综述：利用极轨卫星进行雪盖测绘的重建方法进展与前景

《Frontiers in Earth Science》：Advances and prospects in reconstruction approaches for snow cover mapping using polar-orbiting satellites

雪覆盖重建方法综述：分析极地卫星雪覆盖产品（BSC、NDSI、FSC）的数据间隙问题，提出八类重建方法（时空滤波、多源融合、HMRF模型、时空插值、机器学习、数据同化），探讨不同方法的适用场景及优化方向，强调未来需提升雪检测算法、整合多源环境数据、探索机器学习与数据同化的协同应用。

　　雪盖是冰冻圈中最具动态变化的地表覆盖参数之一，它在全球能量平衡、气候变化和水文过程方面发挥着至关重要的作用。极轨卫星数据是目前监测极地和全球范围雪盖的主要来源，其提供的广泛覆盖和高空间分辨率产品使得雪盖信息的获取成为可能。然而，由于不利的观测条件，如云层覆盖，这些雪盖产品在实际应用中仍面临显著的数据缺失问题。为了填补这些数据空白，需要采用多种重建方法，这些方法的选择取决于雪盖产品类型（二值雪盖产品BSC、归一化差值雪指数NDSI或分数雪盖产品FSC）、雪的特征以及辅助数据集的可得性。本文将现有的重建方法分为八类，包括时间滤波、空间滤波、多传感器融合和隐马尔可夫随机场（HMRF）模型用于BSC的绘制，以及时间与空间插值方法、时空重建算法、基于机器学习的重建技术和数据同化方法用于NDSI或FSC的重建。本文对这些方法的原理、优势和局限性进行了全面的回顾，并提供了它们在不同场景下适用性的建议。讨论还指出，未来雪盖重建的改进可以从三个方面入手：首先，提高雪盖识别算法的精度，从而为重建提供更可靠的先验信息；其次，认真考虑时空环境因素，如地形、温度、降水、太阳辐射和森林覆盖，并开发相应的多源数据处理与融合技术；第三，进一步探索机器学习与数据同化之间的协同作用，以在多源数据处理场景中发挥其优势，为复杂环境下的雪监测和预测提供新的思路。本综述通过提供全面的分析和生成跨多时空尺度的填补缺口雪盖产品的指南，为雪盖绘制及相关研究作出了贡献。

在实际应用中，这些雪盖产品不可避免地受到多种因素的影响而出现数据缺失，例如云层覆盖、云影、森林覆盖以及探测器饱和等。然而，重建方法可以有效解决这些问题，从而提升雪盖产品的质量和实用性。云层覆盖是造成雪盖产品数据缺失的主要原因。全球平均云层覆盖水平大约为66%（Mao等，2019），而在关键的冰冻地区，如南北极，云层覆盖水平可达50%至80%（Kato等，2006）。在高山地区的融雪季节，云层覆盖甚至可能达到70%，这显著影响了雪盖产品的可用性和长期可比性。云层对雪盖监测的影响是全球性、持续性和不可忽视的问题，因此成为当前大多数重建方法关注的重点。此外，云层引起的阴影进一步加剧了数据缺失，尤其是在高分辨率雪盖监测应用中。同时，准确观测森林覆盖下的雪盖也是挑战，尤其是在地表观测方面。山地地区的复杂地形也会对雪盖的观测造成影响，卫星观测角度和山地阴影导致了观测盲区（Zhang等，2023）。尽管森林覆盖和复杂地形的影响相对局部化，但它们显著增加了山地和森林区域雪盖监测的不确定性，对局部尺度的准确重建提出了重大挑战。此外，不利的光照条件也可能降低雪盖产品的质量。雪盖反射的强阳光可能导致传感器饱和（Zhang等，2020）。在南北极地区，极夜期间长时间的黑暗使得传统的光学遥感观测难以进行，尽管夜间光遥感提供了新的监测机会，但云层和极光仍可能遮挡获取的数据（Huang等，2022a；Liu等，2023）。这些不利因素可能同时发生，具体取决于地理和观测条件，导致数据缺失增加，从而进一步降低雪盖产品的可靠性。为减少这些因素对雪盖产品的影响并重建缺失数据，研究人员开发了多种雪盖重建方法（Gao等，2010a；Gao等，2010b；Richiardi等，2023）。这些方法不仅增强了雪盖监测的连续性和时效性，还为水文模型的运行和校准提供了长期的历史数据，分析了雪盖特征在多个地理区域的长期变化。

因此，雪盖重建方法必须在考虑不同卫星或星座的探测特性的同时进行选择。例如，依赖于连续多天雪盖信息的时间方法在Landsat和Sentinel-2产品中由于其较低的时间分辨率而难以应用。当使用夜间光遥感数据进行极地地区的雪盖监测时，需要考虑月相变化对图像亮度的影响，并采用方法去除云层和极光（Liu等，2023）。不同空间分辨率的雪盖产品需要不同的重建策略。对于空间分辨率在1公里到5公里之间的每日产品（见表1），雪盖重建的主要目标是检索被云层遮挡的雪信息。对于Landsat和Sentinel-2卫星产品，由于其高空间分辨率（<30米）和较长的重访周期，每日雪盖图可能需要通过时间插值方法结合云层填补技术生成。这些因素表明了雪盖重建方法在不同时空尺度上的变化，并强调了卫星观测特性在雪重建算法中的重要性。

因此，雪盖重建研究必须采用更精确的方法来提高原始产品的晴天精度和质量。此外，在选择适当的雪盖重建方法时，还需要考虑雪盖产品的分辨率及其探测特性。在实际应用中，由于各种因素的影响，雪盖重建方法必须进行细致的选择，以确保重建的准确性和效率。例如，使用时间滤波方法时，需要结合不同地区的卫星观测数据和时间窗口来减少云层干扰，同时保证分类精度。在极地和高山地区，由于云层覆盖和极光的影响，夜间光遥感数据的整合为雪盖监测提供了新的机会，这使得在极夜期间也能进行雪盖观测。然而，这些数据仍然可能受到云层和极光的干扰，因此需要进一步优化以提高其可靠性。

综上所述，雪盖重建方法在不同时空尺度上的应用存在显著差异。对于BSC产品，常用的方法包括时间滤波、空间滤波、多源数据融合和隐马尔可夫随机场（HMRF）模型。这些方法通常依赖于雪盖的时空连续性，同时结合多源数据来填补数据缺口。对于NDSI和FSC产品，研究者提出了多种时空重建算法、机器学习方法和数据同化方法。这些方法能够利用多源数据，同时考虑雪盖的时空连续性，从而提高重建的精度。例如，基于Gaussian核函数和误差校正的时空融合方法（STF-GKF-EC）通过选择与目标像素相似的时空块，计算时空加权平均值，从而估计云层像素的NDSI值。这种方法在MODIS和AVHRR数据集上表现优异（Huang等，2018；Hao等，2021；Hao等，2022；Wang等，2022；Huang和Xu，2022；Gao等，2024；Hao等，2025；Wang等，2025）。此外，结合太阳辐射作为环境背景信息的HMRF方法，可以更有效地捕捉坡度、方位和日照时间等因素的综合影响。太阳辐射的增加会导致雪盖延迟开始、加速融化和更快速的变化（Dombrovsky和Kokhanovsky，2022）。因此，结合太阳辐射的HMRF方法能够减少误判和漏判，整体精度范围在0.91到0.98之间。

基于机器学习的重建方法近年来得到了显著发展。这些方法可以进一步分析雪盖的时空特征，高效整合辅助环境数据，如气象和地理信息，从而提高重建的精度。例如，Hou等（2019）开发了一种基于非局部时空滤波（NSTF）的算法，利用MODIS雪产品和地理信息（包括土地覆盖、海拔、坡度和方位）进行雪盖重建，保留了0.52%的云层覆盖，同时达到了93.7%的整体精度，优于CSI方法。Xing等（2022）提出了一种部分卷积的U-Net模型（PU-Net），利用时空信息进行MODIS NDSI的重建，在模拟条件下实现了平均绝对误差（MAE）低于0.15。然而，异质性和快速变化的雪盖会降低PU-Net的重建精度，且缺乏地形和温度等辅助数据会限制其性能。Hou等（2022）开发了三种基于长短期记忆（LSTM）深度神经网络的方法，包括前向、后向和双向LSTM，并应用于MODIS NDSI产品的重建。研究显示，双向LSTM模型表现最佳，能够在复杂山地环境中实现雪盖重建，同时结合空间辅助信息（如IDW）进行学习。这种方法在黄河源区的整体精度达到了89.9%。Zakeri和Mariethoz（2024）利用K近邻（KNN）分类算法结合气象数据，以解决Landsat和Sentinel-2数据的时间分辨率低的问题，生成了30米分辨率的高精度每日雪盖图像。这种方法可以生成BSC和NDSI产品，其分析表明，机器学习重建算法能够实现多源数据融合和下采样，有效缓解高分辨率遥感数据中云层污染带来的限制。这些方法通常能提供最高分辨率的时空产品，使得雪盖动态的精确监测成为可能。

为了实现重建，机器学习方法可以快速整合地理信息、气象观测和天气预报，以及雪盖的时空信息。这些算法结合了影响雪积累和融化过程的气象和气候因素，而不仅仅是依赖于雪盖的时空分布，如传统的时空重建算法。因此，基于机器学习的重建算法不仅能生成高精度和高分辨率的无云雪盖产品，还能在缺乏遥感观测的场景中实现历史重建和未来预测，显示出重要的应用潜力。然而，机器学习通常依赖于高质量的训练样本，这些样本需要充分代表目标领域的特征。样本数量不足、噪声过多或模型结构过于复杂可能导致过拟合，而模型过于简单或特征不足则可能导致欠拟合。因此，足够的高质量训练样本和优化的网络结构对于提高机器学习算法的泛化能力至关重要。例如，Hou等（2022）指出，其双向LSTM算法中的21个隐藏层节点能够最优地平衡欠拟合（节点较少）和过拟合（节点较多）问题，以提高雪盖重建的精度。此外，持续的雪盖、云层覆盖、训练时间跨度和土地覆盖类型等挑战进一步复杂化了机器学习方法的重建工作。因此，机器学习模型在大规模全球雪盖监测中的泛化能力和复杂表面条件下的重建精度仍需进一步测试和评估。

在实践中，大多数研究都采用多种方法进行雪盖重建。例如，Gafurov和Bárdossy（2009）提出了一种六步程序，包括TAC、MDC、SNOWL、基于四个和八个邻近像素的空间滤波，以及SCFil。Huang等（2018）在融合Terra和Aqua雪产品后应用了基于HMRF的时空建模方法。Wang等（2025）开发了一种四步方法，包括TAC、ATD、空间滤波和MODIS与IMS数据的整合，以生成中亚地区的每日雪盖数据集。Poussin等（2025）采用了一种七步填补缺口的程序，包括SNOWL和空间滤波。Dong等（2025）首先使用TAC减少缺失像素，然后使用时空立方体邻域插值方法构建时空特征，再使用LightGBM模型填补缺失的NDSI值。这些多步骤策略会根据多个因素而变化。首先，某些方法虽然合理准确，但无法完全去除云层。这些方法包括大多数时间滤波和空间滤波，以及时间与空间插值方法，必须与其他方法结合使用，逐步去除云层污染，直到没有云层覆盖的像素。其次，多源融合方法存在多源数据在精度和尺度上的不一致性。如果使用这些方法，通常将其作为最后一步来减轻影响。HMRF模型、时空重建算法和基于机器学习的方法能够同时考虑多种因素，从而实现完整的云层去除。然而，研究人员更倾向于在使用HMRF模型、时空重建算法或基于机器学习的方法之前，采用TAC、ATD和基于四个邻近像素的空间滤波作为预处理步骤。这些方法简单易行，且精度相对较高。最关键的是，它们能够初步减少部分缺失信息，作为后续处理的约束条件。过度的信息缺失可能增加生成极端异常值的风险。尽管多步骤中可能累积误差，但大多数误差在与潜在的极端异常值相比时是可以接受的。

未来雪盖重建技术的发展可以从三个方面入手：雪盖观测、特征和重建方法。首先，关于观测，原始雪盖产品的精度需要提高。雪盖重建过程严重依赖于原始雪盖产品的先验信息。虽然许多原始产品通过站点观测进行了验证，但这些站点的区域代表性有限，分类和遗漏误差仍然会影响重建结果。因此，必须采取更严格的策略，从卫星光谱图像中提取雪盖信息，以最大化雪识别的精度（Zhu等，2016；Bousbaa等，2022；Gao等，2022）。可能的方法包括开发新的深度学习模型、探索深度语义分割网络在云层与雪识别中的潜力、创建动态调整以适应季节和区域变化的自动化和自适应雪检测方法，以及整合光谱和纹理特征以提高雪识别能力（Han等，2019；Wu等，2019；Wang等，2022d；Wang等，2023；Ding等，2024）。其次，基于对雪盖特征的分析，仅依赖单一特征的重建过程通常效果不佳。在雪盖重建过程中，全面考虑复杂地形、温度、降水、太阳辐射、植被覆盖等时空环境因素可以显著提高重建结果的精度和分辨率。因此，多源异构数据将成为重要的补充。然而，仍然存在一些问题，包括多源数据在时空分辨率上的不一致、地理定位差异以及多源产品的高处理复杂性。因此，必须对多源数据的可靠性进行彻底评估，并加强数据质量控制和验证过程。此外，确保多源数据的对齐、校正和统一处理是至关重要的。这可以通过特征识别、适当的变换和重采样、正射校正和超分辨率技术实现（Samadzadegan等，2025）。标准化的预处理、多级（像素、特征和决策）数据融合以及开放共享的雪数据集对于算法验证和比较具有重要意义（Ghamisi等，2019；Samadzadegan等，2025；Yang等，2025）。在各种雪盖重建方法中，基于机器学习的重建算法和数据同化方法因其在处理多源数据方面的显著优势而日益受到重视。这些方法不仅能够独立高效处理多源数据，还有潜力进行整合。例如，四维变分数据同化（4D-Var）中的代价函数与神经网络中的损失函数在理论上具有共同性，它们都可以在贝叶斯框架下统一。这种理论上的共同性使得机器学习和数据同化方法的整合成为可能。机器学习可以补充数据同化，执行模型误差校正、参数估计和观测偏差校正等任务。反过来，数据同化为机器学习提供了物理约束，从而减轻过拟合问题。这两种方法的结合能够最大化利用不断增加的遥感观测数据，协调不同分辨率的数据，生成网格化产品，同时提高雪盖和相关雪特征的估计和预测能力，还可能提高计算效率。这种综合方法为复杂环境下的雪盖监测和预测提供了新的视角，并具有广泛的应用潜力。

综上所述，雪盖重建方法在应对极轨卫星雪盖产品中的数据缺失方面取得了显著进展。传统的时空滤波、多源数据融合和时空插值方法在大规模应用中仍然有效，而新兴技术如HMRF模型、时空算法、机器学习和数据同化则在复杂环境中展现出潜力。方法的选择取决于产品分辨率、雪特征、云层污染以及精度与计算成本之间的平衡，混合方法通常证明是最有效的。未来的发展应聚焦于三个关键方向：首先，提高雪盖识别算法，以增强基础产品的质量，这是可靠重建的前提；其次，系统整合地形、气候、植被等时空环境因素，并构建全面的多源数据融合框架，同时加强质量控制和不确定性评估；第三，进一步推动机器学习与数据同化方法的整合，以最大化扩展遥感数据集的价值。为了支持未来的雪盖重建研究和算法开发，本文附录中提供了开放获取的数据集和可能对研究人员有帮助的相关源代码。在这些领域取得进展将有助于生成可靠、可访问且用户友好的网格化、无缺口的雪产品，支持多样化的雪监测环境。总体而言，本文为长期的雪盖监测和详细分析提供了基础，对冰冻圈和水资源研究具有重要的支持作用。