融雪径流是西北干旱地区水资源的重要组成部分，准确的径流预测是水资源管理工作的基础。利用2001～2023年新疆和田河流域MODIS积雪资料和实测流量资料，以积雪覆盖率、雪线高度与大尺度气象-气候指数等作为预报因子，通过主成分分析筛选出主要预报因子，然后采用多元回归分析、支持向量机和随机森林3种方法建立和田河流域两断面融雪径流的数据驱动模型，再基于Stacking融合算法对上述模型进行集成，建立集成预报模型进行融雪径流预测。结果表明：3种模型在中长期融雪径流预报上均具有较好的预报效果，且随机森林模型预报精度整体优于多元回归模型和支持向量回归模型；基于Stacking融合算法，将多元回归模型、支持向量机模型和随机森林模型融合后的集成模型性能优于单一模型，预测精度得以提升，RMSE从0.308 m3/s降低至0.240 m3/s,MAE从0.227 m3/s降低至0.188 m3/s,R2从0.864提升至0.874。研究成果可为西北地区水资源分配与调度、洪涝灾害防御等提供参考。

融雪径流是西北干旱地区水资源的重要组成部分，准确的径流预测是水资源管理工作的基础。利用2001～2023年新疆和田河流域MODIS积雪资料和实测流量资料，以积雪覆盖率、雪线高度与大尺度气象-气候指数等作为预报因子，通过主成分分析筛选出主要预报因子，然后采用多元回归分析、支持向量机和随机森林3种方法建立和田河流域两断面融雪径流的数据驱动模型，再基于Stacking融合算法对上述模型进行集成，建立集成预报模型进行融雪径流预测。结果表明：3种模型在中长期融雪径流预报上均具有较好的预报效果，且随机森林模型预报精度整体优于多元回归模型和支持向量回归模型；基于Stacking融合算法，将多元回归模型、支持向量机模型和随机森林模型融合后的集成模型性能优于单一模型，预测精度得以提升，RMSE从0.308 m3/s降低至0.240 m3/s,MAE从0.227 m3/s降低至0.188 m3/s,R2从0.864提升至0.874。研究成果可为西北地区水资源分配与调度、洪涝灾害防御等提供参考。

融雪径流是西北干旱地区水资源的重要组成部分，准确的径流预测是水资源管理工作的基础。利用2001～2023年新疆和田河流域MODIS积雪资料和实测流量资料，以积雪覆盖率、雪线高度与大尺度气象-气候指数等作为预报因子，通过主成分分析筛选出主要预报因子，然后采用多元回归分析、支持向量机和随机森林3种方法建立和田河流域两断面融雪径流的数据驱动模型，再基于Stacking融合算法对上述模型进行集成，建立集成预报模型进行融雪径流预测。结果表明：3种模型在中长期融雪径流预报上均具有较好的预报效果，且随机森林模型预报精度整体优于多元回归模型和支持向量回归模型；基于Stacking融合算法，将多元回归模型、支持向量机模型和随机森林模型融合后的集成模型性能优于单一模型，预测精度得以提升，RMSE从0.308 m3/s降低至0.240 m3/s,MAE从0.227 m3/s降低至0.188 m3/s,R2从0.864提升至0.874。研究成果可为西北地区水资源分配与调度、洪涝灾害防御等提供参考。

积雪作为宝贵的淡水资源，其覆盖率的变动对农牧业经济的发展具有深远影响.当前对积雪覆盖率的预测研究较少，为提升积雪覆盖率预测的准确性，基于机器学习算法，构建支持向量回归（SVR）、粒子群（PSO）优化SVR、随机森林（RF）、XGBoost及优化后的XGBoost预测模型对新疆积雪覆盖率进行预测研究，并对模型预测精度进行对比分析.研究结果表明：RF和优化后的XGBoost模型的R2均大于0.9;传统SVR模型的R2均小于0.8,而PSO算法优化后的SVR模型的R2均大于0.8,部分大于0.9;XGBoost模型的R2均低于0.4.说明RF、优化后的XGBoost及PSO-SVR模型在积雪覆盖率预测研究中呈现出较高精度，XGBoost模型的预测结果最差，且利用不同算法对传统模型进行优化在研究中十分必要.

积雪作为宝贵的淡水资源，其覆盖率的变动对农牧业经济的发展具有深远影响.当前对积雪覆盖率的预测研究较少，为提升积雪覆盖率预测的准确性，基于机器学习算法，构建支持向量回归（SVR）、粒子群（PSO）优化SVR、随机森林（RF）、XGBoost及优化后的XGBoost预测模型对新疆积雪覆盖率进行预测研究，并对模型预测精度进行对比分析.研究结果表明：RF和优化后的XGBoost模型的R2均大于0.9;传统SVR模型的R2均小于0.8,而PSO算法优化后的SVR模型的R2均大于0.8,部分大于0.9;XGBoost模型的R2均低于0.4.说明RF、优化后的XGBoost及PSO-SVR模型在积雪覆盖率预测研究中呈现出较高精度，XGBoost模型的预测结果最差，且利用不同算法对传统模型进行优化在研究中十分必要.

融雪水是澜沧江流域春季径流的重要组成部分，掌握澜沧江上游积雪变化规律，准确模拟融雪径流过程，对澜沧江流域梯级水电站水资源科学调度具有重要意义。基于2000—2019年卫星遥感积雪覆盖率数据，采用Mann-Kendall趋势检验法分析了澜沧江上游积雪覆盖率的时空变化规律，构建了融雪径流模型(SRM),模拟了澜沧江上游2008—2018年融雪期径流过程，并基于粒子群优化(PSO)算法开展了参数率定。结果表明：(1)澜沧江上游积雪覆盖率在春季、秋季、冬季呈不显著增大趋势，在夏季呈不显著减小趋势，春、夏、秋、冬四季多年平均积雪覆盖率分别为0.16、0.06、0.13、0.17。(2)澜沧江源区西南和北部沿界狭长区域积雪覆盖率在四季均呈增大趋势，东南区域积雪覆盖率呈减小趋势；其中，西北部区域积雪覆盖率增幅在冬季达到最大，可达3%/a。(3)SRM在澜沧江上游具有较好的适用性，1—5月份率定期和验证期确定性系数分别为0.87和0.78。研究结果对高寒区融雪径流模拟研究具有一定的参考价值。

融雪水是澜沧江流域春季径流的重要组成部分，掌握澜沧江上游积雪变化规律，准确模拟融雪径流过程，对澜沧江流域梯级水电站水资源科学调度具有重要意义。基于2000—2019年卫星遥感积雪覆盖率数据，采用Mann-Kendall趋势检验法分析了澜沧江上游积雪覆盖率的时空变化规律，构建了融雪径流模型(SRM),模拟了澜沧江上游2008—2018年融雪期径流过程，并基于粒子群优化(PSO)算法开展了参数率定。结果表明：(1)澜沧江上游积雪覆盖率在春季、秋季、冬季呈不显著增大趋势，在夏季呈不显著减小趋势，春、夏、秋、冬四季多年平均积雪覆盖率分别为0.16、0.06、0.13、0.17。(2)澜沧江源区西南和北部沿界狭长区域积雪覆盖率在四季均呈增大趋势，东南区域积雪覆盖率呈减小趋势；其中，西北部区域积雪覆盖率增幅在冬季达到最大，可达3%/a。(3)SRM在澜沧江上游具有较好的适用性，1—5月份率定期和验证期确定性系数分别为0.87和0.78。研究结果对高寒区融雪径流模拟研究具有一定的参考价值。

大渡河流域内站点分布较少，历史观测数据不足，给该地区的融雪径流预报带来困难。基于欧洲中期天气预报中心提供的最新一代高分辨率陆面再分析数据集ERA5-Land，将积雪覆盖率和积雪平均深度引入度日因子雪量计算公式中，对HBV模型的积融雪模块进行改进，以提升融雪径流计算的可靠性。以大渡河上游为研究对象，选取1961—2018年的水文气象资料对模型进行率定和验证，并以2019年为例进行试预报研究。结果表明，通过引入ERA5-Land再分析数据，以及对积融雪模块进行改进，发挥了其在模拟积融雪上的优势，有效提升了融雪径流预报精度，对大渡河流域具有适用性。研究成果可为稀缺资料地区融雪径流模拟预报提供经验。

大渡河流域内站点分布较少，历史观测数据不足，给该地区的融雪径流预报带来困难。基于欧洲中期天气预报中心提供的最新一代高分辨率陆面再分析数据集ERA5-Land，将积雪覆盖率和积雪平均深度引入度日因子雪量计算公式中，对HBV模型的积融雪模块进行改进，以提升融雪径流计算的可靠性。以大渡河上游为研究对象，选取1961—2018年的水文气象资料对模型进行率定和验证，并以2019年为例进行试预报研究。结果表明，通过引入ERA5-Land再分析数据，以及对积融雪模块进行改进，发挥了其在模拟积融雪上的优势，有效提升了融雪径流预报精度，对大渡河流域具有适用性。研究成果可为稀缺资料地区融雪径流模拟预报提供经验。

积雪对气候变化具有高度敏感性，研究积雪变化对区域水循环及生态环境演变具有重要意义。基于遥感数据和河流水系分布情况，将青藏高原划分为12个子流域，分析了青藏高原及其子流域的积雪深度、积雪覆盖率、雪线高度的时空变化特征。结果表明：(1)1979—2020年青藏高原积雪深度呈明显降低趋势，空间上积雪深度由中心区域向四周递增，阿姆河流域多年平均积雪深度最大，印度河流域的次之。(2)2000—2015年青藏高原多年平均积雪覆盖率为29.66%,呈平缓的下降趋势，印度河流域的积雪覆盖率最大，高达39.83%,塔里木河的次之。(3)青藏高原雪线高度的变化范围为[4 700,5 000] m,夏季的雪线高度整体偏高，在8月达到最大值；各子流域雪线高度由大到小的排序依次为雅鲁藏布江流域、印度河流域、河西流域、恒河流域、长江流域、怒江流域、阿姆河流域、塔里木河流域、柴达木河流域、内河流域、黄河流域、澜沧江流域。研究结果对寒区水资源管理和生态环境可持续发展具有重要意义。