综述：雪识别算法综述：从传统机器学习到语义方法

《Remote Sensing》：Review of Snow Identification Algorithms: From Traditional Machine Learning to Semantic Methods Keyu Ma, Zhixuan Zhang, Kai Hu, Ning Wang, Qi Liu and Tengyue Guo

　　

雪在全球能量平衡、气候变化与水循环等领域扮演着关键角色。然而，传统的地表观测方法在捕捉雪覆盖的时空动态方面存在局限。本文系统性地回顾了适用于雪识别的机器学习（ML）算法。重点阐述了传统机器学习方法，如支持向量机（SVM）和随机森林（RF），以及更具语义导向的深度学习（DL）方法，包括卷积神经网络（CNN）、注意力机制和Transformer。这些方法在雪识别领域已展现出稳健的性能。最后，论文讨论了不同方法的优劣，并为未来研究方向提出建议。通过本文，读者将全面了解基于机器学习的雪识别算法及其如何能被更好地利用。

本文首先回顾了雪识别的研究背景与现有工作。雪是影响地球气候和水循环的关键自然资源，其覆盖范围的精确监测至关重要。雪识别任务主要分为两类：像元尺度的积雪覆盖度（Fractional Snow Cover, FSC）和二值化的积雪覆盖（Binary Snow Cover, BSC）。根据所用传感器类型，遥感观测方法可分为光学遥感、被动微波遥感和主动微波遥感。传统经验算法如归一化差异雪指数（NDSI）依赖单一光谱数据，存在云雪混淆与不确定性。微波遥感在全天候条件下更具优势，但被动微波空间分辨率有限。光学与微波数据均存在无法用通用函数表达遥感数据与雪覆盖间复杂非线性关系的问题。机器学习（ML）凭借其强大的非线性拟合能力为此提供了方法论基础，而深度学习（DL）在提取语义信息和处理大规模数据方面表现突出。本综述在已有研究基础上，更新并补充了基于机器学习的雪识别算法进展，按数据类型将任务分为光学、合成孔径雷达（SAR）、被动微波和多源数据融合四类，并总结了相关数据集与评估指标。

其次，论文详细阐述了雪识别的四大任务、相关数据集及机器学习基础算法。四大任务包括：光学任务，其优势在于视觉可解释性高，但易受云、光照影响，且雪、冰、云光谱特征相似；合成孔径雷达（SAR）任务，可全天候穿透云层观测，并能提取极化和相位信息，但存在相干斑噪声问题；被动微波任务，具有高时间分辨率且能穿透云雾，但空间分辨率通常不高；多源数据融合任务，旨在通过像素级、特征级或决策级融合提升信息利用。论文汇总了光学、SAR和被动微波领域常用的公开数据集。同时，介绍了基础的机器学习算法，包括：支持向量机（SVM），一种通过最大化间隔进行分类的模型，其核函数选择对性能至关重要；随机森林（RF），一种基于决策树集成的分类器，通过自助采样和随机特征子集构建高方差低偏置的森林；以及卷积神经网络（CNN），一种通过卷积、池化和全连接层进行特征提取与表示的经典深度学习模型。论文还定义了用于评估二值雪识别和积雪覆盖度任务的常用精度指标，如准确率、Kappa系数、平均交并比（MIoU）、均方根误差（RMSE）等。

在传统机器学习方法部分，论文按任务分类进行了综述。在光学任务中，特征工程是关键步骤。研究者们提出了多种特征提取方法，如曲率直方图（CH）结合光谱、纹理与形状特征；直接使用Sentinel-2卫星的特定波段组合（如B2、B4、B9、B11）作为特征；以及采用空洞卷积多粒度扫描从原始数据中提取特征。在应用与优化方面，针对山地复杂环境，研究者通过分步训练SVM模型来处理阳坡与阴坡积雪，并改进采样策略以增强模型鲁棒性。在多时相场景中，协同期望最大化与支持向量机（Co-EM-SVM）等方法利用时间序列影像缓解标签稀缺问题。此外，研究指出在光学任务中，随机森林（RF）通常优于支持向量机（SVM）和人工神经网络（ANN），且支持向量机（SAR）任务中，C波段数据因其适中的穿透能力被广泛使用。传统方法常结合极化分解（如Pauli分解、H/A/α分解、Cloude-Pottier分解）从全极化SAR数据中提取物理散射机制特征，以提升支持向量机（SVM）分类器区分积雪与裸冰的能力。针对双极化数据，研究结合干涉测量（InSAR）相干性、散射比及地形参数，并引入马尔可夫随机场（MRF）模型优化分类结果，以改善干湿雪识别。在被动微波任务中，传统机器学习算法应用于从亮温（TB）数据反演二值雪盖图和积雪覆盖度（FSC）。例如，利用反向传播（BP）神经网络进行分类，或采用随机森林（RF）与极端随机树结合地形辅助数据估算亚像元积雪覆盖度。在多源数据融合任务中，研究主要集中在光学与SAR数据的协同。方法包括提取SAR干涉相干性特征与光学亚像元特征输入支持向量机（SVM）进行联合分类；基于全极化SAR与光学数据分步识别干湿雪；以及使用主成分分析（PCA）从多源数据中自动选择最优特征组合输入支持向量机（SVM）。

深度学习方法部分着重介绍了其在光学雪识别任务中的应用。针对光学影像中云雪分割的“同谱异物”难题，深度学习模型通过学习高层语义上下文来有效区分。早期研究将VGG网络改造用于语义分割，通过上采样和多尺度特征融合弥补云的形态多变性，提升了分割精度。为解决深度网络中的梯度消失和退化问题，优化的残差网络（ResNet）被应用于雪识别，其残差结构确保了精细纹理特征在深层传播中得以保留。进一步地，研究将空洞空间金字塔池化（ASPP）模块与残差网络骨干结合，以捕捉多尺度上下文信息。条件随机场（CRF）模型也被用于优化深度学习模型（如DeeplabV3+）的分类结果，通过建模像素间的空间与颜色依赖关系来精修边界模糊区域。注意力机制的引入是重要进展，卷积块注意力模块（CBAM）等通过通道和空间注意力自适应地增强关键特征、抑制云层干扰。Transformer架构的出现为雪识别带来了新思路，其多头自注意力机制能够建模长程依赖关系，解决孤立云簇误判问题。例如，MCANet等双分支网络结合卷积神经网络（CNN）提取局部特征和边缘视觉Transformer（EdgeViT）提取全局特征，以更全面地理解影像内容。论文指出，深度学习在SAR、被动微波及多源数据雪识别任务中的应用研究目前仍相对有限，主要受限于缺乏高质量的标注数据集和成熟的多模态融合框架。

最后，论文对现有方法进行了总结并展望了未来方向。研究现状表明，传统机器学习侧重于特征工程与非线性关系建模，而深度学习能够端到端地自动提取特征。在四类任务中，光学遥感与计算机视觉结合最紧密，云雪分割是重点；SAR遥感受噪声和标注难度限制，深度学习应用尚不深入；被动微波遥感多用于雪深与雪水当量反演；多源数据融合的深度学习研究亟待突破。未来研究可重点在以下几个方面推进：建立大规模、高质量的多源异构雪识别数据集，以支持深度学习模型训练；深入探索多模态数据融合技术，克服单一数据源的局限；以及利用大型基础模型（如Segment Anything Model, SAM）等视觉大模型，借助其强大的零样本泛化能力，减少对大量像素级标注的依赖，实现更鲁棒、跨传感器的雪覆盖监测。