改進積雪密度的估計是目前雪研究的一個關鍵問題。表征密度時空變異性對于水當量的估算、水力發電和自然災害（雪崩洪水等）的評估至關重要。高光譜成像是一種監測和估計其物理特性的有前途且可靠的工具。事實上，雪的光譜反射率在一定程度上受其物理特性變化的控制，尤其是在光譜的近紅外（NIR）部分。為此，已經設計了幾種模型根據光譜信息估算積雪密度。然而，還沒有一個實現滿意的結果。主要困難之一是積雪密度和光譜反射率之間的關系是非雙射的（滿射的）。事實上，幾個反射振幅與相同的密度相關，反之亦然，所以密度和光譜反射率之間的相關性可能非常弱。

基于此，為了解決該問題，本研究中提出了基于光譜數據的積雪密度估計混合模型。主要研究目標是利用高光譜NIR成像（PIKA NIR，RESONON Company）（900-1700 nm）以5.5 nm的光譜分辨率測試混合模型（HM）估計季節性積雪密度的性能。混合模型結合了一個分類器和3個與密度類別相關聯的特定估算量（弱到中度變質雪（WMM），中度到高度變質雪（MHM）和高度到*度變質雪（HVM））。利用2018（1.19-3.27）、2019（1.10-4.3）和2020（1.29-3.10）年冬季在加拿大魁北克國立科學研究院（INRS）的科技園內（46°47′43.22″北緯，-71°18′10″西經）收集的數據集校準和驗證了HM。混合模型在兩個水平進行評估：利用留一法交叉驗證（LOOCV）算法和系統劃分驗證技術（SSV）。LOOCV技術用于評估3個特定估算量，SSV數據用于評估HM性能。4個統計評估指標（決定系數（R2），均方根誤差（RMSE），偏差（BIAS）和納什系數（NASH））用于評估模型的性能。

加拿大魁北克采樣區地理位置。

高光譜成像系統。

（a）雪樣垂直剖面的高光譜采集；（b）積雪垂直地層空間轉換的假彩色RGB圖像。

【結果】

3種積雪類別的NIR光譜反射率。

混合模型估計特定估算量的結果；（a）WMM，（b）MHM，（c）HVM。

混合模型特定估算量的LOOCV結果；（a）WMM，（b）MHM，（c）HVM。

利用SSV數據估計區域混合模型。

【結論】

基于多元逐步回歸的校準步驟結果表明，3種類型積雪均對不同NIR光譜區域敏感，局限于短波長和長波長。WMM對1265 nm和941 nm的波長敏感，MJM對1617 nm和941 nm的波長敏感，HVN對1424 nm和1188 nm的波長敏感。LOOCV技術強調了所有類別的特定估算量都趨向于略微高估積雪密度（BIAS＜0.1 kg·m^-3）。當用SSV數據挑戰HM時，模型結果令人滿意，R²=Nash=0.93，積雪密度略有低估（BIAS=1.03 kg·m^-3）。

本研究的目的是開發一種基于積雪光學特性地方法，結合傳統密度測量方法以減輕野外作業。利用HM估算積雪密度的關鍵步驟是最終特定估算量的選擇。事實上，分類算法（如CART）是局部且不穩定的。這種不穩定性會顯著影響利用HM的特定估算量的密度的準確性。換句話說，對于利用HM的理想建模過程，要建模的樣品必須很好地分類，以便使用與該類對應的特定估算量來進行*密度估計。否則，一個錯誤的特定估算量將會被選擇，從而影響估算精度。例如，對于一個581 kg·m^-3的測量密度（分類為HVM），當分別利用HVM，MHM和WMM特定估算量估算時，相對誤差變化了5%、39%和75%。另一方面，該方法的另一阻礙是野外和恢復的高光譜圖像上均勻積雪層的正確選擇。因此，需要進行額外的野外工作來收集更多的數據以克服這一弱點并允許適當的野外實施。HM提供了一種改進工具來監測季節性積雪的演變，即使對于低到中等的積雪密度，其性能也令人滿意。該研究結果是開發一種在野外連續監測積雪密度剖面的有效方法的重要一步。