综述：从局部到全球尺度的积雪监测最新进展

《Current Climate Change Reports》：Recent Advances in Snow Monitoring from Local to Global Scales

本综述系统梳理了近5年来从原位观测到卫星遥感的多尺度积雪监测技术突破，重点分析了雪水当量（SWE）、雪深等关键参数的测量精度提升路径，并指出机器学习与多源数据融合是解决森林区监测、液态水干扰等挑战的关键方向。文章为气候变化背景下的雪资源管理提供了技术展望。

　　

积雪监测的技术尺度与挑战

积雪作为全球能量平衡和水资源循环的关键要素，其空间异质性（尤其在山区）对监测技术提出多重挑战。观测尺度可分为原位/短距离（数米内）、中距离（数米至数公里）和长距离（数公里至数百公里）。

不同尺度的数据整合需解决分辨率差异和代表性验证问题，而复杂地形、森林冠层遮挡以及雪面吸光颗粒物（LAP）的影响进一步增加了观测不确定性。

原位与短距离观测的创新突破

原位观测通过高频连续记录为模型验证提供基准数据。传统降雪量测量因防风罩设计和仪器局限性存在23%的低估误差，而新型雪花谱仪与激光测距仪的结合将雪深测量误差降至0.8厘米以下。社交媒体和公民科学数据补充了偏远地区的雪深监测，其均方误差可控制在55厘米内。

雪水当量（SWE）的精准测量仍是核心难题。全球导航卫星系统（GNSS）双天线通过信号衰减分析实现SWE连续监测，误差小于35毫米；宇宙射线μ子吸收技术则利用粒子衰减反演SWE，在干燥雪条件下表现优异。此外，加速计监测树冠晃动频率可间接估算林内截留雪量，而开端同轴探头通过介电常数测量雪液态水含量（LWC），精度达±1%。

中距离观测的技术融合

无人机（UAV）搭载激光雷达（LiDAR）或结构光扫描（SfM）技术实现了百米至公里级雪深分布制图，误差低于10厘米。结合探地雷达（GPR）可同步获取SWE和雪密度，但液态水会显著削弱雷达信号穿透力。多光谱相机进一步拓展了雪面反照率、雪粒尺寸及LAP的监测能力，反照率差异可控制在1%以内。

机载观测平台（如美国ASO计划）通过LiDAR与模型融合生成流域尺度SWE产品，不确定性为10厘米。新兴技术如湖压监测仪通过冰冻湖面水压变化反演SWE，以及超导重力仪测量4公里范围内总水储量，为中尺度水文预报提供了新思路。

长距离观测的卫星使命

光学卫星（如Landsat、Sentinel-2）提供全球雪盖与积雪面积比例（fSCA）数据，但云层和地形阴影仍是主要干扰。合成孔径雷达（Sentinel-1）通过后向散射分析实现北半球雪深制图，但对薄雪层（<1.5米）误差较大（RMSE达0.92米）。新兴的卫星摄影测量（如Pleiades）和激光测高（ICESat-2）可将雪深精度提升至0.3米，但数据获取成本与空间覆盖受限。

未来SWE卫星监测聚焦于L波段与P波段雷达，其中SMOS卫星在林区SWE反演中误差仅12毫米。热红外遥感（如TRISHNA、SBG任务）则通过雪面温度监测助力SWE估算模型的优化。

未来方向与跨尺度整合

当前技术瓶颈集中于液态水对SWE测量的干扰、林区观测盲区以及长期数据连续性。机器学习算法通过融合多源观测数据（如GNSS、SAR和地形参数）可显著提升SWE反演精度。国际协作计划（如SnowEX）需建立标准化评估体系，推动数据共享与技术对标。维持卫星长期监测序列、发展低成本无人机网络与公民科学参与，将是理解气候变化下雪动态的关键支撑。