中国阿尔泰山高分辨率雪水当量估算：基于降尺度雪深与非恒定雪密度的创新方法

为解决山区雪水当量(SWE)监测中空间分辨率不足与恒定雪密度(SDE)导致的精度限制，中国科学院团队融合多源遥感降尺度算法(MDFDA)、随机森林(RF)模型与非恒定SDE方法，成功构建1-km分辨率SWE数据集。研究显示，相较于25-km基准数据与恒定SDE方法，新方法使相对误差分别降低50%与17%，显著提升山区水文资源管理精度，为气候变化下的雪水资源评估提供关键技术支撑。

　　

在全球气候变化背景下，山区雪水资源作为“天然水库”对下游生态和人类活动具有决定性作用。然而，传统雪水当量(SWE)监测面临两大瓶颈：被动微波遥感数据空间分辨率粗（通常25-km），难以捕捉复杂地形下的雪深(SD)空间异质性；恒定雪密度(SDE)假设忽略其季节动态变化，导致SWE估算误差高达20%以上。中国阿尔泰山作为新疆北部重要水源地，其雪融水支撑着农业灌溉与生态系统，但现有SWE数据精度不足严重制约水资源管理决策。

中国科学院团队在《Journal of Hydrology》发表的研究中，创新性整合多源遥感数据融合降尺度算法(MDFDA)、随机森林(RF)模型和两种非恒定SDE转换方法（幂律公式与SDE网格数据），首次实现中国阿尔泰山1-km分辨率SWE精准重建。关键技术包括：1) 通过MDFDA将25-km被动微波雪深降尺度至1-km；2) 引入温度度日指数和气候变量等新协变量优化RF模型，提升雪深估算精度；3) 对比分析幂律公式与SDE网格数据对SWE转换的影响。研究利用中国气象数据服务中心的站点观测数据验证模型性能，并通过统计检验揭示山区与非山区SWE的显著差异。

研究结果

1. 模型性能比较：RF模型在多数月份表现最优，全研究期Pearson相关系数(R)达0.96，较XGBoost、支持向量机(SVR)和地理时空加权神经网络(GTWNN)提升7%-22%，均方根误差(RMSE)降至3.59 cm。
2. 降尺度雪深优化：加入时空与气候协变量后，SD估算R从0.61跃升至0.96，证明温度度日指数与降水(PPT)对山区雪深预测的关键作用。
3. SWE转换方法对比：基于SDE网格数据的SWE估算R(0.9)优于幂律公式(0.85)，且较恒定SDE法误差降低17%，验证非恒定SDE的必要性。
4. 区域差异分析：2月与4月山区(SWE均值38.2 mm)与非山区(24.6 mm)存在显著差异(p<0.01)，反映地形对雪资源分布的调控作用。

结论与意义
该研究突破传统SWE监测的双重限制，首次在中国阿尔泰山实现1-km分辨率SWE制图，误差降低超50%。创新点在于：1) 融合降尺度与机器学习提升山区雪深空间表征能力；2) 揭示非恒定SDE对季节性SWE估算的改进潜力；3) 为全球变暖背景下雪水资源评估提供高精度数据支撑。成果可直接应用于干旱区水资源调度、雪灾预警及生态保护，并为全球山区SWE研究提供方法论参考。未来研究可扩展至青藏高原等关键雪区，进一步验证模型普适性。