积雪是水循环过程的关键要素，全球约有5%的降水以雪的形式出现，高纬度地区的比例更大^［1-2］。积雪融水是河流与地下水的重要补给源，为世界约六分之一的人口提供饮用水，占世界灌溉用水的三分之一以上^［3-4］。同时，积雪是重要的气候变量，通过影响陆气之间的水分和能量交换，与区域气候变化存在紧密联系，被认为是衡量区域和全球气候变化的有效指标^［5-6］。

青藏高原（后文简称高原）平均海拔4 000 m以上，被称为“第三极”，是我国三大典型积雪区之一^［7］。高原冬春季积雪异常通过影响海陆热力差异调制东亚夏季风爆发时间和强度^［8］；高原积雪融水是长江、黄河的重要水源，占其年流量的20%以上^［9］。因而全面认知高原积雪时空变化对我国气候预测以及水资源管理具有重要意义。

积雪深度是衡量积雪变化的重要特征量，也是高原雪灾评估的重要指标^［10］，高原冬季积雪深度比积雪面积对区域气候影响更为重要^［11］。气象观测站具有较长时间序列的积雪深度观测记录，被认为是最直接可靠的积雪数据^［12］。基于站点观测数据，高原积雪深度的一些基本特征被揭示^［13-15］。然而，由于高原观测站点稀疏且分布不均匀，主要分布在中东部，且多位于海拔相对较低的河谷或平原，站点观测数据不足以全面反映高原积雪特征，特别是高原西部及高山地区^［15-16］。遥感以及再分析等数据的研制为积雪研究提供了更多数据选择，这些数据在高原的应用丰富了对高原积雪的认知，如高原西部积雪变化^［17］、高原高山区域积雪变化^［18-19］等。

然而，由于遥感数据在反演算法上、再分析数据在模型设计及数据同化上以及各种资料空间分辨率等方面存在差异，导致遥感与再分析积雪数据对积雪气候特征及其变化的反映存在不确定性，基于站点观测数据对这些数据进行适用性评估是后续应用的基础。Xiao等^［20］以偏差、均方根误差、相对偏差、相关系数四个指标评估了AMSR-E、AMSR2、GlobSnow、ERA-Interim、MERRA2五种数据的平均积雪深度在北半球的适用性，表明GlobSnow、ERA-Interim的空间分布与地面观测的一致性更好，分别在积雪累积期和消融期具有较小的不确定性。欧亚中高纬地区，JRA-55的冬季积雪深度在偏差、年际变化、趋势上综合表现相对较好^［21］。在中国区域，肖林等^［16］以偏差和均方根误差作为评价指标对五种数据的月平均积雪深度进行评估，结果显示中国雪深长时间序列数据集在中国北方表现较好，AMSR-E在中国中部以及东南地区表现较好。由于遥感与再分析数据的不确定性往往表现出区域特征^［16］，高原等区域尺度上的积雪评估也开展较多。Bian等^［22］对多种不同类型积雪数据针对高原雪水当量进行评估，结果表明没有任何数据能同时较好描述时间变化和空间形态，从时间相关、偏差、均方根误差综合考虑，MERRA2表现最好^［22］；Zhang等^［23］基于积雪深度和积雪日数两个变量，从偏差和相关系数两个指标比较了几种常用再分析数据与观测数据在高原的差异，表明MERRA2、JRA-55总体优于ERA5。以上研究从变量选取方面，多对描述积雪平均状态的变量进行评估，对描述极端状态的变量，如极端最大积雪深度等少有涉及，这些变量是积雪灾害研究^［24］和工程建设需要参考的重要参数。由于工程规划建设时，往往需要全面考虑，既要考虑平均状态，又要考虑极值情况和变化趋势，迫切需要开展多变量多指标综合量化评价，才能优选出可靠的资料进行分析。

本文拟基于高原站点观测数据，对三种遥感和再分析积雪深度数据进行适用性评价。构建面向年平均积雪深度、年最大积雪深度、年积雪日数三个变量，从区域平均和空间分布两个维度，涵盖季节循环、平均值、极大值、标准差、年际变化、线性变化趋势在内的多评价指标体系，采用秩评分方法，分指标、分变量和综合多角度开展定量适用性评估，并探讨高原西部无观测资料地区三种资料反映的积雪变化趋势差异。

研究区域西起帕米尔高原，东至横断山脉，南自喜马拉雅山脉南缘，北迄昆仑山至祁连山北麓^［25］，研究区范围、气象站分布以及相关地理信息如图1所示，高原边界自国家青藏高原科学数据中心下载（https：//data.tpdc.ac.cn/zh-hans/data/61701a2b-31e5-41bf-b0a3-607c2a9bd3b3/？q=%E8%BE%B9%E7%95%8C）。

积雪深度数据包括来自中国气象数据网（http：//data.cma.cn）的气象站观测数据（后文以OBS表示）、国家青藏高原科学数据中心提供的基于遥感反演的中国雪深长时间序列数据集（https：//data.tpdc.ac.cn/zh-hans/）（后文以CHE表示）、以欧洲中期天气预报中心（ECMWF）第五代全球再分析数据（ERA5）^［26］（https：//cds.climate.copernicus.eu/）为基础生成的ERA5-Land、美国航空航天局（NASA）发布的新一代再分析数据MERRA2（https：//disc.gsfc.nasa.gov/）^［30］。

OBS为逐日积雪深度数据，选取高原范围126站1980年1月—2020年12月期间观测结果。

CHE为1979—2020年中国范围的逐日积雪深度分布数据，空间分辨率0.25°×0.25°。该数据基于交叉订正后的SMMR、SSM/I和SSMI/S逐日被动微波亮温数据，在中国南、北区域采用不同算法^［16］。CHE在高原积雪研究中有较为广泛的应用，因此使用该数据代表遥感数据进行适用性评估。

ERA5-Land空间分辨率0.1°×0.1°，时间分辨率1 h。ECMWF的上一代再分析数据ERA-Interim广泛应用于气候变化研究，最新的ERA5系列代表了目前再分析数据的前沿水平。ERA5-Land使用的积雪模型来自TESSEL，是一个单层的能量与质量平衡模型^［27］。与ERA5相比，ERA5-Land的主要改进在于校正的热力学输入的非线性动力降尺度，对积雪深度量值的模拟，二者因区域不同互有优劣^［29］。ERA5对亚洲高山地区的积雪深度存在明显高估^［28］，而ERA5-Land高原积雪适用性评估较少，需要进一步研究。

MERRA2空间分辨率为0.625°×0.5°，时间分辨率为1 d。该数据提供积雪覆盖率以及积雪覆盖区的平均积雪深度，两者相乘可以得到对应像元的平均积雪深度。MERRA2的积雪模块是一个三层积雪模型，模型生成的降水数据通过观测降水进行校正^［16］。已有研究表明MERRA2对高原雪水当量的模拟具有优势^［22］，针对多变量的综合评估需要进一步研究。

根据国家气象信息中心发布的《气候资料统计整编方法（地面）》，将7月1日至次年6月30日定义为一个积雪年。结合选用数据的时间范围，本文的研究时段为1981年7月1日至2020年6月30日，共39年。所有数据的时间分辨率统一为1 d，小时数据通过平均的方式进行转换，积雪深度单位统一为cm。由于气象站观测的积雪深度最小值为1 cm，将≥1 cm作为所有数据积雪日的判定条件。对于OBS，年平均积雪深度、年积雪日数的统计中对缺测数据的处理遵循以下原则：（1）一个月中缺测7天及以上，月值为缺测；（2）一年中各月缺测1个及以上，年值为缺测。对于年统计量，OBS有35%的站无缺测，37%的站缺测率大于0小于等于5%，28%的站缺测率介于5%~15%之间。CHE数据集已经对缺失的像元点采用当前时刻之前最近的数据补齐。

采用线性回归方法的斜率作为线性变化速率，正负号反映趋势增加或减少。使用student t方法对变化趋势结果进行显著性检验^［31］，信度取α=0.05。

使用双线性插值方法得到CHE、ERA5-Land、MERRA2三种格点数据在各站的积雪深度，针对年平均积雪深度、年最大积雪深度和年积雪日数三个变量从平均值、极大值、标准差、年际变化、线性变化趋势以及季节循环6个评价指标的区域平均和空间分布方面与OBS进行差异和相关统计，并量化评分。评价指标的选取主要考虑从不同方面展示遥感及再分析数据与站点观测数据之间的差异，为不同侧重的研究提供数据选择参考。使用误差绝对值（Absolute Value of Error， AVE）和相关系数（Correlation Coefficient， COR，包括时间相关和空间相关）衡量格点数据与OBS的差异，作为计算分数的统计分析值；年际变化的空间相关，基于评价指标的经验正交分解（EOF）的第一空间模态计算，该模态可以反映时间序列上的主要空间分布特征^［32］。

利用秩评分方法（Rank Score， RS）定量描述三种格点数据在不同评价指标上的优劣和排序评分^［32］。

式中：RS_k （T）为第k种积雪深度格点数据的评价指标T在区域平均或空间分布上的评分值；T_k 为第k种数据的评价指标T在区域平均或空间分布上的统计分析值；T_min、T_max分别为三种数据中统计分析的最小、最大值。RS_k 取值范围为0~1，值越大表示与观测结果的相对接近程度越高。季节循环有所不同，对月相关系数，最大月（Max）和最小月（Min）的误差绝对值进行统计，评分方式如式（1）。

首先，采用秩评分方法对每个评价指标的各项分别评分，按照等权重求和计算各指标得分；然后累计获得不同变量得分和多变量综合得分，高分反映适用性好。

以下分别从年平均积雪深度、年最大积雪深度、年积雪日数三个变量对遥感及再分析数据进行量化评分，然后进行综合评分。对不同评价指标的分析中，由于变化趋势是高原积雪的研究重点，而已有研究较少将其作为评价指标，因此对该内容进行重点分析。

针对年平均积雪深度，基于五个评价指标，三种数据的评分结果如表1所示。CHE得分最高，其次为MERRA2，ERA5-Land得分最低，分数分别为3.37、2.51、2.16。从评价指标而言，CHE标准差和线性变化趋势两项得分最高，MERRA2在季节循环和多年平均值两项得分最高，ERA5-Land在年际变化上得分最高。从统计方法而言，不考虑季节循环的情况下（统计方法只有区域平均），CHE在区域平均上得分最高，ERA5-Land在空间分布上得分最高。

季节循环方面，OBS月平均积雪深度的最大、最小月份分别为2月和7月，MERRA2与OBS一致；CHE反演的最大月份为1月，最小月份与OBS一致；ERA5-Land模拟的最大、最小月份分别为3月、8月。多年平均值方面，三种数据的区域平均结果均存在高估，OBS为0.20 cm，MERRA2与OBS最接近，为0.40 cm，CHE为1.20 cm，ERA5-Land严重高估，为8.37 cm。已有研究也表明，对逐日积雪深度，MERRA2在高原的偏差总体小于CHE^［16］。ERA5-Land虽然在多年平均值的区域平均上得分最低，但在其空间分布上得分最高，与OBS的相关系数为0.79，明显高于其他两种数据。标准差方面，三种数据区域年平均积雪深度的标准差均大于OBS，即具有高于OBS的年际波动；MERRA2在区域平均上得分最高，在空间分布上得分最低。年际变化方面，区域平均上三种数据与OBS的相关系数均显著，空间分布上只有ERA5-Land的结果显著。线性变化趋势方面，OBS表现为显著减少趋势，速率为-0.03 cm·（10a）^-1；CHE表现为不显著减少，ERA5-Land表现为显著减少，速率分别为-0.08 cm·（10a）^-1、-0.71 cm·（10a）^-1；MERRA2表现为不显著增加趋势，速率为0.04 cm·（10a）^-1。

1981—2019年高原年平均积雪深度的变化趋势及其偏差如图2所示。变化趋势方面，OBS以减少趋势为主，30站显著减少；西藏聂拉木站减幅最大，为-1.66 cm·（10a）^-1，青海玛多站增幅最大，为0.17 cm·（10a）^-1［图2（a）］。CHE以减少趋势为主［图2（b）］，高原西北部减幅最大且显著；高原东部呈增加趋势，这与相关研究结果存在差异^［33］，可能与选取的研究时段以及积雪年的定义有关。ERA5-Land与OBS较为相似，在高原东南部、西部边缘呈显著减少趋势，北部及中部以不显著的增加趋势为主［图2（d）］。MERRA2总体呈增加趋势，高原西南部和东北部、可可西里区域显著增加，高原西南部增幅最大；高原东南部呈减少趋势，其中部分区域显著减少［图2（f）］。

变化趋势的偏差，CHE中58.7%的站点为负偏差，小于-0.2 cm·（10a）^-1的站点主要位于高原中部；正偏差的站点主要分布在高原东部，大于0.2 cm·（10a）^-1的站点位于横断山区东北部［图2（c）］。ERA5-Land有73.8%的站点为负偏差，大部分站点的偏差小于-0.2 cm·（10a）^-1；负偏差的站点总体偏东，正偏差的站点总体偏西［图2（e）］。MERRA2有84.1%的站点为正偏差，负偏差的站点主要集中在高原东南部；与CHE、ERA5-Land相比，MERRA2偏差绝对值较小，在图中表现为颜色较浅；偏差大于0.2 cm·（10a）^-1的站点主要分布在高原西南边缘［图2（g）］。

基于6个评价指标的年最大积雪深度的评估结果如表2所示，MERRA2得分最高，其次为ERA5-Land，CHE得分最低，分数分别为4.16、3.61、2.48。从评价指标而言，MERRA2在多年平均值、极大值、标准差、线性变化趋势四项得分最高，ERA5-Land在季节循环和年际变化两项得分最高。从统计方法而言，不考虑季节循环的情况下，CHE在区域平均上得分最高，ERA5-Land在空间分布上得分最高。

季节循环方面，OBS月最大积雪深度的最大、最小月份分别为3月和7月，MERRA2、ERA5-Land与OBS一致；CHE月最大积雪深度的最大、最小月份分别为1月和8月。ERA5-Land与OBS月最大积雪深度的季节循环曲线的相关系数最高，但是未能反映OBS的双峰特征，MERRA2对这一特征有较好的模拟（图3）。多年平均值方面，OBS的区域平均为6.80 cm，CHE与MERRA2存在低估，分别为5.74 cm、4.16 cm，ERA5-Land存在高估，为31.06 cm；ERA5-Land在多年平均值的区域平均上得分最低，在空间分布上得分最高。极大值方面，OBS的区域平均为22.48 cm，CHE与MERRA2存在低估，分别为16.50 cm、11.71 cm，ERA5-Land存在高估，为63.85 cm；ERA5-Land在极大值的区域平均上得分最低，在空间分布上得分最高，与多年平均值情况类似。标准差方面，OBS的区域平均为1.01 cm，MERRA2略有低估，为0.91 cm，CHE与ERA5-Land存在高估，分别为1.31 cm、6.06 cm；ERA5-Land在标准差的区域平均上得分最低，在空间分布上得分最高，与多年平均值、极大值情况类似。年际变化方面，三种数据与OBS区域平均的相关系数显著且均在0.5以上，但空间分布均未通过显著性检验，即没有数据能较好反映年最大积雪深度的EOF第一空间模态。线性变化趋势方面，OBS与CHE表现为不显著的减少趋势，速率分别为 -0.20 cm·（10a）^-1、-0.33 cm·（10a）^-1；ERA5-Land表现为显著减少趋势，速率为 -2.26 cm·（10a）^-1；MERRA2表现为显著增加趋势，速率为0.32 cm·（10a）^-1。

图4为1981—2019年高原年最大积雪深度变化趋势及偏差的空间分布。变化趋势方面，OBS大部分站呈减少趋势，有10站趋势显著；四川稻城站增幅最大，为3.51 cm·（10a）^-1，青海甘德站减幅最大，为-2.21 cm·（10a）^-1［图4（a）］。CHE也以减少趋势为主，主要分布在青藏高原中部和西部，西部减少趋势显著［图4（b）］。ERA5-Land在青藏高原东南部以及西北角减幅最大且大部分区域趋势显著［图4（d）］。MERRA2主要表现为增加趋势，青藏高原西南部、东北部、可可西里区域增幅最大且趋势显著；高原东南部呈显著减少趋势［图4（f）］。

趋势的偏差方面，CHE表现为负偏差的站点略多，占比为54.0%，在高原中西部分布较多［图4（c）］。ERA5-Land有68.2%的站点为负偏差，其中一半以上小于-1.5 cm·（10a）^-1，主要分布在高原东南区域［图4（e）］。MERRA2以正偏差为主，占比为77.0%，大于1.5 cm·（10a）^-1的站主要集中在高原东北部［图4（g）］。

三种数据针对年积雪日数的评估结果如表3所示：MERRA2得分最高，其次为ERA5-Land，CHE得分最低，分数分别为4.23、2.80、2.14。从评价指标而言，ERA5-Land在年际变化和线性变化趋势两项得分最高；MERRA2在其他评价指标上均得分最高，其中季节循环上与CHE并列最高。从统计方法而言，不考虑季节循环的情况下，CHE在区域平均上得分最高，MERRA2在空间分布上得分最高。

季节循环方面，OBS月积雪日数的最大、最小月份分别出现在1月和8月，对于最大月份，三种数据均与OBS一致；对于最小月份，CHE与OBS一致，ERA5-Land和CHE均为7月。多年平均值方面，OBS的区域平均为20.53 d，三种数据均存在明显高估，MERRA2、CHE、ERA5-Land分别为44.85 d、83.67 d、166.13 d；MERRA2在区域平均和空间分布上均得分最高。极大值方面，OBS的区域平均为52.51 d，MERRA2、CHE、ERA5-Land分别为109.05 d、172.63 d、217.40 d；MERRA2在区域平均和空间分布上均得分最高。标准差方面，三种数据在区域平均上同样存在明显高估，OBS为5.21 d，ERA5-Land、MERRA2、CHE分别为12.46 d、15.65 d、18.27 d；ERA5-Land在区域平均上得分最高，MERRA2在空间分布上得分最高。年际变化方面，ERA5-Land在区域平均上得分最高，在空间分布上得分最低；MERRA2相反，在区域平均上得分最低，在空间分布上得分最高。线性变化趋势方面，OBS与ERA5-Land表现为显著减少趋势，速率分别为 -1.70 d·（10a）^-1、-4.83 d·（10a）^-1；CHE表现为不显著减少趋势，速率为-0.32 d·（10a）^-1；MERRA2表现为不显著的增加趋势，速率为2.46 d·（10a）^-1。

图5为1981—2019年高原年积雪日数变化趋势及偏差的空间分布。变化趋势方面，OBS有89.7%的站呈减少趋势，34.9%的站减少趋势显著；聂拉木站减幅最大为-16.65 d·（10a）^-1，托勒站增幅最大为2.48 d·（10a）^-1［图5（a）］。CHE总体呈现东增西减态势，趋势均显著，呈减少趋势的面积略大，占比为57.1%［图5（b）］。ERA5-Land总体呈现减少趋势，面积占比为74.1%，高原东部显著减少，东南部减幅最大［图5（d）］。MERRA2总体呈增加趋势，面积占比为76.7%；高原西南部以及35°N附近的东部地区显著增加，高原东南部显著减少［图5（f）］。

趋势的偏差方面，CHE表现为正偏差的站点略多，占比为57.1%，总体而言，正偏差站点位置偏东，负偏差站点位置偏西［图5（c）］。ERA5-Land有65.9%的站点为负偏差，主要集中分布在高原东南部及东北部［图5（e）］。MERRA2以正偏差为主，占比为81.7%，负偏差主要分布在高原东南部［图5（g）］。综合看三种数据年积雪日数变化趋势的偏差，CHE与OBS的差异最大，有28.6%的站偏差绝对值大于12 d·（10a）^-1，ERA5-Land和MERRA2分别有7.9%、9.5%的站偏差绝对值大于12 d·（10a）^-1，但区域平均的线性变化趋势CHE与OBS最接近，得分最高（表3）。

针对不同评价指标以及不同变量，三种积雪数据在高原的适用性综合评分如图6所示。从评价指标考虑，MERRA2在季节循环、多年平均值、极大值、标准差得分最高，ERA5-Land在年际变化得分最高，CHE在线性变化趋势得分最高［图6（a）］。从变量考虑，CHE在年平均积雪深度上得分最高，MERRA2在年最大积雪深度、年积雪日数上得分最高［图6（b）］。不考虑季节循环的情况下，CHE能较好反映高原总体情况，区域平均上得分最高，对空间分布反映则较差，得分最低；ERA5-Land相反，对空间分布的刻画优势突出，得分最高［图6（c）］。总体而言，MERRA2综合得分最高，ERA5-Land其次，CHE最低，分数分别为10.90、8.57、7.99［图6（b）］。

CHE在年平均积雪深度上得分最高，在表现各变量的线性变化趋势上具有优势，适合反映高原积雪的区域平均特征。CHE综合评分在三种数据中最低，主要由于对高原积雪空间分布特征的描述能力不如其他两种数据，这可能与被动微波遥感数据的粗分辨率带来的混合相元问题有关^［36］。如OBS显示西藏东南部河谷地带的积雪较少，但受像元内山顶积雪的影响，CHE对应像元的积雪较多，从而导致空间形态与OBS不一致。另一种被动微波遥感积雪数据AMSR-E在内蒙古地区的评估也表明该数据对积雪空间分布的描述不理想^［37］。再分析数据表现较好可能与其对高原整层大气水汽空间形态模拟较好有关^［38］。

ERA5-Land在表现各变量的年际变化上具有优势，适合描述高原积雪的空间分布特征。ERA5-Land综合排名居中，主要不足为对高原积雪深度存在严重高估，年平均积雪深度、年最大积雪深度、年积雪日数的多年平均值均明显高于OBS，分别偏高约40倍、3.5倍、7倍。Orsolini等^［23］研究表明ERA5对高原大气降水（包含降雪）的模拟在各个季节均明显高于观测，对降雪的高估可能与两个因素有关，一是同化的站点积雪资料未包含高原区域，二是未同化1 500米以上区域的IMS（Interactive Multisensor Snow and Ice Mapping System）数据。基于ERA5大气强迫数据，ERA5-Land生成的高原积雪深度明显高于观测，而且ERA5-Land的离线敏感性试验表明，减少青藏高原地区的降雪可以明显改善积雪深度模拟结果^［23］，因此，输入降雪过高可能是ERA5-Land积雪深度明显高于观测的关键因素。相比于ERA5，ERA5-Land对很多陆面参数的刻画能力有所提升，但对积雪深度的描述效果与地理位置和海拔相关。对于山区，ERA5-Land对中等海拔地区（1 300~2 500 m）积雪深度的描述优于ERA5，而对高海拔地区（3 300 m以上）的描述不如ERA5^［29］，这也可能是ERA5-Land对高原积雪存在明显高估的原因之一。

MERRA2综合评分最高，在年最大积雪深度、年积雪日数上得分最高，在表现各变量的季节循环、多年平均值、极大值、标准差上具有优势；主要缺陷为对高原积雪线性变化趋势的定性描述与OBS相反。MERRA2使用了两套网格降水数据集（包含高原区域）对生成的陆面降水进行订正^{［22-23，39］}，这可能是MERRA2得分最高的主要原因，在绝对量值上与观测最接近。已有研究表明，不同再分析数据对高原降水变化趋势的模拟存在较大差异，MERRA2的上一代产品（MERRA）的模拟结果与观测相反^［40］，而降水是计算雪深的关键参数，这可能是MERRA2模拟的积雪变化趋势与OBS相反的重要原因。

数据评估基于OBS为真值的假设，但OBS本身存在误差，如人工观测中的人为随机误差、自动观测中的仪器误差、观测方式变化以及站点迁移产生的数据不一致问题等。此外，OBS仅代表观测场的积雪状况，对周围代表性有限。遥感及再分析数据为网格内的积雪平均状况，插值后与OBS比较，差异在所难免。

多变量、多评价指标的综合评估可以全面地、更精确地讨论积雪数据在高原的优点和不足。在具备优势的同时，这种方法也存在一定不足，表现在评价指标之间可能存在一定的相关性，从而增大了个别评价指标的权重^［32］。比如区域平均的多年平均值与极大值，某数据集的多年平均值偏差较大，一般而言其极大值的偏差也会比较大（如ERA5-Land），在这两项的得分都会比较低，这种相关性增加了在“绝对量值”方面的评价权重。如果数据集较多，可以定量分析不同评价指标得分之间的相关系数，并使用EOF分解提取主要模态，削弱这些相关关系对综合评分的影响^［32］。

针对年平均积雪深度线性变化趋势的评价中，MERRA2在区域平均上虽得分高于ERA5-Land，但MERRA2的结果表现为增加趋势，与OBS和ERA5-Land的减少趋势相反。目前趋势一致性变化评估多为人为定性判断^［21］，如果增加这一项的考虑，将会对评估结果产生影响。

年代际波动是高原积雪的重要变化特征^［34-35］。1961—2010年间高原冬季积雪日数表现为“少—多—少”的年代际波动，20世纪80年代末由少到多，20世纪末由多到少^［34］；高原春季积雪深度在2002年经历由多到少的年代际突变^［35］。在高原积雪年代际变化的研究中，使用的数据集能否准确反映积雪的年代际特征，对研究结论有重要影响。由于年代际信号包含在逐年时间序列中，未将其单独列为评价指标，以减少评价指标间相关性的影响。下面分析三个变量年代际波动的差异。

对三种变量区域平均的年际变化，三种数据与OBS均有相对较高的相关系数（表1~表3）。对区域平均的年序列进行9年滑动平均，OBS均表现出明显的年代际波动（图7），其中年平均积雪深度、年积雪日数在2000年左右表现出由多到少的年代际转变，与已有研究基本一致^［34-35］。年平均积雪深度，CHE、ERA5-Land、MERRA2与OBS的相关系数分别0.90、0.95、-0.15［图7（a）］；年最大积雪深度，相关系数分别为0.75、0.71、0.13［图7（b）］；年积雪日数，相关系数分别为0.69、0.89、0.07［图7（c）］。与年际相关结果比较，CHE、ERA5-Land与OBS的相关系数明显提高，MERRA2与OBS相关系数明显降低。由此可见，对于高原积雪的年代际变化，CHE、ERA5-Land与OBS具有较好的一致性，而MERRA2与OBS存在明显差异。

图2、图4和图5也展示了站点稀少的高原西部的多源数据积雪变化趋势差异。年平均积雪深度，CHE总体表现为显著减少趋势［图2（b）］，ERA5-Land以不显著减少趋势为主［图2（d）］，MERRA2表现为增加趋势，其中西南部趋势显著［图2（f）］。年最大积雪深度，CHE在高原西部表现为显著减少［图4（b）］，MERRA2以增加趋势为主，西南部趋势显著［图4（f）］，空间形态分别与图2（b）、图2（f）类似；ERA5-Land在西部边缘为显著减少趋势，其余以不显著增加趋势为主［图4（d）］，与图2（d）的空间形态存在较大差异。年积雪日数，CHE以显著减少趋势为主，主要位于西北部［图5（b）］，ERA5-Land在西北部呈增加趋势，西南部呈减少趋势［图5（d）］；MERRA2表现为增加趋势，西南部显著增加［图5（f）］。对于高原西部积雪变化情况，三种数据的结论存在较大差异，需要更多的深入研究。趋势差异较大的原因，再分析数据之间可能是由于不同数据模拟的降水趋势存在较大差异^［40］，遥感数据与再分析数据之间可能是不同类型产品技术框架不同所致。

以OBS为真值，基于年平均积雪深度、年最大积雪深度、年积雪日数三个变量，使用多评价指标对三种积雪数据在高原的适用性进行综合评分，得出主要结论如下：

（1）综合评估结果MERRA2得分最高，ERA5-Land其次，CHE最低。从变量来说，MERRA2在年最大积雪深度、年积雪日数上得分最高，CHE在年平均积雪深度上得分最高。从评价指标来说，CHE在线性变化趋势得分最高，ERA5-Land在年际变化得分最高，MERRA2在其余四项评价指标得分最高。从总体和空间统计来说，CHE在区域平均上得分最高，ERA5-Land在空间分布上得分最高。

（2）CHE相对其他两种资料，对高原积雪的空间分布把握不足。MERRA2对高原积雪变化趋势的模拟与OBS反号，且不能反映高原积雪的年代际变化。ERA5-Land对高原积雪量值存在严重高估，在资料选择时需引起重视。

（3）由于高原西部站点稀少，相关结论仅适用于高原中东部。