为明确区域积雪雪崩情况，对2024年1月喀纳斯雪崩区两条典型公路沿线积雪密度进行原位测量分析。基于中国西北大陆性气候条件下干冷积雪特征，对比自然降雪和雪崩堆积情况下的积雪密度特征，揭示积雪密度在垂直剖面上的变化规律。结果显示，不同情况下积雪密度的变化趋势具有相似性，但自然积雪的密度梯度和最大值与雪崩堆积体存在显著差异。因此，可结合积雪垂直剖面密度分布特征与最大值，提出判别雪体为自然积雪或雪崩堆积体的方法。研究成果为野外自然积雪及雪崩堆积体的分析和识别提供了科学依据。

为明确区域积雪雪崩情况，对2024年1月喀纳斯雪崩区两条典型公路沿线积雪密度进行原位测量分析。基于中国西北大陆性气候条件下干冷积雪特征，对比自然降雪和雪崩堆积情况下的积雪密度特征，揭示积雪密度在垂直剖面上的变化规律。结果显示，不同情况下积雪密度的变化趋势具有相似性，但自然积雪的密度梯度和最大值与雪崩堆积体存在显著差异。因此，可结合积雪垂直剖面密度分布特征与最大值，提出判别雪体为自然积雪或雪崩堆积体的方法。研究成果为野外自然积雪及雪崩堆积体的分析和识别提供了科学依据。

为明确区域积雪雪崩情况，对2024年1月喀纳斯雪崩区两条典型公路沿线积雪密度进行原位测量分析。基于中国西北大陆性气候条件下干冷积雪特征，对比自然降雪和雪崩堆积情况下的积雪密度特征，揭示积雪密度在垂直剖面上的变化规律。结果显示，不同情况下积雪密度的变化趋势具有相似性，但自然积雪的密度梯度和最大值与雪崩堆积体存在显著差异。因此，可结合积雪垂直剖面密度分布特征与最大值，提出判别雪体为自然积雪或雪崩堆积体的方法。研究成果为野外自然积雪及雪崩堆积体的分析和识别提供了科学依据。

为保证中方建筑设计企业在涉俄建筑的工程设计上有足够的可靠性，本文详细研究了俄罗斯荷载规范中屋面雪荷载的计算方法，并与我国规范进行了对比。得出以下结论：中方设计人员在涉俄工程中组合雪荷载设计值时，可以乘以1.2的增大系数，以保证在俄建筑工程设计的可靠性。对于无积雪资料的多雪偏远地区，积雪密度建议按300kg/m3取值。本研究可为其他涉俄工程的设计施工提供借鉴。

为保证中方建筑设计企业在涉俄建筑的工程设计上有足够的可靠性，本文详细研究了俄罗斯荷载规范中屋面雪荷载的计算方法，并与我国规范进行了对比。得出以下结论：中方设计人员在涉俄工程中组合雪荷载设计值时，可以乘以1.2的增大系数，以保证在俄建筑工程设计的可靠性。对于无积雪资料的多雪偏远地区，积雪密度建议按300kg/m3取值。本研究可为其他涉俄工程的设计施工提供借鉴。

为保证中方建筑设计企业在涉俄建筑的工程设计上有足够的可靠性，本文详细研究了俄罗斯荷载规范中屋面雪荷载的计算方法，并与我国规范进行了对比。得出以下结论：中方设计人员在涉俄工程中组合雪荷载设计值时，可以乘以1.2的增大系数，以保证在俄建筑工程设计的可靠性。对于无积雪资料的多雪偏远地区，积雪密度建议按300kg/m3取值。本研究可为其他涉俄工程的设计施工提供借鉴。

积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。

积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。

积雪密度是表征积雪特性的一个重要参量，也是将积雪深度转换成雪水当量的重要指标，在山区雪水资源估算、融雪洪水等水资源管理、自然灾害预报以及气候研究等方面具有重要作用。以1960–2020年青藏高原132个逐日国家气象站资料、中国区域地面气象要素驱动数据集、卫星融合雪深数据集为主要数据源，分不同地表类型比较几种机器学习模型在积雪密度模拟中的性能，选取最优模型，综合地面、卫星和再分析资料，制作了青藏高原逐月积雪密度数据集。与132个青藏高原国家气象观测站的逐月多年平均积雪密度数据进行精度检验发现，逐月多年平均积雪密度的平均均方根误差为0.019 g/cm3，平均相对误差为11.88%，表明数据集具有较高精度。本数据集将为青藏高原水资源评估、水文过程模拟等提供数据支撑。

针对地形对积雪堆积与合成孔径雷达（SAR）散射能量的影响，该文提出一种通过C波段Sentinel-1 SAR的HH与HV极化后向散射系数和入射角数据以及海拔、坡度和坡向等地形数据反演南北极雪密度的方法。以欧洲中期天气预报中心（ECMWF）提供的南北极雪密度数据作为地面真值，通过XGBoost模型反演雪密度。使用2019—2021年的数据训练反演模型，通过2022年数据验证模型的泛化性能，平均绝对误差（MAE）为25.889 kg/m3,均方根误差（RMSE）为36.497 kg/m3;以东南极洲比利时伊丽莎白公主站、加拿大北极群岛与北冰洋实测数据进一步验证模型性能，MAE为37.514 kg/m3,RMSE为43.287 kg/m3。结合地形信息后南北极雪密度反演精度得到大幅度改善，MAE降低24.219 kg/m3,RMSE降低28.25 kg/m3。所提方法具有大规模雪密度反演的潜力，有利于南北极雪水当量和表面物质平衡的评估。