利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线的高度分布变化常作为冰川的标志线，反映了冰川积累和消融物质平衡盈亏的分布。为了快速、准确地获取雪线分布信息，以时序星载多光谱遥感影像为数据源，从光谱像元灰度的梯度变化出发，提出了一种基于绿色波段像元灰度信息的自适应遥感影像分割方法，并以此估算雪线的高度变化。为验证方法的可行性，选取布加岗日冰川作为典型研究区，使用1994—2016年间的6景多光谱Landsat卫星遥感数据开展实验。研究结果表明，近20余年间，布加岗日冰川雪线高度存在持续上升趋势，且在空间分布上呈现东低西高的分布规律，这也侧面印证了东坡冰川降水量大幅小于西坡；在雪线时空变化方面，布加岗日冰川东坡雪线的升高速率明显高于西坡，抬升最快、最慢和平均速度分别为19.75 m/a、1.26 m/a、10.13 m/a。该方法和结果可为冰冻圈相关研究提供参考和借鉴。

积雪对气候变化具有高度敏感性，研究积雪变化对区域水循环及生态环境演变具有重要意义。基于遥感数据和河流水系分布情况，将青藏高原划分为12个子流域，分析了青藏高原及其子流域的积雪深度、积雪覆盖率、雪线高度的时空变化特征。结果表明：(1)1979—2020年青藏高原积雪深度呈明显降低趋势，空间上积雪深度由中心区域向四周递增，阿姆河流域多年平均积雪深度最大，印度河流域的次之。(2)2000—2015年青藏高原多年平均积雪覆盖率为29.66%,呈平缓的下降趋势，印度河流域的积雪覆盖率最大，高达39.83%,塔里木河的次之。(3)青藏高原雪线高度的变化范围为[4 700,5 000] m,夏季的雪线高度整体偏高，在8月达到最大值；各子流域雪线高度由大到小的排序依次为雅鲁藏布江流域、印度河流域、河西流域、恒河流域、长江流域、怒江流域、阿姆河流域、塔里木河流域、柴达木河流域、内河流域、黄河流域、澜沧江流域。研究结果对寒区水资源管理和生态环境可持续发展具有重要意义。

目前应用最为广泛的积雪覆盖区域图(SCA)可由中分辨率成像光谱仪(MODIS)获取，常被用于积雪覆盖时空变化的研究中.由于受云遮挡的影响，MODIS积雪产品存在较大区域的数据缺失.为了消除云遮挡的影响，本文构建一种降噪自编码神经网络模型，建立雪粒径与复杂地形、土地覆盖类型之间的复杂的映射关系，实现云下积雪参数的补全，提高积雪产品的覆盖面积.本文选取开都河流域为研究区域，将MODIS反演得到的积雪产品数据与地形地物数据结合，并通过降噪自编码神经网络(Denoising Autoencoder Artificial Neural Network)、极值雪线法相结合的方法来定量地回归补全高山复杂地形下由于云覆盖导致的积雪缺失数据，从而得到无缺失的逐日雪盖数据.其中，降噪自编码神经网络融合多特征数据，建立地形特征与雪粒径数据之间的非线性映射关系，从而来补全云层下的雪粒径数据；极值雪线法主要用来去除低海拔地区误报值，进一步提高雪盖提取精度.采用MODIS积雪产品对去云结果开展精度验证，本文所提出的去云方法的精度超过86%,有效地提高了雪盖提取精度.因此，本文所提的算法可以有效地去除复杂地形区域的...

基于2004—2020年MODIS积雪资料和实测流量资料，分析西天山A河流域年际年内积雪覆盖率(全流域和7个分带)、雪线高度的变化特征，及其与径流量的相关关系。结果表明：各高程分带积雪覆盖率随海拔的升高不断增大，且海拔越低积雪融化时间越早，开始累积时间越滞后。不同高程分带积雪覆盖率、雪线高度与次年径流量线性相关，分析发现海拔2 500～3 500 m积雪对次年径流量的贡献最大，与月均流量幂相关，相关系数均在0.64以上。各积雪要素与次年径流量、月均流量之间的多元回归方程分别通过0.1、0.01的显著性水平检验。

研究融雪末期雪线高度变化有助于预测冰雪系统未来的变化趋势、理解区域和全球气候变化。基于Google Earth Engine（GEE）平台和Landsat卫星数据，发展了区域雪线高度提取模型，提取了天山4个子流域1991—2021年的融雪末期雪线高度，并分析了雪线高度的变化特征及其与气象因素的关系。结果表明：（1）Landsat提取的融雪末期雪线高度与Sentinel-2提取的融雪末期“最小化”积雪范围具有较高的一致性，其总体精度为91.6%,Kappa系数达0.9以上，利用该模型可准确获取融雪末期的区域雪线高度。（2）研究区近30 a融雪末期雪线高度呈明显的上升趋势，上升速率介于2.7～6.4 m·a-1之间；其中，玛纳斯河流域雪线高度上升速度最快，阿克牙孜河流域雪线高度上升速度最慢。（3）夏季气温是影响研究区融雪末期雪线高度变化的主要因素（P<0.05），降水对其影响相对较弱。

古雪线直接反映了冰期时的气候特征,因此雪线是古冰川研究最终要解决的问题。2017年笔者等基于蒙山雪线的初步研究,发现东亚地区存在的雪线低洼区,采用了东亚冷槽的概念来表述该槽状雪线低洼区,并初步绘制了东亚冷槽的雪线高程。本文主要介绍了山东段(蒙山-崂山)的研究情况。根据山东蒙山、崂山34个光释光、宇生核素等方法获得的冰碛年龄数据及对应冰期雪线高程研究,表明崂山的雪线比蒙山要低,且在MIS6之前的冰期,崂山东侧冰碛多被现代海面淹没。研究表明,我国东部的气候敏感度要明显强于西部高原区,冰期时强劲的北路寒潮是我国东部地区冰川形成的核心气候因素。