我国西北高寒山区逐步成为国家安全战略的关键区域，同时也是“一带一路”倡议下开展国际互联互通和边境合作的重要区域。然而，气候变暖导致的山区积雪特性快速变化，加剧了雪崩灾害风险的潜在性。例如：2023年1月，西藏林芝市派镇至墨脱公路发生雪崩，导致28人遇难；2022年2月，7名印度军方人员在中印边界巡逻遭遇雪崩全部失踪；2019年2月11日，天山果子沟突发雪崩，导致道路堵塞，车辆滞留两百余辆。雪崩灾害的防灾减灾救灾对保障人民和国家安全，推动区域高质量发展至关重要。及时有效的雪崩灾害易发区监测和风险评估是降低雪崩破坏性的有效手段。然而，目前对这一问题的研究还很有限，亟需加强。

针对以上问题，中国科学院新疆生态与地理研究所天山积雪雪崩研究站李兰海研究员团队以中国西天山重点区域（G217那拉提段、G218 巩乃斯路段）为研究区，针对雪崩易发区构建地表（气象、积雪）、无人机遥感（光学、热红外、激光点云等）和卫星（多光谱、SAR）组成的观测网络，综合利用多源科学数据对雪崩识别和风险评估进行探究。

围绕雪崩识别，团队充分挖掘了SAR影像资料获取雪崩区分布的能力，创新提出一种绘制雪崩遗迹空间分布的方案。即：根据雪崩遗迹样本，以Sentinel-1A升降轨影像为数据源，基于极化熵、散射角、后向散射等散射特征变化表征出具有明显检验能力的特征变量，结合诱发雪崩的地形因子，基于经典、成熟的机器学习算法（主成分分析、支持向量机和逻辑回归）完成确定的特征变量整合及样本尺度与空间尺度之间转换。最终绘制空间分辨率为13.92 m的目标区域雪崩遗迹。

围绕雪崩风险评估，研究人员分别探究了冬春差异和缺资料情境下的雪崩风险评估。针对冬春差异，利用多源异构数据，分别筛选出冬季、春季雪崩风险的关键因子，利用SVM，RF和KNN算法构建了三种雪崩风险评估模型；针对缺资料情境，研究人员开发了四种基于决策树（Catboost, LightGBM, RF和XGBoost）的机器学习模型，这些模型考虑了气象、积雪和地形共21个致灾因素，尤其将高分辨率的遥感雪深产品、WRF模拟（气温、风速、降水量）作为模型输入，提高了雪崩风险的预测能力。

上述研究已取得一系列创新成果。包括：成果以“Snow avalanche susceptibility mapping from tree-based machine learning approaches in ungauged or poorly-gauged regions”为题发表在Catena，论文第一作者为新疆生地所副研究员刘洋，该研究得到新疆第三次综合科学考察“伊犁河流域自然灾害调查评估”课题的支持。

成果以“Mapping snow avalanche debris by object-based classification in mountainous regions from Sentinel-1 images and causative indices”为题发表在Catena，论文第一作者为新疆生地所副研究员刘洋，该研究得到国家自然科学基金的支持。

成果以“Winter–Spring Prediction of Snow Avalanche Susceptibility Using Optimisation Multi-Source Heterogeneous Factors in the Western Tianshan Mountains, China”为题发表在Remote sensing，论文第一作者为新疆生地所杨金明博士，该研究得到国家自然科学基金的支持。

成果以“Automatic Detection of Regional Snow Avalanches with Scattering and Interference of C-band SAR Data”为题发表在Remote sensing，论文第一作者为新疆生地所杨金明博士，该研究得到国家自然科学基金的支持。

图1 基于SV-1影像解译生成的冬季、春季雪崩分布。

图2 雪崩风险分级分布 Catboost(a1), LightGBM(a2),RF(a3) and XGBoost(a4)。