1979—2020年天山地区积雪量估算及其特征分析

朱淑珍，黄法融，冯挺，赵鑫，李兰海，4，5

（1.中国科学院新疆生态与地理研究所荒漠与绿洲生态国家重点实验室，新疆 乌鲁木齐 830011；2.中国科学院伊犁河流域生态系统研究站，新疆 新源 835800；3.中国科学院大学，北京 100049；4.新疆干旱区水循环与水利用重点实验室，新疆 乌鲁木齐 830011；5.中国科学院中亚生态与环境研究中心，新疆 乌鲁木齐 830011；6.南宁师范大学地理与海洋研究院，广西 南宁 530001）

0 引言

积雪是地表覆盖的重要组成部分，是重要的水资源来源，可调节河川径流量，为生态系统可持续发展提供保障，且有益于旅游等发展，为当地带来经济效益［1］。气候变暖背景下，全球积雪覆盖面积呈减少趋势，将影响全球生态环境，并导致经济损失［2］。天山作为中亚水塔，主导了新疆乃至中亚地区的水循环。新疆有近70%的河流发源于天山，天山地区季节性积雪融水是当地河川径流量的重要补给来源，天山地区积雪时空变化将直接影响新疆农牧业生产及生态环境安全［3］。过去半个多世纪，新疆天山山区的气温升高速率高于全球增温速率［4］，因此，在全球气候变化背景下，研究天山地区积雪量变化，对新疆生态保护、水资源安全具有重要意义［5-6］。

近年来，诸多学者利用遥感、实测、气候模式输出等资料，分析了天山地区积雪深度、积雪密度、积雪覆盖面积、积雪初日、积雪日数、积雪量等积雪特征的变化，以及积雪特性与气象、地形等环境因子的关系［7-20］。例如，Feng等［7］利用积雪地面调查资料分析了天山地区不同时期的积雪密度空间分布特征，结果表明积雪密度随海拔上升整体呈增加趋势；基于遥感积雪面积的研究表明［8-13］，近年来天山全区积雪覆盖率略微减少，天山东部、中部积雪覆盖率显著减少，气温是造成天山积雪面积变化的主要因素［12-13］。而基于气候模式的天山山区积雪量研究表明［14-15］，3月积雪量的变化受冷季（11月—次年3月）降水总量变化的控制。

被动微波遥感能够穿透云层和地表，获取积雪深度等积雪参数信息，已有学者利用被动微波遥感对中国主要积雪区（新疆、青藏高原、东北、华北和内蒙古）的积雪深度进行了反演［21-26］。例如，Che等［21］修正了星载微波辐射计SMMR（Scanning Multichannel Microwave Radiometer）、SSM/I（Special Sensor Microwave Imager）在中国区域的系数，获取了中国长时间序列雪深数据集；蒋玲梅等［22］和李长春等［23］利用微波成像仪FY-3B/MWRI（Fengyun 3B Microwave Radiation Imager）资料和土地覆盖数据，反演了中国主要积雪区和新疆不同下垫面的积雪深度；刘洋等［24］利用Sentinel-1数据对新疆巴音布鲁克地区的积雪深度进行了反演。但鲜有学者基于微波遥感反演积雪密度，进而估算区域积雪量的时空分布特征并分析其影响因子。

本研究选择中国天山地区作为研究区，利用微波遥感FY-3B/MWRI资料反演积雪密度，并结合中国长时间序列微波遥感雪深数据，对天山地区的积雪量进行估算，同时对该地区积雪量时空变化的影响因子展开分析，以期为该地区的发展提供数据资料和科技支撑。

1 研究区概况

天山地区是我国三大稳定积雪区之一，也是新疆三大山系中积雪最为丰富的地区。中国境内的天山山脉横亘于新疆维吾尔自治区中部（73°～95° E，38°～45°N），西至喀什，邻近塔吉克斯坦地区，东至哈密市及以南的吐鲁番盆地，东西长约1 700 km［27］，南北宽100～400 km，山区平均海拔4 000 m。本文根据新疆行政区划以及天山南北坡特性，参考Zhang等［28］和Huang等［29］等对天山地区的研究确定本文研究区域，主要包括中国境内天山山区、天山南北坡和吐鲁番盆地（图1），研究区总面积约59×104km2。受西风环流影响，研究区中西部降雪丰富，东部降雪较少。

2 数据与方法

2.1 数据来源与处理

2.1.1 雪深数据

本研究利用的中国长时间序列雪深数据集来源于国家青藏高原科学数据中心（http：//data.tpdc.ac.cn/zh-hans/data/df40346a-0202-4ed2-bb07-b65dfcda9368/），该数据集提供1979年1月1日到2020年12月31日中国范围内的逐日积雪深度，空间分辨率为25 km，采用EASE-GRID（Equal-Area Scalable Earth Grid）投影，本文称之为遥感雪深数据，其原始数据是美国国家冰雪数据中心处理的逐日被动微波遥感SMMR、SSM/I和SSMI/S（Special Sensor Microwave Imager/Sounder）数据。利用ArcGIS、Python对遥感雪深数据进行格式转换、裁剪等预处理。根据中国气象局发布的《地面气象观测规范》，将平均雪深不足0.5 cm记为0 cm，当积雪深度大于等于0.5 cm时，数值四舍五入，记为1 cm［30］，像元积雪深度达到或超过1 cm，记为有积雪分布。

参考Feng等［7］、李晓峰等［31］和王慧等［32］对积雪期的划分，将11月至次年3月定义为积雪期，其中11—12月为积雪积累期，1—2月为积雪稳定期，3月为积雪消融期。在2017—2018年、2018—2019年两个积雪期内，研究团队对积累期、稳定期、消融期共展开了6次积雪特性地面调查。利用6次实测数据［图2（a）］对研究区内遥感雪深数据精度进行了评估。结果表明［图2（b）］，积雪期实测雪深与遥感雪深的相关系数为0.71［图2（b）］，积累期、稳定期、消融期的分别为0.32、0.76、0.75［图2（c）～2（e）］，均通过了5%水平显著性检验，表明遥感雪深数据集在一定程度上能反映研究区雪深的时空变化。

图2 研究区实测雪深（a）及其与不同时期遥感雪深数据之间的关系（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 实测积雪密度数据

实测积雪密度来源于2017—2018年、2018—2019年积雪期内的6次积雪特性地面调查，用以构建积雪密度遥感反演算法。其中2017—2018年积雪期调查数据用以率定积雪密度遥感反演算法，2018—2019年调查数据用以验证该算法。对实测积雪密度数据进行严格筛查后，进行林地、草地及裸土（农田和裸地）下垫面类型分类，如表1所示。

表1 积雪特性采样点信息Table 1 Time，location and number of snow property samples

2.1.3 FY-3B/MWRI亮温数据

本文利用被动微波数据反演天山地区积雪密度，被动微波数据选用我国FY-3B卫星搭载的MWRI探测器的一级亮温数据（http：//satellite.nsmc.org.cn/portalsite/default.Aspx）。MWRI传感器是一款具有10通道、5频率（10.65 GHz、18.75 GHz、23.80 GHz、36.50 GHz、89.00 GHz）（以 下 简 写 为10 GHz、18 GHz、23 GHz、36 GHz、89 GHz）的双极化（V/H）圆锥扫描星载微波辐射计。相较于FY-3A/MWRI，FY-3B/MWRI解决了动态平衡问题，自发射以来运行稳定，连续观测情况较好；与FY-3C、3D/MWRI相比，FY-3B/MWRI运行中的灵敏度稳定，运行时间较长，在积雪研究中应用较为广泛［22-23，25-26，33-35］。对FY-3B/MWRI遥感数据进行坐标转换、重采样、亮温提取等处理，将坐标转换至EASE-GRID投影。考虑到本文所用的MWRI遥感数据的空间分辨率为9～85 km，利用双线性方法将FY-3B/MWRI数据重采样至10 km。

为构建积雪密度反演公式，提取了6次积雪调查对应时段的微波亮温数据。根据天山积雪站积雪密度多年观测资料，积雪密度年际变化属于弱变异性（CV为6%）。因此本文利用2017—2018年积雪期密度计算积雪量，采用该积雪期各月当中MWRI传感器覆盖天山地区较为完整且数据质量较高日期的微波亮温，基于构建的积雪密度反演公式，反演各月积雪密度。

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

2.1.4 土地覆盖数据

本文基于下垫面类型进行区域积雪密度遥感反演，参考Chang等研究［36］，将MCD12Q1土地覆盖类型分为4类：草地、裸土（包含农田和裸地）、森林和灌木，并考虑到天山地区森林和灌木分布范围较小，本文将森林和灌木合并为林地，将天山地区的下垫面分为林地、草地、裸土三类，即将NASA（https：//search.earthdata.nasa.gov/search）提供的2019年MODIS土地覆盖产品MCD12Q1重分类为林地、草地、裸土，具体做法为：将国际地圈生物圈（IGBP）土地分类体系中的常绿针叶林、常绿阔叶林、落叶针叶林、落叶阔叶林、混交林、郁闭灌丛、开放灌丛作为林地，多树草原、稀树草原、草地作为草地，作物、作物与自然植被的镶嵌体、裸地或低植被覆盖地等作为裸土。重分类后的天山地区土地覆盖类型如图3所示，林地、草地、裸土分别占比0.24%、24.59%、75.17%。

图3 2019年天山地区土地分类Fig.3 Land cover of the study area in 2019

2.1.5 辅助数据

辅助数据包括数字高程模型（Digital Elevation Model，DEM）、坡度、坡向以及气象资料，用以分析积雪量时空变化影响因子。DEM数据来源于地理空间数据云（http：//www.gscloud.cn/），空间分辨率为30 m，投影为GCS_WGS_1984。对DEM数据进行拼接、裁剪、双线性采样等处理，得到研究区的高程分布（图1），并提取坡度、坡向。气象数据来源于国家气象科学数据中心（http：//data.cma.cn/）的中国地面气候资料日值数据集，包括12个气象站点（图1）的降水、气温资料。

2.2 研究方法

2.2.1 积雪密度反演

目前被动微波反演雪密度缺乏足够的理论支持，考虑到雪深和雪粒径是影响积雪散射的重要因子，雪密度与雪深和雪粒径关系密切，参考已有学者对积雪深度的遥感反演，本研究选取雪深遥感反演常用的10 GHz、18 GHz、36 GHz、89 GHz［22-23，25-26］波段，构建各波段亮温差与雪密度的经验关系，进行雪密度遥感反演。事实上，本研究中实测雪深小于10 cm的浅雪采样点约占30%，而18 GHz、36 GHz、89 GHz有益于识别浅雪信息［22］，且高频波段36 GHz、89 GHz对积雪颗粒的散射敏感［37-38］。根据2017—2018积雪期观测积雪密度，筛选研究区相应日 期的MWRI微 波10 GHz、18 GHz、36 GHz、89 GHz的V、H极化频率组合反演积雪密度。基于三种下垫面类型，对选取的8个波段（10V、10H、18V、18H、36V、36H、89V、89H）进行组合，利用逐步线性回归方法，剔除相关性较低的组合，最终获得最佳波段组合［22-23］，如式（1）～（3）所示。

式中：ρforest、ρgrass、ρbaresoil分别为遥感反演的林地、草地、裸土积雪密度，单位为kg m-3；d表示不同通道亮温差值；10、18、36、89表示FY-3B/MWRI的亮温通道；V表示垂直极化，H表示水平通道。

各下垫面类型积雪密度与最优频段亮温差的关系如图4～6所示。可以看出，林地、裸土实测积雪密度与各频段亮温差呈负相关关系，而草地实测积雪密度与各频段亮温差的相关系数正负不一，但草地实测积雪密度与高频波段（36 GHz、89 GHz）亮温差的相关系数［图5（d）～5（g）］较大。

图4 林地积雪密度与波段亮温差值相关性Fig.4 Correlation between snow density and band brightness difference for forest

图5 草地积雪密度与波段亮温差值相关性Fig.5 Correlation between snow density and band brightness difference for glassland

图7为式（1）～（3）反演的林地、草地、裸土积雪密度率定和验证效果。结果表明，构建的积雪密度反演公式能够较好地反映不同下垫面的积雪密度（验证期相关系数通过了5%水平显著性检验），且草地积雪密度的遥感反演结果好于林地和裸土。这主要是由于林地植被削弱了高低频亮温差，且林地多在山区，森林的郁闭度与地形影响将导致积雪密度反演误差增大；裸土在整个研究区面积占比为75.17%，下垫面情况较为复杂，但样本数又较少，在一定程度上影响反演效果；而草地的样本较多，下垫面较为均一，使反演效果较好［22］。

图6 裸土积雪密度与波段亮温差值相关性Fig.6 Correlation between snow density and band brightness difference for bare soil

图7 不同下垫面积雪密度率定及验证结果Fig.7 Calibration and validation results of snow density for different land cover types

2.2.2 积雪量

本文利用如下公式计算各个栅格的月积雪量M：

式中：A为栅格面积，单位栅格面积25 km2；SD为某月的平均雪深，单位为cm；ρ为积雪密度，单位为kg·m-3。当雪深为0时，该栅格的积雪量为0。计算积雪量时，为了匹配积雪密度空间分辨率，采用双线性方法将雪深数据重采样至10 km，即本文中A为100 km2。

此外，本研究利用线性回归获取积雪量随时间的变化趋势，并通过F检验获取变化趋势的显著性水平。

2.2.3 相关性分析

相关性分析是指对两个或多个变量进行关联的一种衡量方式，进一步探求两个或者多个要素之间的密切程度［39］。两个变量x和y的Pearson相关系数r计算公式如下：

式中：n为样本总数；xi和yi分别为x和y的样本值;和分别为变量的平均值；r的绝对值越大，说明y和x的线性相关程度越高。本研究采用Pearson相关系数来探究积雪量与地形和气象因子之间的关系。

3 结果与分析

3.1 雪深空间分布

1979—2020年，天山地区不同时期多年平均雪深空间分布如图8所示。从图8（a）可以看出，天山地区积雪期积雪主要分布在山区。对比图8（b）～8（d）可以看出，积累期雪深比稳定期和消融期的小。积累期，区域多年平均雪深约2 cm，海拔较高的地区，则超过8 cm，而海拔较低的吐鲁番盆地等地区，多年平均雪深约1 cm。稳定期，区域多年平均雪深约5 cm，海拔较高地区，则超过20 cm，而吐鲁番盆地等海拔较低地区的雪深为1 cm左右。消融期，天山地区多年平均雪深空间格局与稳定期的一致，但数值略小。

图8 1979—2020不同时期多年平均雪深空间分布Fig.8 Spatial distribution of snow depth in different periods during 1979—2020

3.2 积雪密度空间分布

通过微波遥感反演，得到天山地区不同时期积雪密度空间分布（图9）。结果表明，积雪密度空间分布与雪深的空间分布格局较为一致，即高海拔处雪深和积雪密度较大；低海拔处，雪深和积雪密度较小。不同时期，积雪密度空间分布略有差异，积累期积雪密度较大（＞300 kg·m-3）的地区分布范围较小，而稳定期和消融期的分布范围较大。

图9 不同时期积雪密度空间分布Fig.9 Spatial distribution of snow density in different snow periods

3.3 积雪量多年变化趋势

天山地区不同时期区域平均积雪量线性变化趋势如图10所示，结果表明，1979—2020年，积雪期区域平均积雪量呈减少趋势［图10（a）］，但变化趋势不显著；积累期、消融期积雪量也呈减少趋势［图10（b）和10（d）］，特别是消融期，积雪量下降趋势通过了0.05水平显著性检验；稳定期，积雪量呈微弱的上升趋势。此外，三个时期积雪量大小排序依次为稳定期＞消融期＞积累期。对整个积雪期而言，在研究时段内，最大积雪量出现在1979年，最小积雪量出现在1998年。

图10 1979—2020不同时期积雪量变化趋势Fig.10 Variation trend of average snow mass during 1979—2020

3.4 积雪量空间分布

积累期、稳定期、消融期多年平均积雪量空间分布如图11所示。天山地区积雪期积雪量总体呈现出西北部多、东南部少的特点，这与雪深和积雪密度的空间分布一致。天山地区积累期积雪量较少，且主要集中在海拔较高的山区，而东南部吐鲁番盆地等海拔较低的地区，积雪量较少。稳定期和消融期积雪量空间分布与积累期的基本一致，但在天山北坡西端和东部的局部地区，积雪量较大。

图11 1979—2020多年平均积雪量空间分布Fig.11 Spatial distribution of average snow mass during 1979—2020

3.5 地形因子对积雪量空间分布的影响

为研究天山地区地形因素对积雪量的影响，分析了积雪量与海拔、坡度的相关性。如图12（a）所示，天山地区整个积雪期积雪量空间分布与海拔密切相关（相关性系数通过了0.01水平显著性检验），说明海拔越高，积雪量越丰富。积累期、稳定期、消融期积雪量与海拔的相关系数都通过了0.01水平显著性检验［图12（b）、12（c）、12（d）］，且数值差别较小，说明海拔在不同时期对积雪量空间分布的影响基本相同。坡度15°以下时［图12（e）］，天山地区积雪期积雪量与坡度的相关性通过了0.01水平显著性检验，说明坡度较小时对积雪量空间分布的影响较大，且坡度越大，积雪量越大，这与谭秋阳等［40］关于雅鲁藏布江流域的研究一致；积累期、稳定期、消融期积雪量与坡度的相关系数也都通过了0.01水平显著性检验［图12（f）、12（g）、12（h）］。与海拔影响相似，坡度在不同时期对积雪量分布的影响相同。此外，坡度15°以上时［图12（i）～12（l）］，坡度与积雪量的相关性较弱（未通过0.05水平显著性检验）。

图12 区域积雪量与海拔、坡度相关性Fig.12 Correlation analysis of snow mass amount with altitude and slope

此外，为分析不同坡向积雪量的分布，将坡向划分为北坡（337.5°～22.5°）、东北坡（22.5°～67.5°）、东坡（67.5°～112.5°）、东南坡（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°）。不同坡向平均积雪量如图13所示，整个积雪期和不同时期，西坡积雪量比其他坡向的大；在积累期和消融期，北坡的积雪量比南坡的大。

图13 积雪量与坡向关系图Fig.13 Relationship between snow mass and aspect

3.6 气温与降水对积雪量变化的影响

为分析天山地区气温、降水对积雪量多年变化的影响，对积雪量与气温及降水进行了相关性分析（图14）。1979—2020年，积雪期区域平均气温与区域平均积雪量的相关系数为-0.61［图14（a）］，通过了0.05水平显著性检验，说明气温越低，积雪量越大，而较高温度，将引起积雪消融，使积雪量减少。积累期、稳定期、消融期区域平均气温与积雪量的相关系数分别为-0.57、-0.32、-0.66［图14（b）～14（d）］，说明温度对稳定期积雪量的影响较小，而对积累期和消融期积雪量的影响较大。这是因为稳定期气温较低，积累期、消融期气温较高，特别是消融期，气温在冰点附近波动［图14（d）］，气温变化对积雪量的影响较大。

图14 积雪量与气温相关性分析Fig.14 Correlation between snow mass and air temperature

对积雪期及积雪期内积累期、稳定期、消融期降水与同时期积雪量的相关性进行了分析，相关系数分别为0.05、0.07、0.16、0.01（表3），均未通过5%水平显著性检验，表明同期降水与同期积雪量相关性微弱，但稳定期降水对当期积雪量的影响强于积累期和消融期降水对相应时期积雪量的影响，这主要是因为积累期和消融期气温较高，气温升高往往导致海拔较低地区的固态降水变为液态降水，不仅不利于积雪的累积，还将加速积雪的消融，导致积累期和消融期积雪量主要受气温影响，与同期降水量的相关性较弱。由于积雪量是一个不断累积的过程，受前期降水影响，因此对稳定期、消融期积雪量与前期降水量的相关性进行了分析。结果表明，稳定期积雪量与积累期降水相关系数达0.43（通过了0.05水平显著性检验），表明积累期降水对稳定期积雪量具有显著影响。

表3 积雪量与降水相关性Table 3 Correlation analysis of snow mass with precipitation

4 讨论

本文关于天山地区积雪量时空分布的研究结果表明，在气候变暖背景下，天山地区1979—2020年积雪量呈减少趋势。在积雪量影响因素方面，与大量天山地区积雪时空变化影响因素的学者的研究结论较为一致，均认为海拔、坡度、气温、降水等是影响积雪分布的主要因素［7，10-13，41-43］。就上述因素的影响而言，积雪丰富的区域主要集中在海拔较高的地区，海拔越高，积雪越丰富；坡度在15°以下，雪深随坡度增加而增加；气温越低，积雪量越丰富；降水越多，积雪量越大。但值得一提的是，谭秋阳等［40］认为坡度在10°以下时雪深随坡度的增加而减少，这与本文研究结果坡度在15°以下积雪量随坡度增加而增加有一些出入，但总体而言，在一定坡度条件下，坡度越大积雪越容易呈堆积状态。在温度和降水对积雪量影响方面，Barnett等［44］认为气温变化对积雪的影响远比降水变化大的多。在积累期和消融期，积雪受不稳定气温的影响，容易形成液态降水，不利于积雪累积并将加速积雪的融化［9，45］。本研究中降水在积累期、消融期对积雪量的影响较小，可能是温度和降水两者综合作用的结果，温度不仅影响了降水的形式，还增加了积雪的融化速率。由于降水对积雪量影响机理较为复杂，既要考虑降水与气温之间的抵消效应，也要考虑固/液态降水的分离以及液态降水对积雪量的融化作用，因此需要进一步研究降水形式与积雪量之间的关系。

在积雪期，随着积雪深度、积雪粒径、积雪含水率以及积雪反照率等条件的变化，积雪对被动微波各波段响应程度不同［46］。例如，10 GHz和18 GHz有利于识别雪下地物信息［22］，89 GHz与18 GHz、36 GHz的频率差能够较好地反映浅雪信息［36］，在高频波段，由于雪颗粒的散射作用，积雪辐射对雪颗粒大小响应敏感［37-38，47］。本文提出的积雪密度反演方法基于各波段对雪深、雪粒径等积雪参数的响应特征，因此在利用微波遥感数据反演积雪密度时，波段的选择对反演的影响较大。同时将研究区地物分为林地、草地、裸土三类，不同地物类型积雪密度反演所用波段信息不一致。从反演结果可以看出，草地的反演效果较好，林地和裸土的较差。主要原因分为两个方面：一方面三种地物类型的积雪覆盖对各波段的响应不同，另一方面不同地物类型的实测样点数量不一样；此外，本研究还存在一定不足，比如仅用两个积雪期的实测资料对积雪密度反演进行率定和验证，数据量较少，影响反演结果的精度，未来需完善积雪实测资料，提高积雪密度遥感反演精度，并获取全年积雪密度，进而分析全年积雪量及其随时间的变化趋势。

本研究的数据收集有限，雪深数据集的空间分辨率较粗，且雪密度反演基于微波对雪深和雪粒径的响应，雪密度反演所用波段参考FY-3B/MWRI反演雪深的经验，反演的雪密度与雪深空间分布格局相似，但雪密度反演结果精度较高，可能是因为反演雪密度在一定程度上反映了微波亮温差对雪深和雪粒径的综合响应。尽管如此，山区环境条件较为复杂，积雪密度反演仍然面临巨大挑战，积雪密度与亮温差之间的机理有待进一步分析。因此，在未来的积雪量估算中，应当考虑利用精度更高的遥感数据，对山区雪深、雪密度遥感反演进行深入研究，进而提高积雪量估算的可信度，以供未来积雪资源利用参考。

5 结论

为对积雪进行量化，促进当地积雪资源的合理利用，利用1979—2020遥感雪深长时间序列数据集及FY-3B/MWRI反演积雪密度，对天山地区积雪量进行了估算，并对积雪量时空分布进行研究，探讨地形因子、气象因子对积雪量的影响，得到以下结论：

（1）1979—2020年，天山地区不同时期积雪量存在差异，稳定期积雪量最大，消融期其次，积累期最小。研究时段内，积雪期、积累期积雪量呈微弱的下降趋势，消融期积雪量下降趋势显著。

（2）在空间分布上，积雪量主要呈西北多、东南少以及西部多东部少的特点。积雪量估算受雪深、雪密度因素共同影响，多年平均积雪量空间格局与积雪深度和积雪密度的基本一致。

（3）积累期、稳定期和消融期的积雪量与海拔的相关系数均大于0.90，呈显著正相关，海拔越高，积雪量越大；坡度在15°以下时，积累期、稳定期、消融期的积雪量与坡度呈显著正相关，坡度越大，积雪量越大，相关系数均大于0.80。

（4）不同时期积雪量的变化与气温关系密切，在一定条件下积雪量与气温呈负相关，气温越低，积雪量越大。降水与积雪量呈微弱正相关，且降水对积雪量的影响主要集中在稳定期，稳定期积雪量变化受积累期降水显著影响，积累期降水越多，稳定期积雪量越大。

本研究尝试采用微波遥感资料分土地利用类型反演天山地区积雪密度，并结合已有微波遥感积雪深度资料，估算天山地区积雪量，获取的研究结果可供区域水资源利用和经济发展参考，但将积雪量资料应用于流域水文水资源研究，需发展新的算法和构建高分辨率积雪资料。