是水循环的重要组成部分，积雪的积累消融对下游社会经济发展具有重要影响。采用趋势分析、相关性分析等方法分析2000—2020年昆仑山北坡积雪面积、积雪日数（SCD）在空间和时间上的分布特征和变化趋势，并分析积雪的海拔效应及气候对积雪的影响。结果表明：（1） 2000—2020年昆仑山北坡积雪面积呈减少趋势(-152.4 km2·a-1),2010年以前积雪面积距平偏正，2010年后偏负。（2）月尺度上，积雪覆盖率（SCF）从8月到翌年7月呈先增后减的趋势，冬、春季高于夏、秋季。（3） SCD分布具有明显的空间异质性，中部地区SCD的变化影响该地的年总SCD。（4） 2000—2020年的年均SCD随海拔升高而增加，海拔>6.0 km为331.6 d，说明高海拔地区存在常年性积雪。（5）气温与积雪面积呈显著负相关（相关系数为-0.68,P0.05），气温对积雪的影响高于降水。

积雪是寒区水文的重要组成部分，研究区域积雪分布特征对冰雪资源的利用和防灾减灾具有十分重要的意义。基于MOD10A2数据和DEM高程数据，对呼兰河流域不同高程带上的积雪面积和积雪覆盖率进行分析研究，进一步探讨了气温对积雪的影响程度。结果表明：(1)分带1的积雪期为10月至次年3月，分带2和分带3的积雪期较分带1多了2个月；(2)积雪面积和积雪覆盖率均呈单峰分布，峰值均在冬季；(3)呼兰河流域积雪面积在秋季整体上呈增长趋势，冬季呈下降趋势；(4)各高程带的春季、夏季和冬季均为“减少-增加-减少-增加”的分布规律，秋季为“增加-减少-增加-减少”的分布规律；(5)气温和积雪面积具有显著的负相关关系。

基于1977—2017年的Landsat卫星数据，研究区域积雪季节变化特征以及积雪变化与气候特征之间的响应机制。对Lantsat数据采用面向对象法、雪盖指数法提取波密县流域的积雪像元，研究结果表明，近40年来波密县流域积雪面积在年际尺度上整体面积急剧下降，40年间积雪覆盖率由67%下降至18%,尤其是2007—2017这10年，波密县流域的积雪面积呈现明显下降的趋势。全球气候变暖可能是波密县流域积雪面积不断变小的主要原因。

积雪面积比例（Fractional Snow Cover,FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area,SCA）与像元空间范围的比值。本数据集利用Google Earth Engine(GEE)平台，将MODIS全球地表反射率产品MOD09GA作为源数据，建立FSC与归一化植被指数（Normalized Difference Snow Index,NDVI）和归一化积雪指数（Normalized Difference Snow Index,NDSI）的线性回归经验模型BV-BLRM(Based NDVI Bivariate Linear Regression Model,BV-BLRM)。该模型制备的积雪面积比例数据较MOD10A1 V6数据的均方根误差提高了45%。基于该模型制备了泛北极地区（北纬45°至北纬90°）积雪面积比例时序数据。本数据集时间序列为2000年2月24日至2019年11月18日，时间分辨率为1天，空间分辨率为1 km。本数据集可以为区域气候模拟、水文模型等提供积雪分布的定量信息。

为实现4D（时间+空间）多目标、高精度的积雪监测，本次试验研究采用单台相机延时拍摄结合运动结构重建算法（Structure from motion,Sf M），分别获取了祁连山黑河上游站裸露山坡坡面尺度单次降雪的雪深、逐日积雪空间分布和面积，以及祁连山八一冰川1.5m×1.5m的斑块尺度全年雪深及雪面特征数据。坡面尺度积雪观测研究表明：本方法可以准确获取积雪分布信息，但其雪深空间分布获取精度较差。斑块尺度雪深监测研究表明：本方法能够很好地获取连续的雪面特征信息和雪深，且获取雪深与SR50观测雪深的绝对误差小于3.4cm。在不同季节，本方法对积雪监测能力略有差异：春季快速积累期雪面纹理少，照片组对齐并获取点云数据和DEM数据的成功率较低，而冬季和消融季雪面纹理丰富，相应的对齐成功率比例和精度较高。本研究表明基于单台相机的4D摄影测量方法能够实现小范围、连续、高精度、多目标的积雪监测，未来应用前景广泛。

高空间分辨率雪深数据对于区域气候、水文研究具有重要的意义。利用10km空间分辨率的AMSR2 L1B亮度温度数据,结合500m空间分辨率的MODIS逐日无云积雪面积比例数据,发展了一种多源数据融合的空间动态降尺度雪深反演算法(SDD)。基于该算法获取了北疆地区500m空间分辨率的雪深数据(SDDsd),并利用研究区30个气象台站和野外实测的雪深数据对该算法反演雪深的精度进行了评估。结果表明:基于SDD方法获取的雪深数据与实测雪深数据之间的决定系数R2为0.74,均方根误差RMSE为3.47 cm;雪深反演的精度与下垫面类型密切相关,草地精度最高,城镇和建设用地次之,耕地相对较差;雪深反演的精度也会受到地形的影响,精度随坡度的增加而降低。相对于微波遥感雪深数据直接重采样结果,新的算法有效提高了浅雪区雪深反演精度,同时能更精细地描述积雪的空间分布,为理解区域气候变化、水文循环提供了可靠的数据支撑。此外,随着长时间序列全球尺度逐日无云FSC数据的生产,结合现有的长时间序列全球尺度AMSR2数据,该算法有望制备全球的降尺度雪深产品。