持续而长期的积雪监测对于融雪径流预报、洪水控制、供水规划、水资源管理以及积雪变化与全球气候变化之间关系的研究都具有重要的意义。与常规的地面站点积雪观测方法相比，卫星遥感影像观测特别适合对区域积雪时空变化进行长期而持续的监测。自上世纪60年代中叶开始，从可见光、近红外、热红外到微波传感器都被用于积雪遥感，并由此衍生出了一系列积雪产品，其中有一部分产品还可以通过网络实时获得。由于传感器和负载卫星特点各异，图像处理程序以及雪分类技术也各不相同，积雪产品的性能存在着很大的差别。从光学传感器例如AVHRR,MODIS，SPOT和Landsat获得的积雪产品拥有相对较高的分辨率，但它们的精度取决于云层和光照条件。热红外遥感能够获得夜间的影像，然而其精度仍然与云层状况息息相关。被动微波传感器例如SMMR,SSM/I和AMSR-E可以穿透云层获得全天候的影像，但其空间分辨率不高，不适用于水文模型和雪灾监测。主动微波遥感例如SAR拥有良好的空间分辨率，然而雷达信号与积雪之间复杂的相互作用大大的限制了雷达影像的处理和解译。由此可见，每种传感器及其积雪产品都存在其固有的优点和缺陷。目前最有效的解决方案就是利用多天合并或多传感器结合的方法来取长补短。　　 本研究的目的就是开发简单而有效的方法来改善现有的MODIS雪产品，并从中探测积雪参数。最终获得近实时、高分辨率、高精度的复合积雪产品和积雪参数图。这些产品能够直观的反映区域积雪时空特征并能满足区域气候和水文模型的需求。论文包括四个主要部分：改善积雪产品精度(第三章和第四章)，发展能反映积雪时空变化的参数图(第五章)，以及他们在青藏高原三江源地区的应用(第六章)。　　 第三章介绍了一种先进的方法来合并每天的Terra-Aqua MODIS和Aqua AMSR-E积雪产品，从而产生新的高空间分辨率且无云的积雪覆盖和雪水当量产品。该方法包括统一编码、像元合并和基于子像元分析的雪水当量再分配三个主要部分。所产生新产品的空间分辨率为500m，时间分辨率为1天。整个方法利用美国阿拉斯加州的费尔班克斯和上苏0丝提纳谷地区2007水文年的数据进行了测试。结果证明MODIS在晴空状况下拥有很高的分类精度，Terra和Aqua MODIS的结合使MYD10Al的云含量降低了12.2％，MOD10A1的云含量降低了7.2％。在所有天气状况下，新的雪产品的积雪精度为86％，其远远高于现有产品的精度49％。AMSR-E雪水当量产品的精度为68.5％，对比地面观测值其往往高估雪水当量。而再分配后的雪水当量产品不仅拥有较高的精度，而且空间分辨率也得到了有效的改善。　　 第四章改善并应用了多种方法来去除MODIS的云影像。这些方法包括单天合并，邻近影像过滤，固定天合并，多天合并和多传感器影像复合等。单天合并方法就是以像素为基础基于优先级原则合并同一天来自Terra和Aqua的雪产品。如果Terra的雪产品为云，而Aqua雪产品同一位置不为云时，利用Aqua的信息来替代Terra中的云。邻近时像过滤方法就是利用相邻前后两天的雪产品信息来推算当天云层下的地物状况。固定天合并方法就是利用最近的非云像素取代同位置的云像素。其预定义的固定天数为2天，4天，6天和8天。多天合并方法同样使用优先级原则更新云像素，不同的是合并的时间窗口通过云含量和最大合并天数两个阈值来控制。而这两个阈值可以根据不同的应用目的来进行预定义。多传感器影像复合方法则是利用可以穿透云的AMSR-E雪产品来替代掉所用的MODIS云像素。虽然这些方法是基于MODIS和AMSR-E数据进行设计和测试的，但是这些方法同样可应用于处理其它光学遥感数据例如AVHRR,Landsat TM和被动微波遥感数据例如SSMR,SSM/I等，同时也适用于未来的国家极轨环境卫星观察系统任务。不同方法的选择将取决于不同的应用目的以及对云含量和精度的不同需求，本研究结果对于此类选择具有一定的指导意义。以上所有方法均被应用于处理美国西北部2006到2008水文年的MODIS数据，所产出的不同雪产品与244个地面站点所获得的观测数据进行了比较分析。各个产品的性能通过雪含量，云含量，分类误差和总精度等多个指数进行了定量评价。研究结果表明TerraMODIS雪产品的年平均云含量为52％，通过单天合并其降低为44％。邻近影像过滤使年平均云含量进一步降低为36％。而固定天数合并使年平均云含量分别降低为27％(2天)，13％(4天)，7％(6天)，4％(8天)，多天合并雪产品年平均云含量为7％。这些产品的在晴空条件下的精度也各不相同，分别为90.4％(Terra MODIS)，89.8％(单天合并)，90.1％(领近影像过滤)，89.3％(2天)，88.8％(4天)，88.2％(6天)87.7％(8天)，89.1％(多天合并)。各评价指数对比分析指出领近影像过滤方法能有效的探测云层下的地物信息，其不仅可以降低云含量也同时提高了影像分类精度。随着2天到8天持续的合并，云含量持续降低但有时产品的精度也下降。然而多天灵活合并的方法却能够在降低云含量的同时保持产品的分类精度。多传感器复合方法从领近影像过滤雪产品和多天雪产品上去除了所有的云，但也使他们的精度降低为79.1％和86.3％。由于AMSR-E的空间分辨率低(25x25km)，多传感器复合雪产品的空间分辨率也有所下降。然而该方法是目前唯一可行的完全去除云的方法。　　 第五章讨论了从遥感影像探测积雪参数的方法。积雪参数例如积雪开始日期(SCOD)，积雪结束日期(SCED)，积雪期(SCD)等是水文和天气预报模型的重要输入因子。而积雪参数的时间序列图也可直观反映积雪对全球变暖的响应。本文提出了两种新的方法来从无云的AMSRE和MODIS/AMSR-E复合雪产品以及低云的MODIS多天雪产品中提取这些积雪参数。另一种已发表的方法也被测试并用于与两种新方法的结果进行了对比分析。以上所有积雪参数探测方法也都应用于美国西北部雪产品，探测结果与244个地面站点在2006到2008年的雪参数观察结果进行了匹配度分析。结果通过遥感影像能有效的提取区域到全球的积雪参数而通过方法2由MODIS/AMSR-E复合雪产品所获得的积雪参数拥有最好的性能。虽然与地面站点探测结果存在一定的误差，但与反应地面站点和影像观察差异的影像分类误差之间的相关性分析表明该方法的误差主要来源于影像观察与地面站点观测间的差异而不是方法2本身。更重要的是衍生的积雪参数图上地貌形状清晰可见。这意味着随着海拔高度的增加，雪覆盖开始的时间提前，结束的时间推迟，持续的时间延长。　　 第六章是所开发方法在青藏高原三江源地区的应用。青藏高原是长江、黄河和澜沧江的源头，其雪盖和冰川对气候和环境的变化非常敏感。多项研究结果表明该区域的积雪变化对亚洲季风，东亚和南亚的干旱和洪水灾害也有很大的影响。因而建立该地区雪盖和冰川分布基础数据库并研究其变化趋势具有重要的意义。本研究利用新开发的多天合并方法得到了2001到2008水文年的低云雪产品。其时间分辨率为2-3天，空间分辨率为500m。新产品年平均云含量为5.8％，能满足该区域积雪监测的要求。基于这些新产品，利用方法2衍生出一系列的积雪参数图，例如积雪开始日期(SCOD)，结束日期(SCED)，积雪期(SCD)，永久性积雪(PS)和雪盖指数(SCI)等。结果显示同年SCOD和SCED图可以清楚的反映出该年积雪开始和结束的过程，对比不同年份SCOD和SCED图可发现每年的积雪过程各不相同。SCD图直观的显示了每年的积雪空间分布各不相同，但是积雪期通常随着海拔的增加而延长。主要积雪区分布在南部的唐古拉山脉和中部的巴彦格拉山脉以及黄河源区的东部。冰川主要存在于巴彦格拉山脉和唐古拉山脉西部的山峰上。此外，由于长江源区面积最大，因而长江源区的积雪指数最大而澜沧江源头积雪指数最小。从2001到2008水文年，2005年积雪指数最大，其次为2008年。然而，从2001到2008水文年，积雪的变化并没有明显的趋势。仅仅利用8年的数据也很难对这一地区的积雪变化趋势做出任何定论，仍然需要进行更长时间序列的研究，而本研究为今后的工作奠定了坚实的基础。