1979—2020年天山地區積雪量估算及其特征分析

朱淑珍，黃法融，馮挺，趙鑫，李蘭海，4，5

（1.中國科學院新疆生態與地理研究所荒漠與綠洲生態國家重點實驗室，新疆 烏魯木齊 830011；2.中國科學院伊犁河流域生態系統研究站，新疆 新源 835800；3.中國科學院大學，北京 100049；4.新疆干旱區水循環與水利用重點實驗室，新疆 烏魯木齊 830011；5.中國科學院中亞生態與環境研究中心，新疆 烏魯木齊 830011；6.南寧師范大學地理與海洋研究院，廣西 南寧 530001）

0 引言

積雪是地表覆蓋的重要組成部分，是重要的水資源來源，可調節河川徑流量，為生態系統可持續發展提供保障，且有益于旅游等發展，為當地帶來經濟效益［1］。氣候變暖背景下，全球積雪覆蓋面積呈減少趨勢，將影響全球生態環境，并導致經濟損失［2］。天山作為中亞水塔，主導了新疆乃至中亞地區的水循環。新疆有近70%的河流發源于天山，天山地區季節性積雪融水是當地河川徑流量的重要補給來源，天山地區積雪時空變化將直接影響新疆農牧業生產及生態環境安全［3］。過去半個多世紀，新疆天山山區的氣溫升高速率高于全球增溫速率［4］，因此，在全球氣候變化背景下，研究天山地區積雪量變化，對新疆生態保護、水資源安全具有重要意義［5-6］。

近年來，諸多學者利用遙感、實測、氣候模式輸出等資料，分析了天山地區積雪深度、積雪密度、積雪覆蓋面積、積雪初日、積雪日數、積雪量等積雪特征的變化，以及積雪特性與氣象、地形等環境因子的關系［7-20］。例如，Feng等［7］利用積雪地面調查資料分析了天山地區不同時期的積雪密度空間分布特征，結果表明積雪密度隨海拔上升整體呈增加趨勢；基于遙感積雪面積的研究表明［8-13］，近年來天山全區積雪覆蓋率略微減少，天山東部、中部積雪覆蓋率顯著減少，氣溫是造成天山積雪面積變化的主要因素［12-13］。而基于氣候模式的天山山區積雪量研究表明［14-15］，3月積雪量的變化受冷季（11月—次年3月）降水總量變化的控制。

被動微波遙感能夠穿透云層和地表，獲取積雪深度等積雪參數信息，已有學者利用被動微波遙感對中國主要積雪區（新疆、青藏高原、東北、華北和內蒙古）的積雪深度進行了反演［21-26］。例如，Che等［21］修正了星載微波輻射計SMMR（Scanning Multichannel Microwave Radiometer）、SSM/I（Special Sensor Microwave Imager）在中國區域的系數，獲取了中國長時間序列雪深數據集；蔣玲梅等［22］和李長春等［23］利用微波成像儀FY-3B/MWRI（Fengyun 3B Microwave Radiation Imager）資料和土地覆蓋數據，反演了中國主要積雪區和新疆不同下墊面的積雪深度；劉洋等［24］利用Sentinel-1數據對新疆巴音布魯克地區的積雪深度進行了反演。但鮮有學者基于微波遙感反演積雪密度，進而估算區域積雪量的時空分布特征并分析其影響因子。

本研究選擇中國天山地區作為研究區，利用微波遙感FY-3B/MWRI資料反演積雪密度，并結合中國長時間序列微波遙感雪深數據，對天山地區的積雪量進行估算，同時對該地區積雪量時空變化的影響因子展開分析，以期為該地區的發展提供數據資料和科技支撐。

1 研究區概況

天山地區是我國三大穩定積雪區之一，也是新疆三大山系中積雪最為豐富的地區。中國境內的天山山脈橫亙于新疆維吾爾自治區中部（73°～95° E，38°～45°N），西至喀什，鄰近塔吉克斯坦地區，東至哈密市及以南的吐魯番盆地，東西長約1 700 km［27］，南北寬100～400 km，山區平均海拔4 000 m。本文根據新疆行政區劃以及天山南北坡特性，參考Zhang等［28］和Huang等［29］等對天山地區的研究確定本文研究區域，主要包括中國境內天山山區、天山南北坡和吐魯番盆地（圖1），研究區總面積約59×104km2。受西風環流影響，研究區中西部降雪豐富，東部降雪較少。

2 數據與方法

2.1 數據來源與處理

2.1.1 雪深數據

本研究利用的中國長時間序列雪深數據集來源于國家青藏高原科學數據中心（http：//data.tpdc.ac.cn/zh-hans/data/df40346a-0202-4ed2-bb07-b65dfcda9368/），該數據集提供1979年1月1日到2020年12月31日中國范圍內的逐日積雪深度，空間分辨率為25 km，采用EASE-GRID（Equal-Area Scalable Earth Grid）投影，本文稱之為遙感雪深數據，其原始數據是美國國家冰雪數據中心處理的逐日被動微波遙感SMMR、SSM/I和SSMI/S（Special Sensor Microwave Imager/Sounder）數據。利用ArcGIS、Python對遙感雪深數據進行格式轉換、裁剪等預處理。根據中國氣象局發布的《地面氣象觀測規范》，將平均雪深不足0.5 cm記為0 cm，當積雪深度大于等于0.5 cm時，數值四舍五入，記為1 cm［30］，像元積雪深度達到或超過1 cm，記為有積雪分布。

參考Feng等［7］、李曉峰等［31］和王慧等［32］對積雪期的劃分，將11月至次年3月定義為積雪期，其中11—12月為積雪積累期，1—2月為積雪穩定期，3月為積雪消融期。在2017—2018年、2018—2019年兩個積雪期內，研究團隊對積累期、穩定期、消融期共展開了6次積雪特性地面調查。利用6次實測數據［圖2（a）］對研究區內遙感雪深數據精度進行了評估。結果表明［圖2（b）］，積雪期實測雪深與遙感雪深的相關系數為0.71［圖2（b）］，積累期、穩定期、消融期的分別為0.32、0.76、0.75［圖2（c）～2（e）］，均通過了5%水平顯著性檢驗，表明遙感雪深數據集在一定程度上能反映研究區雪深的時空變化。

圖2 研究區實測雪深（a）及其與不同時期遙感雪深數據之間的關系（b）～（e）Fig.2 The measured snow depth in the study area（a）and its relationship with remote sensing snow depth in different periods（b）～（e）

2.1.2 實測積雪密度數據

實測積雪密度來源于2017—2018年、2018—2019年積雪期內的6次積雪特性地面調查，用以構建積雪密度遙感反演算法。其中2017—2018年積雪期調查數據用以率定積雪密度遙感反演算法，2018—2019年調查數據用以驗證該算法。對實測積雪密度數據進行嚴格篩查后，進行林地、草地及裸土（農田和裸地）下墊面類型分類，如表1所示。

表1 積雪特性采樣點信息Table 1 Time，location and number of snow property samples

2.1.3 FY-3B/MWRI亮溫數據

本文利用被動微波數據反演天山地區積雪密度，被動微波數據選用我國FY-3B衛星搭載的MWRI探測器的一級亮溫數據（http：//satellite.nsmc.org.cn/portalsite/default.Aspx）。MWRI傳感器是一款具有10通道、5頻率（10.65 GHz、18.75 GHz、23.80 GHz、36.50 GHz、89.00 GHz）（以 下 簡 寫 為10 GHz、18 GHz、23 GHz、36 GHz、89 GHz）的雙極化（V/H）圓錐掃描星載微波輻射計。相較于FY-3A/MWRI，FY-3B/MWRI解決了動態平衡問題，自發射以來運行穩定，連續觀測情況較好；與FY-3C、3D/MWRI相比，FY-3B/MWRI運行中的靈敏度穩定，運行時間較長，在積雪研究中應用較為廣泛［22-23，25-26，33-35］。對FY-3B/MWRI遙感數據進行坐標轉換、重采樣、亮溫提取等處理，將坐標轉換至EASE-GRID投影。考慮到本文所用的MWRI遙感數據的空間分辨率為9～85 km，利用雙線性方法將FY-3B/MWRI數據重采樣至10 km。

為構建積雪密度反演公式，提取了6次積雪調查對應時段的微波亮溫數據。根據天山積雪站積雪密度多年觀測資料，積雪密度年際變化屬于弱變異性（CV為6%）。因此本文利用2017—2018年積雪期密度計算積雪量，采用該積雪期各月當中MWRI傳感器覆蓋天山地區較為完整且數據質量較高日期的微波亮溫，基于構建的積雪密度反演公式，反演各月積雪密度。

表2 FY-3B/MWRI頻率信息Table 2 Main characteristic of FY-3B/MWRI band

2.1.4 土地覆蓋數據

本文基于下墊面類型進行區域積雪密度遙感反演，參考Chang等研究［36］，將MCD12Q1土地覆蓋類型分為4類：草地、裸土（包含農田和裸地）、森林和灌木，并考慮到天山地區森林和灌木分布范圍較小，本文將森林和灌木合并為林地，將天山地區的下墊面分為林地、草地、裸土三類，即將NASA（https：//search.earthdata.nasa.gov/search）提供的2019年MODIS土地覆蓋產品MCD12Q1重分類為林地、草地、裸土，具體做法為：將國際地圈生物圈（IGBP）土地分類體系中的常綠針葉林、常綠闊葉林、落葉針葉林、落葉闊葉林、混交林、郁閉灌叢、開放灌叢作為林地，多樹草原、稀樹草原、草地作為草地，作物、作物與自然植被的鑲嵌體、裸地或低植被覆蓋地等作為裸土。重分類后的天山地區土地覆蓋類型如圖3所示，林地、草地、裸土分別占比0.24%、24.59%、75.17%。

圖3 2019年天山地區土地分類Fig.3 Land cover of the study area in 2019

2.1.5 輔助數據

輔助數據包括數字高程模型（Digital Elevation Model，DEM）、坡度、坡向以及氣象資料，用以分析積雪量時空變化影響因子。DEM數據來源于地理空間數據云（http：//www.gscloud.cn/），空間分辨率為30 m，投影為GCS_WGS_1984。對DEM數據進行拼接、裁剪、雙線性采樣等處理，得到研究區的高程分布（圖1），并提取坡度、坡向。氣象數據來源于國家氣象科學數據中心（http：//data.cma.cn/）的中國地面氣候資料日值數據集，包括12個氣象站點（圖1）的降水、氣溫資料。

2.2 研究方法

2.2.1 積雪密度反演

目前被動微波反演雪密度缺乏足夠的理論支持，考慮到雪深和雪粒徑是影響積雪散射的重要因子，雪密度與雪深和雪粒徑關系密切，參考已有學者對積雪深度的遙感反演，本研究選取雪深遙感反演常用的10 GHz、18 GHz、36 GHz、89 GHz［22-23，25-26］波段，構建各波段亮溫差與雪密度的經驗關系，進行雪密度遙感反演。事實上，本研究中實測雪深小于10 cm的淺雪采樣點約占30%，而18 GHz、36 GHz、89 GHz有益于識別淺雪信息［22］，且高頻波段36 GHz、89 GHz對積雪顆粒的散射敏感［37-38］。根據2017—2018積雪期觀測積雪密度，篩選研究區相應日 期的MWRI微 波10 GHz、18 GHz、36 GHz、89 GHz的V、H極化頻率組合反演積雪密度。基于三種下墊面類型，對選取的8個波段（10V、10H、18V、18H、36V、36H、89V、89H）進行組合，利用逐步線性回歸方法，剔除相關性較低的組合，最終獲得最佳波段組合［22-23］，如式（1）～（3）所示。

式中：ρforest、ρgrass、ρbaresoil分別為遙感反演的林地、草地、裸土積雪密度，單位為kg m-3；d表示不同通道亮溫差值；10、18、36、89表示FY-3B/MWRI的亮溫通道；V表示垂直極化，H表示水平通道。

各下墊面類型積雪密度與最優頻段亮溫差的關系如圖4～6所示。可以看出，林地、裸土實測積雪密度與各頻段亮溫差呈負相關關系，而草地實測積雪密度與各頻段亮溫差的相關系數正負不一，但草地實測積雪密度與高頻波段（36 GHz、89 GHz）亮溫差的相關系數［圖5（d）～5（g）］較大。

圖4 林地積雪密度與波段亮溫差值相關性Fig.4 Correlation between snow density and band brightness difference for forest

圖5 草地積雪密度與波段亮溫差值相關性Fig.5 Correlation between snow density and band brightness difference for glassland

圖7為式（1）～（3）反演的林地、草地、裸土積雪密度率定和驗證效果。結果表明，構建的積雪密度反演公式能夠較好地反映不同下墊面的積雪密度（驗證期相關系數通過了5%水平顯著性檢驗），且草地積雪密度的遙感反演結果好于林地和裸土。這主要是由于林地植被削弱了高低頻亮溫差，且林地多在山區，森林的郁閉度與地形影響將導致積雪密度反演誤差增大；裸土在整個研究區面積占比為75.17%，下墊面情況較為復雜，但樣本數又較少，在一定程度上影響反演效果；而草地的樣本較多，下墊面較為均一，使反演效果較好［22］。

圖6 裸土積雪密度與波段亮溫差值相關性Fig.6 Correlation between snow density and band brightness difference for bare soil

圖7 不同下墊面積雪密度率定及驗證結果Fig.7 Calibration and validation results of snow density for different land cover types

2.2.2 積雪量

本文利用如下公式計算各個柵格的月積雪量M：

式中：A為柵格面積，單位柵格面積25 km2；SD為某月的平均雪深，單位為cm；ρ為積雪密度，單位為kg·m-3。當雪深為0時，該柵格的積雪量為0。計算積雪量時，為了匹配積雪密度空間分辨率，采用雙線性方法將雪深數據重采樣至10 km，即本文中A為100 km2。

此外，本研究利用線性回歸獲取積雪量隨時間的變化趨勢，并通過F檢驗獲取變化趨勢的顯著性水平。

2.2.3 相關性分析

相關性分析是指對兩個或多個變量進行關聯的一種衡量方式，進一步探求兩個或者多個要素之間的密切程度［39］。兩個變量x和y的Pearson相關系數r計算公式如下：

式中：n為樣本總數；xi和yi分別為x和y的樣本值;和分別為變量的平均值；r的絕對值越大，說明y和x的線性相關程度越高。本研究采用Pearson相關系數來探究積雪量與地形和氣象因子之間的關系。

3 結果與分析

3.1 雪深空間分布

1979—2020年，天山地區不同時期多年平均雪深空間分布如圖8所示。從圖8（a）可以看出，天山地區積雪期積雪主要分布在山區。對比圖8（b）～8（d）可以看出，積累期雪深比穩定期和消融期的小。積累期，區域多年平均雪深約2 cm，海拔較高的地區，則超過8 cm，而海拔較低的吐魯番盆地等地區，多年平均雪深約1 cm。穩定期，區域多年平均雪深約5 cm，海拔較高地區，則超過20 cm，而吐魯番盆地等海拔較低地區的雪深為1 cm左右。消融期，天山地區多年平均雪深空間格局與穩定期的一致，但數值略小。

圖8 1979—2020不同時期多年平均雪深空間分布Fig.8 Spatial distribution of snow depth in different periods during 1979—2020

3.2 積雪密度空間分布

通過微波遙感反演，得到天山地區不同時期積雪密度空間分布（圖9）。結果表明，積雪密度空間分布與雪深的空間分布格局較為一致，即高海拔處雪深和積雪密度較大；低海拔處，雪深和積雪密度較小。不同時期，積雪密度空間分布略有差異，積累期積雪密度較大（＞300 kg·m-3）的地區分布范圍較小，而穩定期和消融期的分布范圍較大。

圖9 不同時期積雪密度空間分布Fig.9 Spatial distribution of snow density in different snow periods

3.3 積雪量多年變化趨勢

天山地區不同時期區域平均積雪量線性變化趨勢如圖10所示，結果表明，1979—2020年，積雪期區域平均積雪量呈減少趨勢［圖10（a）］，但變化趨勢不顯著；積累期、消融期積雪量也呈減少趨勢［圖10（b）和10（d）］，特別是消融期，積雪量下降趨勢通過了0.05水平顯著性檢驗；穩定期，積雪量呈微弱的上升趨勢。此外，三個時期積雪量大小排序依次為穩定期＞消融期＞積累期。對整個積雪期而言，在研究時段內，最大積雪量出現在1979年，最小積雪量出現在1998年。

圖10 1979—2020不同時期積雪量變化趨勢Fig.10 Variation trend of average snow mass during 1979—2020

3.4 積雪量空間分布

積累期、穩定期、消融期多年平均積雪量空間分布如圖11所示。天山地區積雪期積雪量總體呈現出西北部多、東南部少的特點，這與雪深和積雪密度的空間分布一致。天山地區積累期積雪量較少，且主要集中在海拔較高的山區，而東南部吐魯番盆地等海拔較低的地區，積雪量較少。穩定期和消融期積雪量空間分布與積累期的基本一致，但在天山北坡西端和東部的局部地區，積雪量較大。

圖11 1979—2020多年平均積雪量空間分布Fig.11 Spatial distribution of average snow mass during 1979—2020

3.5 地形因子對積雪量空間分布的影響

為研究天山地區地形因素對積雪量的影響，分析了積雪量與海拔、坡度的相關性。如圖12（a）所示，天山地區整個積雪期積雪量空間分布與海拔密切相關（相關性系數通過了0.01水平顯著性檢驗），說明海拔越高，積雪量越豐富。積累期、穩定期、消融期積雪量與海拔的相關系數都通過了0.01水平顯著性檢驗［圖12（b）、12（c）、12（d）］，且數值差別較小，說明海拔在不同時期對積雪量空間分布的影響基本相同。坡度15°以下時［圖12（e）］，天山地區積雪期積雪量與坡度的相關性通過了0.01水平顯著性檢驗，說明坡度較小時對積雪量空間分布的影響較大，且坡度越大，積雪量越大，這與譚秋陽等［40］關于雅魯藏布江流域的研究一致；積累期、穩定期、消融期積雪量與坡度的相關系數也都通過了0.01水平顯著性檢驗［圖12（f）、12（g）、12（h）］。與海拔影響相似，坡度在不同時期對積雪量分布的影響相同。此外，坡度15°以上時［圖12（i）～12（l）］，坡度與積雪量的相關性較弱（未通過0.05水平顯著性檢驗）。

圖12 區域積雪量與海拔、坡度相關性Fig.12 Correlation analysis of snow mass amount with altitude and slope

此外，為分析不同坡向積雪量的分布，將坡向劃分為北坡（337.5°～22.5°）、東北坡（22.5°～67.5°）、東坡（67.5°～112.5°）、東南坡（112.5°～157.5°）、南坡（157.5°～202.5°）、西南坡（202.5°～247.5°）、西坡（247.5°～292.5°）、西北坡（292.5°～337.5°）。不同坡向平均積雪量如圖13所示，整個積雪期和不同時期，西坡積雪量比其他坡向的大；在積累期和消融期，北坡的積雪量比南坡的大。

圖13 積雪量與坡向關系圖Fig.13 Relationship between snow mass and aspect

3.6 氣溫與降水對積雪量變化的影響

為分析天山地區氣溫、降水對積雪量多年變化的影響，對積雪量與氣溫及降水進行了相關性分析（圖14）。1979—2020年，積雪期區域平均氣溫與區域平均積雪量的相關系數為-0.61［圖14（a）］，通過了0.05水平顯著性檢驗，說明氣溫越低，積雪量越大，而較高溫度，將引起積雪消融，使積雪量減少。積累期、穩定期、消融期區域平均氣溫與積雪量的相關系數分別為-0.57、-0.32、-0.66［圖14（b）～14（d）］，說明溫度對穩定期積雪量的影響較小，而對積累期和消融期積雪量的影響較大。這是因為穩定期氣溫較低，積累期、消融期氣溫較高，特別是消融期，氣溫在冰點附近波動［圖14（d）］，氣溫變化對積雪量的影響較大。

圖14 積雪量與氣溫相關性分析Fig.14 Correlation between snow mass and air temperature

對積雪期及積雪期內積累期、穩定期、消融期降水與同時期積雪量的相關性進行了分析，相關系數分別為0.05、0.07、0.16、0.01（表3），均未通過5%水平顯著性檢驗，表明同期降水與同期積雪量相關性微弱，但穩定期降水對當期積雪量的影響強于積累期和消融期降水對相應時期積雪量的影響，這主要是因為積累期和消融期氣溫較高，氣溫升高往往導致海拔較低地區的固態降水變為液態降水，不僅不利于積雪的累積，還將加速積雪的消融，導致積累期和消融期積雪量主要受氣溫影響，與同期降水量的相關性較弱。由于積雪量是一個不斷累積的過程，受前期降水影響，因此對穩定期、消融期積雪量與前期降水量的相關性進行了分析。結果表明，穩定期積雪量與積累期降水相關系數達0.43（通過了0.05水平顯著性檢驗），表明積累期降水對穩定期積雪量具有顯著影響。

表3 積雪量與降水相關性Table 3 Correlation analysis of snow mass with precipitation

4 討論

本文關于天山地區積雪量時空分布的研究結果表明，在氣候變暖背景下，天山地區1979—2020年積雪量呈減少趨勢。在積雪量影響因素方面，與大量天山地區積雪時空變化影響因素的學者的研究結論較為一致，均認為海拔、坡度、氣溫、降水等是影響積雪分布的主要因素［7，10-13，41-43］。就上述因素的影響而言，積雪豐富的區域主要集中在海拔較高的地區，海拔越高，積雪越豐富；坡度在15°以下，雪深隨坡度增加而增加；氣溫越低，積雪量越豐富；降水越多，積雪量越大。但值得一提的是，譚秋陽等［40］認為坡度在10°以下時雪深隨坡度的增加而減少，這與本文研究結果坡度在15°以下積雪量隨坡度增加而增加有一些出入，但總體而言，在一定坡度條件下，坡度越大積雪越容易呈堆積狀態。在溫度和降水對積雪量影響方面，Barnett等［44］認為氣溫變化對積雪的影響遠比降水變化大的多。在積累期和消融期，積雪受不穩定氣溫的影響，容易形成液態降水，不利于積雪累積并將加速積雪的融化［9，45］。本研究中降水在積累期、消融期對積雪量的影響較小，可能是溫度和降水兩者綜合作用的結果，溫度不僅影響了降水的形式，還增加了積雪的融化速率。由于降水對積雪量影響機理較為復雜，既要考慮降水與氣溫之間的抵消效應，也要考慮固/液態降水的分離以及液態降水對積雪量的融化作用，因此需要進一步研究降水形式與積雪量之間的關系。

在積雪期，隨著積雪深度、積雪粒徑、積雪含水率以及積雪反照率等條件的變化，積雪對被動微波各波段響應程度不同［46］。例如，10 GHz和18 GHz有利于識別雪下地物信息［22］，89 GHz與18 GHz、36 GHz的頻率差能夠較好地反映淺雪信息［36］，在高頻波段，由于雪顆粒的散射作用，積雪輻射對雪顆粒大小響應敏感［37-38，47］。本文提出的積雪密度反演方法基于各波段對雪深、雪粒徑等積雪參數的響應特征，因此在利用微波遙感數據反演積雪密度時，波段的選擇對反演的影響較大。同時將研究區地物分為林地、草地、裸土三類，不同地物類型積雪密度反演所用波段信息不一致。從反演結果可以看出，草地的反演效果較好，林地和裸土的較差。主要原因分為兩個方面：一方面三種地物類型的積雪覆蓋對各波段的響應不同，另一方面不同地物類型的實測樣點數量不一樣；此外，本研究還存在一定不足，比如僅用兩個積雪期的實測資料對積雪密度反演進行率定和驗證，數據量較少，影響反演結果的精度，未來需完善積雪實測資料，提高積雪密度遙感反演精度，并獲取全年積雪密度，進而分析全年積雪量及其隨時間的變化趨勢。

本研究的數據收集有限，雪深數據集的空間分辨率較粗，且雪密度反演基于微波對雪深和雪粒徑的響應，雪密度反演所用波段參考FY-3B/MWRI反演雪深的經驗，反演的雪密度與雪深空間分布格局相似，但雪密度反演結果精度較高，可能是因為反演雪密度在一定程度上反映了微波亮溫差對雪深和雪粒徑的綜合響應。盡管如此，山區環境條件較為復雜，積雪密度反演仍然面臨巨大挑戰，積雪密度與亮溫差之間的機理有待進一步分析。因此，在未來的積雪量估算中，應當考慮利用精度更高的遙感數據，對山區雪深、雪密度遙感反演進行深入研究，進而提高積雪量估算的可信度，以供未來積雪資源利用參考。

5 結論

為對積雪進行量化，促進當地積雪資源的合理利用，利用1979—2020遙感雪深長時間序列數據集及FY-3B/MWRI反演積雪密度，對天山地區積雪量進行了估算，并對積雪量時空分布進行研究，探討地形因子、氣象因子對積雪量的影響，得到以下結論：

（1）1979—2020年，天山地區不同時期積雪量存在差異，穩定期積雪量最大，消融期其次，積累期最小。研究時段內，積雪期、積累期積雪量呈微弱的下降趨勢，消融期積雪量下降趨勢顯著。

（2）在空間分布上，積雪量主要呈西北多、東南少以及西部多東部少的特點。積雪量估算受雪深、雪密度因素共同影響，多年平均積雪量空間格局與積雪深度和積雪密度的基本一致。

（3）積累期、穩定期和消融期的積雪量與海拔的相關系數均大于0.90，呈顯著正相關，海拔越高，積雪量越大；坡度在15°以下時，積累期、穩定期、消融期的積雪量與坡度呈顯著正相關，坡度越大，積雪量越大，相關系數均大于0.80。

（4）不同時期積雪量的變化與氣溫關系密切，在一定條件下積雪量與氣溫呈負相關，氣溫越低，積雪量越大。降水與積雪量呈微弱正相關，且降水對積雪量的影響主要集中在穩定期，穩定期積雪量變化受積累期降水顯著影響，積累期降水越多，穩定期積雪量越大。

本研究嘗試采用微波遙感資料分土地利用類型反演天山地區積雪密度，并結合已有微波遙感積雪深度資料，估算天山地區積雪量，獲取的研究結果可供區域水資源利用和經濟發展參考，但將積雪量資料應用于流域水文水資源研究，需發展新的算法和構建高分辨率積雪資料。