积雪密度是表征积雪性质的一个重要参量，在雪水资源估算、融雪洪水、雪崩、暴风雪等水资源管理、自然灾害预报等方面发挥重要作用。
在降雪发生时，新雪密度变化取决于气象要素，如气温、相对湿度和气压等。后受到变质、压实、融化-冻结和风蚀等作用影响，雪晶的大小和形状发生改变。随着雪龄和雪深的增加，积雪密度变大。同时，积雪密度也会受到地形和地表类型等要素的影响。因众多影响因素的时空差异，积雪密度具有明显的时空异质性。为反映积雪密度的时空变化，多采用地面观测值，数据准确性高，但难以实现大规模积雪密度动态监测；建立物理模型过程复杂，较适合小区域积雪密度空间化；而简单的统计模型没有考虑积雪密度和多个影响要素之间复杂的非线性关系，而且这些模型大多根据稀少且短期的观测点数据独立构建，忽略了积雪密度的时空异质性以及与影响要素的关系。
为此，南京大学高分辨率遥感实验室将时空加权与机器学习模型融合，建立积雪密度时空模拟 (GTWNN)模型，以捕捉积雪密度的时空依赖性并拟合影响要素之间的非线性关系。此外，结合多源数据的优势，将卫星遥感数据提供的积雪和地形要素、再分析数据提供的气象要素和地面观测数据提供的积雪密度真值融入模型，以实现中国区域大尺度逐日积雪密度时空模拟与制图。
首先，利用地面站点和野外观测得到的16935个样本真值，统计积雪密度在不同年份、月份和积雪区的分布情况。结果表明，积雪密度的年际波动性较低，但存在明显的月际差异，3月份达到最大值，且在三大积雪区中，新疆的平均积雪密度最大，其次是青藏高原和东北-内蒙古。
图2 不同年份(a)、月份(b)和积雪区(c)的样本和积雪密度统计结果
其次，计算不同月份积雪密度与众多影响要素之间的相关系数，以及不同要素的正相关和负相关系数的均值和数量。结果表明，积雪密度与20个潜在影响要素之间的相关性都较弱，最大平均相关系数仅为0.123，这表明积雪密度制图的难度很大。其中，植被叶面积指数、降水量、积雪深度和地形要素与积雪密度的关系相对更为密切。
图3 不同月份积雪密度与其影响要素的相关系数(a)，以及不同要素的正相关和负相关系数均值(b)
然后，比较了积雪密度估计值与真值在不同积雪区、年份、月份、积雪期的精度变化，十折交叉验证结果表明，GTWNN模型总体的R2、MAE和RMSE分别为0.531、0.028和0.043 g/cm3，在三大积雪区中，新疆的精度最高（R2=0.633），青藏高原R2最低，这可能是由于积雪密度的强烈波动和稀疏站点造成的。同时，积雪密度估计在积雪稳定期内达到最佳效果，而积雪积累期和消融期由于站点数量限制和积雪量少且变化较快，具有较低的R2，表明模型精度与积雪稳定性和积雪量密切相关。
为进一步验证模型的有效性，与其他五种估算模型以及ERA5积雪密度再分析产品进行对比，结果都表明GTWNN模型具有良好的积雪密度估算性能。
图4 积雪密度估计值与真值的总体精度(a)和不同积雪区的精度(c/d/e/f)，以及积雪密度误差直方图(b)
最后，利用GTWNN模型生产2013-2020年中国区域逐日积雪密度产品，这是目前已知精度最高的中国陆域、逐日分辨率的积雪密度产品。进一步基于此产品探究了不同积雪期、月份、年份、积雪区的积雪密度空间分布和时间变化。
该研究成果近日以“Towards large-scale daily snow density mapping with spatiotemporally aware model and multi-source data”为题发表于冰冻圈科学权威刊物The Cryosphere，论文第一作者为南京大学地理与海洋科学学院硕士生王华东，通讯作者为张学良副教授，合作作者为肖鹏峰教授、硕士生栾文博、中国科学院西北生态环境资源研究院车涛研究员、戴礼云研究员、国家卫星气象中心郑照军副研究员。该研究得到国家科技基础资源调查专项 (2017FY100503)、国家自然科学基金 (42171307)、中央高校基本科研业务费项目 (020914380095) 和江苏省高层次创新创业人才引进计划资助。
Wang, H., Zhang, X., Xiao, P., Che, T., Zheng, Z., Dai, L., & Luan, W. (2023). Towards large-scale daily snow density mapping with spatiotemporally aware model and multi-source data. The Cyosphere, 17, 33–50. https://doi.org/10.5194/tc-17-33-2023.
点击“阅读原文”可获取下载链接。
