《Science of Remote Sensing》：Adaptive Thresholding (AT) for snowmelt detection with Calibrated Enhanced-Resolution Brightness Temperatures (CETB): Timing and regional patterns for case study of Alaska
编辑推荐：
本文针对传统固定阈值法在异质地形雪融检测中的局限性，提出一种基于校准增强分辨率亮温数据（CETB）的自适应阈值（AT）算法。研究通过结合亮温（Tb）直方图分析和昼夜振幅变化（DAV）时间序列，实现了站点和年份自适应的雪融起始时间（MOD）检测。在阿拉斯加9个站点（2003–2007年）的验证表明，AT方法将平均绝对误差降至≤1.0天，显著优于传统方法（误差达6–8天）。该研究为复杂环境下的雪水文学监测提供了高精度、可推广的技术框架。
随着全球气温上升，季节性积雪的融化时间（MOD）对水文循环和生态系统的影响日益凸显。传统雪融检测方法多采用固定阈值，难以捕捉复杂地形下积雪的时空异质性，导致在山区、森林等区域出现较大误差。为解决这一问题，Mahboubeh Boueshagh等人联合利哈伊大学团队，在《Science of Remote Sensing》上发表研究，开发了一种基于校准增强分辨率亮温（CETB）数据的自适应阈值（AT）算法，旨在提升雪融起始时间的检测精度。
研究团队以阿拉斯加地区为案例，选取9个代表性站点（涵盖苔原和北方森林等雪类），利用SSM/I传感器获取的37 GHz垂直极化CETB数据（分辨率3.125 km），通过以下关键技术实现了自适应优化：
- 1.
时空数据过滤：根据雪类（如苔原、北方森林）筛选有效观测期（1–9月），排除海洋像元；
- 2.
Tb直方图构建与平滑：采用高斯核密度估计（带宽按Silverman规则调整）提取双峰或多峰分布，识别积雪冻结态与融化态的过渡区间；
- 3.
动态阈值提取：基于直方图峰谷位置确定站点和年份特定的Tb阈值（范围235–262 K），并结合DAV的90分位数阈值（约6–12 K）进行双指标融合判断；
- 4.
MOD判定规则：当Tb与DAV连续3天同时超过阈值时，记为雪融起始日。
3.1 优化雪融阈值的结果
3.1.1 Tb阈值空间分异
站点特异性Tb阈值呈现明显时空差异：苔原站点（如Granite Crk）阈值较高（均值256 K），反映早融特征；北方森林站点（如Upper Chena）阈值较低（均值240 K），与冠层遮荫延缓融雪相关。2005–2006年多数站点阈值升高，可能与积雪偏厚有关。直方图双峰结构清晰，验证了算法对积雪-融化过渡的敏感性（图5）。
3.1.2 DAV阈值一致性
DAV阈值在站点间波动较小（均值9.42 K），与惯用值（10 K）高度吻合。时序显示DAV在融雪期出现尖峰，有效捕捉昼夜冻融循环信号（图9）。
3.2 雪融事件与MOD检测
对比7种阈值方案（如固定阈值、年适应阈值等），发现全自适应方案（Scenario 4）的MOD检测误差最低（MAE ≤1.0天），而固定阈值方案（Scenario 2）误差可达6–8天（图14）。例如2005年Munson Ridge站点，自适应阈值将MOD判定推迟至DOY 112，更接近实际融雪进程。早融事件（EME）与MOD的时间差在自适应方案下缩小，体现其对短暂融雪的灵敏响应。
3.3 验证与一致性分析
以SNOTEL站点的雪水当量（SWE）和气温为参考，AT算法在多数站点呈现高一致性（图16）。苔原区因雪盖浅薄，MOD检测早于森林区；2005–2006年异常气候下，自适应阈值仍保持稳定，凸显其抗干扰能力。
4.1 阈值物理意义与区域启示
Tb阈值空间分布（图17）揭示：南部低谷区对应早融区，西部高值区与冷雪积累相关。DAV阈值在复杂地形区（如Jack Wade Jct）升高，反映冠层对昼夜能量交换的放大作用。研究表明，Tb阈值主导MOD检测灵敏度，而DAV优化可辅助识别微弱融雪信号。
4.2 算法性能讨论
AT方法通过直方图模态分析（双峰/三峰）量化积雪相变过程，避免固定阈值在异质区域的“早判”或“漏判”。其对早期融雪事件（EME）的捕捉能力，为洪水预警提供关键信息。
4.3 局限与展望
当前方法依赖高质量CETB数据，在沿海或低雪区可能受噪声干扰。未来可融合地形（如坡度、坡向）和植被指数，进一步提升复杂环境下的检测鲁棒性。
5 结论
本研究提出的AT框架通过动态优化Tb与DAV阈值，实现了阿拉斯加地区雪融起始时间的高精度监测。其物理可解释性强、适应性广，为全球变暖背景下雪水资源管理提供了可靠技术工具。
