利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

利用MODIS积雪产品数据，研究了蒙古高原2003—2022年间积雪融化期的时空变化特征，并以15 d为时间间隔跟踪分析了融雪线向高纬度方向的移动及其对气温的响应过程。结果表明：（1）2003—2022年积雪占蒙古高原总面积的55.59%～87.61%。其中2018年积雪覆盖面积最少，2009年最多。此外，在时间上20 a来蒙古高原积雪融化时间以0.18 d·（10a）-1的速率呈显著提前趋势（P<0.05），而稳定积雪区呈推迟趋势。（2）空间上，蒙古高原北部地区的积雪融化时间明显晚于南部地区。而稳定积雪区主要分布于融雪时间普遍较晚的蒙古国西北部地区，其中64.9%的区域呈提前趋势。（3）通过对蒙古高原冬季（自1月起）每半月尺度的观测研究发现，融雪线与－5 ℃、0 ℃等温线的移动趋势先后出现同步性。且融雪线位置与温度的相关性除2018年外其整体都处于0.72～0.98的较高区间，这表明温度是影响融雪线位置的关键因素。

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...