Review article: using machine learning for snow remote sensing: trends and future directions for global snow measurements

方法

系统综述ML/DL用于雪水当量、雪深、密度、覆盖等积雪参数反演的研究。

发现

多传感器融合与高保真参考数据可提升预测，但跨空间泛化和多分辨率融合仍不足。

机会点

可将Transformer与基础模型引入积雪参数反演，并探索跨区域迁移与多源多尺度融合。

摘要：每年，雪覆盖地球北半球的40%，通过其反射特性在调节地球能量平衡方面发挥着重要作用，同时也是全球六分之一人口的主要淡水来源。遥感是观测大范围积雪的关键技术。鉴于从太空反演积雪信号的复杂性，积雪研究界越来越多地采用机器学习（ML）和深度学习（DL）方法来推导和改进当前星载积雪测量。本文总结了机器学习在积雪反演中的研究趋势与应用，识别了针对多种季节性积雪相关特性（尤其是雪水当量（衡量积雪中所含水量的指标）、雪深、密度、覆盖度及干湿状态）的机器学习应用的最佳实践与未来方向。在综述中，我们发现大多数研究侧重于向新区域和时间段的外推，在结合多传感器并参考高保真参考数据后预测效果有所提升。在跨空间域泛化、融合不同时空分辨率传感器以及提升新型模型架构（如Transformer和基础模型）支持积雪相关应用的能力方面仍存在不足。机器学习/深度学习用于积雪遥感是整合多传感器信息的有效工具，我们建议积雪研究界继续发掘更多用途，从而推进建立更一致、更完整的全球积雪监测体系，涵盖多种积雪类型和气候条件。