积雪密度是积雪物理特性的关键参数。由于积雪密度的时空异质性及其影响因素的复杂多样性，地面观测、遥感反演、模型模拟等方法尚难以获取大范围、长时序、高精度的积雪密度时空分布信息，导致在雪水当量的被动微波遥感反演等实际应用中，不得不使用固定的积雪密度值。南京大学高分辨率遥感实验室基于站点实测、多源遥感和再分析数据，综合考虑积雪密度分布的时空异质性及其与气象、地形等影响因素之间的复杂非线性关系，初步构建了时空加权神经网络（GTWNN）模型，在积雪密度制图方面取得了进展（Wang et al., 2023）。然而，GTWNN模型作为插值模型，通过计算未观测点与其附近观测样本之间的时空相似性来估算雪密度，观测样本直接参与推理，估算性能依赖于观测样本分布且缺乏时间外推能力，亟需发展具备时空外推能力的积雪密度预测模型。为此，我们进一步集成地面观测、遥感、再分析数据等多源数据优势，构建时空随机森林（STRF）模型，实现了中国区域高精度积雪密度估算（Sun et al., 2024）。该模型既综合考虑积雪密度分布的时空异质性及其与气象、地形、植被和积雪相关等影响因素之间的复杂非线性关系，又能在有限的观测条件下估算长时序的雪密度数据。基于模型的特征重要性探究了输入特征的有效性。结果表明，积雪特征重要性占比最高（35.8%），为雪密度估算提供了积雪知识。空间特征和时间特征重要性分别占比32.7%和8.4%，体现了考虑积雪密度时空异质性的必要性和时空因子的重要作用。![]()
图2 基于STRF模型的特征重要性分析和基于EFAST的参数敏感性分析利用来自气象站的233个站点的雪深和雪压真值，基于随机交叉、年份交叉、站点交叉验证对STRF估算雪密度展开精度验证，同时，利用来自147个积雪线路雪坑和10个积雪站的积雪密度真值对STRF估算雪密度展开独立验证。结果表明，基于随机交叉验证的STRF精度最高，R2为0.642，基于年份和站点交叉验证、独立验证的STRF精度R2分别为0.326、0.148、0.385，均超过了ERA5-Land雪密度产品精度（R2=0.034），证明了STRF模型的有效性和鲁棒性。图3 STRF雪密度与ERA5-Land雪密度产品的精度比较为进一步验证模型的有效性，利用STRF雪密度和ERA5-Land雪密度优化使用固定雪密度的雪水当量产品（中国雪水当量产品CSWE和全球雪水当量产品GlobSnow），结果表明基于STRF雪密度优化的雪水当量产品精度最高，GlobSnow SWE产品精度R从0.21提升到0.31,
CSWE产品精度R从0.55提升到0.64。最后，利用STRF模型生产了1980–2018年中国区域逐日积雪密度产品，并基于此产品探究了的积雪密度空间分布格局和时间变化趋势。![]()
图5 1980–2018年中国区域积雪密度的空间分布
![]()
图6 1980–2018年中国区域积雪密度的时间趋势该研究成果近日以“Estimating daily snow density through a spatiotemporal random forest
model”为题发表于水文学权威刊物Water Resources Research，论文第一作者为南京大学地理与海洋科学学院硕士生孙立扬，通讯作者为张学良副教授，合作作者为肖鹏峰教授、硕士毕业生王华东、硕士生王蕴涵。该研究得到国家自然科学基金项目（42171307）、南京大学关键地球物质循环前沿科学中心“GeoX”交叉项目、中央高校基本科研业务费专项资金项目（020914380119）的资助。GTWNN模型：
Huadong Wang, Xueliang Zhang, Pengfeng Xiao,
Tao Che, Zhaojun Zheng, Liyun Dai, Wenbo Luan. Towards large-scale daily snow
density mapping with spatiotemporally aware model and multi-source data. The Cryosphere,
2023, 17, 33–50.
链接：中国区域逐日积雪密度时空模拟与制图 (qq.com)
STRF模型：
Liyang Sun, Xueliang
Zhang, Huadong Wang, Pengfeng Xiao, Yunhan Wang. Estimating daily snow density through
a spatiotemporal random forest model, Water Resources Research, 2024, 60(7), e2023WR036942.
数据链接：
数据发表在国家青藏高原科学数据中心（https://data.tpdc.ac.cn/zh-hans/data/81b5030e-828c-4271-baa7-66729b7ff1ae）。
