雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...
雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...
雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...
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。
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。
基于2004—2020年MODIS积雪资料和实测流量资料，分析西天山A河流域年际年内积雪覆盖率(全流域和7个分带)、雪线高度的变化特征，及其与径流量的相关关系。结果表明：各高程分带积雪覆盖率随海拔的升高不断增大，且海拔越低积雪融化时间越早，开始累积时间越滞后。不同高程分带积雪覆盖率、雪线高度与次年径流量线性相关，分析发现海拔2 500～3 500 m积雪对次年径流量的贡献最大，与月均流量幂相关，相关系数均在0.64以上。各积雪要素与次年径流量、月均流量之间的多元回归方程分别通过0.1、0.01的显著性水平检验。
基于2004—2020年MODIS积雪资料和实测流量资料，分析西天山A河流域年际年内积雪覆盖率(全流域和7个分带)、雪线高度的变化特征，及其与径流量的相关关系。结果表明：各高程分带积雪覆盖率随海拔的升高不断增大，且海拔越低积雪融化时间越早，开始累积时间越滞后。不同高程分带积雪覆盖率、雪线高度与次年径流量线性相关，分析发现海拔2 500～3 500 m积雪对次年径流量的贡献最大，与月均流量幂相关，相关系数均在0.64以上。各积雪要素与次年径流量、月均流量之间的多元回归方程分别通过0.1、0.01的显著性水平检验。
研究融雪末期雪线高度变化有助于预测冰雪系统未来的变化趋势、理解区域和全球气候变化。基于Google Earth Engine（GEE）平台和Landsat卫星数据，发展了区域雪线高度提取模型，提取了天山4个子流域1991—2021年的融雪末期雪线高度，并分析了雪线高度的变化特征及其与气象因素的关系。结果表明：（1）Landsat提取的融雪末期雪线高度与Sentinel-2提取的融雪末期“最小化”积雪范围具有较高的一致性，其总体精度为91.6%,Kappa系数达0.9以上，利用该模型可准确获取融雪末期的区域雪线高度。（2）研究区近30 a融雪末期雪线高度呈明显的上升趋势，上升速率介于2.7～6.4 m·a-1之间；其中，玛纳斯河流域雪线高度上升速度最快，阿克牙孜河流域雪线高度上升速度最慢。（3）夏季气温是影响研究区融雪末期雪线高度变化的主要因素（P<0.05），降水对其影响相对较弱。
研究融雪末期雪线高度变化有助于预测冰雪系统未来的变化趋势、理解区域和全球气候变化。基于Google Earth Engine（GEE）平台和Landsat卫星数据，发展了区域雪线高度提取模型，提取了天山4个子流域1991—2021年的融雪末期雪线高度，并分析了雪线高度的变化特征及其与气象因素的关系。结果表明：（1）Landsat提取的融雪末期雪线高度与Sentinel-2提取的融雪末期“最小化”积雪范围具有较高的一致性，其总体精度为91.6%,Kappa系数达0.9以上，利用该模型可准确获取融雪末期的区域雪线高度。（2）研究区近30 a融雪末期雪线高度呈明显的上升趋势，上升速率介于2.7～6.4 m·a-1之间；其中，玛纳斯河流域雪线高度上升速度最快，阿克牙孜河流域雪线高度上升速度最慢。（3）夏季气温是影响研究区融雪末期雪线高度变化的主要因素（P<0.05），降水对其影响相对较弱。