积雪观测系统定量揭示风吹雪事件在高原冬季高度频发 近期亮点

近日，中国科学院西北生态环境资源研究院冰冻圈科学与冻土工程全国重点实验室李弘毅研究员、车涛研究员、张阳工程师在 Water Resources Research 发表研究，通过长期连续观测与不确定性分析，揭示了风在高海拔地区冬季积雪变化中的主导作用。该项研究在观测层面量化了风吹雪对地面积雪质量平衡的贡献，系统评估了不同置信度水平下风吹雪事件的发生频率，定量证明了风吹雪是高原冬季的常态过程。

研究团队在青藏高原东北部祁连山区海拔 4147 米的垭口地区，构建了一套集成降雪（WMO标准双层防风栅栏）、雪水当量（GMON测量）、风吹雪输送（Flowcapt声学测量）和升华观测（涡动系统）的综合积雪观测系统。在此基础上，研究人员使用基于高斯核的概率分类方法，将不同仪器的观测误差显式纳入分析，进而将每一次积雪变化事件进行分类，并同时赋予不同置信度等级，对应 IPCC 推荐使用的“非常可能（Very Likely）”“可能（Likely）”“大致相当可能（About as likely as not）”等标准。

研究结果显示，即便在最高置信度（Very Likely，概率 ≥0.90）的严格条件下，仍可识别出大量由风驱动的积雪再分配事件。在这一等级中，风吹雪沉积与侵蚀事件占据主导地位，几乎不出现由纯降雪单独形成的积雪变化。当分析进一步扩展至 “可能（Likely）”和“大致相当可能（About as likely as not）” 等置信度等级时，风致沉积、侵蚀及混合事件始终占据主要份额，而纯降雪事件比例始终极低。这种在不同置信度层级下均保持一致的结果表明，风吹雪是高原冬季反复发生、持续存在的积雪主导过程。

综合全部置信度等级后的结果显示，在地表积雪质量变化中，风驱动的积雪沉积、侵蚀合计贡献了约 68.5%，降雪合并风吹雪的混合事件占比为28.4%，而单纯由降雪造成的积雪增加仅占 3.1%。此外，研究还提供了风吹雪放大升华的观测证据：当风速超过约8米每秒时，悬浮雪粒会显著增强升华过程。这一发现为改进高寒地区水资源评估提供了高确信度线索，因为风吹雪升华往往在传统水文模型中缺失或被低估。

该项研究为认识高寒地区水资源形成机制中风吹雪的作用提供了观测证据和新的视角，拓展了对高原地区积雪演化过程的科学认识。

研究全文请见： Li, H.*, Che, T., & Zhang, Y. (2025). Wind Shaped Winter Snow Mass Balance at High Altitude: Insights From an Integrated Snow Observation System. Water Resources Research, 61(12), e2025WR039885. https://doi.org/10.1029/2025WR039885

通过小波异常识别提升极端水文条件下机器学习径流模拟能力 近期亮点

在极端气候水文事件频发的背景下，如何提高数据驱动水文模型在异常条件下的模拟能力，是当前水文研究中的一个重要问题。传统机器学习方法虽然能在稳定时期取得较好效果，但在出现突发干旱、暴雨或径流突变等异常事件时，模型往往失效。这种问题的根源之一在于训练数据中异常样本比例过低，导致模型缺乏针对性的学习能力。

研究团队在近期发表于 Journal of Hydrology的研究中，提出了一种基于小波分析的异常模式识别方法，用于优化机器学习径流模拟的数据集构建过程。这项研究以黑河流域为案例，结合连续小波变换（CWT）和互小波变换（XWT），分析了气象要素与径流之间的多尺度时频关系，识别出不同时间段中存在的异常特征，并据此重新组织模型的训练样本，使数据驱动的水文模型具备适用于多种极端水文情况的潜力。

以往改进主要集中在模型结构本身，而这项研究从训练数据的质量出发，通过波动特征识别区分正常与异常时期，使模型学习到不同类型气候背景下的径流响应特征。结果表明，增加异常样本比例可以显著提升模型在极端事件期间的预测精度。

这项工作为基于机器学习的水文模拟提供了一种新的思路：不再单纯依赖模型复杂化或数据量扩充，而是通过数据特征识别与分层训练来提高模型的泛化能力。这为极端水文气象条件下构建更加稳健的流域模拟机器学习方案提供了数据层面的改进途径。

论文信息

Liu, Yiwei, Li, Hongyi^*, Yang, Yaru, Pang, Xin, & Niu, Liting (2025). Enhancing machine learning runoff simulation via wavelet-based abnormality pattern recognition. Journal of Hydrology, 661, 133729. https://doi.org/10.1016/j.jhydrol.2025.133729

基于ICESat-2的青藏高原地表高程变化数据集发表于Scientific Data 近期亮点

理解青藏高原的地表高程变化，对于认识其地形、景观、气候、环境条件以及水资源演变都至关重要。然而，现有的高程变化产品要么仅覆盖某些特定下垫面或局部区域，要么空间分辨率偏低。为此，研究团队利用 ICESat-2 卫星数据提取交叉点并构建了2018年至2022年青藏高原高程变化数据集。

该数据集的交叉点密度为 2.015 组/km²，每组交叉点可表示直径约 17 米范围内、两个观测时段之间的高程变化量。通过将 ICESat-2 交叉点数据与冰川及湖泊等既有研究结果进行对比，我们验证了所推算高程变化的可靠性，包括湖泊水尺、连续运行参考站（CORS）、无人机 LiDAR 及既有 ICESat‑2 误差评估成果。结果表明，单点高程均方根误差（RMSE）约 0.071 米，对应每组交叉点的高程差 RMSE 为 0.13 米，在高原复杂地形下依然保持亚分米级精度。

数据验证

论文进一步将交叉点数据与现有冰川和湖泊变化产品进行交叉验证：在喜马拉雅 2000‑2017 年冰川厚度变化数据集覆盖区，两套结果的年均变化率差异仅 0.008 ± 0.002 米/年；在祁连山六条典型冰川上，交叉点推算的年变化速率也落在既有研究的误差范围内。在湖泊方面，针对苏干湖、色林错、纳木错等 6 个湖泊的 11 组不同时间间隔，交叉点方法与多卫星湖面水位数据的相关系数达到 0.85，RMSE 为 0.17 米，并未因湖冰覆盖而显著降低精度。

应用前景

研究团队认为，细尺度且覆盖全域的高程差数据将为高原冻土监测、冰川-水文耦合模拟、湖泊水量变化评估乃至机器学习地表演变模型提供关键校准点。例如，通过沿青藏铁路提取多时相交叉点，可追踪活动层沉降并及早识别潜在路基风险；在高山流域，交叉点序列能补足小冰川内部变化信息，提高融水径流预报的可靠性。

ICESat-2 交叉点数据为高空间分辨率地表高程变化研究提供了更精细的数据源。数据集（CSV 与 SHP 格式）及全部处理脚本已在国家青藏高原科学数据中心和 GitHub 开源，并计划随卫星新周期持续更新。

论文信息

Chen, T., Wang, J., Che, T., Hao, X., & Li, H^*. (2024). High spatial resolution elevation change dataset derived from ICESat-2 crossover points on the Tibetan Plateau. Scientific Data, 11(1), 394. https://doi.org/10.1038/s41597-024-03214-2