编辑推荐：
瑞士积雪对水资源等至关重要，但气候变化威胁其覆盖。研究人员基于 Landsat 和 Sentinel-2 数据，运用 Snow Observations from Space（SOfS）算法，构建 37 年月度积雪覆盖时间序列。该成果有助于理解积雪动态，支持多领域决策，为环境监测提供关键数据。
瑞士，这片以雪山美景闻名于世的国度，有着 “欧洲水塔” 的美誉，其近 10% 的水资源储量，宛如一座天然的 “水城堡”，滋养着欧洲大地。在这丰富的水资源中，40% 的河流水量源自积雪融化，积雪成为瑞士乃至整个欧洲地区水循环的关键一环。它不仅在水资源管理、水力发电和高山生态系统中扮演着不可替代的角色，还凭借着银装素裹的冬日景观吸引着无数游客，为瑞士的经济发展注入强大动力。
然而，近年来，全球气候变化的阴影逐渐笼罩这片美丽的土地。随着气候变暖，高海拔地区的气温上升更为显著，冰川加速退缩，积雪覆盖范围、数量和持续时间都在不断减少，永久冻土也开始解冻。这些变化不仅影响了水资源的供应，还对生物多样性和生态系统功能造成了深远的破坏。据瑞士的气候预测显示，未来融雪水在水资源中的占比将大幅下降，这无疑给当地的水资源管理、能源供应和生态保护带来了巨大挑战。
为了应对这些严峻的问题，来自瑞士日内瓦大学（University of Geneva）的研究人员展开了一项意义重大的研究。他们致力于构建一个长期、高分辨率的瑞士积雪覆盖时间序列数据集，以深入了解积雪动态变化，为应对气候变化、合理规划资源提供有力支持。该研究成果发表在《Scientific Data》杂志上，为相关领域的研究和决策提供了宝贵的参考。
在研究过程中，研究人员运用了多种关键技术方法。首先，利用瑞士数据立方体（Swiss Data Cube，SDC）平台获取 1984 - 2021 年的 Landsat 和 Sentinel-2 卫星数据，这些数据为研究提供了丰富的原始信息。接着，采用 Snow Observations from Space（SOfS）算法对数据进行处理。该算法包含卫星数据预处理、云与水掩膜、积雪覆盖检测以及数据验证等多个步骤。其中，通过归一化差值积雪指数（Normalized Difference Snow Index，NDSI）计算和二项式广义线性混合模型（binomial generalized linear mixed model，GLMM）分析，有效提高了积雪覆盖的检测精度；同时，运用七步填充法减少云层覆盖的影响，确保数据的准确性和可靠性。
研究结果如下：
- 数据集构建：最终得到了包含 429 个月度文件的数据集，覆盖 1984 年 12 月至 2021 年 12 月，部分月份因卫星任务转换存在缺失。数据以 GeoTiff 格式存储，空间分辨率为 30m，采用 EPSG:4326 坐标参考系统，每个像素根据积雪情况分为雪覆盖（1）、无雪（0）、云覆盖（2）和水域或境外（Na）四类。
- 数据处理效果：经过一系列处理步骤，云层覆盖比例从原始数据的 57.9% 降至 29.6%，不同季节的云层覆盖比例也有所降低，如冬季（DJF）从 59.0% 降至 39.4% 。每个处理步骤都在一定程度上减少了云层影响，提高了数据质量。
- 数据验证：通过与瑞士气象局（MeteoSwiss）的地面实测数据对比构建混淆矩阵，并计算总体精度（Overall Accuracy，OA）、真技能统计量（True Skill Statistic，TSS）等指标进行验证。结果显示，SOfS 数据集与地面实测数据一致性良好，OA 在雪深阈值（SDthr）为 1cm 时达到 91%，5cm 时达到 93%；TSS 在 1cm 时为 71%，5cm 时为 81% ，表明该数据集在分类准确性方面表现出色。
- 分类精度的时空差异：季节性分析表明，夏季分类精度最高，OA 可达 90%，冬季最低为 82% ，主要是因为冬季降雪频繁、雪深变化大，导致分类难度增加。按海拔带分析，除 2000 - 2500m 范围外，大部分海拔区域的 OA 均高于 84% 。
研究结论表明，该研究构建的积雪覆盖数据集为瑞士地区积雪变化监测提供了长期、高分辨率的数据支持。它不仅有助于研究人员深入了解积雪动态变化规律，还能为水文建模、农业监测、气候研究以及自然灾害评估等多个领域提供重要的数据基础，为瑞士在水资源管理、生态保护和应对气候变化等方面的决策提供有力依据。同时，研究中所采用的方法和技术也为其他地区的积雪监测研究提供了有益的参考，推动了全球积雪研究领域的发展。但该研究也存在一定局限性，如数据的月度时间分辨率可能无法捕捉短期积雪变化，且处理后仍存在约 29% 的残余云层，可能影响部分地区积雪覆盖范围的测量精度。未来的研究可以在此基础上进一步改进，提高监测的时效性和准确性，更好地服务于相关领域的发展。
