基于合成孔径雷达（SAR）图像的海冰分类已经成为海冰监测的重要基础，但现有方法往往利用图像空间特征，很少考虑时间特征。提出了一种融合时空特征的SAR图像海冰分类网络SE-ConvLSTM。首先使用ConvLSTM对HH和HV极化图像分别提取时空特征，然后将提取的不同层次和通道的时空特征进行拼接，并利用SE通道注意力进行通道特征响应的自适应重新校准，最后利用SoftMax函数进行图像分类。将SI-STSAR-7数据集6个时间步长的图像块作为输入对所提方法与其他分类方法进行了对比实验。结果显示：SE-ConvLSTM在总体情况和分类困难的厚一年冰上分别达到了97.06%和90.01%的精度，表明加入时间信息有助于提高分类准确率。同时，所提网络在生成海冰分布图时对主要冰类型密集度较低的区域和SAR影像的边界位置都具有更好的识别能力。

积雪反照率对全球的辐射与能量、水循环和气候变化研究都具有十分重要的作用，准确理解积雪地表反照率的精度和不确定性对于积雪反照率产品的应用、改进具有重要意义。以往对反照率产品的评估主要集中在无雪地表或者永久冰雪地表，但是季节性积雪在全球也有广泛的分布，且具有动态变化的特征。利用位于FLUXNET地面站点具有空间代表性的积雪反照率数据，对积雪地表下新版本的MCD43A3反照率产品进行了精度验证与分析。研究区验证结果表明：相比于非雪地表，积雪覆盖下的MCD43A3反照率产品有着较高的缺失率，最高可达24.95%，在积雪期MCD43A3反照率产品采用备份反演算法的比例也比较高，最高可达78.06%。相比于非雪地表，所有站点下的积雪反照率产品的精度均出现了下降，均方根误差（RMSE）最小为0.101 5，最大可达0.238 7。在积雪期，MCD43A3反照率产品的精度和地表类型密切相关，其中常绿针叶林的精度最低，RMSE最大为0.238 7，biasR最大为88.88%，可以看出产品算法对复杂地表的计算和反演能力略有欠缺。验证中还发现了MCD43A3中使用的核函数模型和备份反演算法在积雪反照率产品生产中的不足之处，发现了产品在降雪、融雪阶段和“积雪的短暂停留”事件中积雪状态的有效识别和反演能力不足。

冰川监测是气候变化研究的重要组成部分，为了从三维立体角度研究冰川的运动变化情况，以梅里雪山西坡的共森隆巴冰川为研究对象，基于地基雷达点云数据分别利用了不规则三角网（Triangulated Irregular Network， TIN）和反距离加权（Inverse Distance Weight， IDW）两种插值算法进行了DEM建模，以交叉验证方法分析了两种算法的关键参数对冰川DEM建模结果的影响。结果表明：①格网分辨率对TIN插值结果影响较大。格网分辨率较低时，会造成DEM较多的空洞，格网分辨率较高时，会导致DEM表面平滑。当格网分辨率大小选择0.75 m时，冰川表面DEM建模结果精度最高，此时R²为0.997 0，RMSE为0.457 1 m。②插值半径对冰川表面DEM建模效果有较大影响，插值半径较小时，空洞部分较多且较大，随着插值半径的增大，空洞部分不断减少。而格网分辨率是影响IDW插值算法精度的较大因素。虽然不同格网大小和不同插值半径下冰川DEM建模的R²和RMSE精度较高，但是DEM建模效果不理想，存在较多空洞部分，难以利用IDW算法实现完整的冰川表面建模。③通过从冰川表面建模效果和精度分析两方面来看，TIN插值算法在冰川表面的完整性和连续性建模上优势突出，但是建模细节精度不如IDW算法；IDW插值算法在冰川表面细节的建模上优势突出，但是建模完整性和连续性较差。

雪水当量定义为积雪融化后液态水的高度，是描述季节性积雪储量的关键参数。星载被动微波遥感适用于长时间序列、全球尺度的雪水当量监测。但目前的微波辐射传输模型大多忽略或简化了自然界垂直分层结构中的土壤、植被和大气等要素对积雪辐射亮温的影响，特别是植被参数（例如透过率、覆盖度、单次散射反照率）引起的微波亮温变化仍然不清晰。本研究通过构建土壤—积雪—森林—大气微波辐射模型，重点开展被动微波遥感反演雪水当量的不确定性机理研究。通过模型敏感性分析发现：①冠层透过率是森林参数中影响微波亮温最敏感的因子，其次是森林覆盖度，而单次散射反照率影响最小；②微波亮温随着森林覆盖度的增加而升高，但随着冠层透过率和雪粒径参数的增加而降低，即三者之间存在“抵偿效应”。通过构建的模型模拟数据库和卫星观测对风云三号B星（FY-3B）和 The Advanced Microwave Scanning Radiometer 2（AMSR2）雪水当量反演算法进行亮温噪声测试发现：①亮温噪声对AMSR2雪水当量反演算法影响较大，特别是在森林像元尤为严重，与算法中表征积雪参数演化的极化因子和森林下雪深校正方法不确定性有关；②亮温噪声对FY-3B算法的影响较小，甚至可以忽略，主要是由于亮温差的形式削减了亮温不确定性。本研究基于构建的辐射传输模型定量分析了森林和积雪参数对微波亮温的影响，确定了影响雪水当量反演精度的关键参数；同时表明雪水当量反演方法对亮温噪声的鲁棒性也是影响算法精度的重要方面，为未来发展普适性的雪水当量反演算法奠定了理论基础和参考。

中国第二次冰川编目的部分数据用第一次冰川编目替代，这些数据集中分布在藏东南地区。该地区地形陡峭、气候恶劣，常年多云层覆盖，无法获取有效的光学影像，缺乏系统性的冰川调查。针对传统阈值分割方法受噪声影响大、标准Unet计算量大导致运行缓慢等问题，对Unet模型进行压缩，通过修改样本尺寸、卷积核数量和优化器等模型参数，提升模型训练效率以及冰川提取精度。利用冰川的极化特性和地形特征，选用45景ENVISAT ASAR影像和NASA DEM，基于Unet及其压缩网络进行深度学习，参考光学影像和其它辅助数据对误分和漏分的冰川逐个进行人工目视判读，完成了未更新编目的冰川边界提取及修正，并对属性进行了更新。结果表明：基于SAR影像和地形特征的深度学习可以有效识别云层覆盖区域的冰川。在第二次冰川编目未完成的地区，共有冰川8 374条，总面积5 622.65±303.58 km²，误差占总冰川面积的5.4%，整体呈退缩状态，冰川碎片化现象居多。该数据集更新了中国第二次冰川编目中的替代数据，可为探讨藏东南冰川变化和物质平衡等相关研究提供可靠的数据支撑。

全球变暖导致冰川急剧退缩，及时的冰川监测和制图至关重要，而积雪覆盖一直是冰川识别的重要影响因素。以喀喇昆仑区域为例，选择春季Landsat-8 OLI、Sentinel-1和DEM数据，结合其光谱反射率、SAR散射以及地形等特征，基于不同主干网络的U-Net和DeepLabv3+深度学习方法，使用不同样本尺寸，不同特征组合进行冰川识别对比研究。结果表明：①对于256×256、512×512和1 024×1 024像素样本尺寸，训练样本尺寸越大，空间上下文信息越丰富，识别精度越高，冰川末端范围更为精确。②基于MobileNet、VGGNet、ResNet以及EfficientNet主干提取网络的U-Net语义分割网络中，VGG19主干网络识别精度最好，且优于DeepLabv3+网络结果，其F1值（F1-Score）为0.899 6，均交并比（Mean Intersection over Union，mIoU）为0.875 4，总体精度可达0.948 4，在山体阴影、冰雪融水、薄雾覆盖和冰冻湖泊区域识别效果均较好。③随着训练特征数量的减少，精度随之降低，地形特征对于提高冰川识别精确度作用显著，SAR特征则可提升召回率。研究证明了深度学习方法识别积雪覆盖的山地冰川的可行性，为山地冰川快速大面积识别的模型选择和参数设置提供了可靠的参考依据。

厘清中国天山积雪物候时空演变特征对冰冻圈气候变化适应、生态文明建设以及固体水资源可持续发展具有重要意义。研究基于2002—2017年MODIS逐日无云积雪面积产品，采用逐像元统计方法计算每个水文年内中国天山积雪持续时间（Snow Cover Duration， SCD）、开始日期（Snow Onset Date， SOD）及结束日期（Snow End Date， SED），并结合气象资料采用趋势分析方法分析了积雪物候时空格局及其对地形和气候变化的响应。结果表明：天山积雪物候的空间格局及变化趋势存在差异性，SCD呈西高东低、北高南低的分布格局，且高海拔地区SOD较早，SED较晚。中部和西部的SOD呈提前趋势，巴音布鲁克大草原的SOD提前趋势较为明显，西南部、北部及东部地区的SOD呈推迟趋势；中部地区的SED呈推迟趋势。海拔5 000 m以下，SCD、SOD及SED随海拔变化的平均梯度分别为4.93 d/100 m、-1.64 d/100 m和2.94 d/100 m，SCD的增长趋势在2 500—3 000 m达到最大，随海拔的升高SCD增长的趋势逐渐缩减，SED对地形变化的响应与SCD基本相似，但海拔对SED的影响较SCD弱。天山秋季增温和变湿是SOD推迟的主要原因，春季增温可促进SED提前，而春季变湿有助于SED推迟。

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。

对于天基对地观测成像任务，遥感影像中的云量往往决定了数据是否可用。然而云雪光谱特征近似，使得二者较难区分。云雪识别研究的目的是提高数据有效性判断的能力，具有实际应用价值，是遥感数据应用中的重要环节。研究提出一种提高局部特征信息提取能力的小块结构并构建了轻量化卷积神经网络模型作为骨干网络用于区分类云（云、雪、亮地物）与其他地物，通过分形维数与角二阶矩分析云、雪、地物的纹理及灰度特征形成二叉树辅助网络对类云进行精细化识别，网络权重层只有6层（4个卷积层，两个全连接层）。通过对天智1号、SPOT4/5/6、Pleiades等不同几何分辨率的数据进行训练与分析，并与随机森林、SVM、传统方法等进行对比，在云、雪、云雪共存等场景下，该方法能够较好地识别云、雪、（亮）地物，识别准确率达89%。方法适用于全色、多光谱、高光谱等遥感数据云雪识别，同时结构简洁、参数量少。

冰川运动一定程度上会引发泥石流、滑坡等地质灾害，因此掌握冰川运动过程至关重要。冰川流速揭示冰川运动过程，而已有冰川流速构建方法未考虑冰川流动方向，揭示的冰川运动机制不够精准。选取中天山南依内里切克冰川为对象，基于2018—2020年Sentinel-1A升轨数据，利用像素偏移追踪（Pixel Offset Tracking，POT）技术获得南依内里切克冰川方位向与距离向位移场，引入冰川流动方向构建冰川主流线轴部二维流速，分析冰川运动机制。结果表明：稳定区像元偏移速度远小于冰川主流线轴部二维流速，利用POT技术构建的轴部二维流速模型监测冰川运动过程良好。2018、2019和2020年中天山南依内里切克冰川轴部二维平均流速分别为62.28 cm/d、49.41 cm/d、61.89 cm/d，消融区（冰舌）轴部二维流速随高程的降低呈先缓慢减小后逐渐增大再迅速减小趋势，冰川流速由轴部向两侧边缘递减。随着气温升高，冰川运动速度逐渐增大，气温升高可能是中天山南依内里切克冰川流速加快的主要原因。

海冰是全球气候系统中最为重要的指示因子之一，海冰厚度作为描述海冰变化的重要参数，对研究区域热量调节、气候变化等有重大意义。现有高度计在海冰监测中存在空间分辨率低、观测刈幅窄等弊端，而新型三维成像雷达高度计以小入射角以及短基线干涉测量技术可实现宽刈幅、高精度的海面测量，在海冰监测中有巨大的潜力。从干涉测高原理入手，基于交轨距离分析三维成像雷达高度计的斜距测量误差、基线倾角误差、基线长度误差、干涉相位误差对测高精度的影响，并对上述误差构成的测高总误差进行仿真分析，结合海冰分布图像以及海冰厚度估算原理，探究提高海冰厚度估算精度的因素。实验发现：利用干涉相位与基线倾角的相关性对基线倾角误差进行改正，可提高三维成像雷达高度计在海冰厚度估算的精度，使海冰厚度的估算误差由85.47 cm降至70.23 cm，精度提高17.83%。

天山地区孕育着大量的跃动型冰川，目前该地区冰川跃动过程及跃动控制机制尚不明确。利用Landsat、Sentinel-1A、TerraSAR-X/TanDEM-X等多源遥感数据获得了中天山穆什科托夫冰川跃动前后的表面特征、流速和高程变化。结果表明：①该冰川主干表面流速从2017年夏末开始增加，在冬季流速达到最大峰值，约为4.4 m d^-1，2018年夏末急剧减小；②2000—2012年冰川积蓄区平均增厚9.23±4.62 m，跃动前锋形成，而冰舌部分是以减薄为主；2012—2014年冰舌部分持续减薄，中上游仍以积累为主，增厚约1.23±0.91 m；2014—2018年冰川积蓄区出现明显减薄，最大减薄42.6±1.82 m，接收区高程显著增加，最高隆起75.6±1.82 m。根据冰川表面流速及高程变化特征，确认2017—2018年为该冰川跃动活跃期；结合冰川流动定律，认为穆什科托夫冰川跃动主要受冰下水文控制。根据现有的资料及数据，推断该冰川跃动间隔约为60 a。

利用Sentinel-2卫星遥感数据监测了2016年和2018年发生在西藏阿汝错和色东普沟的冰崩灾害，重现了两次冰崩灾害事件全过程，2022年2月还对阿汝错冰崩区进行了实地调查。结果表明：阿汝错53号冰崩是一起冰川前部断裂解体后发生的冰崩，冰崩体于2018年7月全部消融，而阿汝错50号冰崩是一起典型的冰川前部垮塌产生的冰崩，2021年6月22日仍有冰崩体面积0.58 km²。2017年和2018年4次大规模冰崩—岩崩—碎屑流事件不仅对色东普沟地表地貌形态和沟口水流状况产生了重要影响，对色东普流域造成了重大灾害。西藏东西两次冰崩灾害事件是气候变暖和局地强降水作用在特定的高山冰雪地形地貌结构上发生的。其中，阿汝错冰崩事件是由气候和天气驱动的外力强迫作用在该区多温和软性基岩的冰川特性上引起的，是一起历史罕见的低角度冰川的巨大灾难性不稳定事件。气候变暖引起的冰雪消融和局地强降雨是色东普沟冰崩–岩崩灾害事件发生的主要诱发因素，且呈多发、频发、周期性特点，今后很长的时间内仍会多次发生。

利用1980~2019年中国长时间序列的AVHRR逐日无云积雪面积产品和气象站实测雪深资料计算积雪日数、积雪初日、积雪终日、积雪期、雪深等积雪物候参数，研究积雪物候的时空分布变化，同时结合ECMWF-ERA5再分析资料和GIMMS NDVI3g数据集分别提取气象因子（气温、降水）和植被因子（返青期、枯黄期、生长期），探究北疆积雪物候变化对气象因子和植被因子的响应。结果表明：北疆近40 a间的平均积雪日数为81.62 d/a，73%的区域为稳定积雪区，积雪初日在11月、终日在3月，积雪期为每年11月初至次年3月底4月初；空间上呈现不均匀分布，其中阿勒泰山地区、天山地区、大部分塔城盆地和额尔齐斯谷地区为主要积雪区，1980~2019年间北疆积雪覆盖面积比例、积雪日数和积雪期逐年降低，积雪初日基本没变，但积雪终日显著提前；ECMWF-ERA5再分析资料表明1980~2019年北疆积雪期降水量无明显变化，但积雪覆盖面积比例显著降低，说明降雪区雪深可能增加，这与北疆气象站实测雪深逐渐增加结果相吻合；平均气温与积雪期积雪覆盖面积比例、积雪日数、积雪期长度相关性较大，呈现显著负相关，积雪期降水量与积雪物候参数呈现正相关；积雪物候及其气候效应引起北疆自然植被返青期显著提前，植被生长期延长的特征。

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10 km空间分辨率的AMSR2 L1B亮度温度数据，结合500 m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500 m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。

IMS雪冰产品是多源数据的融合产品，提供北半球逐日无云的雪冰覆盖范围，在青藏高原积雪遥感监测和研究中具有广阔的应用前景。利用Landsat-8 OLI积雪覆盖数据对IMS 4 km分辨率雪冰产品在青藏高原积雪监测中的精度进行了评估验证。研究结果表明：①IMS 4 km雪冰产品的平均总精度为76.0%，平均制图和无雪分类精度分别是88.3%和84.9%，利用IMS 4 km雪冰产品监测青藏高原积雪具有较好的精度，可以用于青藏高原大尺度积雪覆盖监测；②平均多测率为45.4%，漏测率11.7%，IMS 4 km雪冰产品高估了实际积雪面积，且积雪面积比例越高，IMS的积雪判识能力越强，同时出现误判几率越高，而漏判几率越低；③IMS 4 km积雪监测精度在青藏高原总体上呈现海拔较高地段积雪的制图精度较高，随着海拔的降低，积雪监测的漏测和多测呈增加趋势；④相比地面观测数据的区域代表性不足问题，基于高分辨率遥感数据的地面积雪分布特征更为详细，得到更为准确可靠的验证结果。

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用，针对已有积雪产品易受复杂地形地貌，下垫面类型以及云遮蔽的影响，导致积雪判识精度降低的问题，提出一种利用深度学习方法对风云4号A星多通道辐射扫描计（AGRI）数据与地理信息数据进行多特征时序融合的积雪判识方法：以多时相FY-4A/AGRI多光谱遥感数据，以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入，以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为“真值”标签，构建并训练基于卷积神经网络的积雪判识模型，从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表，最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证，该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1，显著降低云雪误判率。

石冰川是以冰岩混合物为基础形成的一类具有舌状堆积纹理的冰缘地貌，了解其分布和变化对于寒区环境研究具有重要价值，遥感技术的发展为石冰川的识别提供了有效的手段。针对石冰川发育地的偏远和调查的困难，以及其光谱特征的微弱性，提出了一种基于深度学习的石冰川识别方法，以ResNet作为训练网络，得到石冰川的图像分类模型，以国产高分一号遥感影像作为实验数据，在念青唐古拉山西段展开了应用，共识别出石冰川96条。验证结果表明：该方法具有较高的识别精度（98.72%的总体精度、89.48%的生产精度和81.77 %的用户精度），证明该方法能够有效地识别石冰川，并为在大区域开展石冰川的调查和分析提供了基础。

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于西部积雪面积的特征。

利用全球导航卫星系统反射干涉遥感技术（GPS-Interferometric Reflectometry， GPS-IR）可实现地表环境参数的监测。基于全球导航卫星系统多径反射信号与积雪深度之间的关系，针对目前已有研究较少的考虑多星融合对反演效果的影响，提出一种基于多元线性回归的多星融合积雪深度反演模型。为了验证算法的可靠性，利用美国PBO观测网络中的P101测站连续监测数据进行雪深反演研究。研究和实验表明：反演结果与积雪深度参考值具有显著相关性；多星融合能够有效综合各单颗卫星的反演性能，相关系数均大于0.940，相比单星提高了13.6%；RMSE和MAE均小于0.08和0.165。

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，可为区域气候模拟、水文模型等提供积雪分布的定量信息。MODIS FSC产品是根据经验模型计算得到，并没有考虑地形、植被和地表温度等环境因素的影响，在青藏高原的验证精度低。针对此问题，考虑青藏高原地区环境因素（地形、植被、地表温度）对FSC制备的影响，基于多元自适应回归模型（Multivariate Adaptive Regression Splines， MARS）和线性回归模型分别建立FSC制备的非参数回归模型和经验回归模型。用Landsat 8地表反射率的数据和SNOMAP算法制备FSC的参考数据集。选取一部分参考数据集作为模型的训练数据集，另一部分作为模型的检验数据集。研究结果表明：MARS方法估计FSC的精度明显高于线性回归模型和原有的MODIS FSC制备方法。MARS的总体R、RMSE、MAE分别为0.791、0.103、0.058。在线性回归模型中精度最高的总体R、RMSE、MAE分别为0.647、0.128、0.072。MODIS 原有FSC制图方法的总体R、RMSE、MAE分别为0.595、0.221、0.170。考虑了环境信息的MARS方法更加适用于青藏高原地区FSC制备。本研究为制备青藏高原地区更高精度的FSC数据提供了新思路。

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。

新疆冰川资源富集，冰川旅游发展潜力巨大，但当前其旅游开发严重滞后。本研究从冰川资源禀赋、旅游资源多样性、气候舒适度、交通可达性、人口经济条件五方面建立了冰川旅游服务潜力评价体系，运用了层次分析法，借助ArcGIS空间分析工具，对新疆54个县市区冰川旅游服务潜力进行了综合评估，提出了相应的空间开发策略。结果表明：①北疆冰川规模较小，禀赋较差，但可达性较好；②南疆地区冰川资源规模大、禀赋高，与周边景观组合条件优越，但冰川可进入性较差；③当前，整体上天山中西部区域冰川旅游服务潜力等级较高，其他山系相对较低；④本世纪30年代、50年代，伴随着气候变化和社会发展，高冰川旅游服务潜力区将由天山一带区域向帕米尔高原、喀喇昆仑山一带区域转移。总体上，当前新疆天山一带冰川旅游服务潜力较高，未来伴随着小规模冰川的快速退缩，冰川旅游服务潜力将显著变小。基于此，应积极发挥当前冰川旅游服务潜力红利，大力发展冰雪旅游产业，以促进新疆全季、全域旅游发展进程。

选用Sentinel-1A卫星TOPS模式下获取的8景升轨SAR数据，基于小基线集像素跟踪时序分析技术（Small BAseline Subset Pixel Tracking technique， SBAS-PT），获取了南伊内里切克冰川2018年1月至2018年12月期间不同时段的表面流速分布及其时空变化特征。研究结果表明：2018年南伊内里切克冰川1月到3月整体运动速率较小，从4月起速率明显增加，7月到8月达到最高，9月份起运动速率开始放缓，10月到12月期间冰川表面运动速率较小，全年的平均表面流速约为30cm·d^-1。总体而言，南伊内里切克冰川中上游区域流速明显高于冰川下游，冰川下游冰川物质消融减薄和补给量减少以及表碛物增多等因素致使冰川末端区域逐渐趋于稳定。

基于欧空局的GlobSnow雪水当量数据集和国家青藏高原科学数据中心的北半球长时间序列雪深数据集NHSD研究了北半球及9个典型区的雪深时空分布与变化特征。结果表明：北半球1988~2018年平均雪深总体呈显著下降趋势（p<0.01），年际变化幅度为-0.55 cm·（10 a）^-1。在高纬度地区，加拿大北部和阿拉斯加年平均雪深下降明显（p<0.01），下降速率分别为3.48 cm·（10 a）^-1和3 cm·（10 a）^-1，两地区月平均雪深在冬季显著下降。西西伯利亚平原和东欧平原年平均雪深呈下降趋势，其中东欧平原雪深下降较为明显（p<0.01），变化速率为-2.3 cm·（10 a）^-1，两地区的月平均雪深在春季显著下降，其中5月份最为明显。东西伯利亚山地的雪深年际变化呈增加趋势，除堪察加半岛外，其月平均雪深在冬季呈显著增加趋势。对于高山区，阿尔卑斯山脉和落基山脉的年平均雪深呈缓慢增长趋势，而青藏高原地区雪深呈缓慢下降趋势。阿尔卑斯山脉的月平均雪深在冬季呈显著增加趋势，5月份显著减小。落基山脉和青藏高原雪深变化呈现出空间异质性：在整个研究时段，落基山脉北部月平均雪深呈下降趋势，中部和南部呈上升趋势；青藏高原的北部边缘山脉雪深呈显著上升趋势，中部大多数地区呈下降趋势。喜马拉雅山脉的北坡雪深增加，南坡雪深减小，但其变化率绝对值小于0.5 cm·a^-1。东南部雪深较大的念青唐古拉山脉冬季雪深呈显著下降趋势。对9个典型区雪深的年内分析（2001~2010年平均值）结果显示：高山区雪深峰值远低于高纬度地区雪深峰值。除青藏高原外，高山区的积雪融化起始日期明显早于高纬度地区。

积雪、土壤冻融与土壤水分是陆表能量与水分以及碳交换过程研究中的重要因子，为了更好地了解积雪覆盖、雪深/雪水当量、土壤冻融状态和土壤水分等参数的遥感监测领域的发展动态，对这些参数遥感监测方法的研究进展进行了梳理，总结了利用光学与微波遥感，以及多源遥感融合的监测方法，并对该研究领域的发展趋势进行了展望。积雪、土壤冻融与土壤水分的遥感监测能力不断提升，监测算法从单一传感器向多传感器、单波段单一模式向多波段多模式集成，以及卫星虚拟星座综合观测概念的提出，均促进了现有卫星观测地表参数能力的提升；长时间序列产品的开发，对于研究和掌握全球变化大背景下对气候的响应提供了很好的数据基础；同时有助于促进遥感在水文、气象、气候、生态等领域的应用。以上的研究综述，有望对陆表水循环遥感参数反演领域，以及水循环遥感关键参数的应用领域有一定的借鉴作用。

积雪遥感数据产品可以提供积雪的时空分布信息，是积雪监测的重要数据源。对现有的不同遥感产品进行精度验证和对比分析，明确其适用范围，有利于积雪数据产品的进一步发展和应用。为验证积雪产品在东北地区的适用性，以中国积雪特性及分布调查项目为依托，精心设计野外实验，观测了东北地区25 km典型样方和积雪线路调查数据，验证了在阔叶林和农田两种下垫面下，FY-3B雪深产品、AMSR-2雪深产品、GlobSnow雪水当量产品在东北地区的反演精度。结果表明：GlobSnow雪水当量产品精度最高，不区分下垫面的情况下，最大偏差和均方根误差分别为10.87 cm和12.53 cm。考虑下垫面的影响，GlobSnow雪水当量产品和FY-3B雪深产品在两种下垫面下的雪深反演精度差别很小，偏差和均方根误差的差值小于2.11 cm和3.46 cm，AMSR-2积雪产品在两种下垫面下反演精度差别很大，两种下垫面下偏差和均方根误差的差值大于9.94 cm和7.19 cm。对于3种积雪产品，下垫面为农田的雪深反演精度均高于下垫面为阔叶林的反演精度。

基于2010~2016年CryoSat-2雷达高度计SARIn模式的Level 2测高数据，结合青藏高原地区冰川矢量数据以及全球GEDM数据，通过重叠脚印法、伪平面拟合法以及较新的曲面拟合法提取青藏高原地区典型冰川冰帽的高度变化值。结果表明：①CryoSat-2测高数据应用该3种方法提取山地冰川高度变化具备可行性;②提取高度变化的3种方法各有优劣，以此提供了提取山地冰川高度变化的方法选择的依据;③应用上述3种方法获取的青藏高原地区典型冰川冰帽2010~2016年的定量高度变化结果，绝大多数的冰川都处于消融状态且3种方法提取的高度变化结果增、减趋势一致。处于西昆仑山脉的中峰冰川、古里雅、土则岗目冰川缩减速率较慢，而帕米尔高原的慕士塔格冰川缩减略快，两者的缩减速度都趋于平缓。处于念青唐古拉山脉的来古、恰青冰川高度变化速率最大。

在全球变暖背景下，北极海冰的面积与厚度正逐渐减小，为北极通航提供了可能，而重要海峡的冰情直接影响到北极航道的开通。以东北航道和西北航道上14个重要海峡近35年的海冰密集度为研究对象，利用核K-means方法进行时空聚类，通过经验模态分解模型研究不同聚类模式下的时间序列趋势，探究冰情变化异质性，结果如下：①各海峡海冰密集度呈3种聚类结果，同一聚类结果中海峡的密集度变化具有较强一致性，不同聚类结果之间差异较大，海冰密集度低的海峡全部位于东北航道。②全年尺度中除白令海峡和德米特里拉普捷夫海峡之外，其他海峡海冰密集度呈下降趋势。呈上升趋势的两个海峡均为海冰密集度低的海峡。③夏季融冰期尺度中各海峡海冰密集度变化趋势类型多样，除单纯的上升、下降趋势外，还出现了包括“U”形曲线在内的各种波动型趋势。

冰川面积变化是冰川积累与消融的直接体现，与气候变化密切相关。遥感的方法可以为冰川的轮廓及面积监测提供可靠手段，但常用的光学遥感容易受到冰川区多变气象条件的影响。合成孔径雷达（SAR）不受天气影响，尤其是高分辨率SAR影像能够提供冰川表面丰富的细节特征，更好地监测冰川变化。应用相位一致性方法和快速行进法相结合的方法提取冰川轮廓和表面纹理。依据提取的冰川轮廓计算的冰川面积误差在5%以下，表明该方法能够准确地提取冰川面积。同时，在高分辨率SAR图像上，利用提取的冰川表面纹理信息可以有效监测到光学图像上难以识别的冰面河，而冰面河与冰川中长期消融密切相关，提取的冰面河信息将为冰川监测提供一种新的视角。

积雪反照率是影响地—气辐射能量平衡的重要地表参数之一。结合青藏高原的积雪消融特点，研究了2018年2~3月青藏高原28个观测点的反照率空间差异，并分析了影响反照率的表层积雪参数，结果表明：融雪期青藏高原的积雪反照率均值为0.72，高原东北部的青海地区观测点的反照率均值高于西藏南部地区，不同区域积雪反照率值内部差异不同；西藏南部地区的水汽来源和较快的积雪消融过程导致该区域反照率低于青海地区；地表被斑状雪覆盖的观测点具有较低的反照率值（小于0.5）；多云天气条件下，短时间的云层遮挡对反照率影响很小，积雪反照率几乎保持不变。

积雪的年际和年内变化强烈地影响着区域及全球的水量平衡，同时，积雪反照率反馈也显著地影响着气候变化。目前长时间序列的格网雪深数据主要来自被动微波遥感及再分析资料，但不同数据之间存在着明显差异。基于多源雪深数据的评估，特别是空间特性的评估还很缺乏。因此，本研究选取了AMSR-E、WESTDC、GlobSnow、RA-Interim及MERRA2这5种雪深数据，以站点观测数据为参考真值，对它们进行了中国地区的空间误差对比及基于误差排序的相对表现分析。评估结果初步显示：①WESTDC在我国西北及东北积雪区表现较好，适合用于我国北方的雪深研究；②MERRA2在西北和东北积雪区也有较好的表现，但由于其分辨率较粗，缺乏细节的空间信息，因此认为比较适用于大区域的统计分析；③AMSR-E在我国中部和东南地区表现最好，因此认为适合我国中部及东南部的雪深研究。