陆面积雪是地球气候系统的重要组成部分,在水文过程、陆面能量收支平衡以及气候过程等方面扮演着重要的角色。新疆北疆阿勒泰地区地处欧亚大陆中心腹地,是新疆重要的农业和畜牧业基地,也是我国重要的季节性积雪区。积雪对阿勒泰地区非常重要,一方面,积雪融水给地区河流水量提供补给,另一方面,长时间大量的积雪会引起不同程度的雪灾,甚至引发融雪性洪水。雪灾的发生对交通、电力、通信和农牧业等带来诸多负面影响,严重威胁人们的生命财产安全,损害社会经济建设。因此,准确并及时地估算阿勒泰地区的积雪参数,如积雪面积、积雪深度和雪水当量等具有重要的现实意义。陆面模式中的积雪过程模式是一组描述积雪物质、能量和动量守恒与转换的数学物理方程,现已成为探索积雪时空演变过程的一个重要手段,它可以反演任意时空尺度的积雪参数。目前,陆面模式已被广泛应用于积雪的模拟与预测以及积雪对气候、水文模拟和融雪径流预测影响的研究。然而,由于受到了简化的参数化方案、气象驱动数据以及参数初始值等的误差影响,陆面模式模拟的积雪反照率、积雪覆盖率和积雪深度等变量值具有较大的误差。相关学者发展了一些基于直接插入和随机集合卡尔曼滤波的积雪数据同化方法,将遥感观测数据同化到陆面模式中改善积雪过程的模拟。然而,直接插入同化方法需要假设观测数据没有误差；随机集合卡尔曼滤波同化方法需要对观测数据进行扰动,会引入观测样本误差。此外,集合成员个数大小、积雪观测算子以及观测误差协方差等对基于集合的积雪同化结果有很大的影响。围绕以上问题,结合多源遥感数据与通用陆面模式(Common Land Model, CoLM),本文对积雪数据同化展开研究,具体工作包括以下几个方面：(1)为减少观测扰动引入的误差,提出了一种基于确定性集合卡尔曼滤波(DEnKF)的积雪覆盖率同化方法,将MODIS积雪覆盖率(MOD10A1)同化到CoLM陆面模式中直接改善雪深的模拟。积雪反照率对积雪模拟的影响非常大,而CoLM陆面模式会低估反照率的模拟。因此,提出了一种直接插入同化方法将基于MODIS的黑空和白空反照率同化到CoLM陆面模式中更新模式的黑空和白空反照率,从而间接改善雪深的模拟。首先利用MODIS双向反射分布函数(BRDF)模型参数产品(MCD43B1)和CoLM陆面模式在每一个时间步长计算的太阳高度角估计黑空和白空反照率,然后将估计的黑空和白空反照率同化到CoLM陆面模式中。在前面两个同化方法的基础上,提出了一种新的耦合反照率和积雪覆盖率的DEnKF-Albedo联合同化方法。利用2008年11月到2009年3月期间阿勒泰地区5个站点的雪深观测数据对同化结果进行验证。结果表明,这三种同化方法都能改善CoLM陆面模式雪深的模拟。但是,除了富蕴站之外,DEnKF-Albedo联合同化方法总体上展示了最优的分析表现,因为它能显著地减少积雪累积和融化期间CoLM陆面模拟雪深的偏差和均方根误差。对于富蕴站点,DEnKF-Albedo联合同化方法高估了雪深的模拟,产生了最大的偏差和均方根误差,这是因为它具有大的正新息(Y°- H(xb))。此外,从同化实验结果也可以看出,DEnKF的积雪覆盖率同化比直接插入反照率的同化获得更好的同化效果。这表明直接更新雪深状态变量的积雪覆盖率同化的效果比间接更新雪深状态变量的直接插入反照率的同化效果略好。(2)从上述的实验结果来看,仅仅使用DEnKF同化方法的MODIS积雪覆盖率数据同化并不能有效提高雪深的模拟精度。为了避免使用更少集合成员数的DEnKF同化方法的分析集合均值和背景误差协方差被低估,提出了一种混合集合-变分(DEnVar)积雪覆盖率同化方法。DEnVar混合同化方法将DEnKF和一维变分(1DVar)同化方法有效地耦合在一起,不需要观测扰动。DEnVar混合同化方法包括两个步骤：首先,DEnKF同化的分析集合均值和分析误差协方差被引入到1DVar混合代价函数中；然后,将1DVar同化的分析值取代DEnKF同化的分析集合均值。在阿勒泰地区5个站点上进行DEnVar积雪同化实验,并将其同化结果与DEnKF、1DVar和EnVar(Ensemble-Variational Data Assimilation)混合同化方法的同化结果进行比较。结果表明,当可用的MODIS积雪覆盖率被同化时,四种积雪同化方法能提高大多数站点的积雪模拟精度。使用混合误差协方差矩阵的DEnVar混合同化方法显示了最好的同化效果。此外,还分析了DEnVar混合同化方法对混合误差协方差权重系数和观测误差的敏感程度。敏感性实验结果表明,DEnVar混合同化方法对混合误差协方差矩阵的权重系数不太敏感,但对观测误差非常敏感。(3)由于积雪覆盖率数据同化容易受到简化观测算子以及云覆盖的影响,因此,同化结果仍存在较大的误差。为了减少简化的观测算子引入的不确定性以及云出现的影响,首先提出了利用统计的方法结合2004年1月到2008年10月期间站点雪深与MODIS积雪覆盖率观测数据拟合出新的雪盖消融曲线(在同化中作为经验观测算子),在这个基础上,提出了一种耦合DEnKF和4DVar同化方法的四维集合变分同化方法。利用提出的方法将MODIS积雪覆盖率同化到CoLM陆面模式中改善雪深的模拟。采用2008年11月到2009年3月期间阿勒泰地区5个站点的雪深观测数据来评价不同方法的同化结果。结果表明,除了青河站点之外,4DEnVar同化方法显示出最佳的同化分析表现,显著地减少雪深模拟值的偏差和均方根误差。这是因为4DEnVar同化方法考虑了更多观测数据(同化窗口内的全部观测数据),比只考虑单个时点观测数据的DEnKF同化方法获取更多的新息。4DEnVar同化方法在一定程度上减少了同化结果被高估的情况以及云的影响,特别是在缺失MODIS积雪覆盖率比较长的时间段,如吉木乃站点2009年2月8日到2月20日期间,它仍能较好地改善雪深的模拟。此外,还分析了4DEnVar同化方法对同化窗口长度的敏感性。结果表明,4DEnVar混合同化方法对同化窗口长度比较敏感。整体上,当观测算子能合理地估计积雪覆盖率观测数据且同化窗口长度比较合适时,4DEnVar同化方法随着同化窗口长度的增加而获取更好的同化分析表现。(4)为了准确地获取阿勒泰地区雪深的时空分布状况,参考前面提出的DEnKF-Albedo联合同化方法,结合考虑积雪密度的观测算子,发展了一个考虑次网格变异性的基于MODIS反照率和积雪覆盖率的DEnKF-Albedo联合同化方案。采用阿勒泰地区5个站点的雪深观测数据与中国西部环境与生态科学数据中心提供的AMSR-E被动微波遥感反演的雪深数据对同化结果进行验证。结果表明,考虑次网格变异性的DEnKF-Albedo联合同化的方案不仅明显地改善了雪深的模拟,而且较准确地反映了阿勒泰地区雪深的时空分布状况。阿勒泰地区的雪深空间分布具有沿山脉分布的特征,与阿尔泰山山脉的走向类似,呈现从西北向东南方向变化。总的来说,在阿勒泰地区北部海拔比较高的区域,积雪深度比较深,在中部平坦的区域积雪深度都比较浅。