雪崩是高寒山区主要的自然灾害之一，但与滑坡、泥石流、山洪和干旱等灾害相比，较少被关注。本研究在概述西藏过去主要雪崩灾害事件的基础上，对西藏雪崩灾害的空间分布和主要驱动因素进行分析，同时通过积雪覆盖的空间分布和数字高程模型数据对西藏雪崩易发区进行制图，并利用藏东南雪崩观测数据对制图结果进行验证。结果显示，念青唐古拉山东南部和喜马拉雅山南坡是西藏雪崩灾害发生频次最高的两个区域，高原内陆因降水少，地势相对平坦，雪崩发育受到抑制，仅在高寒常年积雪山区和冰川作用区才有常年雪崩存在。在全球气候变暖背景下，由于人类到高海拔山区的活动日益增多，雪崩灾害造成的人员伤亡呈增加趋势。除了在藏东南川藏铁路和公路等关键区域实施工程防控措施之外，加强监测和早期预测预警服务是西藏高寒山区雪崩灾害防控的重要途径。本研究对全球其他高寒山区的雪崩易发区制图和灾害防控措施同样具有重要借鉴意义。

冰湖遥感监测是当下冰冻圈科学研究热点之一。作为我国自主研发的SDGSAT⁃1卫星，多光谱波段具有高分辨率成像能力，是否能为该研究方向提供新型数据源非常有必要进行研究。本文以珠穆朗玛峰地区近2 000个冰湖为研究对象，设计针对SDGSAT⁃1多光谱数据的冰湖自动提取方法，并与Sentinel⁃2 MSI和Landsat-8 OLI的冰湖数据进行对比，获得SDGSAT⁃1多光谱提取冰湖的精度，进一步结合波段配准和卫星间影像配准，量化冰湖误差的影响因素。研究结果表明：以NDWI为基础的决策树方法获取SDGSAT⁃1多光谱影像的冰湖矢量数据平均误差为16.6%，精度高于Landsat-8 OLI，低于Sentinel⁃2 MSI；大气校正后的SDGSAT⁃1多光谱影像提高了阴影区域冰湖的识别能力，但识别精度较其他冰湖低10%~14%；冰湖面积误差主要由SDGSAT⁃1多光谱波段配准误差引起，代表重叠度的Jaccard系数受波段配准和定位误差共同影响。总体而言，SDGSAT⁃1多光谱波段是冰湖研究的可靠数据源，也是冰面湖变化研究的潜在数据源，可为冰湖溃决预警、季节性水量变化监测提供高时效数据支撑。

积雪在青藏高原生态系统中发挥着关键调节作用，对碳储存和碳循环有着深远影响。作为碳循环的关键变量，地表植被总初级生产力（GPP）的时空变化特征及对积雪参数的响应机制，直接关系到高寒草地生态系统的碳收支。然而，当前对于青藏高原积雪变化对GPP影响的研究仍存在不足，尤其是积雪物候（如积雪开始和结束日期等）对GPP的调控作用尚未厘清。本研究基于2000~2018年GPP数据集和积雪物候数据等多源遥感数据，分析了青藏高原高寒草地GPP和积雪参数的时空分布特征，并结合近地面气温、地表向下短波辐射、降水量等气象数据，探讨了积雪参数与气象因子对高寒草地GPP的影响机制。结果表明：青藏高原年均GPP值在空间上呈现为西北低、东南高的分布特征，且整体呈现增长趋势；积雪开始日期和积雪结束日期均呈现提前趋势，积雪持续天数呈现减少的趋势；年均GPP随着积雪开始日期的推迟，积雪结束日期的提前与积雪持续天数的减少而增加；影响GPP变化的主导因素依次为近地表气温、积雪持续天数、降水量、地表向下短波辐射、积雪开始日期、积雪结束日期；尽管气象因子对GPP的影响更大，但积雪参数对GPP的影响不可忽视，尤其是对春季GPP的影响；GPP的变化受积雪参数和气象因子空间分布以及它们相互作用的综合影响。本研究揭示了积雪动态对高寒草地GPP的调控作用，并明确了积雪参数与气象因子对GPP的相对贡献。研究结果有助于深化对青藏高原高寒生态系统碳循环过程的理解，并为预测气候变化背景下的GPP动态变化提供科学依据。

积雪覆盖度（Fractional Snow Cover， FSC）是衡量地表积雪分布的关键参数，深度学习已成为FSC估算的重要方法，而训练样本的质量和代表性直接影响深度学习模型的准确性和泛化能力。本研究以新疆为研究区，在利用深度学习方法估算MODIS FSC的过程中，比较了分层随机抽样、余弦相似度、K-means聚类和信息熵4种代表性样本选择方法的性能。结果表明：4种选择方法均能有效筛选出代表性样本，降低样本冗余，提高深度学习模型对FSC的估算精度和效率。与使用总体样本训练的深度学习模型相比，基于K-means聚类筛选出的代表性样本（约占总样本40%）所构建的模型在FSC估算精度上表现最优，RMSE和MAE分别为9.51%和5.272%，R²达到0.916，计算时间减少约63%。代表性样本选择策略可显著提升深度学习FSC估算模型在复杂环境下的适用性，为其从实验研究向业务化应用的转化提供了可行路径。

准确反演林区积雪面积比例（Fractional Snow Cover， FSC）对于水文过程模拟、气候变化预测以及生态系统管理具有重要意义。基于随机森林（RF）算法与辐射渐进传输（ART）模型，提出RF_ART混合机器学习模型，旨在提高林区积雪面积比例（FSC）的反演精度。模型集成了光谱、植被、地形、角度、地温和积雪粒径等多环境变量，并在北疆阿勒泰和天山中东部林区进行了实验。结果表明，RF_ART在训练影像中的均方根误差（RMSE）平均值约为0.048 0，在测试影像中的RMSE平均值约为0.096 6，与NDSI_FSC和NDFSI_FSC方法相比显著降低。此外，RF_ART与RF_FSC的误差相近，但RF_ART引入了物理约束，提升了模型的稳健性，因此被认为是反演林区FSC的最佳算法。特别是在占主要部分的落叶林区，随着各类型变量的加入，RF_ART模型的RMSE逐渐降低，同时在数据稀缺的情况下，RF_ART模型也表现出极强的鲁棒性和应用潜力。通过混合机器学习模型与多源遥感数据，为林区的积雪面积比例反演提供了重要参考。

受复杂气候与地形条件制约，梅里雪山地区的光学及微波遥感应用存在显著局限性。本研究基于大疆Mavic 3E无人机和海星达iRTK20 GNSS系统，分别于2023年10月1日与2024年10月1日对共森龙巴冰川末端开展了两期高精度摄影测量。利用U-Net深度学习模型，实现了冰川微地貌的自动化提取。研究结果表明：U-Net模型在冰川微地貌提取中表现出较高的精度和较强的泛化能力；观测期内（2023年10月~2024年10月）冰川末端表面高程平均降低2.37 m，变化显著；冰面湖塘呈现持续扩张趋势，且空间分布相对均匀；冰崖广泛发育，并持续向冰川退缩方向扩张，其中以末端中、上部区域最为显著；冰裂隙主要集中分布于3 910~4 000 m和4 110~4 200 m两个高程带，其余区域分布稀疏。本研究结合无人机影像与深度学习，建立的冰川微地貌智能提取技术体系，可为高精度监测冰川动态变化及其与气候变化的响应关系提供有效的技术支撑。

积雪监测是气候变化研究的关键环节，无人机遥感技术是快速获取积雪信息的有效手段。但在复杂积雪分布区，传统RGB无人机影像较难区分积雪与其他具有相似反射特性的地物。针对此问题，本研究采用可见光与热红外无人机影像和集成学习等方法，通过评估10种分类器在全部分类特征数据集和优选分类特征数据集中对积雪覆盖信息监测的性能差异，探讨积雪覆盖判识精度和效率的提升方法。结果表明：7种集成学习分类器在积雪覆盖监测中表现出明显优势，如Ada-Boost-DT分类器的总体分类精度（OA）可达90.54%~92.91%，相较于单一强分类器（如CART、SVM和MLPC）选用集成分类器总体分类精度（OA）提升约1%~6%；全部分类特征数据集能保留更多特征信息，在复杂积雪分布场景中可使总体分类精度（OA）提升1%~3%，分类特征优选通过减少冗余特征可降低分类用时，但对部分分类器（如LGBM和GBDT）可能造成明显的精度下降；均值（Mean）、蓝波段（B）、热红外波段（T）和红蓝差值指数（RBDI）等分类特征对积雪覆盖监测精度贡献较大，是积雪覆盖判识关键影像特征。

实现多年冻土活动层厚度的准确提取，是提升对多年冻土退化及其环境效应认知的基础，其中探地雷达因其快速、无损、准确等特点成为这一研究的重要方法。然而，传统的人工解译方法工作量大、效率低，容易出现信息丢失。针对上述问题，本研究首次将基于相关性的层位追踪方法应用到青藏高原典型多年冻土区探地雷达图像的解译和活动层厚度的自动提取，并通过改进种子点的判断与追踪方式，进一步提升了活动层厚度的提取精度。基于祁连山多年冻土区26条测线的探地雷达观测数据，分别应用传统人工解译和层位追踪方法获取活动层厚度，发现改进后的层位追踪方法相比原始方法误差更小，Bias、RE和RMSE分别减少0.025 m、0.018、0.039，与人工解译结果相关性更高，R^{\mathrm{2}}提高0.014，图像的主体部分也更接近人工解译结果，证明了此方法在多年冻土活动层研究中具有较好的可靠性。

青藏高原作为地球第三极，其区域内的土壤冻融循环在气候变化研究中至关重要。为探究L波段地基微波辐射计观测数据识别土壤冻融过程的技术方法，并揭示黄河源区草地土壤冻融过程的年内循环特征，基于青藏高原东北部黄河源区玛曲土壤湿度土壤温度监测网（Soil Moisture and Soil Temperature observation networks， SMST）的观测资料与地基微波辐射计（ELBARA-Ⅲ型，L波段）观测得到的双极化微波亮度温度，通过土壤冻融的传统判别方法与冻结因子（Frost Factor， FF）识别法，分别分析两种数据表征的土壤冻融过程的年内变化特征，并对两种分析结果进行验证与讨论。结果表明：地基微波辐射计观测数据监测表层土壤冻融状态的结果与浅层土壤温度和湿度表征的土壤冻融过程基本一致。在4种冻结因子法中，以极化比值冻结因子（Polarization Ratio Frost Factor，FF_PR）和双角度双极化冻结因子（Combined Dual Polarization Difference Frost Factor，FF_CDPD）对识别土壤冻融状态的适用性最强。当地基微波辐射计的入射角为50°时，可选取FF_CDPD作为该角度下的最优冻结因子，其判别该区域冻融期的准确率为84.2%；当入射角为40°或60°时，可选取FF_PR 作为最优冻结因子，判别冻融期的准确率为91.4%、91.2%。在土壤发生融化向冻结或冻结向融化转换时，相比于完全冻结/融化状态下土壤层中的液态水含量迅速降低/上升，垂直极化和水平极化下的亮温同时下降/上升，极化亮温差值在40.0~75.0 K 之间。因此，利用不同冻结因子和地基微波辐射计观测数据可以有效识别下垫面土壤的冻融状态。本研究结果可为卫星微波遥感识别高寒草原土壤冻融和水分循环提供科学参考。

积雪是全球能量平衡、气候变化的重要物理变量，遥感技术是积雪监测的主要手段。作为主动微波遥感的主要技术之一，合成孔径雷达（SAR）可以不受天气条件影响成像反演积雪深度。早期的SAR空间分辨率高但时间分辨率低，无法进行雪深的时间序列反演，随着新一代SAR卫星的研制与发射，时间分辨率有了较大提高，为雪深的时间序列分析提供了支持。研究选用高分辨率Sentinel-1数据，基于D-InSAR技术，通过相位离散指数阈值提取，结合光学影像以及高相干系数区校正解缠相位，探索了时间序列雪深反演方法，成功反演了新疆北部乌苏地区积雪积累期11 d的雪深分布，根据积雪站点逐日实测雪深资料探讨了雪深反演误差来源。结果表明：①通过相位离散指数阈值提取并结合光学影像以及高相干系数区校正解缠相位，可以得到较好的雪深反演结果；②雪深整体反演结果精度相关系数R为0.93，均方根误差RMSE为3.98 cm，平均相对误差MAPE为25.49%；③由于像对相干性和积雪内部性质的差异，积雪较浅时反演精度较高，多数反演雪深值低于雪深实测值，当站点观测雪深大于17 cm时开始出现大的误差，最大误差约为7.3 cm。差异分析发现，雪深反演精度受干涉像对相干性及实际雪深的差异影响显著。光学影像与SAR影像时间分辨率的不一致也可能是雪深反演误差的因素之一。本文所用到方法能够利用SAR数据进行较好的时间序列雪深估计，为基于D-InSAR雪深时间序列反演提供参考。

位于新疆天山东部的哈尔里克山冰川是典型的大陆型冰川，对气候变化响应极为敏感，研究哈尔里克山冰川现状及变化趋势具有重要的现实意义。基于Landsat TM、ETM+及OLI遥感影像，DEM数据等资料，采用波段比值阈值法和目视解译相结合的方法，提取了1990年、2000年、2010年、2020年4期冰川边界信息，研究了近30a天山东段哈尔里克山冰川面积的分布、变化及其对气候变化的响应关系。结果表明：①1990~2020年冰川面积呈持续退缩的趋势，冰川面积缩小28.34 km²，年平均退缩速率为0.73%·a^-1，其中，2010年后冰川末端退缩速度最快。②随着海拔的升高，研究区的冰川分布呈现先增后减的趋势，海拔3 800~4 600 m冰川分布最多；小规模冰川（≤0.5 km²）的数量和面积都在增加，规模较大冰川（≥1 km²）的面积和数量都在减少；不同坡向的冰川也呈不同程度的退缩趋势，其中东坡冰川面积退缩速率最快，冰川分布呈西多东少、北多南少的特点；各个坡度的冰川也存在明显的退缩趋势，其中30°~35°范围内退缩最快。③综合分析研究区气候资料表明，1990~2020年研究区冰川面积变化主要与该时段气温升高，而降水减少有关，气温上升是导致冰川面积退缩加速的主要原因。

冰川是最重要的淡水储存库之一，精确识别冰川和监测冰川的变化对于了解气候变化和水资源管理具有重要意义。基于Landsat 8影像，以喀喇昆仑区域为研究对象，利用单波段阈值法、雪盖指数法、非监督分类、监督分类和U-Net卷积神经网络提取冰川边界，并以交并比和混淆矩阵对冰川边界提取结果进行精度评定。结果表明，非监督分类和单波段阈值法对于表碛覆盖型冰川以及阴影中冰川存在严重的漏分现象，易将薄雪覆盖的山地错分为冰川，K-means的提取效果最差，交并比为57.69%，Kappa系数为0.57。监督分类方法对于表碛覆盖型冰川的提取效果有明显改善，但对于阴影中的冰川的提取效果不佳，提取结果的Kappa系数均为0.70以上。雪盖指数法可以有效提取阴影中的冰川，但易将大面积冰川中的非冰川区域错分为冰川，交并比为74.49%，Kappa系数为0.76。U-Net卷积神经网络能够较完整地提取冰川边界，精度要明显高于其他分类方法，重叠面积最接近地面真值面积，其交并比为88.57%，Kappa系数为0.90。U-Net卷积神经网络虽然表现较好，但是对于极小面积冰川仍存在漏分，后续研究可通过改进网络结构来提高精度。

河冰遥感判别对冰情监测提供了重要的支持。河冰指数判别方法是河冰遥感判别的核心工具。然而，目前仍缺乏对常用指数判别模型在不同河道类型的综合性对比研究。针对此问题，本研究采用了5种遥感指数模型（RDRI、NDSI、MNDSI、NDWI、反射率阈值法），选择黄河上游河道不同特征的6个研究区3种河道类型，对不同研究区中河冰指数模型的阈值稳定性、精度和适用性进行了分析讨论。结果表明：5种遥感指数模型的构建方式共同反映出河冰在可见光、近红外和短波红外波段的光谱特性是河冰判别最为重要的基础。RDRI指数在多个方面表现最佳，平均Kappa系数为0.914 4，推荐其作为河冰指数判别方法的最优选择。NDSI和MNDSI指数可以通过调整阈值有效排除浅雪的干扰。NDSI、MNDSI和NDWI指数在河源段研究区的精度表现良好，而反射率阈值法在性能上稍逊于RDRI指数，但其算法简单仍然具有一定的应用价值。对于不同河道类型的研究区，5种遥感指数模型的在顺直河道的精度最高，弯曲河道次之，分叉河道最低。

极地海冰以其对全球气候变化的重要影响，使得准确获取海冰多要素信息成为极区观测的核心任务。卫星是极地海冰监测的主要技术手段，已被国内外广泛应用于极地海冰的观测。阐明当前国内外极地海冰卫星遥感的现状，对于未来极区海冰新遥感传感器的研制具有重要的指导意义。首先梳理了目前国内外具备极地海冰信息获取能力且在轨运行的卫星信息，在此基础上，综述了基于卫星数据在极地海冰观测中的主要应用进展。最后，指出现有全球对地观测体系对极地海冰信息观测的不足，并提出了我国后续极地海冰观测的发展建议。

黑碳和沙尘是积雪中的主要吸光性污染物，能够不同程度降低积雪反照率，加速积雪消融，改变区域能量平衡和水资源时空分布。区分两者对积雪反射率影响的差异是开展积雪黑碳和沙尘能量水文效应研究及遥感反演积雪污染浓度的基础。为避免积雪物理属性及观测条件变化引起的干扰，本实验通过人工沉降不同类型污染物获取污染积雪的光谱反射率特征，分析黑碳和沙尘对积雪反射率影响的差异。结果发现黑碳类污染物在整个可见光和近红外波段几乎都会引起积雪反射率降低，浓度与反射率呈负相关；沙尘类污染物在可见光波段其浓度与积雪反射率呈负相关，但不同于黑碳类污染物，沙尘浓度较高时在0.35~0.6 μm波段对积雪反射率的降低会快速减少，近红外波段范围内大约在1.2 μm左右，沙尘污染浓度与积雪反射率几乎不相关，1.2 μm之后开始提高积雪反射率，浓度与反射率转变为正相关；积雪反射率变化与污染浓度并非线性相关，反射率对污染物浓度的敏感性随浓度增大而减小。这些差异对于污染积雪反照率变化研究和遥感方法区分反演积雪中黒碳和沙尘具有重要意义。

在冰湖编目工作中，从海量遥感数据快速准确获取冰湖边界具有重要意义，发展基于遥感数据的冰湖边界自动化提取方法是关键。本研究改进了基于 YOLOv5-Seg 网络的实例分割模型，并应用于山地冰湖自动化提取。结果显示，使用坐标注意力机制（Coordinate-Attention，CA），提高网络对冰湖目标的关注程度；在原始3个检测层的基础上添加小目标检测层，增强网络对小面积冰湖检测能力；修改上采样方法为转置卷积，解决了最近邻上采样丢失特征问题。改进的 YOLOv5-Seg 网络比原始网络平均精度提升 2.7%，达到 75.1%，比目前其他主流算法精度高 10%。利用改进的YOLOv5-Seg 网络的实例分割模型和 Sentinel-2 卫星影像，发现 2022 年兴都库什—喀喇昆仑—喜马拉雅地区（HKH），共有10 668个冰湖正例，共计 768.3 km²。该研究通过深度卷积神经网络和多源遥感数据，为大地理区域的自动冰湖制图提供了技术支持。

为有效解决粒子滤波中粒子退化和贫化问题，实验将遗传算法耦合到粒子滤波中用于对粒子进行重采样，发展了基于遗传粒子滤波的积雪数据同化方案。以Noah-MP模型默认组合方案为模型算子搭建了积雪数据同化系统，分别在真实和合成同化试验情景下比较了集合卡尔曼滤波和粒子滤波的同化性能、不同重采样方法对粒子滤波同化性能的影响，探讨了遗传粒子滤波作为积雪数据同化方法的可行性。在理想试验情景中，遗传粒子滤波的整体同化性能次于系统重采样粒子滤波，但明显好于多项式重采样粒子滤波，并且遗传粒子滤波能够在积雪融化较快的阶段，更有效地利用观测信息对模型进行校正，在积雪消融期表现出了较好的同化性能。在真实试验情景中，遗传粒子滤波的同化性能明显好于采用其他重采样算法粒子滤波的同化性能。此外，两种同化情景的试验结果均表明粒子滤波的同化性能明显好于集合卡尔曼滤波。将遗传粒子滤波作为积雪数据同化方案是可行、有效的。

探索积雪对地表温度的响应特征是研究积雪变化机理的关键。以天山中段为研究区，基于逐日无云降尺度积雪深度产品，结合地表温度数据产品，利用耦合协调与时间滞后模型，提取2010~2019积雪水文年雪深与地表温度的耦合度、耦合协调度、响应滞后时长，探究雪深与地表温度的时空响应特征。结果表明：①10年期间天山中段雪深与地表温度年均耦合度和耦合协调度时空分布不均：随海拔上升，年均耦合度与耦合协调度呈现了上升—下降—上升的特征；冬、春、秋、夏季的耦合度与耦合协调度依次递减，不同季节耦合度与耦合协调度的垂直地带性差异显著。②10年期间耦合度及耦合协调度波动式变化，发展趋势空间差异显著：在天山中段东侧两者均呈增加趋势，在天山山脉北侧均趋向减弱，在1 600 m以下的中低海拔区呈显著下降趋势，雪线以上区域呈微弱增长趋势。③雪深对地表温度响应滞后时间的季节性差异显著：在春、夏、秋、冬季依次增长，消融季滞后时间随海拔上升而增加；滞后时间在春季有逐年增长趋势，在秋、冬和夏季缓慢缩减。

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。