引言

冰冻圈是反映气候变暖情况最好的温度计，而积雪是冰冻圈中最大和最活跃的组成部分，覆盖了地球陆地表面约33%的面积｡在实际生产生活中，积雪可能是一些地区的重要水源，对区域及全球气候产生深远影响｡在业务工作方面，青藏高原冬春积雪的影响可以维持半年以上，是我国汛期旱涝预测的一个重要预报因子^[1-2]｡因而，无论在实际工作还是在理论研究中，对积雪情况的有效和精确监测均十分重要｡

然而，目前的积雪资料有多种，各有优势，也各有不足^[3]｡一般来说，台站资料具有真实准确的优点，可以很好地代表当地一定时空范围内的积雪情况，但其最大问题在于它的不连续性，尤其是在山地和高原地区，不仅因为站点较少，而且由于这些地区的气象台站海拔一般较周围低等原因，使其缺乏较好的代表性｡相比之下，台站资料时空连续性方面的问题正是遥感资料的优势所在，特别是微波遥感资料，其时空连续性更好｡在气象信息不足、气候条件恶劣的山区和牧区，卫星遥感是唯一能为雪灾分析和气候研究提供雪情数据的手段^[4]｡遥感资料包括光学遥感和微波遥感等，对于光学遥感反演雪深，一些学者做了有益的研究^[5-13]，但光学遥感受云层和夜晚的影响较大，云下的地表信息一般不能被光学遥感仪器接收到^[14]，所以也存在时空不连续问题，而且其反演方法只适用于浅雪区^[10-12]｡相比之下，微波遥感反演雪深的突出优点是穿透能力强，使其不受云、雾的影响，且具备全天候工作能力，可在夜间工作，能够获取时空连续的信息，因而，其时空连续性好的优势可以最大程度弥补台站资料不连续的缺点，它与台站资料的优缺点可互为补充｡微波遥感又分为主动与被动微波遥感，两者各有优势，前者可以区分干湿雪，但重访周期较长，监测面积小，且受地形粗糙度影响较大，而后者反演雪深的方法较成熟一些，相比红外与可见光，它具有波长长，穿透能力强的优势，相比主动微波雷达，被动微波辐射计具有监测面积大、周期短，受粗糙度影响小的优势｡不难看出，如果能将微波遥感的时空连续性优势与台站资料的真实性优势有效结合，将有助于开发新的反演技术｡

鉴于被动微波遥感反演雪深方法的诸多优点和本研究试图得到大范围雪深资料的目的，本文主要侧重被动微波遥感，对于光学遥感和主动微波遥感是否可以结合进来，在今后的研究中将进一步探讨｡近些年，被动微波遥感数据反演雪深取得了令人满意的成果^[15-23]｡但这种方法反演雪深也有缺点，除了分辨率的限制以外，其主要技术问题和反演误差来自反演方法和反演系数的确定｡一方面，积雪的微波亮温不仅与雪深有关，而且与雪的温度、积雪颗粒大小、密度、液态水含量和地表热状态等有关^[24-25]；另一方面，即使对于同一个反演公式，其反演系数应随空间和时间改变，即同一个时间的不同地点 (如拉萨和哈尔滨) 其反演系数一般是不同的，同一地点的不同时间 (如初冬和深冬，降雪时和消雪时) 其反演系数一般也是不同的｡这两方面因素导致得到较好的反演公式和系数非常困难，也使被动微波遥感在反演浅雪和区分干、湿雪时存在问题｡

从目前的研究成果来看，解决这些问题，以往的研究思路多是通过理论水平的提高或数据精度的提升寻找突破口，深入了解亮温与积雪的各种物理性质之间的关系并建立模型，虽然众多学者在这方面取得一定成效^[26-31]，但情况的复杂性使得理论研究进展缓慢｡本文的思路是将遥感数据与台站数据进行融合和同化，使数据既能保持时空连续性，又能保证反演模型能够根据观测场 (或真实场) 随时随地调整，及时释放反演误差，从而提高反演精度｡在操作上就是发挥遥感数据与测站资料各自的优势，即依靠较高精度的遥感数据和较真实的测站实测数据，建立两者之间随时空变化的统计关系，从而得到雪深数据，本文称之为遥感-测站动态雪深反演方法｡这里建立的统计关系没有其物理关系复杂，但必须随时间和空间改变，并且要有足够高的网格精度，这样才可能弱化物理关系的复杂性｡与单纯的遥感或观测方法不同，这种方法的最大优势在于用统计关系的时空精细化方法，克服理论上亮温与不同性质积雪间物理关系的复杂性问题｡但如何实现不同来源数据的有效结合和优势互补，是这种方法最核心的问题，这也是本文探索的重点｡

1 资料和方法 1.1 资料

亮温数据来自搭载于美国防御气象卫星计划 (DMSP) 卫星上的专用传感器微波成像仪 (SSM/I)(Armstrong等^[32]整理)，轨道高度为830km, 由美国国家雪冰数据中心 (NSDIC) 获得｡该仪器接收到19，37GHz和85GHz的双极化和22GHz的垂直极化亮度温度数据｡数据格式和投影方式是等面积可调整地球网格 (EASE-Grids)，空间分辨率为25km, 另外85 GHz频段还有12.5km分辨率资料｡所用亮温数据时间是2000年1月1日-12月31日｡

雪深观测数据来自中国气象局整编的我国753个气象台站降水、气温、积雪日值数据集，时间选取与亮温对应｡

周雪盖资料来自美国雪冰数据中心EASE-Grids格式的北半球周雪盖和海冰面积资料 (第3版)，该资料基于美国NOAA的国家环境卫星数据信息服务中心 (NESDIS) 的周雪盖资料 (由AVHRR，GOES和其他可见光探测数据组成)｡由Armstrong和Brodzik于2005年补充修订完善形成｡空间分辨率为25km, 选取时段与亮温和观测数据对应｡

1.2 方法

空间插值采用Cressman方法，它是一种逐步订正法，由Cressman^[33]在1959年提出，它第1次使客观分析成为一门独立的科学^[34]，其基本原理是先给定第1猜测场，然后用实际观测场逐步修正第1猜测场，直到订正后的场逼近观测记录为止｡

(1)

其中，

式 (1) 中，α_k为任意一气象要素 (如降水、风、温度等)；α₀是变量α在格点 (i，j) 上的第1猜测；α′是变量α_k在格点 (i，j) 上的订正值；α_k是观测点k上的观测值与第1猜测值之差；W_ijk是权重因子，分别由香蕉形、椭圆形和圆形权重函数决定，在0.0~1.0之间；K是影响半径R内的台站数｡权重函数W_ijk的一般形式为

(2)

式 (2) 中，d_ijk是格点 (i，j) 到观测点k的距离｡在分析中，观测资料对格点值的贡献与两者距离的平方成反比，加权平均的范围是以格点为中心、影响半径为半径的圆｡选取合适的影响半径R，可以得到空间连续的要素分布，但影响半径R需要一定的经验人为选定^[35]｡

2 被动微波反演方法存在的问题

目前，对雪深反演应用最为广泛的方法是Chang等^[15]的算法，根据辐射传输理论和米氏散射理论，假设雪密度为0.3 g·cm^-3、雪粒径为0.35mm、雪厚 < 1m的前提下，获得了一个半经验半物理模型的雪深反演公式:

(3)

式 (3) 中，D为积雪深度 (单位:cm)，T_b18和T_b37是SMMR被动微波辐射计的18GHz和37GHz的水平极化亮度温度 (单位:K)｡SMMR是最早的装载于Nimbus-7地球卫星上的一个具有5个频段 (6.6，10.7，18，21GHz和37GHz) 的多通道微波扫描辐射计｡以后，许多学者对这种方法进行了评估、修正和业务应用^{[16-23，36-39]}｡但总体来说，传统的微波遥感反演方法在我国应用效果并不好，在西部往往高估积雪状况，而在东部，不同方法结果也不同｡雪深是对环境要素高度敏感的物理参数，单一的反演方法可能难有实质性提高｡

假设亮温与雪深具有如下关系:D=A×(T_b19-T_b37)，对SSM/I而言，取19GHz和37GHz的水平极化亮度温度，那么，严格地说，两者之间不仅存在空间差异性，即同一时刻不同地点，两者关系也应不同，而且存在时间差异性，即同一地点不同时刻，两者关系也不同，体现在反演系数上，就是对于每一个地点的每一个时次的雪深反演，都应有独一无二的反演系数A(x，y，z，t)，即A并不是常数，用固定的反演系数不合理｡下面的两个例子可以说明这一点｡

表 1给出我国不同区域气象站2000年1月15日观测雪深与SSM/I亮温差的关系｡可以看出，在同一天，各个站点的观测雪深与亮温差的关系差异是很大的，反演系数A最大的乌鲁木齐达1.92，而最小的青藏高原的沱沱河只有0.26｡即使同属于华北地区的北京和济南，在同一天的反演系数大小也相差近1倍｡可见，如果用单一静态反演公式直接反演雪深，必然会产生较大误差｡实际情况也如此，被动微波静态反演方法在反演华北南部时容易低估雪深，反演青藏高原地区时容易高估｡

更为复杂的是，雪深与亮温间的关系不仅随空间变化，而且即使对于同一观测站，这种关系也随时间改变｡表 2给出北京站2000年1月11-28日观测雪深与亮温差的关系｡该时段内反演系数最大达到1.4286，最小只有0.2381，而且前后只差5d｡这是因为积雪物理性质随时间的改变，造成雪深与亮温间关系也随之改变｡很多反演方法都存在类似的问题，如Noh等^[40]利用多种来源数据发展的降雪反演算法，存在的一个主要问题就是深冬积雪比初冬明显高估｡所以，探索一种能够随空间和时间改变的动态的反演方法，将有助于提高反演精度｡

关于这方面的研究，曹梅盛等^[18]曾根据不同地貌状况探讨微波遥感雪深，Chang等^[37]及车涛等^[41]都针对不同区域进行了反演系数的拟合和确定，但所得到的反演系数都针对较大区域，而且对某个区域而言，一旦确定反演系数，就不随时间和空间改变，即A为常数，这势必会对雪深反演精度产生影响，容易造成华北南部和华中低估雪深、而我国西部高估雪深的情况｡一个重要原因是被动微波传感器无法探测小于5cm雪层的存在^[15，42]，所以，微波反演方法与观测和可见光反演得到的积雪相比，在我国中东部所得到的积雪面积较少｡而西部所谓高估的雪深，一方面，考虑到大多数地面台站位于海拔相对较低的地点，反演所得的积雪深度略大于台站观测的平均雪深应当是合理的^[43]；另一方面，由于青藏高原地表状况复杂，通常区分寒漠和冻土的判别式在这里不适用｡柯长青等^[44]强调了用卫星遥感和地面观测相结合的方法研究积雪的重要性，但鉴于观测资料的缺欠，其研究中只将观测资料用来作积雪变化的趋势分析｡Kelly等^[31]发展了一种动态的雪深反演方法，其反演系数通过物理关系确定，即反演系数随雪粒大小和雪容积率而变化，而雪粒大小和容积率又随时空改变，其结果较静态方法有较大提高，而且还有很大潜力｡然而，这种方法不是时间独立的，即它依赖于对前期积雪颗粒和密度的了解，在无前期积雪演变信息的情况下，这种方法应用并不成功｡

因此，以往研究对于雪深的反演方法大都停留在固定反演系数的静态方法上，但已有反演公式动态化的趋向｡动态化反演方法和多种资料相结合求算雪深的方法，还处于探索阶段｡

3 遥感-测站相结合的时空动态反演方法初探 3.1 反演思路

图 1给出亮温数据各格点离最近观测站点的距离｡由图 1可以看出，观测站点最稀疏的地区位于青藏高原中北部，离最近观测站的距离最大可达到403.8km, 位于34.5°N，87.5°E (白色三角形处)，而且对于站点如此稀疏的地区，距之最近的站点 (位于400km以外) 若无雪，并不能代表该地区无雪｡这里雪深数据的获得显然应该主要靠遥感反演，但其反演系数和公式如何确定?本文认为在一般情况下，各格点附近测站的反演系数对于该格点反演系数的确定最为重要，所以利用合理的空间插值方法得到各个格点的反演系数比用固定的反演系数更为科学，而且，这一定程度上能够克服积雪物理特征的区域性和季节性差异，使得无测站区域的雪深反演系数更为可信，反演结果也很可能会随之提高，从而实现两种不同来源资料的有效结合和优势互补｡

虽然不能单从微波亮温直接得到任意地点 (x，y，z) 任意时次 (t) 的反演系数A(x，y，z，t)，但如果姑且将观测站雪深作为某时某地真实雪深数据，并假设固定时间和地点时，雪深只是亮温差的函数，则可以建立观测站的亮温数据与观测雪深间的关系，确定观测站当时当地的雪深反演系数

(4)

用相同的方法求出所有站点在这一时次的反演系数A_s, 而后应用合理的插值方法，将站点的反演系数插值到格点上，得到该时次各格点的反演系数，使站点稀疏地区也能得到空间连续的反演系数｡每一时次都用相同的方法，这样得到随时空改变的反演系数A(x，y，z，t)，即对于每一个地点的每一个时次，都对应独一无二的反演系数｡最后，用反演公式计算雪深:

(5)

这种方法最大的特点是，反演系数随时空改变，也就是说，它对新雪与旧雪、不同区域的雪等作了区别处理，实际上间接考虑和区分了不同时空积雪物理性质 (如雪密度) 变化对雪深的影响，它试图用反演系数的时空差异性克服亮温与不同类型积雪间物理关系的复杂性，这在反演思路上更为合理，技术上更为灵活｡

3.2 技术路线和质量控制

具体的反演过程可以通过以下的技术路线实现｡

第1步，计算某日各观测站点的亮温和亮温差｡

利用NSIDC关于EASE-Grids格式亮温的坐标转换工具获取该日各观测站所在像元的亮温数据作为该日各观测站亮温数据｡计算过程中，以当日升轨数据为基础，缺值时由当日降轨数据补缺，还缺失的由之前最近的升、降轨数据补缺｡

第2步，由式 (4) 计算该日各站点反演系数｡

在计算过程中，进行一定质量控制，出现以下任何一种情况时定义反演系数为零:观测站无雪；

观测站亮温差小于等于零｡

质量控制后，使得只用有雪且亮温差大于零的站参与第3步格点反演系数的计算｡需强调的是，这种方法的反演系数时间间隔为1d, 即1d对应1个反演系数场｡

第3步，基于站点反演系数，用Cressman插值方法得到格点场 (0.5°×0.5°) 反演系数｡

首先，确定影响半径｡有两个原则:第一是保证影响半径内有足够多的站点；第二是这些站点中至少有一部分在该日有雪 (即存在大于零的反演系数)｡

例如，2000年1月15日 (图 1)，图中有雪的站为258个，剔除掉其中亮温差小于等于零的站后，为239个｡如果以图中三角形位置为中心，离它最近的观测站距离为400km左右 (即8个格距左右)，对于这样的格点，利用其最近站点的反演系数来计算格点反演系数不可靠，而且，相邻最近的站点在该日不一定有雪，即最近站点可能无有效的反演系数｡如果进一步计算距离该格点最近且该日有雪的站点的距离 (图略，只保留西部最大值，即图 1中“×"标注处)，发现在我国西部这样的最大值出现在35.5°N，84.5°E，其值达到670.1km, 即14个格距左右｡所以，应用Cressman插值时，其最大影响半径应大于这一距离｡但是，影响半径太大又会影响结果的准确性，因此，本文所取的最大影响半径20个格距｡第2次迭代时选取影响半径为4个格距，实际测试过程中，发现迭代次数过多，效果并不好，正如文献[34]指出的，订正次数太多，虽然分析场的误差要小一些，但往往削弱气象场的强度｡

然后，应用Cressman插值方法得到格点场反演系数｡这里得到的反演系数不为零的格点场，实际是近似的雪盖｡需要注意的是，如果根据积雪分类树方法^[45]确定雪盖，需进一步剔除非散射体、降雨、冷沙漠、冻土的像元 (格点)，测试过程中发现，这样所得的雪盖常与根据测站得到的雪盖有较明显不一致，尤其是在我国华北中南部 (即东部雪盖的南侧边缘区域)，当测站观测显示有雪时，分类树方法的结果却常常显示这里无雪，这主要是因为被动微波不能探测到5cm以下的浅干雪^[15，42]，由于这里测站较为密集，所以应以测站的观测结果为准｡因此，暂不根据分类树方法确定雪盖，而是在下一步反演格点雪深时，进一步剔除亮温差小于零的格点，这样，雪盖主要以测站观测有雪与格点亮温差大于零共同确定｡

之后，剔除以下格点:位于湖泊区域的格点；

最近站点之反演系数为零的格点，这样保证得到的反演系数大于零的格点场与有雪的站点场有较好的匹配｡

第4步，反演该日全国雪深，即用式 (5) 计算格点雪深｡

首先，需利用当日和之前的数据补齐该日亮温 (T_b19和T_b37) 格点场｡以当日升轨数据为基础，缺值点的数据由当日降轨数据补缺，还缺失的由之前最近的升、降轨数据补齐｡这种补齐方式与文献[22]不同，主要是为了保证数据的准确性，一方面尽量利用最近时刻数据作为当日亮温数据，另一方面，由于同日升轨与降轨数据覆盖面积不同，大部分时次用当日升、降轨数据已经可以覆盖我国80%左右的面积，比只用升或降轨数据的覆盖率高，经测试，使用之前最近5d内的升降轨数据补齐，基本可覆盖中国所有地区｡

然后，为了与反演系数格点场匹配，利用NS-DIC的坐标转换工具重新采样，得到0.5°×0.5°的亮温数据｡

再次，进行质量控制，剔除亮温差小于零的格点｡考虑含水量对反演结果的影响，由于这种方法是用实测的雪深作为反演依据 (降雨的站点属观测无雪的情况，已被剔除)，而且我国东部多雨区站点分布较密，所以降雨一般不会影响反演系数的求取｡但这里并未剔除湿雪的情况，也是因为它并不会影响观测站的实测雪深，它只会影响单一的亮温梯度反演雪深的方法，这也是遥感-测站相结合反演方法的优势之一｡

最后，利用式 (5) 计算格点雪深｡

第5步，重复前面4步，反演第2日雪深，依此类推，得到所有时次的雪深数据｡

综上所述，以上技术路线可以由图 2的流程图来简单总结和表述｡

4 个例试验

一般来说，积雪密度随时间推移而增大，新雪和旧雪的反演方程应不同，因此，反演方法在大面积降雪和消雪过程中的有效性如何，是检验反演方法效果的关键之一｡2000年全年，有积雪测站数增长和减少最多的分别是1月21日和1月27日 (图略)，分别比前1天增长和减少了60个和40个站，说明这两日分别处于一次大的降雪和消雪过程的鼎盛时期，因此，选取这两日相关数据进行反演有一定代表性｡

按照前面的计算步骤，得到这两日的反演结果如图 3和图 4所示，为了便于比较，还给出了同日观测雪深、利用Chang等^[37]方法 (简称Chang92方法) 反演的雪深和该周NSIDC的雪盖分布｡在降雪较大的2000年1月21日，由图 3a可以看出，对于固定时次，动态反演系数随空间快速变化，分布很不均匀，其大值区主要在东北、新疆北部，河套和长江中上游地区，河套地区中心值大于2，比较当日 (图 3c) 和之前 (图略) 的实测雪深，发现河套和长江中上游地区的大值区对应新降雪区，而小值区除了位于各大值区的边缘以外，青藏高原反演系数也较小，这和表 1根据站点数据分析的结果相一致｡可见，线性关系得到的动态反演系数特点之一是在空间分布上表现出了非常大的差异性｡图 3b是通过遥感和观测相结合的动态反演方法得到的雪深分布，与观测雪深 (图 3c) 相比，主要优点是空间连续性较好，站点稀疏的区域也有连续的雪深分布，这得益于结合了空间连续的遥感数据｡动态反演与Chang92的静态反演方法得到的结果 (图 3d) 相比，前者在雪盖的南侧边缘的雪深分布更接近于观测场，后者在这一区域的雪盖面积远小于观测场｡另外，Chang92方法在青藏高原地区的反演可能存在高估现象，而前者在这一地区反演的积雪面积较小，根据前面的分析，这可能更接近真实情况，但雪深普遍不大，主要是由于这里的反演系数是由附近观测站实测数据推算得到，而观测站较周围海拔低，不能反映其周围高海拔地区的雪深状况，所以其反演系数可能偏小｡它与NSIDC的周雪盖面积 (图 3e) 相比 (由于时间尺度不同，这里只进行两者的粗略比较)，前者的优点不仅在于时间连续性好，为逐日资料，且在华中和云南的北部的积雪有较真实反映，而后者没有反映｡

在这次降雪过程的消雪期1月27日 (如图 4所示)，总体上看，存在类似问题，动态反演结果比直接观测结果的空间连续性好，尤其在台站稀疏的西部地区，Chang92方法和可见光周雪盖面积比较，优势在于对雪盖南缘区域的确定更为准确｡

5 精度评价

为了系统地检验本文方法的有效性，需要给出与真实场相比的误差，即对反演结果的精度进行定量评估｡测站的观测雪深虽不能严格地代表真实值，但它仍是检验反演结果的重要依据，本文将以观测雪深作为参考，将反演雪深与观测雪深的差作为反演误差进行精度评价｡

5.1 误差分析

为了将反演结果与观测雪深比较，将不同方法得到的反演雪深插值到站点，绘制反演雪深与观测雪深的站点散点图，图 5给出1月21日的结果｡比较后发现，Chang92方法容易高估雪深，且观测有雪而反演无雪的情况也较多，而动态反演方法总体上并不明显高 (低) 估雪深，观测有雪而反演无雪的情况也较少，并且与观测雪深的相关性也较好｡2000年1月27日的散点图 (图略) 比较结果与2000年1月21日类似｡

将最终得到的反演雪深与插值到格点的观测雪深相减，得到误差的空间分布 (如图 6a~6d所示)｡可以看出，动态反演方法的误差值和空间范围都远小于Chang92方法｡另外，误差大值区主要分布在雪盖南侧边缘区域和西北、东北积雪较深的区域，这一方面是由于积雪越深，其误差能达到的范围也就越大，另一方面是由于微波遥感反演雪深时用到了T_b19和T_b37之差随雪深变化的线性关系，但是，在积雪很深时，它们之间并不满足简单的线性关系^[22]｡Chang92方法在青藏高原地区的误差，主要由于遥感数据与观测站实测数据的代表性不同，前者易高估雪深，后者易低估，所以暂不能说明哪种结果更好｡此外，这两日的总体误差情况如图 6e和6f所示，动态反演方法的误差分布在零附近的百分率远高于Chang92方法｡

为了检验这种反演方法在四季更替当中的精度变化，给出2000年全年的有雪站点平均雪深、标准差和误差的逐日演变 (图 7)｡从全年来看，时空动态反演方法基本没有明显地高估或低估雪深，只有在春季和秋季略有低估，全年反演雪深与观测雪深的相关系数为0.95；Chang92方法在11月和12月的初冬误差较小，而在1月和2月的深冬明显高估雪深，说明深冬季节积雪性质的复杂性对其反演精度有非常大的影响，全年反演雪深与观测雪深的相关系数为0.85｡动态反演方法反演雪深与观测雪深标准差的相关系数为0.88，Chang92方法反演雪深与观测雪深标准差的相关系数为0.84｡

5.2 准确率分析

根据前面的误差分析，可以这样定义反演准确率:将反演雪深插值到站点，对于有雪站点，若反演结果与实测结果误差在-σ σ (σ为误差阈值，单位:cm) 范围内，则认为该站为有雪合理站，否则，视为有雪不合理站，据此统计出有雪合理站数 (N_sr) 占总有雪站数 (N_st) 的百分率，称之为反演准确率R_a；另外，若将实测和反演结果都无雪的站视为无雪合理站，则可以统计出总合理站数 (有雪合理站数与无雪合理站数之和N_nr) 占总站数N_t的百分率，称之为反演准确率R_b, 即

(6)

(7)

通过定义不同的误差阈值，计算得到2000年1月21日和27日的反演准确率 (表 3)｡比较两种方法的准确率，动态反演方法均比静态反演方法准确率高，对于有雪站点的反演 (对应反演准确率R_a)，这种情况更为明显｡

为了进一步验证在其他季节，动态反演方法的精度，图 8给出2000年全年逐日雪深的反演准确率R_a和R_b｡对于时空动态反演方法，其两种准确率在大部分时间内都处于80%左右及其上方，而Chang92方法在冬季的准确率不高，但反映总合理站数的准确率R_b比反映合理有雪站数的准确率R_a要高，这和Chang92方法在深冬季节对雪深估计普遍偏高有很大关系｡

6 结论和讨论

本文将2000年我国753个观测站的雪深资料与SSM/I的亮温数据进行综合利用，探讨并提出了一套遥感-测站相结合的时空动态雪深反演方法｡这种方法试图用统计关系的时空精细化方案解决理论上亮温与积雪间物理关系的复杂性问题｡具体来讲，它利用观测有雪与被动微波亮温差大于零为相互制约的条件，以站点实测雪深资料为依据，匹配时空对应的遥感数据，采用合理的插值方法，得到随时间和空间连续动态变化的反演系数，再进一步结合全场遥感资料，反演得到全场雪深数据｡这种方法的最大特点在于随时空改变的连续反演系数在一定程度上能够克服积雪的区域性差异和时间 (季节) 性差异带来的反演误差，使不同区域、不同时间的反演方程有不同的形式，不再采用以往静态反演方法中较为单一的反演公式｡通过个例检验和初步的比较分析，这种方法所得的积雪分布与观测场相比，具有以下优点:积雪空间分布连续性好，在站点稀疏区域也能得到较合理的雪深数据；与静态遥感反演法和可见光雪盖面积相比，这种方法克服了它们在华北和华中低估雪盖面积的缺点，雪盖分布更接近真实场，对西部积雪分布的反演也有一定改善｡

但是，这种方法还需要更多的个例和统计检验｡另外，目前该方法没有考虑反演系数随海拔高度的变化，其插值方法只涉及二维，误差分析部分虽然显示本方法在青藏高原地区的误差较小，但这是将观测站数据作为真实值进行对比，而实际上，这一地区观测数据与真实值之间是有较大误差的｡所以，本研究方法如果在第三维，即垂直方向上也能进行合理的插值化处理的话，很可能会对青藏高原等复杂地形区域的积雪反演有较大改进，这需要在以后的工作中深入研究｡在插值方法上，Cressman插值有一定缺点，如在观测站稀疏的区域，插值结果常出现一些空值斑点，而且有时会出现一些实际不可能存在的负值，因此今后还需对插值方法进行改进｡不过，本文探讨的遥感-测站相结合的动态反演方法，在初步分析中已经表现出了优越性，对这种方法的深入研究和完善将有利于弥补在积雪资料研究中的一些不足｡