北半球积雪深度反演算法及其时空变化特征研究

这是一篇关于北半球,积雪深度,积雪水储量,积雪天数,被动微波遥感,积雪深度产品的论文, 主要内容为积雪是冰冻圈重要组成要素之一,对天气和气候响应最为敏感的自然要素。它影响着局部或区域的水资源和能量平衡、水文过程、生态系统功能等。被动微波遥感可以穿透云层和大气层,具有全天候、全天时地工作的特点,这就使得使用被动微波遥感数据估算积雪深度、雪水当量等积雪参数时具有较大的优势。近些年来利用被动微波遥感反演积雪深度和雪水当量的研究已经有了很大的发展。本研究开展了运用被动微波遥感数据和地面实测数据进行积雪深度的反演研究工作,尝试建立一种较为简单的积雪深度估算方法。并运用该方法反演北半球积雪深度,生成近25年北半球逐日积雪深度数据集,最后分析近25年北半球积雪的时空变化特征。本文首先在前辈们积雪深度反演算法的研究基础上,考虑了积雪属性的演变,以及积雪属性在时空尺度上的异质性等特点,提出了一种新的积雪深度反演算法。本算法充分考虑了下垫面植被类型对积雪属性的影响,站点的位置信息,以及积雪的时间信息。最终建立了一个基于支持向量回归的积雪深度反演算法,首先用本算法反演了欧亚大陆地区的积雪深度,随后与其他现有的四种积雪深度反演算法对比积雪深度估算能力,四种算法包括:Chang算法,光谱梯度(Spectral Polarization Difference,SPD)算法,神经网络算法(Artificial Neural Networks,ANN)和线性回归(Linear Regression)算法。在此获得了以下的结论:1)与其他四种现有的积雪深度反演算法相比,本研究所提出的积雪深度反演算法表现最好,积雪深度的估算结果精度高,且积雪深度估算结果与实测值有较高的相关系数,相对最小的MARE,MAE和RMSE。在三种线性算法中(Chang算法,SPD算法和线性回归算法),线性回归算法在深雪部分可以生成较高精度的积雪深度估计值。总体来讲,非线性算法(ANN算法和SVR算法)的雪深估算能力会优于线性算法。本研究所提出的基于支持向量回归的积雪深度反演算法可以改善积雪饱和效应(通常积雪的饱和效应的阈值为60cm,在本研究中积雪饱和效应的阈值提高到了150cm左右)。2)下垫面为森林和灌木时的积雪深度估算结果误差相对下垫面为裸地和草原时偏高,这主要是因为植被衰减了来自积雪的微波散射信号,导致低估了积雪深度。此外,积雪ii期(积雪稳定期,12月-2月)时,基于四种地表覆盖类型的雪深反演模型的MARE均小于其他两个积雪期(积雪积累期(i,9月-11月),积雪融化期(iii,3-6月))。此外,每种下垫面下的MAE和RMSE均会随着时间的变化(从积雪i期至iii期),在基于四种地表类型建立的积雪深度反演模型在积雪i期时,会产生相对积雪iii期更小的误差。随后将本文对提出的积雪深度反演算法做了部分修订,并将其应用于反演北半球从1992-2016年期间逐日积雪深度。进一步对比分析了该积雪深度数据集与现有的两种积雪产品(Glob Snow-2积雪产品和ERA-Interim/Land积雪产品)的积雪深度估算精度;接着使用该研究所生成的积雪深度数据集分析了1992-2016年北半球积雪时空变化特征,得出了如下结论:1)结合12-2月地面气象台站的逐日积雪深度实测资料,选取两种积雪产品(Glob Snow-2雪水当量产品,ERA-Interim/Land积雪产品)与本研究所生成的积雪深度产品进行对比分析,发现Glob Snow-2积雪深度的估算结果的精度最高,其次是SVR积雪深度产品(即本研究所生成的积雪深度产品),最后是ERA-Interim/Land积雪深度产品。2)分析北半球近25年的积雪水储量的变化趋势,发现在1992-2016年期间年总积雪水储量呈现显著减少趋势,以约5500 km3/年的速率在减少。分析积雪水储量的年内变化时发现1月积雪水储量的减少速率最快,为1065.72km3/年,其次是11月份积雪水储量的减少速率1060.10km3/年,4月减少速率最慢,速率为128.04km3/年。又分析了秋、冬、春、夏季积雪水储量的年际变化趋势,发现冬季(12,1和2月)三个月份的积雪水储量年际变化减少速率明显高于其他七个月份,减少速率分别是979.71km3/年,1065.72 km3/年,738.79 km3/年,而春夏季节的积雪水储量的变化速率相对最小。3)多年平均积雪天数呈现出很强的纬度地带性,较短的积雪天数主要位于北纬25°-45°的中纬度地区,如中国的华东、华中、华北地区和塔里木盆地地区,蒙古高原,西欧区域,以及美国大部分地区。长积雪天数主要位于极地地区,如阿拉斯加和加拿大北部,俄罗斯的北部地区;以及青藏高原地区。4)从北半球多年平均积雪深度的分布图中可以看出,北半球的积雪深度具有明显的纬度地带性,积雪深度会随着纬度的北移而加深。针对中国多年平均积雪深度大于零的地区主要位于我国的三大积雪区:青藏高原、新疆北部和东北积雪区。从1992-2016年北半球年平均积雪深度变化率的空间分布图可以看出,北半球的年平均积雪深度大部分面积的程序增加趋势,增加速率为0-1cm/年不等;而积雪深度减少的区域也占据了北半球面积的绝大部分,积雪深度减少的速率为0-1cm/年不等;积雪深度增加最快的速率大于1cm/年,而其主要位于阿拉斯加西部地区。

海拔依赖型增暖背景下青藏高原积雪深度时空变化特征及成因分析

这是一篇关于青藏高原,积雪深度,海拔依赖型,台站,被动微波资料的论文, 主要内容为青藏高原积雪对气候变化十分敏感,能影响大尺度物质循环和能量流动过程,进而对气候、水文和生态系统等造成较大影响。因此,深入探讨青藏高原长时间序列积雪的时空变化特征及成因,显得尤为重要。积雪受气温、降水和地形(如海拔)的影响显著,其中最为突出的是高原近几十年来具有明显海拔效应的显著升温,故探究积雪对海拔依赖型增暖的响应也是亟待解决的科学问题之一。本研究主要使用地面观测台站的雪深、气温与降水数据集以及SMMRSSM/I遥感被动微波雪深资料并结合CRU(Climate Research Unit)气象要素资料等多源数据,利用数理统计方法对高原雪深变化和成因,及其对海拔依赖型变暖的响应进行了研究。主要结论如下:(1)青藏高原近几十年来地表气温变暖明显,0℃等温线有向高海拔地区缩减的趋势。高原经历了普遍的增暖,存在明显的海拔依赖型变暖现象,且冬季增暖比夏季更明显,高海拔地区比低海拔地区更剧烈;(2)地面观测和卫星遥感资料显示,高原雪深空间分布极不均匀,高值出现在高原南部(喜马拉雅山脉南坡)、高原中部江河源区高海拔地区(念青唐古拉山—唐古拉山—巴颜喀拉山—阿尼玛卿山)、高原东北部祁连山脉地区以及高原西部边缘,且高值区往往对应剧烈的年际波动。冬季平均雪深达年内最大,主导年内雪深变化,雪深小值区位于柴达木盆地和高原四周海拔较低区域;(3)雪深年际变化趋势存在较大空间差异,但从长期来看仍以减少为主,尤其是夏秋季高原中东部地区。高原东北部和中部江河源区高山地区为主要雪深减少区。同时,在高原普遍“增温增湿”背景下,雪深却呈现出“减少―增加―减少”的年代际特征,并非连续一致变化,且高原东南部更为明显;雪深月际变化方面,高原东北部以“单峰”型为主,东南部以“双峰”型居多。被动微波资料也显示,雪深以减少为主,占整个高原面积的74.27%,冬季雪深减少速率快于其余季节,羌塘高原及高原西南部下降趋势最为剧烈;(4)海拔对雪深的影响表现为雪深随海拔升高而增加,但最大雪深带并非出现在最高海拔处。气温和降水对雪深的影响表现为春、夏和秋季雪深主要由气温主导,而冬季由降水主导。不同气温与降水组合,会形成不同的地表雪深空间模态。1961—2014年高原夏秋季雪深显著减少主要与高原近几十年来显著升温有关;冬春季1961—1998年雪深的增加与显著增加的降水有关,而1998年以后气温的升高以及降水的微弱减少共同导致了高原雪深的减少。卫星资料显示,1980—2014年高原年均雪深大幅减少(速率为-0.24cm/10a),受气温和降水共同影响,但显然与同时期显著的气温增暖(速率为0.30℃/10a)有关;(5)就气候分区平均而言,随着海拔的升高,雪深减少速率也随之加快,存在明显的海拔效应,且冷季雪深减少速率快于暖季。同样,气温也存在明显的海拔效应,气温的海拔依赖型增暖现象解释了雪深的海拔依赖型缩减现象。积雪对海拔依赖型变暖的响应表现为,高海拔分区内的积雪减少速率更快,这与高海拔地区更高的升温有关。降水无明显的海拔依赖型变化规律。在高原东南部的IC1区域(青南高寒草甸草原地带)、ⅡC1区域(藏南山地灌丛草原地带)、IB1区域(果洛那曲高寒灌丛草甸地带)和ⅡAB1区域(川西藏东山地针叶林带)存在显著的海拔依赖型增暖现象,而ⅠB1、ⅡAB1、OA1(东喜马拉雅南翼山地常绿阔叶林带)和ⅡC2(青东祁连山地草原地带)区域的雪深趋势存在随海拔升高,减少速率加快的现象。

北疆地区积雪时空变化特征

这是一篇关于北疆,积雪深度,雪水当量,被动微波遥感的论文, 主要内容为积雪是一种大面积分布又变化较大的地表覆盖体,积雪和冰川融水养育了地球上近1/6的人口,在中国境内这一比例则为1/5。此外,积雪对于全球气候变化和水循环,地表能量平衡,国民经济以及人民的生命财产都有着很重要的影响,因此积雪研究具有十分重要的意义。北疆地区作为我国主要的积雪区,其农业用水主要来自冰雪融水,积雪对该地区畜牧业和道路交通等也有很重要的影响。本文在上述认识基础上对北疆地区积雪时空变化特征展开了研究。用于北疆地区积雪研究的资料包括站点资料,野外实测资料,被动微波遥感资料三个部分,站点资料包括北疆地区的气温、土壤温度、积雪深度、积雪密度数据；而实测资料来自于在阿尔泰山南麓和天山北部的积雪剖面观测,记录的积雪属性包括雪深、雪密度、雪层含水量、雪粒径等；卫星遥感数据包括用于积雪深度反演评价的SSM/I数据和用于积雪深度/雪水当量反演的AMSR-E数据。本研究旨在探究北疆地区站点记录的积雪属性(积雪深度、积雪天数、积雪密度)的时空变化规律,在野外积雪观测的基础上,对该地区积雪进行分层,并分层统计积雪特征。使用遥感技术是大面积观测北疆地区的积雪属性的一种快速而又便捷的方法,本研究通过长时间序列的大量站点数据与被动微波遥感数据探究积雪深度的反演算法精度并分析其误差的分布规律,为北疆地区的积雪深度的反演提供参考。在此基础上,通过引入深雪的被动微波反演模型,提取纯雪像元和混合像元,最后对北疆地区的积雪深度/雪水当量进行基于AMSR-E被动微波数据的遥感反演。研究结果发现：(1)北疆地区年平均最大积雪深度有随时间增加的趋势,最大雪深极值分布在阿尔泰山南麓,1990年以后最大积雪深度增长趋势更甚,最大积雪深度增长的站点的年平均增长率为0.52cm/y,最大雪深的增长率与年平均最大雪深有较好的线性关系,阿尔泰山南麓也是该地区积雪天数的极值区,除此之外,北疆地区年平均积雪深度与年平均积雪天数有很好的对数关系,海拔与年平均积雪天数也有着较好的对数关系；(2)在积雪的野外实地测量中,我们发现积雪粒径有由地表到雪表面减小的趋势,在典型的融雪期,雪表往往是致密的冰壳层,雪底是相对较松散的深霜层,因此积雪密度有由地表向雪表递减的趋势,阿尔泰山地区的积雪深度与海拔有着较好的线性关系,海拔每增加100m,平均积雪深度增加6.7cm；(3)在积雪反演算法的评价研究中发现,被广泛应用于全球雪深反演的Chang算法被应用于局部地区积雪深度反演时,其反演效果不是很理想,而针对中国境内积雪反演的Che算法在中国及蒙古境内的反演精度有一些进步,这充分说明局部地区的雪深反演需要进行算法的修正。对于SSM/I数据,仅仅通过被动微波19H和37H这两个波段亮温差线性回归法直接进行雪深反演效果不是很理想,其区域变化较大,从整体上来看,瞬时型积雪、海洋型积雪以及山地型积雪的反演效果很差,而植被单一,而地形较为平坦的苔原型积雪和草原型积雪的反演效果较好,由此可见,下垫面性质以及气候条件等因素都会影响被动微波遥感反演雪深的精度,除此之外,在误差分布规律方面,我们发现随着纬度和积雪深度的增加被动微波雪深反演有着由高估变为低估的趋势；(4)基于以上工作,本研究旨在建立适用于北疆的积雪深度/雪水当量反演模型,首先通过MEMLS模型的分析,我们发现10GHz与23GHz的水平极化亮温差能较好的改善深雪反演的结果,因此可以将该因子作为变量加入到传统的雪深/雪水当量反演方法中,在加入深雪反演因子后,通过提取纯雪像元和混和像元并对该区域进行海拔分区建立了北疆地区的积雪深度/雪水当量反演模型,并基于AMSR-E的被动微波遥感数据使用该积雪反演模型进行积雪深度反演,其反演的均方根误差能控制在10cm以内,与之对应,雪水当量的均方根误差能控制在23mm以内。本研究将北疆地区积雪站点资料、野外实测资料,被动微波遥感资料有机的结合在了一起,不仅分析了该地区大范围长尺度的积雪时空变化特征,同时也在较小尺度上分析了积雪剖面上积雪属性特征。并在此基础上结合被动微波数据反演雪深算法精度的评价和误差分布规律,最后提出了一套新的北疆地区积雪深度/雪水当量的反演方法,该方法能改善深雪反演精度,而且考虑到积雪水平方向上和垂直方向上的非一致性,可以用于大面积探测北疆地区积雪时空分布特征,实现该地区积雪研究从点到面上的拓展。

北半球积雪深度反演算法及其时空变化特征研究

这是一篇关于北半球,积雪深度,积雪水储量,积雪天数,被动微波遥感,积雪深度产品的论文, 主要内容为积雪是冰冻圈重要组成要素之一,对天气和气候响应最为敏感的自然要素。它影响着局部或区域的水资源和能量平衡、水文过程、生态系统功能等。被动微波遥感可以穿透云层和大气层,具有全天候、全天时地工作的特点,这就使得使用被动微波遥感数据估算积雪深度、雪水当量等积雪参数时具有较大的优势。近些年来利用被动微波遥感反演积雪深度和雪水当量的研究已经有了很大的发展。本研究开展了运用被动微波遥感数据和地面实测数据进行积雪深度的反演研究工作,尝试建立一种较为简单的积雪深度估算方法。并运用该方法反演北半球积雪深度,生成近25年北半球逐日积雪深度数据集,最后分析近25年北半球积雪的时空变化特征。本文首先在前辈们积雪深度反演算法的研究基础上,考虑了积雪属性的演变,以及积雪属性在时空尺度上的异质性等特点,提出了一种新的积雪深度反演算法。本算法充分考虑了下垫面植被类型对积雪属性的影响,站点的位置信息,以及积雪的时间信息。最终建立了一个基于支持向量回归的积雪深度反演算法,首先用本算法反演了欧亚大陆地区的积雪深度,随后与其他现有的四种积雪深度反演算法对比积雪深度估算能力,四种算法包括:Chang算法,光谱梯度(Spectral Polarization Difference,SPD)算法,神经网络算法(Artificial Neural Networks,ANN)和线性回归(Linear Regression)算法。在此获得了以下的结论:1)与其他四种现有的积雪深度反演算法相比,本研究所提出的积雪深度反演算法表现最好,积雪深度的估算结果精度高,且积雪深度估算结果与实测值有较高的相关系数,相对最小的MARE,MAE和RMSE。在三种线性算法中(Chang算法,SPD算法和线性回归算法),线性回归算法在深雪部分可以生成较高精度的积雪深度估计值。总体来讲,非线性算法(ANN算法和SVR算法)的雪深估算能力会优于线性算法。本研究所提出的基于支持向量回归的积雪深度反演算法可以改善积雪饱和效应(通常积雪的饱和效应的阈值为60cm,在本研究中积雪饱和效应的阈值提高到了150cm左右)。2)下垫面为森林和灌木时的积雪深度估算结果误差相对下垫面为裸地和草原时偏高,这主要是因为植被衰减了来自积雪的微波散射信号,导致低估了积雪深度。此外,积雪ii期(积雪稳定期,12月-2月)时,基于四种地表覆盖类型的雪深反演模型的MARE均小于其他两个积雪期(积雪积累期(i,9月-11月),积雪融化期(iii,3-6月))。此外,每种下垫面下的MAE和RMSE均会随着时间的变化(从积雪i期至iii期),在基于四种地表类型建立的积雪深度反演模型在积雪i期时,会产生相对积雪iii期更小的误差。随后将本文对提出的积雪深度反演算法做了部分修订,并将其应用于反演北半球从1992-2016年期间逐日积雪深度。进一步对比分析了该积雪深度数据集与现有的两种积雪产品(Glob Snow-2积雪产品和ERA-Interim/Land积雪产品)的积雪深度估算精度;接着使用该研究所生成的积雪深度数据集分析了1992-2016年北半球积雪时空变化特征,得出了如下结论:1)结合12-2月地面气象台站的逐日积雪深度实测资料,选取两种积雪产品(Glob Snow-2雪水当量产品,ERA-Interim/Land积雪产品)与本研究所生成的积雪深度产品进行对比分析,发现Glob Snow-2积雪深度的估算结果的精度最高,其次是SVR积雪深度产品(即本研究所生成的积雪深度产品),最后是ERA-Interim/Land积雪深度产品。2)分析北半球近25年的积雪水储量的变化趋势,发现在1992-2016年期间年总积雪水储量呈现显著减少趋势,以约5500 km3/年的速率在减少。分析积雪水储量的年内变化时发现1月积雪水储量的减少速率最快,为1065.72km3/年,其次是11月份积雪水储量的减少速率1060.10km3/年,4月减少速率最慢,速率为128.04km3/年。又分析了秋、冬、春、夏季积雪水储量的年际变化趋势,发现冬季(12,1和2月)三个月份的积雪水储量年际变化减少速率明显高于其他七个月份,减少速率分别是979.71km3/年,1065.72 km3/年,738.79 km3/年,而春夏季节的积雪水储量的变化速率相对最小。3)多年平均积雪天数呈现出很强的纬度地带性,较短的积雪天数主要位于北纬25°-45°的中纬度地区,如中国的华东、华中、华北地区和塔里木盆地地区,蒙古高原,西欧区域,以及美国大部分地区。长积雪天数主要位于极地地区,如阿拉斯加和加拿大北部,俄罗斯的北部地区;以及青藏高原地区。4)从北半球多年平均积雪深度的分布图中可以看出,北半球的积雪深度具有明显的纬度地带性,积雪深度会随着纬度的北移而加深。针对中国多年平均积雪深度大于零的地区主要位于我国的三大积雪区:青藏高原、新疆北部和东北积雪区。从1992-2016年北半球年平均积雪深度变化率的空间分布图可以看出,北半球的年平均积雪深度大部分面积的程序增加趋势,增加速率为0-1cm/年不等;而积雪深度减少的区域也占据了北半球面积的绝大部分,积雪深度减少的速率为0-1cm/年不等;积雪深度增加最快的速率大于1cm/年,而其主要位于阿拉斯加西部地区。

北半球积雪深度反演算法及其时空变化特征研究

这是一篇关于北半球,积雪深度,积雪水储量,积雪天数,被动微波遥感,积雪深度产品的论文, 主要内容为积雪是冰冻圈重要组成要素之一,对天气和气候响应最为敏感的自然要素。它影响着局部或区域的水资源和能量平衡、水文过程、生态系统功能等。被动微波遥感可以穿透云层和大气层,具有全天候、全天时地工作的特点,这就使得使用被动微波遥感数据估算积雪深度、雪水当量等积雪参数时具有较大的优势。近些年来利用被动微波遥感反演积雪深度和雪水当量的研究已经有了很大的发展。本研究开展了运用被动微波遥感数据和地面实测数据进行积雪深度的反演研究工作,尝试建立一种较为简单的积雪深度估算方法。并运用该方法反演北半球积雪深度,生成近25年北半球逐日积雪深度数据集,最后分析近25年北半球积雪的时空变化特征。本文首先在前辈们积雪深度反演算法的研究基础上,考虑了积雪属性的演变,以及积雪属性在时空尺度上的异质性等特点,提出了一种新的积雪深度反演算法。本算法充分考虑了下垫面植被类型对积雪属性的影响,站点的位置信息,以及积雪的时间信息。最终建立了一个基于支持向量回归的积雪深度反演算法,首先用本算法反演了欧亚大陆地区的积雪深度,随后与其他现有的四种积雪深度反演算法对比积雪深度估算能力,四种算法包括:Chang算法,光谱梯度(Spectral Polarization Difference,SPD)算法,神经网络算法(Artificial Neural Networks,ANN)和线性回归(Linear Regression)算法。在此获得了以下的结论:1)与其他四种现有的积雪深度反演算法相比,本研究所提出的积雪深度反演算法表现最好,积雪深度的估算结果精度高,且积雪深度估算结果与实测值有较高的相关系数,相对最小的MARE,MAE和RMSE。在三种线性算法中(Chang算法,SPD算法和线性回归算法),线性回归算法在深雪部分可以生成较高精度的积雪深度估计值。总体来讲,非线性算法(ANN算法和SVR算法)的雪深估算能力会优于线性算法。本研究所提出的基于支持向量回归的积雪深度反演算法可以改善积雪饱和效应(通常积雪的饱和效应的阈值为60cm,在本研究中积雪饱和效应的阈值提高到了150cm左右)。2)下垫面为森林和灌木时的积雪深度估算结果误差相对下垫面为裸地和草原时偏高,这主要是因为植被衰减了来自积雪的微波散射信号,导致低估了积雪深度。此外,积雪ii期(积雪稳定期,12月-2月)时,基于四种地表覆盖类型的雪深反演模型的MARE均小于其他两个积雪期(积雪积累期(i,9月-11月),积雪融化期(iii,3-6月))。此外,每种下垫面下的MAE和RMSE均会随着时间的变化(从积雪i期至iii期),在基于四种地表类型建立的积雪深度反演模型在积雪i期时,会产生相对积雪iii期更小的误差。随后将本文对提出的积雪深度反演算法做了部分修订,并将其应用于反演北半球从1992-2016年期间逐日积雪深度。进一步对比分析了该积雪深度数据集与现有的两种积雪产品(Glob Snow-2积雪产品和ERA-Interim/Land积雪产品)的积雪深度估算精度;接着使用该研究所生成的积雪深度数据集分析了1992-2016年北半球积雪时空变化特征,得出了如下结论:1)结合12-2月地面气象台站的逐日积雪深度实测资料,选取两种积雪产品(Glob Snow-2雪水当量产品,ERA-Interim/Land积雪产品)与本研究所生成的积雪深度产品进行对比分析,发现Glob Snow-2积雪深度的估算结果的精度最高,其次是SVR积雪深度产品(即本研究所生成的积雪深度产品),最后是ERA-Interim/Land积雪深度产品。2)分析北半球近25年的积雪水储量的变化趋势,发现在1992-2016年期间年总积雪水储量呈现显著减少趋势,以约5500 km3/年的速率在减少。分析积雪水储量的年内变化时发现1月积雪水储量的减少速率最快,为1065.72km3/年,其次是11月份积雪水储量的减少速率1060.10km3/年,4月减少速率最慢,速率为128.04km3/年。又分析了秋、冬、春、夏季积雪水储量的年际变化趋势,发现冬季(12,1和2月)三个月份的积雪水储量年际变化减少速率明显高于其他七个月份,减少速率分别是979.71km3/年,1065.72 km3/年,738.79 km3/年,而春夏季节的积雪水储量的变化速率相对最小。3)多年平均积雪天数呈现出很强的纬度地带性,较短的积雪天数主要位于北纬25°-45°的中纬度地区,如中国的华东、华中、华北地区和塔里木盆地地区,蒙古高原,西欧区域,以及美国大部分地区。长积雪天数主要位于极地地区,如阿拉斯加和加拿大北部,俄罗斯的北部地区;以及青藏高原地区。4)从北半球多年平均积雪深度的分布图中可以看出,北半球的积雪深度具有明显的纬度地带性,积雪深度会随着纬度的北移而加深。针对中国多年平均积雪深度大于零的地区主要位于我国的三大积雪区:青藏高原、新疆北部和东北积雪区。从1992-2016年北半球年平均积雪深度变化率的空间分布图可以看出,北半球的年平均积雪深度大部分面积的程序增加趋势,增加速率为0-1cm/年不等;而积雪深度减少的区域也占据了北半球面积的绝大部分,积雪深度减少的速率为0-1cm/年不等;积雪深度增加最快的速率大于1cm/年,而其主要位于阿拉斯加西部地区。