内蒙古是我国重要的季节性积雪区之一，积雪判识和雪深反演对农业生产、生态评估以及研究春汛、积雪灾害等有重要意义。为了提高本地积雪判识精度，本文提出一种基于归一化差分雪指数（Normalized Difference Snow Index,NDSI）的直接比较积雪判识方法，即应用葵花8号卫星的待判识积雪图和当年秋季无雪底图的NDSI做差运算进行积雪判识，并与日常业务使用的积雪判识方法进行比较。结果表明：日常使用的积雪决策树算法（Snow Mapping,SNOMAP）存在漏判部分薄雪像元现象，积雪分数（Fractional Snow Cover,FSC）算法在积雪判识时会受到水体影响最终影响精度。内蒙古地区的非林区，NDSI直接比较判识法相较SNOMAP和FSC算法判识精度分别提升3.88%、0.52%,NDSI直接比较法和FSC算法在非林区的判识精度相差很小；林区，NDSI直接比较法相较FSC算法判识精度明显提升，同时错判误差降低，说明NDSI直接比较法更适用于内蒙古地区林区的积雪判识。

内蒙古是我国重要的季节性积雪区之一，积雪判识和雪深反演对农业生产、生态评估以及研究春汛、积雪灾害等有重要意义。为了提高本地积雪判识精度，本文提出一种基于归一化差分雪指数（Normalized Difference Snow Index,NDSI）的直接比较积雪判识方法，即应用葵花8号卫星的待判识积雪图和当年秋季无雪底图的NDSI做差运算进行积雪判识，并与日常业务使用的积雪判识方法进行比较。结果表明：日常使用的积雪决策树算法（Snow Mapping,SNOMAP）存在漏判部分薄雪像元现象，积雪分数（Fractional Snow Cover,FSC）算法在积雪判识时会受到水体影响最终影响精度。内蒙古地区的非林区，NDSI直接比较判识法相较SNOMAP和FSC算法判识精度分别提升3.88%、0.52%,NDSI直接比较法和FSC算法在非林区的判识精度相差很小；林区，NDSI直接比较法相较FSC算法判识精度明显提升，同时错判误差降低，说明NDSI直接比较法更适用于内蒙古地区林区的积雪判识。

内蒙古是我国重要的季节性积雪区之一，积雪判识和雪深反演对农业生产、生态评估以及研究春汛、积雪灾害等有重要意义。为了提高本地积雪判识精度，本文提出一种基于归一化差分雪指数（Normalized Difference Snow Index,NDSI）的直接比较积雪判识方法，即应用葵花8号卫星的待判识积雪图和当年秋季无雪底图的NDSI做差运算进行积雪判识，并与日常业务使用的积雪判识方法进行比较。结果表明：日常使用的积雪决策树算法（Snow Mapping,SNOMAP）存在漏判部分薄雪像元现象，积雪分数（Fractional Snow Cover,FSC）算法在积雪判识时会受到水体影响最终影响精度。内蒙古地区的非林区，NDSI直接比较判识法相较SNOMAP和FSC算法判识精度分别提升3.88%、0.52%,NDSI直接比较法和FSC算法在非林区的判识精度相差很小；林区，NDSI直接比较法相较FSC算法判识精度明显提升，同时错判误差降低，说明NDSI直接比较法更适用于内蒙古地区林区的积雪判识。

文章使用葵花8号卫星遥感影像反演积雪深度，其过程受多种因素影响，气象因子与实测雪深具有线性相关，而各项下垫面因素和实测雪深没有明显线性关系，随机森林和神经网络具有较强的非线性映射能力，因此利用机器学习中的这两种方法进行雪深反演比传统计算方法表现更好。结合气象因子和下垫面影响因子的反演模型有着较好的泛化能力，尤其是使用随机森林模型，其拟合优度（R2）达到75%,均方根误差（RMSE）达到2.51 cm。表明：基于随机森林和神经网络模型的葵花8号数据雪深反演整体上较吻合实测雪深，随机森林模型相较神经网络模型总体趋势反映更好，反演精度更高。

文章使用葵花8号卫星遥感影像反演积雪深度，其过程受多种因素影响，气象因子与实测雪深具有线性相关，而各项下垫面因素和实测雪深没有明显线性关系，随机森林和神经网络具有较强的非线性映射能力，因此利用机器学习中的这两种方法进行雪深反演比传统计算方法表现更好。结合气象因子和下垫面影响因子的反演模型有着较好的泛化能力，尤其是使用随机森林模型，其拟合优度（R2）达到75%,均方根误差（RMSE）达到2.51 cm。表明：基于随机森林和神经网络模型的葵花8号数据雪深反演整体上较吻合实测雪深，随机森林模型相较神经网络模型总体趋势反映更好，反演精度更高。