积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。
积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。
积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。
本文基于AMSR2被动微波数据和0 cm地表温度数据，对比分析冻融判别函数算法和双指标算法在东北冻土区的判别精度及适用性。结果表明：（1）两种算法的Kappa系数都在0.7以上，总体判别精度在87%以上，具有较好的性能。（2）两种算法在升轨时期的总体判别精度高于降轨时期。在使用升轨数据时，双指标算法判别精度略高于冻融判别函数算法；使用降轨数据时，冻融判别函数算法判别精度更高。（3）冻融判别函数算法对冻土的判别精度高，双指标算法在识别融土方面具有优势。（4）两种算法对多年冻土区的土壤冻融判别精度高于季节冻土区。本研究的评价结果可为东北冻土区制备高精度、长时序地表冻融数据集提供基础数据资料，为选择合适的土壤冻融判别算法提供参考。
本文基于AMSR2被动微波数据和0 cm地表温度数据，对比分析冻融判别函数算法和双指标算法在东北冻土区的判别精度及适用性。结果表明：（1）两种算法的Kappa系数都在0.7以上，总体判别精度在87%以上，具有较好的性能。（2）两种算法在升轨时期的总体判别精度高于降轨时期。在使用升轨数据时，双指标算法判别精度略高于冻融判别函数算法；使用降轨数据时，冻融判别函数算法判别精度更高。（3）冻融判别函数算法对冻土的判别精度高，双指标算法在识别融土方面具有优势。（4）两种算法对多年冻土区的土壤冻融判别精度高于季节冻土区。本研究的评价结果可为东北冻土区制备高精度、长时序地表冻融数据集提供基础数据资料，为选择合适的土壤冻融判别算法提供参考。
本文基于AMSR2被动微波数据和0 cm地表温度数据，对比分析冻融判别函数算法和双指标算法在东北冻土区的判别精度及适用性。结果表明：（1）两种算法的Kappa系数都在0.7以上，总体判别精度在87%以上，具有较好的性能。（2）两种算法在升轨时期的总体判别精度高于降轨时期。在使用升轨数据时，双指标算法判别精度略高于冻融判别函数算法；使用降轨数据时，冻融判别函数算法判别精度更高。（3）冻融判别函数算法对冻土的判别精度高，双指标算法在识别融土方面具有优势。（4）两种算法对多年冻土区的土壤冻融判别精度高于季节冻土区。本研究的评价结果可为东北冻土区制备高精度、长时序地表冻融数据集提供基础数据资料，为选择合适的土壤冻融判别算法提供参考。
被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。
被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。
被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。
青藏高原作为中低纬度地区最大的高山冻土区，多年冻土和季节冻土广泛分布。高精度的地表冻融监测结果对研究该区域的水热交换、碳氮循环和土壤冻融侵蚀非常重要。本文基于4个青藏高原典型地区的土壤温湿度观测网数据，开展利用LightGBM算法和随机森林算法进行土壤冻融循环监测的研究。在构建土壤冻融监测模型的过程中，发现土壤湿度是影响冻融判别的一个关键因子。使用AMSR2亮温数据和ERA5-Land土壤湿度数据，基于两种机器学习算法判别地表冻融状态，将结果与传统冻融判别式算法进行对比分析。结果表明：相比冻融判别式算法，LightGBM算法在白天和夜间的总体判对率提高了12.09%;14.45%，随机森林算法在白天和夜间的总体判对率提高了13.23%和14.96%。近80%的错分样本分布在-4.0℃～4.0℃之间，说明2个机器学习算法能够识别出稳定的土壤冻结状态和融化状态。另外，LightGBM算法和随机森林算法得到的日冻融转换天数的平均RMSE降低了112.82和117.00；冻结天数的平均RMSE降低了47.87和53.96；融化天数的平均RMSE降低了37.10和39.80。同时，基于随机森林算...