中文摘要：
积雪作为重要的地球表层要素,在全球陆地生态系统、气候变化、水循环和能量循环中起着重要作用。积雪存储着丰富的淡水资源,雪融水成为干旱-半干旱地区地表径流和地下水的重要补给水源。积雪的异常变化也会引发雪崩、融雪洪水、风吹雪等自然灾害,对区域生态、经济和社会的可持续发展产生重要的影响。积雪深度(雪深)提供积雪覆盖的空间分布信息及物质能量信息,是表征积雪特征的重要参数之一,也是研究积雪气候效应、流域水量平衡和融雪径流模拟以及监测和评估雪灾等级的重要参数。雪深数据成为多学科领域研究中不可或缺的基础支撑数据,然而目前现有的雪深数据完整性和一致性相对较差,无法满足相关科学研究和行业应用的需求。随着大数据时代的到来,多源雪深数据的数量呈爆炸式增长,如何充分地融合和利用多源雪深数据中蕴含的丰富信息,发挥各数据源的优势,提高雪深数据精度,具有重要的研究意义和价值。以中国全境为研究区,选取目前主流的11套雪深数据作为研究对象,包括4种微波遥感雪深数据和7种再分析数据,在对多源雪深不确定性分析的基础上,分别采用机器学习和Triple Collocation方法构建多源雪深数据的融合模型,并基于最优融合模型生成一套中国长时间序列雪深数据集,最后基于生成的雪深数据分析了我国积雪时空变化特征及其对植被生长的影响,通过以上研究可以得到了一些有价值的认识和结论。(1)综合分析了多源雪深数据在中国的不确性。①多源雪深数据较大的不确定性主要分布在内蒙古-东北地区、新疆北部地区和青藏高原地区。②多源雪深数据与地面观测在青藏高原的相关性较低。③美国雪冰中心的AMSR-E、中国风云3B和日本宇航局AMSR2雪深数据在中国大部分地区呈现高估,加拿大气象中心的雪深数据在青藏高原呈现明显的高估。(2)系统讨论了多源雪深数据在多种因素下的表现。①微波遥感雪深数据在雪深小于45cm时表现较好,随着积雪深度的增加,微波遥感反演雪深值出现饱和现象。相比而言,加拿大气象中心的雪深数据和MERRA2再分析雪深数据在雪深大于45cm时仍能够与地面观测雪深保持较好的一致性。②微波遥感雪深数据在森林覆盖地区具有较大的不确定性,且随着森林覆盖度的增加而增大,而再分析雪深资料的精度主要取决于模型设计与驱动数据,森林覆盖对其的影响并不一致。③随着地表粗糙度的增加,多源雪深数据的不确定性呈增大趋势。④微波遥感雪深数据在苔原型和泰加林型积雪区存在较大的不确定性,再分析雪深资料中的加拿大气象中心的雪深数据、GLDAS-NOAH和ERA5数据在瞬时型积雪区具有较大的偏差,其余雪深数据在泰加林型积雪区存在较大的不确定性。(3)构建了多源雪深数据融合模型。基于不确定性分析结果,以地面观测值作为参考真值,选取精度较高的中国西部数据中心的雪深数据、GLDAS-NOAH、ERA-Interim、ERA5和MERRA2五种雪深产品作为输入变量,同时考虑了多种环境参量,使用支持向量机(Support Vector Machine,SVM)、BP神经网络(Back Propagation Neural Networks,BPNN)和随机森林(Random Forest,RF)三种机器学习算法及Triple Collocation方法对多源雪深数据进行融合。结果表明三种机器学习方法融合后的雪深均能够提高数据质量,改善微波遥感数据的饱和效应,Triple Collocation的改进效果不显著。RF融合模型在所有算法中表现最好,相关系数(R)达到0.87,均方根误差(Root Mean Square Error,RMSE)为5.1cm;其次为BPNN和SVM融合模型,其R值分别为0.80和0.82,RMSE值分别为 6.38cm 和 6.1cm;Triple Collocation 方法的 R 和 RMSE 值分别为 0.7 和 8.63cm。(4)分析了中国积雪和植被生长状况在1982-2015年的时空变化特征。①中国积雪在1982-2015年间,年均雪深整体呈现减少的趋势,减少速率为0.21cm/10a;积雪开始时间(Snowcoveronsetdate,SCOD)表现出显著的推迟趋势,推迟速率为0.2d/a;积雪持续时间(Snowcovered days,SCD)呈现出不显著的减少趋势,减少速率仅为0.09d/a;积雪结束时间(Snow cover ending date,SCED)为不显著的推迟趋势,推迟速率仅为0.2d/a。②植被生长季开始时间(Start of the growing season,SOS)呈现出推迟提前趋势,推迟速率为0.3d/a,植被在生长季的生长状况指数(Vegetation Condition Index,VCI)呈现出增加趋势,增加速率为0.5/a。(5)揭示了不同类型植被生长对积雪变化的响应特征。寒温带和温带山地针叶林植被的SOS与积雪深度呈现明显的负相关,而VCI与积雪深度呈现显著的正相关。温带落叶阔叶林的SOS与SCOD呈现出显著的负相关,SOS与其他积雪参数呈现正相关。温带草甸的植被受积雪变化的影响较大,随着积雪深度的增加,SCD增加,SCOD和SCED提前,植被的SOS呈现出推迟趋势,而该区域的植被VCI与积雪深度呈现出正相关。温带草原的SOS与SCOD和SCD呈现明显的负相关性,且冬季丰富的积雪有助于改善该地区来年的植被生长状况。高寒草原和高寒草甸对积雪变化呈现出相反的响应特征。
