《Remote Sensing Applications: Society and Environment》：Multi-Scale Snow Depth Mapping in Interior Alaska Using Remote Sensing
编辑推荐：
雪深遥感反演与区域尺度扩展方法研究。通过结合航空高光谱/LiDAR数据与实地雪深测量，建立1km2局部尺度雪深产品，再利用多回归机器学习模型将其扩展至100km2区域尺度，有效降低直接尺度转换的不确定性，方法可拓展至雪水当量、雪密度等参数反演，为冻土区水文监测提供新途径。
作者：David Brodylo, Thomas A. Douglas, Dragos A. Vas, Caiyun Zhang
美国陆军寒冷地区研究与工程实验室，阿拉斯加韦恩赖特堡
摘要
在高纬度和高海拔地区，存在年度季节性积雪覆盖现象，积雪深度可以通过自动化设备、测量棒或其他类似仪器来确定。直接将稀疏的现场测量积雪深度数据通过遥感观测放大到区域尺度（约100平方公里）会导致较大的不确定性，因为空间尺度之间存在巨大差异。将现场测量数据与机载遥感数据相结合，生成中间雪量产品，可以为利用大规模卫星观测数据将有限的测量数据放大到区域尺度提供机会。在本研究中，我们首先利用2016年至2022年间在有限路径上的季节末积雪深度现场测量数据以及机载高光谱和激光雷达数据，生成了局部尺度（1平方公里）的中间雪量地图产品，然后进一步利用卫星观测数据将机载雪量产品放大到区域尺度（100平方公里）。在放大过程中应用了多种回归方法。在具有厚树冠覆盖区域和落叶林与常绿林之间的区域，识别出了积雪深度的模式差异。通过生成基于机载数据的中间产品作为区域尺度放大的基础，减少了直接将现场测量数据放大到区域尺度时的不确定性。这种方法可以扩展到雪水当量和雪密度的区域尺度估算，首先从现场数据生成中间局部尺度产品作为输入。
引言
积雪覆盖是地球上第二大生物群落——北方生物群落的主要特征（Yuan等人，2014年），对当地植被、水文、地形和土壤热状况有显著影响。阿拉斯加内陆极端环境中的植被高度在很大程度上受到最大积雪深度的影响（Essery和Pomeroy，2004年）。该地区每年大约有八个月被积雪覆盖，融雪发生在春季中期到晚期。年度水文循环中的主要事件是春季洪水，此时年表面径流量的很大一部分来自积雪（Ford和Bedford，1987年；Tedesco等人，2014年）。这种融雪，尤其是在积雪深度较大的时期，会导致径流和土壤渗透，从而形成湖泊、池塘、河流和湿地（Young等人，2021年）。渗透率还受到永久冻土层存在和厚度的影响（Li等人，2024年）。在具有连续或部分连续且冰含量高的永久冻土层的土壤中，渗透率较低；而在具有薄而不连续且冰含量低的永久冻土层的土壤中，渗透率较高（Demand等人，2019年；Sj?berg等人，2021年）。
然而，在过去的几十年里，天气和降雪模式变得越来越不规律（Laidler等人，2008年；Miller和Gunn，2003年）。这种变异性导致了一些年份的积雪深度异常低或高（Lader等人，2019年）。典型的降雪时间也缩短了，部分降水转化为降雨（Kunkel等人，2016年；McAfee等人，2013年；McAfee等人，2014年）。雨夹雪现象越来越常见，尤其是在晚秋和初冬（Du等人，2025年）。气温升高和年降雨量增加导致近地面温度略有上升，这促进了下层永久冻土的融化，从而在融雪高峰期增加了径流和水文变化（Douglas等人，2020年；Rawlins和Karmalkar，2024年）。季节性积雪覆盖和深度的变化也会改变或负面影响连续和部分连续永久冻土区域的永久冻土层的物理完整性（Zhang，2005年）。这些因素促进了北极苔原生态系统的绿化趋势和植被生产力的提高，同时伴随着海冰的减少（Chapin等人，2005年；Jenkins等人，2019年；Li等人，2018年）。
由于阿拉斯加内陆地区的气候敏感性较高，人们集中精力测量积雪深度及其与水文状况、永久冻土含量、植被和动物种群之间的关联（Bokhorst等人，2016年；Domine等人，2022年；Duncan等人，2021年；Grünberg等人，2020年）。测量积雪深度最直接的方法是进行现场调查和利用气象站。这些方法提供了最精确的地面积雪深度读数。然而，专门用于测量积雪深度的监测网络密度较低，导致较大的空间空白（Tanniru和Ramsankaran，2023年）。现场调查可以通过覆盖更大面积来帮助缓解空间空白问题，但这些调查可能耗时、危险且成本高昂，特别是在难以到达的偏远地区或积雪深厚的地方（Deems等人，2013年）。雪量调查需要同时或快速连续进行，因为温度和降水的变化会改变积雪的组成，从而可能导致不同地点之间的数据比较出现误差。
鉴于这些限制，遥感和机器学习技术已成为准确绘制全球积雪分布的关键工具。这包括绘制积雪覆盖范围、积雪深度、雪水当量（SWE）和冰含量（Dai等人，2017年；Frei等人，2012年；Sandven等人，2023年；Tedesco等人，2014年）。多光谱和高光谱传感器以及光探测与测距（LiDAR）已成功用于在局部、区域和全球尺度上估计积雪深度，分辨率高低均可（Daudt等人，2023年；Douglas和Zhang，2021年；Maier等人，2022年；Zheng等人，2016年）。当这些传感器的图像与现场积雪深度测量数据结合时，可以进行机器学习建模，从而在广阔区域内进行估算，否则手动完成这些工作将非常耗时且成本高昂。然而，当直接将现场尺度测量数据放大到更大尺度时，不确定性会增加，从而降低产品的可信度（Lu等人，2022年；Zhang等人，2018年）。
多项研究试图利用遥感和机器学习技术将积雪深度数据放大到更广泛的区域，并取得了有希望的结果（Brodylo等人，2025年；Burdett和Craig，2025年；Herbert等人，2025年）。然而，需要开发一个框架来生成中间局部尺度产品，以弥合现场尺度与区域尺度季节末积雪深度经验建模方法之间的差距，并从而减少放大不确定性。为此，开发了一个基于对象的机器学习集成框架。该框架旨在将约1米间隔的现场尺度积雪深度测量数据与高分辨率的星载多光谱图像关联起来，达到约100平方公里的区域尺度。本研究有三个主要目标：首先利用精细分辨率的机载高光谱图像和基于集成的机器学习，在三个不同区域生成约1平方公里的中间局部尺度积雪深度产品；其次利用估计的约1平方公里局部尺度积雪深度输出和多光谱星载图像，通过基于集成的机器学习将积雪深度估算进一步放大到约100平方公里的区域尺度；第三，描述阿拉斯加内陆不同空间和时间尺度上的季节末积雪深度，并识别主要生态类型的趋势。
研究区域
研究区域位于北极圈以南约190公里处，阿拉斯加费尔班克斯以北（图1）。该区域包括约100平方公里的景观，涵盖了美国陆军寒冷地区研究与工程实验室（CRREL）管理的三个约1平方公里的永久冻土实验站点，分别称为Creamer’s Field、Farmer’s Loop和Tunnel，这些站点代表了本研究中的局部尺度。积雪测量沿着400-500米的路径进行，这些路径被选为代表
方法论
局部和区域尺度积雪深度的绘制工作流程如图3所示。我们在放大过程中采用了基于对象的机器学习集成方法。对于局部尺度估算，利用机载高光谱图像生成图像对象，然后提取每个对象的光谱和LiDAR特征用于积雪深度估算。现场测量数据在对象级别与高光谱和LiDAR数据空间匹配，以进行开发
模型性能
所有模型都能在局部和区域尺度上成功估算积雪深度，并取得了有希望的结果。表1包含了在降雪量最低（2016年）和最高（2022年）的年份中，RF、SVM、k-NN、MLR和EA方法获得的r值、RMSE、MAE和rMAE。总体而言，EA方法在某些指标上表现最佳，特别是在2016年的Creamer’s Field（r值为0.74，RMSE为3.4厘米，MAE为2.7厘米，rMAE为0.07厘米）和2016年的Farmer’s Loop（r值为0.71，RMSE为6.0厘米）
讨论
基础模型和集成方法均成功地在局部和区域尺度上估算了积雪深度。然而，存在显著差异，例如RF、k-NN和EA方法产生了最佳建模指标，而SVM和MLR方法尽管提供了有希望的结果，但表现较差。在某种程度上，基础模型的性能与特定地点的路径有关，例如RF在Farmer’s Loop取得了最佳结果，而k-NN在
结论
我们应用了基于对象的机器学习技术，首先将现场尺度积雪深度测量数据放大到阿拉斯加内陆三个1平方公里的局部站点，然后将估计的局部尺度积雪深度放大到更大的100平方公里区域尺度。在局部和区域尺度上利用了生成的图像对象和高分辨率LiDAR数据，而在局部站点使用了精细分辨率的机载高光谱图像和星载多光谱数据
作者贡献声明
Caiyun Zhang：写作——审稿与编辑、监督、方法论、研究、资金获取、概念化。Thomas A. Douglas：写作——审稿与编辑、资源管理、项目协调、资金获取、数据管理、概念化。David Brodylo：写作——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论、研究、数据分析。Dragos A. Vas：写作——审稿与编辑、研究、数据管理
未引用的参考文献
Lader等人，2020年；Tedesco等人，2015年；Zhang等人，2018年。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
伦理声明
作者声明在撰写和提交本手稿过程中遵循了伦理准则。这包括使用有效的数据和方法论，并尽可能准确地报告结果。在撰写和提交过程中没有使用人工智能来创建或辅助编辑全部或部分内容。本文内容在提交前未在其他地方发表。除了已报告的资助来源外，作者没有已知的财务利益
声明潜在的利益冲突
? 作者声明以下财务利益/个人关系可能被视为潜在的利益冲突：Thomas A. Douglas报告称获得了美国国防部的财政支持。Caiyun Zhang报告称获得了美国陆军工程师研发中心寒冷地区研究与工程实验室的财政支持。如果有其他作者，他们声明没有已知的财务利益或个人关系
致谢
我们感谢参与现场调查和积雪深度测量的合作者。本研究基于Broad Agency Announcement Program和美国陆军工程师研发中心（ERDC）寒冷地区研究与工程实验室（CRREL）在合同号W913E524C0004下的支持。本研究由Strategic Environmental Research and Development Program（项目编号RC18-1170）和Environmental Security Technology Demonstration资助
