气候变暖对吉林省降雪量与新增雪深关系的影响

降雪量和积雪深度的关系是降雪预报及水文气候模拟中的重要参数。本文利用吉林省50个站点1961—2021年的降水量、积雪深度、气温、风速和天气现象等气象观测资料,分析了降雪量和新增积雪深度的关系及主要气候影响因子。结果表明,在中等及以上强度的降雪过程中,吉林省新增积雪深度(D)与降雪量(S)的比值(深量比,Rds)平均为0.96 cm·mm^(-1);该比值存在空间差异,呈西部小东部大的分布特征,且存在明显的月际、年际和年代际变化特征,其中月际变化呈现不对称的抛物线型,12月和1月为大值时段;近60年来Rds呈减小趋势,变化速率为-0.01 cm·mm^(-1)·(10a)^(-1);降雪日Rds与气温呈明显反相关关系,其中在-12~0℃的温度区间,Rds随气温上升呈明显减小趋势。气候变暖、降水量增加和风速的减小是降雪过程中降雪量与新增雪深关系年代际变化的直接原因。揭示降雪量和新增雪深的关系对于认识东北亚中高纬度降雪积雪特征及其成因具有重要意义。

基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

作为中国三大积雪区之一,青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题,不适用于青藏高原复杂的山区地形。因此,本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型,利用机器学习算法,将筛选后的亮温差作为参数输入,同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征,最终进行了500 m分辨率的青藏高原雪深制图。结果显示,极端梯度提升XGBoost算法的决定系数(R^(2))和均方根误差(root mean square error,RMSE)分别为0.762和5.732 cm,明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化,结果表明,在积雪天数为30~60 d时,模型表现良好,平均相对误差(mean relative error,MRE)最低为36.79%,RMSE为2.78 cm;随着积雪覆盖度的增加,模型的RMSE逐渐增大,在积雪覆盖度为0.25~0.50时,MRE和RMSE分别达到39.97%和3.12 cm;植被覆盖度对模型精度的影响较为复杂,可能与具体的土地覆盖类型相关,在0.25~0.50范围内模型表现出较高的精度,MRE和RMSE分别为32.77%和2.94 cm。

基于机器学习的内蒙古地区雪深估算研究

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(R 2)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。

自动雪深观测仪的对比分析

为推进气象高质量发展,推动雪深观测自动化进程,建设气象探测强国,佳木斯市气象局于2021年~2022年冬季在佳木斯冰雪试验外场安装3台不同型号的雪深自动观测仪,进行雪深观测仪比对试验,通过对积雪期自动采集与人工观测的雪深数据对比分析,评估不同类型的自动雪深观测仪运行稳定性和数据精准性。试验结果表明3台自动雪深观测仪在积雪期运行稳定,故障率为0,观测数据完整,无缺失;在不同积雪阶段,3台自动雪深观测仪数据与人工观测数据相比,整体的准确性和稳定性为DSJ1型>DSS1型>DSS2型;气温和雪温在积雪稳定阶段与自动雪深观测仪误差相关性最强。综上所述,DSJ1型自动雪深观测仪运行最稳定,数据最准确,在今后对自动雪深观测仪的升级时应更加注重气温、雪温和风速等气象要素带来的误差,从而推动雪深观测自动化进程服务。

基于VMD-MA的GNSS-MR雪深反演方法

针对利用全球卫星导航系统多径反射(GNSS-MR)技术反演雪深过程中信噪比(SNR)序列趋势项分离不佳和反演结果波动较大的问题,提出一种基于变分模态分解(VMD)和移动平均(MA)的雪深反演方法。VMD算法通过自适应高通滤波有效分离SNR序列的趋势项,MA算法对初始反演结果进行平滑处理从而减少随机波动。选用瑞典KIRU站2021年前5个月GLONASS不同频段的SNR观测值开展实验,研究所提方法的可行性。结果表明:基于VMD算法的反演结果与气象站原位雪深相关系数超过0.95,均方根误差(RMSE)最低约5 cm,较传统算法减少近40%;经MA算法平滑处理后,反演精度进一步提高。考虑到GNSS站和气象站之间的差异性,选取GPS SNR反演结果作为参考数据源,不同参考数据源取得了一致的实验结论,验证了所提方法的可行性和有效性。

基于GNSS-R技术的阿拉斯加州积雪深度反演及其应用

利用GNSS-R(全球导航卫星系统反射测量)技术进行准确的雪深监测已成为传统雪深测量的重要补充手段。本文使用GNSS-R技术反演了2012—2018年美国阿拉斯加州4个GPS观测站附近的雪深结果,结合加拿大气象中心(Canadian Meteorological Centre,CMC)提供的雪深模型数据产品,以PBO(Plate Boundary Observatory)H2O项目组提供的雪深资料为参考值,分析了不同手段获取的雪深值在不同时间尺度上的变化特征,同时评估了GNSS-R反演雪深结果作为独立数据集验证CMC模型数据的能力。结果表明:GNSS-R、CMC和PBO得到的长时间序列雪深结果均具有较为一致的明显周期性变化,整体上GNSS-R反演结果比CMC数据精度更高,更能反映雪深的年际变化情况。GNSS-R反演值和CMC模拟值均能够反映各测站PBO雪深值的逐月变化规律,但GNSS-R反演值的精度和稳定性总体上优于CMC模拟值。GNSS-R反演结果比CMC模拟值与PBO雪深值的季节性变化更具一致性,且对于本文研究的4个测站,GNSS-R反演雪深的精度和稳定性在雪深值较大的春季和冬季较高,雪深值较小的秋季略差。此外,本文还证实了GNSS-R反演的雪深结果可用于评估CMC模拟雪深值的精度,且评估效果在冬春季优于秋季。

基于星载被动微波的中国东北森林雪深反演

针对受森林地区复杂地形和植被冠层结构的影响,基于被动微波遥感数据的森林地区雪深反演精度普遍较低的问题,在代表性半经验雪深反演算法的基础上,结合森林气象站观测数据建立了中国东北森林地区半经验雪深反演优化算法。该算法考虑了森林植被介电常数随气温变化的特性,使森林地区的雪深反演精度得到了较大的提高。与其他代表性半经验雪深算法相比,该算法的均方根误差(RMSE:Root-Mean-Square Error)平均减小了2.3 cm,偏差(Bias)平均减小了3.7 cm,相关系数(R)平均提升了0.11;与常用的机器学习雪深反演算法对比,该算法的RMSE平均减小了2.17 cm,Bias平均减小了1.67 cm,R平均提升了0.22。

青藏高原冬春季雪深异常对云南夏季降水的影响及可能机制

基于中国区域长时间序列雪深资料和CN05中国区域格点降水资料,利用奇异向量分解和相关分析方法考察了云南地区夏季降水与前期青藏高原雪深的联系。结果表明,冬、春季高原中西部雪深偏多对应云南大部夏季降水的偏多,特别是云南北部金沙江流域和西南部区域降水偏多显著;且这种影响关系独立于ENSO对云南夏季降水的影响。结合ERA5再分析资料进一步揭示了高原关键区雪深异常对云南夏季降水的影响机制,指出前期高原中西部关键区积雪偏多时,通过积雪的反照率效应可导致春季高原中西部及附近区域近地面气温偏低,有利于南亚夏季风爆发偏晚,南亚夏季风偏弱,对应南亚季风低压偏弱,高原南侧为异常西风,有利于云南大部地区降水偏多。此外,高原关键区前期积雪偏多还可激发高低空波列,影响到东亚及我国西南的大气环流异常,其中高层200 hPa波列沿中高纬西风急流传播,自高原西部经蒙古到达东北亚呈现明显的“负—正—负”位势高度异常传播,东北亚为气旋性环流异常,气旋性环流西侧的偏北气流有利于中高纬冷空气南下;850 hPa低层波列自高原西南侧往南海传播,南海为异常反气旋环流。高原南侧西风和南海反气旋西北侧的西南风在云南上空形成低空切变,有利于云南地区夏季降水;同时冷空气南下到云南地区,与暖湿气流汇合,也有利云南地区夏季降水偏多。

FY-4卫星资料在青藏高原地区积雪判识和雪深反演中的应用

青藏高原积雪监测在地球辐射平衡、全球气候变化和生态环境等方面有重要作用,对气候预测、雪灾预测等具有重要意义。FY-4(风云4号)卫星数据具有高时空分辨率的优势,基于FY-4A(风云4号A星)构建积雪监测方法与模型,不仅拓展了静止卫星应用领域,也丰富了积雪监测应用的手段。FY-4的高时间分辨率为积雪监测的研究提供了分钟级数据,对积雪与云的变化掌握的更为细致,但用于积雪监测的波段,因分辨率不高容易导致错判与漏判。本文基于2020年小时级野外地面雪深观测数据、风云3号D星积雪覆盖产品(FY-3D_SNC)数据,构建了基于归一化积雪指数(Normalized Difference Snow Index,NDSI)的FY-4A卫星积雪判识方法,提出了雪深监测模型与等级划分指标。结果表明:NDSI≥0.20是青藏高原地区FY-4A卫星积雪判识的适用阈值,无论有云或无云条件,其漏判率均低于8.0%。地面站点验证结果表明,积雪判识准确率达83.33%以上。空间范围内直接剔除云区后,积雪判识经混淆矩阵验证准确率在82.48%以上。因此,FY-4A卫星在青藏高原地区具有积雪监测的能力。虽然FY-4A卫星对超过10 cm以上雪深不具备区分能力,但可以较好地识别10 cm以下浅雪雪深,相关系数达到0.745,通过了0.001显著性水平检验。据此建立的FY-4A卫星0~10 cm雪深等级指标,总体分级精度达到87.50%。FY-4A卫星雪深反演方法在青藏高原地区对0~10 cm浅雪雪深有较好的估算能力。

DSS1型雪深传感器的故障排查及日常维护

雪深是因降雪在地面上累积的积雪深度,较厚的积雪对交通工具、冬作物、家畜和林木生产以及农业设施等会造成严重的损害。雪深传感器是一种能够自动连续地测定积雪深度的仪器设备,文章针对DSS1型雪深传感器的故障排查及日常维护进行分析讨论,结果可为使用该型号产品的气象部门开展故障排查及日常维护提供参考依据。

唐古拉地区超声雪深传感器SR-50监测研究

利用2004年5月以来超声雪深传感器SR-50在青藏高原唐古拉综合监测场获取的实时积雪资料和相关气象数据,评估了SR-50在青藏高原积雪监测中的性能和作用,并对青藏高原腹地多年冻土区积雪变化特征进行初步分析。结果表明:超声雪深传感器SR-50对不同时间尺度的地表积雪过程均有较好的监测能力。监测数据清晰地显示唐古拉地区地表积雪深度在夜间相对稳定、在日间迅速降低的特点。唐古拉地区平均年积雪日数为82 d,各月均有地表积雪出现,但夏季的地表积雪较少且持续时间很短。该地区地表积雪总体上呈厚度较薄、消融较快、持续时间较短的特点。2005—2008年该地区瞬时最大积雪深度为22 cm,日平均积雪深度小于5 cm日数占总积雪日数的71.58%。

基于ECMWF再分析数据的内蒙古高原雪深时空变化特征

根据ECMWF再分析资料,探讨了1986—2021内蒙古高原雪层厚度的时间、空间和地貌因素的关系。研究发现,内蒙古地区1986—2021年间的降雪速度呈0.31 mm/年的递增趋势,尤其是2000年后增长速度较快,但没有显著的差异。在月尺度上,冬季降雪深度从10月起逐渐增大,翌年1—2月为最大。从空间上看,内蒙古高原北部、西北部和东北部积雪雪深较深,而西南部则是积雪深度偏轻的区域。积雪深度的变化规律与地形的关系密切。从整体上看,积雪深度与海拔高度之间存在显著的相关性,其相关系数为0.75,随坡向、坡度、曲度的不同而不同。东南坡度、坡度为5°~10°和高低不平的地区对积雪的影响较大,从而为我国的草原防雪灾和预测草地的回春时间提供参考。

基于AMSR-E信息的北疆牧区雪深遥感监测模型方法初探

利用北疆地区2002，2003和2004年11月一次年3月3个积雪季AMSR—E445个时相的亮温数字图像和20个气象台站实测雪深数据，系统分析了雪深模型的影响因子和研究区样本筛选方法。通过对18和36GHz波段的水平、垂直极化方式的亮温差和实测雪深值回归分析比较，建立了北疆地区基于AMSR—E亮温数据的雪深反演模型，并对模型的精度进行了评价。结果表明，1）AMSR—E亮温差受气温、融雪、降水、湿雪、深霜层等因素的严重影响，其中受深霜层的影响最大；2）大于2．5cm的积雪深度SD同垂直极化方式的18和36GHz波段的亮温差（Tb18v—Tb36v）之间具有较好的线性相关性，其回归公式为SD=0．49（Tb18v—Tb36v）＋8．72，相关系数达0．65。3）当雪深为3～10cm时，反演模型平均误差为-7．1cm，平均绝对误差为7．1cm，RMSE值达7．7cm；当雪深为11～30cm时，平均误差为1．8cm，平均绝对误差为4．9cm，RMSE值为9．1cm；当雪深大于30cm时，平均误差为8．9cm，平均绝对误差为9．4cm，RMSE值为18．1cm。4）该模型在北疆地区优于Chang算法，基本能反映北疆地区雪深变化趋势。当地表为中雪覆盖时，反演雪深值和实测值之间的一致性较高，当地表为浅雪和深雪覆盖时，反演模型的误差较大，其反演精度较低，还有待于进一步研究。

基于重轨InSAR的积雪深度反演方法

利用合成孔径雷达(Synthetic Aperture Radar,SAR)反演积雪深度是流域尺度积雪遥感监测的热点之一,SAR的干涉测量(Interferometic SAR,InSAR)扩展了其在积雪研究中的应用.微波能够穿透干雪,并在雪-空气界面发生折射,导致传播路径变化;根据InSAR原理,降雪前后的SAR像对会形成由于干雪覆盖导致的干涉相位差.基于此,提出了基于重轨InSAR技术的积雪深度反演方法:首先,结合气象、水文、野外观测数据,判断积雪状态,以选择最佳干涉像对(无雪和干雪覆盖);然后,优化干涉处理过程,利用差分原理,获得由于干雪覆盖导致的相位差;最后,基于雪深与相位差的几何关系,反演积雪深度,并探讨反演结果精度的影响因素.以新疆玛纳斯河流域山前平原为研究区,利用Envisat ASAR数据,实现积雪深度的反演.结果表明:2009年2月份研究区大部分地区雪深为20 cm左右,与野外观测结果相符;与同时期HJ-1光学影像比较,所获得的积雪覆盖范围吻合.同时指出,失相干和输入参数(入射角、雪密度)误差是反演结果误差的主要来源.

我国主要积雪区AMSR-E被动微波雪深算法对比验证研究

采用高级微波扫描辐射计(AMSR-E)亮温数据,选取Chang算法、GSFC 96算法、AMSR-E SWE算法、青藏高原改进算法和Savoie算法等5种雪深反演算法,利用2010年2月10-12日3d的气象站台雪深观测数据,对比分析了5种雪深反演算法在新疆地区、青藏高原、内蒙古地区、东北地区、西北地区和华北平原的精度和适用性.结果表明:总体验证中,青藏高原改进算法3d的结果均优于其他算法,其均方根误差(RMSE)为9.16cm、9.96cm和9.63cm,平均相对误差(MRE)分别为59.77%、52.79%和48.47%.分区验证中,结果最佳的算法分别为:在新疆地区,GSFC 96算法RMSE为6.85～7.48cm;内蒙古地区,青藏高原改进算法的RMSE分别为5.9cm、6.11cm和5.46cm;东北地区,青藏高原改进算法RMSE为6.21～7.83cm;西北地区和华北平原5种算法的适用性不佳;青藏高原由于缺乏实测数据,无法得到该区验证统计结果.

基于AMSR-E的北疆地区积雪深度反演

利用北疆地区2007/2008—2009/2010年度积雪季(12月至次年2月)的AMSR-E降轨19GHz与37GHz波段的水平极化亮温数据,结合北疆地区45个气象台站的实测雪深数据,建立了北疆地区基于AMSR-E亮度温度数据的雪深反演模型,并对模型的精度进行评价.结果显示:雪深在3～10cm时,模型反演的雪深值负向平均误差为-5.1cm,RMSE值为6.1cm;雪深在11～30cm时,模型反演雪深值的平均误差仅为2.6cm,RMSE、正向平均误差、绝对平均误差均较小;雪深大于30cm时,模型反演的各项误差较大.用合成方法反演北疆地区2006/2007—2010/2011年度5个积雪季的平均雪深分布和最大雪深分布,结果显示北疆地区积雪主要分布于北部阿尔泰山和南部天山一带,其中阿勒泰地区所占比重最大,中部的准噶尔盆地腹地、克拉玛依地区雪层较浅.

基于遥感的新疆北疆积雪盖度及雪深监测

新疆北疆为雪灾多发区,准确地监测积雪分布及雪深具有十分重要的意义,可为雪灾多发区在冬季做好防灾减灾工作提供依据。目前MODIS数据主要运用归一化差分雪盖指数(NDSI)对积雪进行提取。NDSI是基于雪对可见光与近红外波段的反射特性和反射差相对大小的一种测量方法,然而它只能将像元辨别为积雪或非积雪,满足不了高精度的流域制图及雪盖提取要求。以新疆北疆为研究对象,应用MODIS数据和线性光谱混合模型提取像元内积雪所占比例(积雪盖度),并与NDSI建立关系,讨论了NDSI是否可以作为估算积雪盖度的标准,进而提高NDSI在积雪监测中的应用精度。结果表明,二者具有较好的线性关系,经过野外实测点的验证,25个点的平均绝对误差是0.06。此外,以MODIS数据与地面实测雪深资料为基础,通过分析和研究MODIS窗区通道的光谱特点,探讨了适合于积雪雪深监测最佳的MODIS通道,初步建立起应用MODIS资料监测北疆地区积雪深度的反演模型。

近30年西藏雪深时空变化及其对气候变化的响应

积雪深度是表征积雪特征的重要参数，也是气候变化区域响应敏感因素。利用1979--2010年逐日雪深被动微波遥感数据以及同期气象资料，对西藏雪深时空变化特征及其与气候因子的响应关系进行了分析。结果表明：32a来，西藏雪深呈显著增加趋势，气候倾向率为0．26em/1Oa；1999年以后，雪深则表现为下降趋势，气候倾向率为-0．35em/1Oa。四季平均雪深中，春季雪深的变化对年平均贡献最大，二者相关系数高达0．88。高原雪深异常偏多年份主要在20世纪90年代，但并未发生气候突变。周期分析表明，西藏雪深存在准6-7a振荡的显著周期。西藏雪深呈四周山地雪深大，中部腹地雪深小的空间格局，且受海拔影响有明显的陡坎效应，绝大部分地区雪深变化趋势倾向率在-0．08～0．08em/a，百分比达到74．6％；逐像元回归分析表明，雪深呈增加趋势的像元数占全区像元总数的76．9％，有减少趋势的仅占23．1％。西藏雪深与气温、降水、风速和日照时数存在明显的统计和空间相关性，整体表现为雪深与气温、风速、日照时数呈负相关，而与降水呈正相关。多元回归分析表明，春秋季雪深模拟值与实测值的相关系数均达0．6以上，通过了0．01的显著性检验；夏冬季雪深回归模型的复相关系数只有0．4～0．5，且未通过0．05显著性检验。

被动微波遥感反演中国西部地区雪深、雪水当量算法初步研究(英文)

雪深、雪水当量是积雪研究中重要参数,其在流域水量平衡和融雪径流预报以及雪灾监测与评价中起着重要作用。Chang等(1987)以辐射传输理论和米氏散射为理论基础,假定积雪密度和颗粒大小为常数,利用实测雪深数据和SMMR的亮温数据,通过统计回归方法,建立了雪深与18GHz和37GHz水平极化的亮温梯度之间的关系,发展了SMMR半经验的反演雪深的算法。后在此基础上又发展了针对SSM/I的半经验反演雪深算法。2002年发射的装载于Aqua卫星上的AM-SR-E是新一代的被动微波辐射计,性能较以往星载被动微波辐射计有较大提高,采用了改进后的SSM/I的半经验算法作为其估算全球雪水当量的反演算法。将AMSR-E的雪水当量产品与气象台站观测的雪水当量进行比较,发现在新疆地区和青藏高原地区雪水当量的RMSE分别达到31.8mm和21mm。本研究旨在建立基于AMSR-E亮温数据,适用于中国西部地区的雪深和雪水当量反演算法。首先收集整理了2003年新疆地区的雪深、雪水当量数据和AMSR-E亮温数据,去除错误样本,利用统计回归的方法,建立了新疆的反演雪深、雪水当量的半经验算法,算法中加入积雪覆盖度参数,较以往的算法有所改进,与气象台站观测数据比较,结果也表明新疆地区建立的经验算法较AMSR-E的雪水当量算法有较大改进,RMSE为15.7mm。但青藏高原地区因海拔高,地形复杂,大部分地区积雪较浅,空间分布不均和冻土存在等诸多因素运用同样的方法建立反演算法,结果不甚理想,以后的研究将重点消除这些干扰因素。

基于MODIS数据的雪深反演——以天山北坡经济带为例

应用中分辨率成像光谱仪(MODIS)数据进行雪深遥感反演理论和方法的研究。利用全波段地物光谱仪对不 同深度的积雪进行反射光谱值野外量测且同步测定雪深,通过分析雪深和反射光谱值的关系确定反演雪深的 MODIS最佳观测通道,应用新疆地区冬季MODIS 1B数据,以天山北坡经济带为实验区,结合该区域同期气象台 地面雪深观测记录数据建立雪深遥感反演数学公式。雪深反演结果与实测值对比表明,应用MODIS数据进行大 区域雪深反演时,其结果具有分辨率高、监测范围广的特点,可以清楚反映积雪覆盖范围和雪深空间分布特征,对 地表径流量计算、农业开发等具有应用价值。