积雪参数遥感反演研究进展

王子龙，胡石涛，付强，姜秋香

（东北农业大学水利与土木工程学院，哈尔滨　150030）

积雪参数遥感反演研究进展

王子龙，胡石涛，付强*，姜秋香

（东北农业大学水利与土木工程学院，哈尔滨150030）

积雪是地表重要自然要素，积雪参数反演研究对相关领域研究及应用具有重要意义。以当前研究成果为基础，对比分析相关积雪遥感资料优缺点，探讨利用遥感资料进行积雪反演合理性及不足。介绍当前进行积雪遥感反演遥感平台系列。探讨光学传感器及微波遥感仪器各自优缺点，强调结合光学、微波遥感仪器影像数据进行积雪反演研究重要性；重点介绍中分辨率成像光谱仪、改进型甚高分辨率辐射仪等光学传感器在积雪面积计算、雪盖制图等方面研究进展，先进微波扫描辐射仪、特定微波传感器/成像仪、多通道微波扫描辐射计等被动微波传感器在雪深计算、雪水当量估算等领域发展现状；强调主动微波遥感传感器在未来积雪遥感研究中重要性。总结并探讨当前积雪遥感研究中的问题及不足。

积雪；遥感反演；光学遥感；被动微波遥感；主动微波遥感

王子龙，胡石涛，付强，等.积雪参数遥感反演研究进展［J］.东北农业大学学报，2016，47（9）：100-106.

Wang Zilong，Hu Shitao，Fu Qiang，et al.Progress advances in remote sensing inversion of snow parameters，2016，47（9）：100-106.（in Chinese with English abstract）

积雪是气候变化关键影响因子。积雪对气温、降水等气候因素较敏感，通过复杂反馈机制相互作用［1］。积雪参数测定是学科研究热点，对于有效预测土壤墒情、春汛、水资源供给、气候变化、估算作物损失、监测积雪灾害等具有重要意义［2］。

积雪广泛分布于高纬度、高海拔等地区，传统地理学、气象学等研究方法很难定量获取大范围积雪数据，遥感技术及其反演方法发展、应用，为积雪参数获取提供新技术手段［3］。在积雪参数反演研究中，需要较可靠相关数据。地面气象台站由于受各种因素影响，所提供数据资料缺乏代表性。随着遥感技术不断发展，借助一系列遥感数据处理算法，可直接通过遥感影像资料提取相关积雪数据。

经过几十年发展，积雪遥感研究已确立较成熟研究思路，积雪信息提取、雪盖制图、雪深计算、雪水当量估算等积雪参数反演研究已建立相对完整体系。积雪反演涉及遥感仪器主要包括光学传感器和微波传感器（包括被动式、主动式两类）。光学积雪遥感反演基本原理是积雪具有在可见光波段反射率高、在短波红外波段有较高吸收率等特性，易与其他地物相区别［4-6］；微波积雪遥感反演基本原理是基于传感器不同通道接收辐射亮温值判识地表积雪有无及深度［7］。

本文介绍当前主要积雪遥感平台，列举各种基于不同类型数据反演算法及模型，强调综合利用多类型数据反演研究必要性和科学性，并探讨未来研究方向及热点。

1　积雪遥感平台及传感器简介

1.1气象卫星系列

全球气象卫星系统主要包括美国SMS/GOES、日本GMS、欧空局Meteosat、俄罗斯COMS等静止卫星系列以及美国TIROS-N/NOAA系列、美日欧合作研制GPM降雨观测卫星系统。我国风云卫星系列经多年发展已形成比较完整监测系统，如FY-1（已失效）、FY-1-B、FY-2、FY-3等，其中FY-1-B携带AHVRR（甚高分辨率扫描辐射计），可用于云和雪等信息识别。

1.2陆地卫星系列

陆地卫星系列即地球资源卫星，当前，中国、俄罗斯、美国等国家均组建陆地卫星监测系统。其中主要包括美国Landsat系列、IKONOS卫星系列（目前Landsat-7和Landsat-8在运转工作；法国SPOT系列；中国资源、高分卫星系列等）。

1.3主要积雪遥感平台

积雪遥感中常用波段是可见光、近红外和微波波段，按遥感方式分为光学遥感和微波遥感，微波遥感又分为有源（主动式）和无源（被动式）两类。不同波段对积雪参数特性响应情况见表1。

光学传感器利用积雪在可见光波段反射率高、在短波近红外波段吸收率高光谱特性，借助已有积雪指数法识别积雪信息。中分辨率成像光谱仪（MODIS）、甚高分辨率扫描辐射仪（AVHRR）是两个在积雪遥感反演中应用最为广泛光学传感器［8］。

微波传感器借助微波穿透能力，可穿透地表积雪层观测到雪深等积雪信息。常用被动微波传感器有特定微波传感器/成像仪（SSM/I）、改进型微波扫描辐射仪（AMSR_E）、多通道扫描微波辐射计（SMMR）等；常用主动微波传感器主要是合成孔径雷达系统［9］。

表1　不同传感器谱段对积雪特性响应情况Table 1Response to characteristics of snow in the different sensors spectrum

2　光学遥感在积雪反演中应用

2.1积雪区域识别

目前主要采用NDSI（归一化差分积雪指数）识别积雪信息，该方法运算相对简单，能在一定程度上消除云层等因素影响［10］。

式中，CH（n）、CH（m）分别代表雪强反射与强吸收光谱波段。LandsatTM和NOAA/AVHRR常用第2波段和第5波段。

2.1.1基于AVHRR资料积雪区域识别

在AVHRR资料第1、2波段，积雪光谱特征较为明显：第1波段（可见光）内积雪反射率高，第2波段（近红外）内积雪反射率明显下降，是利用AVHRR影像资料积雪遥感监测出发点。AVHRR共有5个光谱波段，其波段特征见表2［11］。

表2　AVHRR波段特征参数Table 2Band characteristic parameters of AVHRR

史培军等以内蒙古锡林郭勒草原为研究区，利用NOAA卫星AVHRR数据并结合地面观测数据提取该区域积雪信息［12］完成积雪制图；周咏梅等［11］通过获取无云条件下AVHRR数据并结合同期青藏高原南部地面气象台站气象资料，首先确定其亮温、反照率阈值，并分析该区域积雪反演精度，探讨基于AVHRR数据完成积雪参数反演可行性及不足；王世杰以新疆地区作为研究区域，将获取NOAA/AVHRR影像数据与同期实地考察（或气象台站）资料相结合，论述积雪信息提取一整套计算方法并做出相应改进［13］。

2.1.2基于MODIS资料积雪区域识别

搭载于Terra和Aqua卫星上MODIS（中等分辨率成像光谱仪）是NASA地球观测系统（EOS）中主要传感器［14］。MODIS共有36个光谱通道，其光谱范围从0.4 μm（可见光）到14.4 μm（热红外）全光谱覆盖［15，16］；空间分辨率如下：8～36通道为1 km、3～7通道为0.5 km、1～2通道为250 m［4］。与AVHRR影像数据相比，MODIS波段数更多、应用更广泛［17］；MODIS数据可在美国国家雪冰中心（NSIDC）下载，具有良好发展前景［18］。

MODIS通常使用通道4（0.545～0.565 μm）和通道6（1.628～1.652 μm），公式为：

式中，Ri为像元在第i波段反射率，当NDSI≥0.4 且R2＞0.11、R4＞0.1时，则认为该像元是积雪像元［19］。

王兴等利用祁连山区MODIS影像数据，将NDSI和MODIS18、31通道数据结合，区分积雪与其他地物，提取相关地区积雪信息，判识积雪区域［20］；徐虹通过分析不同波段内积雪特性表现，利用归一化积雪指数和植被指数值识别像元积雪信息［21］；季泉等利用MODIS数据对吉林省域内积雪影像图进行云雪区分，识别积雪信息，判定积雪区域范围［15］。陈文倩等以新疆北部为研究区，利用归一化差分植被指数（NDVI）和积雪指数（NDSI）数值构建二维特征空间，建立积雪反演模型，提高研究区内积雪信息提取精度［22］。

2.2积雪面积及雪深估算

2.2.1积雪面积计算

在识别积雪信息基础上，积雪面积计算方法和研究思路逐步完善。如将获取遥感影像数据经等面积投影（麦卡托投影）［11，23-24］后首先计算每个积雪像元面积：

式中，A为单个积雪像元面积；R为地球赤道半径；dλ和dφ分别为每个像元经度和纬度；λ为像元经度坐标。将研究区内所有识别为积雪信息像元面积相加即得到总积雪面积。

延昊利用相关方法对积雪和其他地物区分，将数据统一设定为Albers投影后，识别积雪像元，统计积雪像元数，计算总积雪面积［25］。

2.2.2雪深估算

光学传感器在雪深反演中受自然地域等因素限制较大，因此，雪深反演算法对浅雪区域适用性较好，不适于深雪区域雪深反演。

延昊利用AVHRR数据和同期相关地区气象台站雪深数据，通过相关分析，建立拟和方程［25］：

式中，SD为研究区域雪深值；R1和R3a分别为波段1和波段3a反射率。

史培军等在地形参数（F、R）确定后，利用气象台站实测数据（降雪量、积雪深度等）资料，通过相关方法确定气象台站所在点F和R值，分析积雪深度与降雪量及地形参数并建立关系式［12］，公式为：

式中，X1为降雪量；X2为地形参数R；X3为地形参数F。

许剑辉等利用考虑模型次网络变异性MODIS雪盖同化方法，结合北疆阿尔泰地区气象站点雪深观测数据对其验证，提高雪深模拟精度［26］。

3　积雪微波遥感研究进展

3.1积雪被动微波遥感研究

相对于光学遥感传感器而言，利用被动微波传感器探测穿透能力更强；相比主动微波传感器，被动微波传感器具有受粗糙度等因素影响小、监测区域较大优势［27-28］。

表3　SSM/I、SMMR、AMSR-E参数对比Table 3Contrast in the parameters of SSM/I，SMMR，AMSE-E

通过多年研究与不断改进，基于SMMR、SSM/ I和AMSR数据资料，已经建立多种相对成熟雪深反演算法和雪水当量反演模型。

3.1.1雪深反演算法研究进展

3.1.1.1Chang算法

Chang算法是基于Nimbus-7搭载SMMR数据回归而成经验算法，前提条件是雪粒径约0.3 mm，雪密度约为0.3 g·cm-3［31-33］。

回归公式为：

式中，SD为反演雪深值；C为经验常数（区域不同，数值各异）；Tb18H和Tb37H分别代表SMMR 18 和37 GHz水平极化亮温值；算法选择水平极化亮温值，在于其对雪深值反演更敏感［33］。一般情况下，利用AMSR_E数据反演需要借助19、37 GHz波段水平极化亮温值；而通过SMMR、SSM/I数据反演需要利用18、37 GHz波段亮温值。

Cao等利用海拔数据，借助Arcgis系统，划分我国西部地区地貌单元，并修正Chang算法，建立基于SMMR数据雪深反演算法［34］：

本文分别对各类家畜设计问卷，内容包括各环节用工量和使用机械情况等，并于2010年8月在内蒙古、黑龙江、山东、河北、四川和江苏这6个省份，对畜牧养殖农户、养殖场(公司)展开了实地面对面问卷调研，共回收有效样本量485份。以下的研究均基于样本数据。

式中，符号含义同上。

3.1.1.2NASA 96算法

NASA 96算法是通过置换Chang算法回归系数，并考虑森林覆盖影响，修正原有算法而得［33］。回归公式一般为：

式中：SD为反演雪深；a为经验系数；f为森林覆盖度；其他符号含义同上。NASA 96算法在欧亚大陆及北美地区有不同经验系数，前者a值取0.78，后者取1.59［32］。

3.1.1.3AMSR算法

AMSR算法基于Chang算法改进而来，考虑森林覆盖度因子影响，加入判识方法以区别湿雪区域［35］。由于不同研究区内雪粒径不同导致反演精度各异，该算法引入经验函数以解决雪粒径变化产生影响［36］。

针对雪密度不同，也采用类似方法。最终，对模拟结果拟合回归分析，得到以下方程：

式中：ΔTb为AMSR数据19和37 GHz水平极化条件下亮温差值；b和c为两个经验参数，分别是粒径和密度函数［1］。

3.1.2雪水当量反演算法

被动微波传感器接收的地表辐射信息是雪水当量反演研究主要数据源［37］。主要有两种计算雪水当量方法：其一是基于获取影像内像元亮温值，利用统计模式求解；其二是根据亮温值及积雪物理特性参数，利用相应辐射传输模型，求解得到雪水当量数值［38］。

在雪水当量反演研究中，一般利用相应传感器高散射及低散射通道垂直极化或水平极化数据［37］。Foster等发现在有植被覆盖区域内，传感器水平极化数据比垂直极化更敏感，建立反演雪水当量Foster算法［39］；基于NASA Chang算法，其中考虑森林覆盖度等因素影响，一般公式为：

式中，SWE为雪水当量（mm）；将式（6）中Tb18H改为Tb19H，指SSM/I（因SSM/I无18 GHz，用19 GHz代替）和AMSR 19 GHz水平极化亮温值或SMMR数据18 GHz水平极化亮温值；Ft表示森林覆盖度影响系数；ct为考虑雪粒径影响修正系数［1］。

3.2积雪主动微波遥感研究

在积雪参数反演中，主动微波传感器主要是通过发射微波辐射且接收地面反射或散射到传感器辐射信号识别地物信息，分辨率相对被动式较高，在陆地积雪、冰川等领域遥感研究中应用广泛。目前常用该系列传感器主要为高分辨率合成孔径雷达（SAR），根据雪与其他地物物理特性有明显差异识别积雪信息，确定积雪区面积［40］。

近年来，学者多利用SAR数据建立多种积雪信息识别方法。李震等在分析SAR成像机理及雪盖参数散射特性基础上，以美国加利福尼亚州为研究区域，利用获取SAR数据，识别积雪信息，探讨在有云状态下进行雪盖制图可行性［39］。文军等以青藏高原念青唐古拉山脉为研究区域，结合MO⁃DIS和ASAR（Advanced Synthetic Aperture Radar）影像数据分析该地区雪盖范围和雪深变化规律，探讨利用主动微波传感器数据大范围雪深估算可行性及不足［41］。孙少波等［3］总结分析当前基于SAR数据积雪反演算法，简述相关积雪面积制图方法、雪密度及雪深提取方法、雪水当量反演算法［41］。Huang等利用不受云层影响SAR影像数据，结合支持向量机（SVM）分类法完成对青藏高原地区积雪信息识别研究，确定积雪线分布［42］。

利用SAR影像数据反演雪深、雪水当量也是近年来积雪遥感反演研究热点之一，尤其是流域尺度领域。李晖等利用获取SAR数据结合野外实测数据，以SAR干涉测量技术为基础反演积雪深度，探讨雪深反演影响因素［43］。Pettinato等利用X波段SAR数据结合地面实测数据，比较结果发现其对欧洲阿尔卑斯山脉等地积雪参数反演精度较高［44］。汪左等以新疆玛纳斯河流域为研究区，利用RADARSAT-2卫星、地面气象站点等提供数据并结合EQeau模型反演当地典型山区雪水当量，提高反演精度，为相关研究提供新思路［45］。

4　讨论与展望

目前积雪参数（雪盖面积、雪深、雪水当量等）遥感反演研究所需数据、算法、模型日趋成熟，并经过不同地区精度验证，但由于传感器自身及不同地区条件限制，积雪参数反演研究领域尚有一系列问题亟需探讨。

a.光学传感器应用受制于云雾等天气影响，有云覆盖区域内积雪参数反演精度受到较大限制；微波遥感传感器基本不受天气状况影响，可实现全天时全天候积雪观测，通过反演算法测定雪深、雪水当量值，然而，该系列传感器空间分辨率普遍较低，仅适用于大范围积雪参数反演研究，不适应当前小区域、微地形等研究趋势。因此，未来积雪遥感研究中应将光学遥感和微波遥感数据结合，取长补短。

b.积雪遥感研究是多学科（气象学、地理学等）交叉领域，作为一门新兴学科，积雪遥感在气象监测、农业土壤春墒预报、冻土水热运移等领域研究发展迅速。目前积雪遥感研究重点主要在积雪信息提取、雪盖制图、雪深反演、估算雪水当量等领域，已形成一套较为成熟研究思路及模式，该领域主要问题是如何结合不同传感器数据提高研究精度。

c.应充分借鉴相关学科研究方法，提高相关研究项目实用性；吸取已有研究经验教训，以推广应用为出发点；拓展研究领域，定性分析与定量计算相结合，如建立融雪径流模型，为季节性积雪区域耕作提供春墒预报。

［1］李新，车涛.积雪被动微波遥感研究进展［J］.冰川冻土，2007，29（3）：487-496.

［2］Che T，Li X，Jin R，et al.Assimilating passive microwave remote sensing data into a land surface model to improve the estimation of snowdepth［J］.RemoteSensingofEnvironment，2014，143：54-63.

［3］孙少波，车涛.基于合成孔径雷达（SAR）积雪监测研究进展［J］.冰川冻土，2013，35（3）：636-647.

［4］侯慧姝，杨宏业.MODIS积雪产品及研究应用概述［J］.遥感技术与应用，2009，24（2）：252-256.

［5］李金亚，杨秀春，徐斌，等.基于MODIS与AMSR-E数据中国6大牧区草原积雪遥感监测研究［J］.地理科学，2011，31（9）：1097-1104.

［6］阎福礼，徐建国，鲁志弘.BJ-1智能小卫星多曝光量数据特征及其积雪提取方法研究［J］.国土资源遥感，2016，28（1）：28-34. ［7］高峰，李新，Armstrong R L，等.被动微波遥感在青藏高原积雪业务监测中初步应用［J］.遥感技术与应用，2003，18（6）：360-363，456.

［8］Yang J，Jiang L，Shi J，et al.Monitoring snow cover using Chinese meteorological satellite data over China［J］.Remote Sensing of En⁃vironment，2014，143：192-203.

［9］吴杨，张佳华，徐海明，等.卫星反演积雪信息研究进展［J］.气象，2007，33（6）：3-10.

［10］曹云刚，刘闯.从AVHRR到MODIS雪盖制图研究进展［J］.地理与地理信息科学，2005，21（5）：15-19.

［11］周咏梅，贾生海，刘萍.利用NOAA-AVHRR资料估算积雪参量［J］.气象科学，2001，21（1）：117-121.

［12］史培军，陈晋.RS与GIS支持下草地雪灾监测试验研究［J］.地理学报，1996，51（4）：296-305.

［13］王世杰.利用NOAA/AVHRR影像资料估算积雪量方法探讨［J］.冰川冻土，1998，20（1）：69-74.

［14］Marchane A，Jarlan L，Hanich L，et al.Assessment of daily MO⁃DIS snow cover products to monitor snow cover dynamics over the Moroccan Atlas mountain range［J］.Remote Sensing of Environ⁃ment，2015，160：72-86.

［15］季泉，孙龙祥，王勇，等.基于MODIS数据的积雪监测［J］.遥感信息，2006（3）：57-58，68，94.

［16］Hall D K，Riggs G A，Salomonson V V，et al.MODIS snow-cover products［J］.Remote sensing of Environment，2002，83（1）：181-194.

［17］王建，陈子丹，李文君，等.中分辨率成像光谱仪图像积雪反射特性初步分析研究［J］.冰川冻土，2000，22（2）：165-170.

［18］李弘毅，王建.SRM融雪径流模型在黑河流域上游模拟研究［J］.冰川冻土，2008，30（5）：769-775.

［19］Sharma V，Mishra V D，Joshi P K.Topographic controls on spatiotemporal snow cover distribution in Northwest Himalaya［J］.Inter⁃national Journal of Remote Sensing，2014，35（9）：3036-3056.

［20］王兴，张强，郭铌，等.利用MODIS数据判识祁连山区积雪方法研究［J］.干旱气象，2007，25（2）：29-34.

［21］徐虹.MODIS数据在云南省积雪监测中应用［J］.云南地理环境研究，2007，19（1）：60-62，84.

［22］陈文倩，丁建丽，孙永猛，等.基于NDSI-NDVI特征空间积雪面积反演研究［J］.冰川冻土，2015，37（4）：1059-1066.

［23］于惠，张学通，冯琦胜，等.牧区积雪光学与微波遥感研究进展［J］.草业科学，2010，27（8）：59-68.

［24］徐维新，朱玉蓉，张娟.EOS/MODIS卫星资料在青海省积雪遥感监测业务中应用［J］.青海气象，2005（4）：19-21，47.

［25］延昊.NOAA16卫星积雪识别和参数提取［J］.冰川冻土，2004，26（3）：369-373.

［26］许剑辉，舒红.基于DEnKF方法考虑次网格变异性MODIS雪盖同化［J］.武汉大学学报：信息科学版，2016，41（2）：156-162.

［27］黄新宇，冯筠.冰雪微波遥感研究进展［J］.遥感技术与应用，2004，19（6）：533-536.

［28］赵亮，朱玉祥，程亮，等.遥感-测站相结合动态雪深反演方法初探［J］.应用气象学报，2010，21（6）：685-697.

［29］Matzler C.Applications of the interaction of microwaves with the natural snow cover［J］.Remote Sensing Reviews，1987，2（2）：259-387.

［30］Foster J L，Chang A T C，Hall D K，et al.Derivation of snow water equivalent in boreal forests using microwave radiometry［J］.Arc⁃tic，1991，44（1）：147-152.

［31］Chang A T C.Nimbus-7 SMMR snow cover data［C］.Available from the National Technical Information Service，1986：181-187.

［32］Chang A T C，Foster J L，Hall D K.Nimbus-7 SMMR derived global snow cover parameters［J］.Annals of glaciology，1987，9（9）：39-44.

［33］武黎黎，李晓峰，赵凯，等.东北典型林区雪深反演算法验证与分析［J］.地球信息科学学报，2014，16（2）：320-327.

［34］Cao Mei sheng，Li Pei ji，Robinson D A，et al.Evaluation and pri⁃mary application of microwave remotesensing SMMR derived snow cover in Western China［J］.Remote Sensing of Environment，1993，8（3）：260-269.

［35］Basist A，Grody N C，Peterson T C，et al.Using the Special Sen⁃sor Microwave Imager to monitor land surface temperatures，wet⁃ness and snow cover［J］.Journal of Applied Meteo-rology，1998，37（9）：888-911.

［36］Kelly R E，Chang A T，Tsang L，et al.A prototype AMSR-E glob⁃al snow area and snow depth algorithm［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41（2）：230-242.

［37］车涛，李新.被动微波遥感估算雪水当量研究进展与展望［J］.地球科学进展，2004，19（2）：204-210.

［38］Balk B，Elder K.Combining binary decision tree and geostatisti⁃cal methods to estimate snow distribution in a mountain watershed ［J］.Water Resources Research，2000，36（1）：13-26.

［39］Foster J L，Chang A T C，Hall D K.Comparison of snow mass esti⁃mates from a prototype passive microwave snow algorithm，a re⁃vised algorithm and a snow depth climatology［J］.Remote Sensing of Environment，1997，62（2）：132-142.

［40］李震，曾群柱.合成孔径雷达影象提取雪盖信息研究［J］.环境遥感，1996，11（3）：200-205.

［41］文军，Dai Mo，Deroin Jean-Paul，等.利用MODIS和ASAR资料估算青藏高原念青唐古拉山脉地区冰雪范围及厚度［J］.冰川冻土，2006，28（1）：54-61.

［42］Huang L，Li Z，Tian B S，et al.Classification and snow line detec⁃tion for glacial areas using the polarimetric SAR image［J］.Remote Sensing of Environment，2011，115（7）：1721-1732.

［43］李晖，肖鹏峰，冯学智，等.基于重轨InSAR积雪深度反演方法［J］.冰川冻土，2014，36（3）：517-526.

［44］Pettinato S，Santi E，Brogioni M，et al.The potential of COSMOSkyMed SAR images in monitoring snow cover characteristics［J］. IEEE Geoscience and Remote Sensing Letters，2013，10（1）：9-13.

［45］汪左，冯学智，肖鹏峰，等.基于合成孔径雷达图像山区雪水当量反演［J］.南京大学学报：自然科学，2015，51（5）：996-1004.

Progress advances in remote sensing inversion of snow parameters

WANG Zilong，HU Shitao，FU Qiang，JIANG Qiuxiang
（School of Water Conservancy and Civil Engineering，NortheastAgricultural University，Harbin 150030，China）

Snow is an extremely important natural element of land surface，and the study on snow parameters inversion is of great significance to research and application of related areas.On the basis of the current research results，the advantages and disadvantages of snow remote sensing data were compared and analyzed，and the rationality and inadequacy of snow inversion by using remote sensing data were discussed in this paper.Firstly，the current remote sensing platform series for snow remote sensing inversion were briefly introduced.Secondly，the advantages and disadvantages of optical sensors and microwave remote sensing instruments were discussed，and the importance of combination of the two kinds of image data to snow inversion study were emphasized.Meanwhile，the application progress of optical sensors such as moderate resolution imaging spectroradiometer and advanced very high resolution radiometer tocalculate snow area，map snow cover etc was mainly introduced，and the present development situation of snow depth calculation，snow water equivalent estimation etc by utilizing passive microwave sensors such as advanced microwave scanning radiometer，specific microwave sensor/imager and multichannel microwave scanning radiometer was reviewed.In addition，the important position of active microwave remote sensing sensor in the study of snow remote sensing in the future was also mentioned.Finally，the problems needed to pay attention to and deficiencies in current study of snow remote sensing were summarized and discussed.

snow；remote sensing inversion；optical remote sensing；passive microwave remote sensing；active microwave remote sensing

TP7

A

1005-9369（2016）09-0100-07

2016-04-06

国家自然科学基金（51579045，51209039，51279031）；黑龙江省自然科学基金（D201403）；黑龙江省普通本科高等学校青年创新人才培养计划（UNPYSCT-2015006）；东北农业大学“青年才俊”项目（14QC45）

王子龙（1982-），男，副教授，博士，研究方向为寒区水土资源高效利用。E-mail：wzl1216@163.com

付强，教授，博士生导师，研究方向为农业水土资源优化利用与管理。E-mail：fuqiang 0629@126.com