下载文档原格式
摘要：云和雪的检测是卫星遥感影像处理过程中的一部分，也是对其进行后续分析和解译等应用的关键步骤。
本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。
采用ResNet50骨干网络，根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型，并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。
通过天绘一号卫星云雪影像数据集对网络进行训练并测试，试验结果表明，本文方法与传统Otsu法相比，稳健性更强，在检测精度上优于FCN-8s与DeepLabV3+，速度上优于DeepLabV3+，能推广用于不同来源的遥感影像，具有较好的应用前景。
关键词：卫星影像云雪检测天绘一号ResNet DeepLabV3+A cloud and snow detection method of TH-1 image based on combined ResNet and DeepLabV3+Abstract: Cloud and snow detection is an important part of satellite remote sensing image processing, and also a key step for its following analysis and interpretation. In this paper, a simultaneous cloud and snow detection method for satellite remote sensing images based on ResNet and DeepLabV3+ fully convolutional neural network is proposed. The ResNet50 backbone is used, and the DeepLabV3+ network structure is optimized and improved according to the characteristics of cloud and snow on TH-1 remote sensing image. The ELU activation function, Adam gradient descent method and Focal Loss function are used to speed up convergence and improve segmentation accuracy. The network is trained and tested with the cloud and snow image dataset of TH-1 satellite. The experimental results show that it has strong robustness compared with Otsu method, and the detection accuracy of proposed method exceeds FCN-8s and original DeepLabV3+ network, meanwhile the detection speed of proposed method is faster than original DeepLabV3+, which can beapplied to a variety of different remote sensing images through some adjustment and has favorable application prospects.Key words: satellite image cloud snow detection TH-1ResNet DeepLabV3+随着卫星成为国民经济发展不可或缺的重要基础设施，卫星影像的获取越来越容易，并且在诸如基建、农业、林业、地质、水文、交通、海洋、灾害预报、军事等大量领域中都得到了广泛应用。
近十年我国冰雪运动研究的知识图谱分析杨艳红【摘要】利用CiteSpaceV对我国2007—2016年间的冰雪运动研究文献进行统计分析.结果表明,十年间,冰雪运动文献在各年的发表数量相对稳定,基金资助不足10％,其中国家科技支撑计划资助力度最大,无论是发表载体还是研究机构都集中于东北地区.研究主题方面,以竞赛训练为主,且主要集中于优势项目和冬奥会、大冬会;教学集中于高校;运动推广、冰雪产业、冰雪文化等方向研究相对较少,但呈现逐渐增长和拓展之势,这些也将是今后研究的趋势和重要领域.旨在为我国冰雪运动研究的深化和拓展提供参考,为冰雪运动的普及和提高贡献力量.【期刊名称】《河北体育学院学报》【年(卷),期】2018(032)003【总页数】6页(P30-35)【关键词】冰雪运动;知识图谱;竞赛训练;教学;冰雪产业;推广【作者】杨艳红【作者单位】河北体育学院图书馆,石家庄 050041【正文语种】中文【中图分类】G862022年冬季奥运会将在我国举办，冰雪运动的推广和发展得到国家各个层面的重视。
为全面了解我国冰雪运动研究的热点和演进，本文以定量研究为基础，结合定性分析，对我国冰雪运动研究进行全面梳理和深入探究，以期能够掌握冰雪运动研究的概况和发展方向，推动冰雪体育研究的深入进行。
1 研究方法与数据来源1.1 研究方法本文主要借助美国费城德雷塞尔大学陈超美教授研发的信息可视化软件CiteSpaceV，进行引文统计并绘制共词聚类图谱和时区视图。
该软件能够挖掘科学文献中的有关知识单元并进行科学计量，通过可视化技术展示知识领域的热点和演进过程[1]。
此外，利用Excel和中国知网的可视化工具进行辅助统计和验证。
1.2 数据来源2 研究文献的分布特征2.1 时间分布情况从图1中可以看出，发表文献数量为：2007年176篇；在2008—2016年，除2010和2011年呈突增状态外，其余年份均在200多篇，总体稳定。
《北半球AVHRR积雪范围数据集制备及积雪物候变化特征》一、引言随着遥感技术的不断发展，利用卫星数据进行积雪监测已成为气候与环境变化研究的重要手段。
本文基于AVHRR （Advanced Very High Resolution Radiometer）遥感技术，分析北半球积雪范围数据集的制备过程，并探讨其物候变化特征，以期为气候变化研究提供数据支持。
二、北半球AVHRR积雪范围数据集制备1. 数据来源与处理AVHRR数据作为一种常见的卫星遥感数据，具有覆盖范围广、重访周期短等优点，是积雪监测的重要数据源。
本研究所用AVHRR数据主要来自特定卫星传感器，经过辐射定标、大气校正等预处理后，得到可用于积雪监测的遥感影像。
2. 积雪识别与范围确定根据AVHRR数据的特性，通过设定阈值，可以识别出影像中的积雪区域。
经过反复试验与验证，确定最佳阈值，从而获取北半球积雪的分布范围。
同时，结合地理信息系统（GIS）技术，将积雪范围数据转化为地理空间数据，为后续分析提供支持。
3. 数据集的时空分辨率北半球AVHRR积雪范围数据集具有较高的时空分辨率，能够在不同的时间尺度上反映积雪的动态变化。
数据集的时间分辨率以天或月为单位，空间分辨率根据具体需求而定，可达到一定的精度要求。
三、积雪物候变化特征分析1. 积雪物候基本概念积雪物候是指积雪在一年中的发生、发展、消融等过程及其与气候、环境因素的关系。
通过对北半球AVHRR积雪范围数据集的分析，可以了解积雪的时空分布特征及物候变化规律。
2. 积雪物候变化特征（1）季节性变化：北半球积雪在冬季达到最大覆盖范围，随着季节变化逐渐消融。
通过分析不同年份的积雪覆盖范围变化，可以发现其季节性变化的趋势和特点。
（2）年际变化：通过对多年数据的分析，发现北半球积雪的年际变化与气候变化密切相关。
全球变暖趋势导致部分地区积雪覆盖范围减少，而部分地区则因气候异常而出现异常增加的现象。
（3）空间分布变化：北半球不同地区的积雪分布具有明显的空间差异。
收稿日期收稿日期：2012-12-24；修订日期修订日期：2013-04-07基金项目基金项目：国家973计划项目(2010CB95090103)资助。
作者简介作者简介：于灵雪（1987-），女，山东淄博人，博士研究生，主要研究方向为土地覆被与气候变化研究。
E-mail:lxyu2010@雪数据集研究综述于灵雪1,2，张树文1，卜坤1，杨久春1，颜凤芹1，2，常丽萍1（1.中国科学院东北地理与农业生态研究所，吉林长春130012；2.中国科学院大学，北京100049）摘要摘要：大范围的雪盖变化是气候变化的指示剂，雪通过其自身的物理性质调节着地气之间的物质与能量循环，还能影响地表径流，调节水文循环，甚至在全球生态系统中发挥着重要的作用，因此建立数据集，实时监测雪盖的变化就变得非常必要。
通过阅读大量文献，总结目前应用较为广泛的数据集，主要包括可见光/近红外数据集如NOAA 数据集、MODIS 数据集，微波数据集如SMMR 数据集、AMSR-E 数据集，以及多数据源的数据集。
分析各种数据集的生成原理和优缺点，对目前雪数据集研究中可能存在的问题进行总结。
关键词：雪数据集；积雪覆盖；雪水当量；雪深；遥感中图分类号中图分类号：TP79文献标识码文献标识码：A文章编号文章编号：1000-0690(2013)07-0878-06全球气候正经历以变暖为主要特征的变化，冰雪覆盖作为一种气候变化的响应对气候变化非常敏感[1]。
在此背景下，南、北半球积雪的平均面积已经减少，而这种雪盖的大范围减少已经引起海平面上升，预测未来的积雪覆盖范围将进一步缩小[2]，同时，地球陆地表面的30%以上被季节性积雪所覆盖，10%的陆地被永久性积雪和冰川所覆盖，雪的积累和融化是地表最重要的季节性环境变化之一[3]。
大尺度雪盖变化是气候变化的指示剂，不仅如此，雪还能在不同的尺度下影响地球系统的其它部分[4]。
凭借其辐射和热性能，它能够调节地表-大气之间的能量和物质转移[5]，从而在控制局部乃至全球的反馈网络中扮演着重要的角色；雪可以影响地表径流，调节水文循环[6]；积雪覆被的变化可能会影响生物物候和生态系统功能[7]；北方寒冷地区雪储存大量的水资源，雪的变化对人类活动有深远影响[8]。
雪灾训练数据集
雪灾训练数据集是一组用于训练机器学习模型的数据，以便更好地预测和应对雪灾等自然灾害。
这类数据集通常包括以下信息：
1. 历史雪灾事件记录：包括雪灾发生的时间、地点、持续时间、影响范围等信息。
2. 气象数据：包括温度、降水量、风速、湿度等与雪灾相关的气象因素。
3. 地形地貌数据：包括地形类型、海拔高度、坡度等信息，这些因素可能影响雪灾的发生和程度。
4. 人口和经济数据：包括受影响地区的人口密度、经济活动、基础设施等信息，这些数据有助于评估雪灾对当地社区的影响。
5. 雪灾应对措施：包括过去的应对措施、救援行动、恢复工作等信息，这些数据可以用于训练模型以提出更有效的应对策略。
雪灾训练数据集可以从多种来源获取，如政府气象部门、国际组织（如世界气象组织）、科研机构等。
在使用这些数据进行训练时，需要注意数据的质量和准确性，以确保模型的有效性。
积雪语义分割数据集嘿，大家好！今天咱们聊聊一个有趣的话题——积雪语义分割数据集。
这听起来像是个技术活儿，其实它跟我们生活中的雪景也有千丝万缕的联系。
想象一下，外面白雪皑皑，家里的小孩在雪地里堆雪人，真是乐趣无穷。
不过，今天咱们不是要讨论如何堆一个完美的雪人，而是要看看如何通过数据集让计算机“看懂”这些美丽的雪景。
什么是语义分割？简单来说，就是把一幅图像分成不同的区域。
你可以把它想象成拼图。
每一块拼图代表图像中的一个部分，比如说雪、树、房子等等。
计算机通过分析这些图像，能快速识别出每一部分的内容。
这就好比我们在看一幅画时，能一下子看出这儿是雪，那边是房子，而计算机也希望有同样的“眼力”。
积雪语义分割数据集就是专门为这个目的准备的。
咱们得给计算机提供大量的雪景照片，让它学会如何分辨这些元素。
就像教孩子认东西一样，多看多练，自然就能分得清楚。
于是，科研人员就开始四处收集雪景图，当然了，有些地方的雪特别美，像电影里的场景一样，让人一看就想说：“哇，这地方真不错！”这个数据集里不仅有美丽的雪景，还有各种各样的场景，比如城市里积雪的街道、乡间的田野、还有孩子们的欢声笑语。
这些画面，不仅仅是雪，它们更传递了一种情感。
想想那种冬天的宁静，空气中弥漫着雪的清新，听着外面孩子们的嬉笑声，心里是不是特别暖？这就是积雪语义分割数据集想要呈现的感觉。
当然了，积雪不仅美丽，它也有不少挑战。
你可别以为只要有雪就好，雪的颜色、厚度、光线等等，都是影响识别的因素。
积雪跟地面是个颜色，或者光线反射得太厉害，计算机就可能会搞混。
这就像咱们看不清的地方，得仔细瞧一瞧，不然就会看错。
所以，科研人员在制作这个数据集时，真的是绞尽脑汁，想尽各种办法来让计算机“看”得更清楚。
这时候，咱们就得提到数据标注。
没错，就是把图像中的每个部分标出来，这个过程有点像给图画上色。
要把雪、树、房子一一标清楚。
这听上去简单，但实际操作起来，得认真得像给小孩画画一样，得确保每一笔都准确无误。
冬季大雪的降雪量统计冬季是寒冷的季节，同时也是大雪纷飞的季节。
降雪量的统计是对冬季气候特征的重要观测指标。
本文将对冬季大雪的降雪量进行统计和分析。
一、数据收集冬季降雪量的统计需要收集多个观测站点的数据。
这些站点通常位于不同地区，包括城市、乡村、高山区等。
在收集数据时，需要保证观测仪器的准确性和一致性，以确保数据的可靠性。
二、统计方法针对冬季大雪的降雪量统计，常用的方法包括点观测法和面观测法。
点观测法主要是通过在站点上设置观测设备，记录雪花的落下数量和积聚深度。
面观测法则是通过一定范围内的地面积雪厚度，来推算降雪量的多少。
三、数据分析1. 不同地区的降雪量差异通过对多个观测站点的数据进行比较和分析，可以了解到不同地区的降雪量差异。
一般而言，山区和高纬度地区的降雪量较大，而平原地区的降雪量较小。
2. 时间段的降雪量趋势通过对冬季不同时间段的数据进行统计，可以研究降雪量的趋势。
例如，是否存在近年来降雪量逐渐增加的趋势，或者某个特定时间段降雪量较为集中等。
3. 过去年份的对比分析通过比较不同年份的降雪量数据，可以了解到降雪量在不同年份之间的变化情况。
这对于预测未来的降雪情况和制定冬季交通、供暖等方面的规划都具有重要意义。
四、降雪量的影响因素1. 气象条件降雪量的多少与气象条件密切相关。
例如，湿度、温度、风速等都对降雪量产生影响。
通过分析气象条件的变化，可以更好地理解降雪量的规律。
2. 地理地形地理地形对降雪量也有一定的影响。
例如，山脉周围的地区通常降雪量较大，而平原地区降雪量较小。
这与山脉的影响、湿空气的上升等因素相关。
五、应用价值冬季大雪的降雪量统计对多个领域有着重要的应用价值。
例如，在交通运输方面，可以根据降雪量的统计数据来制定合理的除雪和交通管制措施。
在农业方面，可以根据降雪量的变化来合理安排灌溉和农作物的种植计划。
在城市规划方面，可以通过降雪量的统计数据来考虑建筑物的雪载设计等。
六、结论通过对冬季大雪的降雪量进行统计和分析，可以有助于我们更好地了解冬季气候特征，并在相关领域做出合理的规划和决策。
收稿日期收稿日期：2012-12-24；修订日期修订日期：2013-04-07基金项目基金项目：国家973计划项目(2010CB95090103)资助。
作者简介作者简介：于灵雪（1987-），女，山东淄博人，博士研究生，主要研究方向为土地覆被与气候变化研究。
E-mail:lxyu2010@雪数据集研究综述于灵雪1,2，张树文1，卜坤1，杨久春1，颜凤芹1，2，常丽萍1（1.中国科学院东北地理与农业生态研究所，吉林长春130012；2.中国科学院大学，北京100049）摘要摘要：大范围的雪盖变化是气候变化的指示剂，雪通过其自身的物理性质调节着地气之间的物质与能量循环，还能影响地表径流，调节水文循环，甚至在全球生态系统中发挥着重要的作用，因此建立数据集，实时监测雪盖的变化就变得非常必要。
通过阅读大量文献，总结目前应用较为广泛的数据集，主要包括可见光/近红外数据集如NOAA 数据集、MODIS 数据集，微波数据集如SMMR 数据集、AMSR-E 数据集，以及多数据源的数据集。
分析各种数据集的生成原理和优缺点，对目前雪数据集研究中可能存在的问题进行总结。
关键词：雪数据集；积雪覆盖；雪水当量；雪深；遥感中图分类号中图分类号：TP79文献标识码文献标识码：A文章编号文章编号：1000-0690(2013)07-0878-06全球气候正经历以变暖为主要特征的变化，冰雪覆盖作为一种气候变化的响应对气候变化非常敏感[1]。
在此背景下，南、北半球积雪的平均面积已经减少，而这种雪盖的大范围减少已经引起海平面上升，预测未来的积雪覆盖范围将进一步缩小[2]，同时，地球陆地表面的30%以上被季节性积雪所覆盖，10%的陆地被永久性积雪和冰川所覆盖，雪的积累和融化是地表最重要的季节性环境变化之一[3]。
大尺度雪盖变化是气候变化的指示剂，不仅如此，雪还能在不同的尺度下影响地球系统的其它部分[4]。
凭借其辐射和热性能，它能够调节地表-大气之间的能量和物质转移[5]，从而在控制局部乃至全球的反馈网络中扮演着重要的角色；雪可以影响地表径流，调节水文循环[6]；积雪覆被的变化可能会影响生物物候和生态系统功能[7]；北方寒冷地区雪储存大量的水资源，雪的变化对人类活动有深远影响[8]。
此外，雪的观测是气候模型输入与研究的关键[9]。
因此积雪信息的观测与提取就变得非常有意义。
在卫星遥感出现之前，受技术的限制，雪的监测与管理主要依赖于气象站点点数据进行独立的点的观测，但其非连续性严重的制约了冰雪信息的提取与应用。
20世纪60年代以来，遥感技术的蓬勃发展为积雪的监测与应用提供有力的平台，开始全方位的积雪监测。
本文在查阅大量的文献资料的基础上，对这些用于积雪监测的遥感数据进行统筹与划分，并在此基础上分析国内外目前应用广泛的积雪数据集，目的是对冰雪研究有一个综合全面的认识，并对未来冰雪研究的发展提供思路。
1理论基础与背景积雪监测的方法包括气象站点监测、模型以及遥感方法。
气象站法是对各个站点的观测值进行插值分析，但受气象站点的数量和分布影响较大。
模型的方法主要是通过建立积雪变量如雪深、雪水当量等与气象观测值或者是遥感观测值之间的经验或者半经验关系，完成雪的监测。
遥感方法则是应用雪与其他地物的电磁特性差异来反演积雪覆盖范围、雪水当量和雪深等参量[5]，这使得卫星观测对全球雪盖监测和大尺度的雪数据的环境应用更具吸引力。
1.1传统的气象站点监测最早的积雪观测方法就是气象站点法，积雪观测资料包括积雪日数和雪深，利用气象站点的第33卷第7期2013年07月V ol.33No.7July,2013地理科学SCIENTIA GEOGRAPHICA SINICA于灵雪等:雪数据集研究综述7期空间插值，得到积雪的空间分布数据集[10]。
其年代较长，资料的准确性和完整性较好。
这种传统方法的不足使我们只能获得一些离散的资料，且站点分布不均匀，特别是在偏远地区和高寒地区气象站点的分布极少，对于区域性的积雪监测代表性欠佳[11]；不同的气象站点在观测时间上无法协调一致，无法及时、全面、准确地反映大范围乃至全球的积雪分布状况。
同时，仅靠气象记录来判断山区积雪情况和牧区雪灾有很大的局限性。
1.2可见光/近红外监测卫星遥感的出现打破了传统观测资料时空连续性差的问题。
可见光/近红外提取雪信息主要是利用雪的光谱特性及其与云、裸地、植被等光谱特性的差异，提取积雪信息。
在可见光波段，雪的可见光反射率较高（80%或者更高），在近红外波段1.6和2.0μm波长处反射率最低，而云在该波段反射率仍很高，这一特点使得可见光/近红外监测可以有效识别雪、云层和其他地表覆被类型[12~14]。
利用这一性质，许多传感器已被用于全球大尺度和区域尺度的积雪信息的提取与研究[15~20]。
可见光/近红外监测空间分辨率较高，A VHRR 数据可达到1.1km，MODIS可达到1km，TM数据可达到30m，也使其能够进行全球乃至区域范围的雪情监测，并可以作为气候模型或者水文模型的输入参数[21]。
但是，可见光影像容易收到云层的干扰，受大气和光线的影响严重。
此外，浓密的森林区，茂密的植被可能会阻碍雪的可见光或近红外信息到达传感器，很难确定雪的覆盖范围和数量，可能导致雪的范围被低估。
1.3微波观测由于雪的粒径与微波波长相似，雪可以散射地球表面反射的微波，这样就可以有效的识别积雪和无雪表面。
理想情况下，散射量与雪颗粒的数目成正比，因此，可以通过分析微波能量和积雪深度、雪水当量之间的关系获得积雪信息[22]。
目前用于微波观测的传感器有美国雨云卫星多通道微波扫描辐射计(SMMR)，美国空军空间局和海军空间系统活动局共同研究的微波辐射计系统：四频率线性极化专用微波成像系统(SSM/I)，美国NASA Aqua卫星上的改进型多频段、双极化圆锥扫描的、被动微波辐射计（AMSR-E），主动微波数据例如QuikSCAT可以利用Ku波段散射数据进行大的空间尺度的雪盖监测[23]。
微波遥感能够反演雪盖厚度、含水量和雪密度，与可见光监测相比，微波能有效的穿透云层，有效地去除云层对积雪提取的影响；它也能够穿透大部分积雪层从而探测到雪深和雪水当量的信息；微波遥感不受太阳光照的影响，可全天候进行积雪观测；由于被动微波遥感具有很高的时间分辨率，能够迅速覆盖全球，因此它在监测全球和大陆尺度的积雪时空变化中，作用尤为突出。
但是，微波遥感数据空间分辨率低，一般为25km或者更大，难以获取积雪的细节信息，不适合进行小尺度的研究；微波遥感还容易受积雪含水量、冻土等下垫面因素干扰[24]；微波遥感难以检测浅雪或者湿雪，湿雪会造成亮温大的变化会掩盖雪信号[25]；茂密的森林中植被发射的辐射信号也可能掩盖积雪，导致积雪监测的不确定性增加[10]。
2雪产品分析2.1可见光/近红外数据集1）美国NOAA数据集。
NOAA数据集是发展最早的遥感数据集，该数据集从1962年4月开始就提供覆盖加拿大东部的遥感资料，并提供从1966年至今每周的北半球雪盖制图[4]。
一开始它是有经验的气象学家对拍摄的可见光资料进行人工解译得到（分辨率190km）[17]，1997年引进交互式多传感器（IMS）后，通过处理光学和微波遥感数据以及一定的气象台站数据，得到25km分辨率和更高分辨率的（1999年之后4km）逐日北半球雪盖图[26]。
IMS产品的最主要的特征是基于时空场景的融合，在特定的区域和条件下由分析者决策哪个数据源更可靠和雪的最终位置，因此其准确性和可信度较高。
NOAA数据集已广泛应用于大陆和半球积雪的监控，并输入到气候，水文模拟和数值模拟研究。
为保持数据集的时空一致性，NOAA 数据集的优化也成为一个难题[4]。
2）NASA的MODIS数据集。
MODIS传感器，作为世界上新一代图谱合一的传感器，它的通道范围很广，它的通道范围很广，在0.4~14μm的电磁波谱范围内设置36个光谱通道，具有250、500、1000m的空间分辨率，每日或者每2d可以获取一次全球观测数据。
这使得MODIS数据集在积雪观测方面具有很大优势。
它利用雪盖指数（NDSI）来对冰雪信息进行提取，即band4(5.45~ 5.65mm)和band6(1.628~1.652mm)之间的归一879地理科学33卷化指数，一般来讲归一化指数大于0.4的划分为雪像元，反之为无雪像元，在有云或者森林茂密的区域增加其它的阈值规则[27]。
MODIS提供每日的和合成的积雪资料，应用广泛的数据产品包括2000年至今的500m分辨率的MOD10A1逐日雪产品数据；MOD10A2用8d 合成的雪产品数据主要用于高纬地区，持续的云层阻碍了每天的观测数据使用；MOD10C1逐日气候模型网格产品，分辨率0.05°。
由于传感器的改进，MODIS卫星资料在空间分辨率、积雪反演算法等方面明显优于25km的NOAA数据集，在时间分辨率和光谱分辨率上比TM等可见光数据具有更大的优势。
基于以上优势，Liang等人采用MODIS数据监测中国新疆牧区的雪盖情况，并得出用户自定义的多天合成的MODIS产品比逐日的MOD10A1数据对于监测牧区的雪盖情况更有效[28]；Salomonson等人用NDSI估算雪盖分数，并发现在局部或者大的区域如北美应用时，NDSI与雪盖分数存在回归关系，并且具有鲁棒性[29]。
然而，该数据集受云的影响较大，在无云区精度很高，在经常有云层的覆盖的区域其不确定性大大增加。
2.2微波数据集SMMR，因其多通道和双极化的性能扩大其应用范围，为雪深定量化遥感创造条件，传感器运行时间为1978年10月到1987年8月，每隔1d传送1次数据。
从1987年8月开始，性能更好的SSM/I替代了SMMR，提供半球或全球尺度的雪深变化信息[30]。
SMMR和SSM/I都是利用雪颗粒散射在不同频率的敏感度差异来测量雪水当量、雪深（前者利用18GHz和37GHz，后者利用19GHz 和37GHz）。
2个频率的亮温差异越大，SWE和SD越大。
利用这一性质，Foster等人采用1979~ 2006年的SMMR和SSM/I数据计算南美洲季节性积雪范围和质量[31]。
SMMR和SSM/I可以构成时间序列最长的微波数据集。
AMSR-E微波辐射计（2002~2011年）可以测量6.9GHz-89GHz水平和垂直极化辐射[12]。
AM-SR-E搭载在Aqua卫星上于2002年开始使用，于2011年10月因其天线旋转的问题而停止生产数据，由它生成的雪产品包括每天的（AE_DySno），5 d最大(AE_5Dsno)和月平均（AE_MoSno）雪水当量产品。
它是采用36.5GHz和18.7GHz频段下的亮温差异来对雪深和雪水当量进行反演。
