地学、遥感与人工智能交叉领域最新进展（2025-11-10 至 2025-11-17）

随着 17 年轨道资料的积累、CMIP6-HighResMIP 对极端事件的刻画能力增强，以及遥感影像处理进入扩散模型时代，地学研究正从“被动诊断”转向“智能驱动决策”。本期基于 Nature、Science、Journal of Geophysical Research: Atmospheres、Journal of Climate、Remote Sensing、International Journal of Digital Earth 等期刊 798 篇论文，并参考地理信息智能化与遥感自动化的权威解读（ebiotrade，2025；csgpc，2025），梳理气候系统科学、智能遥感、水生态监测与地学 AI 工程的最新突破，并提出未来一季的技术观察要点。

一、气候系统再分析：极端事件的多尺度机制

1.1 热带气旋对 UTLS 组成的扰动

多源对流层顶诊断　根据 17 年 Aura MLS 观测与热带气旋轨迹匹配（Fagan & Homeyer, 2025），热带气旋造成的上对流层臭氧亏损和水汽增湿，对辐射强迫敏感层的能量收支影响可达 10% 量级。研究指出：

• 垂直层结敏感度　必须按流域和可变对流层顶高度校正背景态，才能稳定评估水汽与臭氧异常。
• 环境剪切调制　在低剪切背景下，水汽上输更剧烈，提示对暖海区快速爆发风暴需强化 UTLS 水汽监测。

1.2 近风暴降水波动性攀升

利用 25 km 分辨率的 CMIP6 HighResMIP 集成（Chen et al., 2025），团队发现 SSP5-8.5 情景下近风暴降水的标准差增幅与平均值同步增长。对沿海城市的含义：

• 灾情准备窗口缩短　降水突增/突减节奏加快，传统以累积总量为主的应急触发阈值将失效。
• 内涝-山洪复合风险　高频降水振荡叠加城市硬化面，会提升小流域响应的不确定性。

1.3 东亚冬季温度年代际跃迁

基于 1880 以来的再分析资料（Ge et al., 2025），研究揭示 AMO 位相通过调制东亚槽西部的背景风场，驱动冬季温度年际方差的增强或抑制。对能源调度的启示：

• 跨洋遥相关信号　AMO 正位相将加强寒潮频率，应纳入季节性负荷预测。
• 瞬变涡动能反馈　提示数值模式需显式约束中纬度能量转换过程，避免暖冬预测偏差。

1.4 全球火天气的权重集成投影

Journal of Climate 刊发的 26 模型权重集成（Gallo et al., 2025）将 FWI 偏差与模型相依性纳入同一统计框架，带来两点关键影响：

• 模型不确定度压缩　与传统算术平均相比，加权方案在 1980–2014 回溯检验中显著降低区域火险偏差，证明在森林资源规划中可量化“可信等级”。
• 空间响应更精细　在 SSP 情景下，全球 68%–91% 的火险区将在本世纪末经历 FWI 的显著上升，且 2040 年前已有逾半区域出现统计显著增强，适合提前布局高风险带的防火隔离带与人力储备。

1.5 深层土壤墒情与植被反馈

Nature Climate Change 对人为增强深层干旱的归因（Guan et al., 2025）与 Remote Sensing 的卫星 LAI-土壤湿度分析（Yin et al., 2025）相互呼应，强调：

• 根区湿润“拐点”　多源观测显示 2000 年后根区与表层湿度从干化转为湿润，植被增绿贡献度在冬春季超过单一气象因子。
• 气候驱动季节性差异　夏秋季由太阳辐射控制的蒸散更易导致表层干化，说明干旱预警需按季节切换主控指标。
• 政策启示　当 LAI 与土壤墒情存在正反馈时，退化植被恢复项目应匹配辐射压力较小的季节窗口，以降低灌溉需求。

1.6 暖输送带对 UTLS 水汽的定量贡献

利用 ERA5 轨迹统计（Guo & Miltenberger, 2025），首次将快速爬升暖输送带对北半球 UTLS 水汽的贡献量化为 DJF 季节总输送的 13.8%，关键发现包括：

• 凝结水异常持续 6 小时　暖输送带结束后，上对流层的正水汽异常可维持至 6 小时，要求模式显式解析快速爬升事件。
• 10 小时爬升阈值　上升时间短于 10 小时的气团贡献最大，提示深对流与急流入口的耦合是关键。
• 模式评估基准　该统计可作为大气化学传输与再分析比对的量化基准，缩小 UTLS 光学厚度预报不确定性。

1.7 海表盐度同化突破 MJO “海陆障碍”

NASA GEOS-S2S-2 的八个代表性事件实验（Du et al., 2025）显示，同化海表盐度（SSS）后：

• 更深混合层　初始化产生更深的混合层（MLD）与更高的上层海洋热含量（OHC），降低 MJO 对流引发的表面冷却。
• 潜热通量增强　更高的 SST 与风场收敛共同提升潜热通量异常，支撑 MJO 在海陆过渡区的东移。
• 预报技巧提升　大尺度降水追踪结果表明 SSS 方案在海陆过境阶段的位相误差显著减小，为跨季节业务化提供新路径。

1.8 AMV 与外强迫共塑东亚夏季降水

多套强迫-控温混合试验（Si et al., 2025）证明：

• 负 AMV 触发 1960s 转折　北大西洋冷却通过罗斯贝与开尔文波双路径削弱东亚夏季风，引发 60 年代的南涝北旱。
• 外强迫驱动河谷干化　自 1960s 起的黄淮干化与正 AMV 的 1990s 北抬共同塑造最新的雨带分布。
• 长记忆预估　区分海温内部变率与外强迫，有助于制定十年尺度的水资源配置策略。

1.9 高分辨率 CMIP6 对高山降水的改进

对六对高低分辨率模型的比较（Li et al., 2025）显示：

• 南部湿偏减少 65%　高分辨率模拟在南缘喜马拉雅显著减小湿偏，改善 1951–2014 的干湿分布。
• 远程强迫机制　改进源于对印度洋中部暖 SST 模式的更好刻画，诱发孟加拉湾上空的反气旋并输送干空气。
• 山地水资源管理　提示在高山地形区，提升外海强迫模拟比改善局地地形参数更关键。

1.10 陆面辐射-对流平衡的理论更新

理想化陆面 RCE 模型（Tang & McColl, 2025）给出：

• 干地表高敏感度　固定干土条件下的降水率随升温按 Clausius–Clapeyron 近 8% K⁻¹ 增长，远高于海洋背景。
• PET 受净辐射控制　潜在蒸散主要随地表净辐射而非气温变化，意味着全球平均干旱度不会爆炸式提升。
• 管理启示　灌溉或地下水支撑的区域可用该理论评估能量限制，从而调整节水策略。

二、遥感观测智能化：从水质到云去除

2.1 全球水体浊度的智能反演

Remote Sensing 期刊报道的梯度提升模型（Chowdhury et al., 2025）通过 GLORIA 与 MAGEST 两个全球开放数据库统一特征空间，覆盖 17 国 83 个水体类型。其贡献：

• 跨水体泛化　Rrs865/Rrs560 成为主判别指标，精度在河口与高浑浊湖泊中仍保持 1.32 FNU 偏差。
• 自动化管线　结合科学云平台部署，实现近实时预警，适配风暴后泥沙暴增场景。

2.2 SAR 条件云去除迈入扩散时代

CM-CR 模型（Han et al., 2025）以 SAR 条件得分网络为教师，经一致性蒸馏得到单步学生模型，并以多步重采样细化纹理：

• 精度与速度兼得　对 SEN12MS-CR 基准取得 SOTA，同时推理提速 40×，足以支持编队卫星级别的批处理。
• 可解释性提升　借助 SAR-Optical 互补，模型可在厚云区恢复道路和农田纹理，利于地表过程模拟。

2.3 大气校正与高光谱推理的工程优化

Accelerated Optimal Estimation（Susiluoto et al., 2025）将贝叶斯最优估计加速两个数量级，并验证高光谱反演的高斯不确定性假设仍成立。这意味着：

• 星载即席处理可行　AVIRIS-NG 场景验证显示，AOE 可在资源受限的机载/星载端执行。
• 误差传播透明　结合 MCMC 对比，可为反演产品提供更可信的置信区间。

三、GeoAI 工程化：大模型落地与矢量数据治理

3.1 UAV 场景的开放词汇解译

HOSU 框架（Li et al., 2025）通过 DINOv2 的几何感知能力引导 CLIP，配合文本多层约束与遮挡鲁棒策略，使无人机影像的长尾类得以解译：

• 跨数据集一致性　六个 UAV 数据集的实验证明分布感知微调可显著降低语义漂移。
• 遮挡感知推理　Mask-based 一致性训练改进视角突然变化下的小目标召回。

3.2 ShapefileGPT 推动矢量数据链自动化

来自 International Journal of Digital Earth 的 ShapefileGPT（Lin et al., 2025）构建多智能体 LLM 协同体系，完成投影一致性检查、拓扑修复与语义增强。结合 ebiotrade 对“智能地理学”框架的阐述，该成果意味着：

• 数据上游治理前置　实现从矢量采集到知识图谱映射的闭环，降低人工修复成本。
• 可扩展工作流　借助 Agent 化调度，可在地学数据生产线上集成自动 QA/QC。

3.3 安全与治理并行

Nature 对 AI 安全的专访强调，恶意使用已出现（Castelvecchi & Thompson, 2025），csgpc 则提示 GeoAI 面临标注稀缺与可解释性缺口。结合本周论文，可归纳三条工程要务：

• 模型内审　对 SAR-Optical 融合与 UAV OVSS 模型开展输入敏感度与对抗测试，防止应用于关键基础设施时被篡改。
• 技能闭环　引入多模态 Agent 体系，让知识引擎与感知模型共享一致的审计日志。
• 法规适配　对 CCUS 监测（Karoff et al., 2025）等高合规领域，优先落地浓度基监测与多平台数据融合。

四、极地与行星过程再认识

4.1 格陵兰 2.4 万年演化的拼图

The Cryosphere 最新 5 km 分辨率集合（Leger et al., 2025）借助 PaleoGrIS 1.0 边界条件与 Parallel Ice Sheet Model，从 24 ka 模拟到 1850 年，获得：

• 海洋驱动的快速退缩　16–14 ka 期间，海洋增暖触发大陆架冰盖快速消融，质量损失速率可达现代的七倍，为改进海洋-冰盖耦合提供定量约束。
• 区域异质性评估　集合评分揭示北部与中东部仍存在系统性偏差，可作为下一代再分析调参的重点。
• 未来初始化价值　数据一致的古气候演化有助于减少投影初值误差，特别是在 ISMIP6 等多模式框架中。

4.2 木星大气的电台掩星复苏

Juno 扩展任务首次在 Voyager 时代后提供高分辨率电台掩星（Smirnova et al., 2025），并与 Cassini/CIRS 及地基光谱资料互证：

• 纬向热结构反转　赤道区呈现冷平流层与暖对流层的组合，对应北赤道带在数月尺度的热异常摆动。
• 多源一致性　与 Voyager、Galileo 历史结果高度吻合，证明多任务交叉校准可支撑木星深大气的长期监测。
• 潜在借鉴　电台掩星分析流程可迁移至地球再入任务与深空天气监测，强调频谱级噪声控制的重要性。

4.3 MOSAiC 观测揭示海冰-气旋耦合

借助 2019–2020 MOSAiC 漂流站的 39 个气旋事件（Liang et al., 2025），团队量化：

• 动力主导厚度变化　风致变形贡献 0.05–28.54 cm·day⁻¹ 的厚度增减，显著高于 0.02–1.44 cm·day⁻¹ 的热传导项。
• 气旋期大气-冰差异　气旋期的近地面温湿与冰面状态与非气旋期截然不同，为模式提供条件依赖参数。
• 再分析校准　热/动力分解结果可用于校准再分析中的冰厚参数化，提升对极端风暴期间海冰损益的评估。

五、环境治理与空间安全

5.1 CCUS 设施的温室气体核证

Remote Sensing 的综述（Karoff et al., 2025）指出，CCUS 场站监测亟需：

• 多平台协同　将无人机、地基传感器与卫星浓度反演纳入统一数据同化框架，才能满足法规要求的检测阈值。
• 基于浓度的核证链　相较单点通量观测，浓度驱动的反演更易与数据同化耦合，便于跨司法辖区的透明审计。
• 长期可信度　评估不同技术的成本与时间跨度，为 CCUS 资产提供“监测即服务”的可行路线。

5.2 火山岩脉停滞的快速判据

Geophysical Research Letters 提出的反张型震源指标（Bonaccorso et al., 2025）在埃特纳火山四次侧向侵入案例中证明：

• 可操作指标　当震源反演出现逆冲解，意味着岩脉接近停滞，可在前期就触发预警。
• 历史案例复现　1989、2002、2008、2018 的岩脉停止时间均被该方法成功刻画，提升现场决策效率。

5.3 农业管理区的遥感分区

多年度 NDVI 组合（Ramirez-Gonzalez et al., 2025）为土豆生产划分三类潜力管理区提供新范式：

• 跨年稳定性　Sentinel-2 与 Landsat 8 的 230 景观测让管理区兼顾空间差异与时序波动。
• 产量与土壤指标映射　NDVI 统计量与碳氮含量、块茎产量呈显著相关，验证了遥感指标在精细农业中的代理价值。
• 成本优势　相较密集传感器布设，影像复用更适合大田企业快速部署。

六、空间物理与电磁实验

6.1 Whistler 波的实验室复现

Geophysical Research Letters 报道的磁镜实验（Ma et al., 2025）首次在可控环境中再现实地观测到的周期性 whistler 激发：

• 能量来源　垂直传播微波在磁镜赤道处激发的各向异性电子提供自由能，与辐射带机制一致。
• 自调节周期　粒子模拟揭示 whistler 散射会快速削弱各向异性，随后在持续能量注入下重建，形成周期性放电。
• 应用价值　为辐射带建模提供可实测参数，也为空间天气任务提供地面验证手段。

七、GNSS 安全与地球系统观测

7.1 授时网络与分布式遥感节点

两个 Remote Sensing / GPS Solutions 研究共同描绘了“端到端授时链路”的演进方向：

• 分布式时间同步　DSTS 架构把贝叶斯滤波与 DDPG 结合，NLOS 场景下可将 ToF 方差压缩 51.6%，路径状态预测准确率保持在 85%–95%。在多节点网络中，每个传感器端通过自适应权重放大全局稳定的钟源，使最终频率与相位同步精度达到 4×10⁻¹⁰ / 5×10⁻¹⁰ s，适合海事、油气或机场等 GNSS 退化区的遥感阵列（见Wang et al., 2025）。
• H-maser 网络评估　对全球 80 座氢钟站及 GPS/Galileo/GLONASS 卫星钟进行 5 分与 30 秒采样回归，发现 60 座地面站日标准差 <75 ps，新一代卫星钟可在 2–8 小时窗口内保持 10 mm 级拟合误差。该方法可做授时服务的例行体检，与 DSTS 的节点加权策略形成标准化接口（见Widczisk et al., 2025）。

7.2 抗欺骗与高精度定位链条

从信号可信到厘米级定位，最新文献提供了一条连续的“安全—精度”路径：

• 嵌入式反欺骗　论文虽未释出摘要，但“optimized ML on embedded platforms” 指向轻量模型在车载/无人平台实时防护的趋势，可与 DSTS 形成“检测 + 授时”协同（见Zarrinnegar et al., 2025）。
• 受限 PPP　在首历元给 ZWD 加 0–30 cm 不等式约束，GPS 高程 RMS 可下降 75%，TTFF 缩短 10%–17.5%；加入 Galileo 后仍保持 65% 改善。应急通信或灾害监测可把它作为反欺骗后的可信基准解（见Brack & He, 2025）。
• 低成本编队　以 SDR 仿真 + 条件数分析为主体，指出独立三边测量在遥感编队中的数值稳定性最佳，而差分/双差虽然能抵消共性偏差，却易被高阶矩阵放大噪声，需配合降阶或权重设计。优化后可实现米级相对定位，支撑低成本星座的联合成像或安保巡检（见Forero et al., 2025）。
• ROTI 双频组合　该研究以地磁扰动期的 ROTI 指标筛选最适合的双频组合，既量化噪声又评估对电离层扰动的灵敏度，为中低成本监测网提供“一张表”式配置建议（见Li et al., 2025）。

7.3 PPP-AR 的可靠性强化

上述不等式约束 PPP 研究本质上也在提高模糊度固定（PPP-AR）的成功率：

• 约束 ILS 的成功率　Brack & He, 2025 表明，当 ZWD 约束宽度设置为 5–20 cm 时，约束 ILS 模式的模糊度首次固定时间可缩短 17.5%，且成功率显著高于未约束方案。
• 运维指引　在 PPP-AR 业务流程中，建议先使用 ROTI 指标确认电离层扰动，再根据实时气象给出 ZWD 可行区间，最后通过约束 ILS 输出“可信度标签”，可直接写入应急通信或电网授时 SOP。

7.4 GNSS 反演气候与地表过程

GNSS 信号不仅保障安全，还支撑多个地球系统应用：

• GNSS-RO × SABER　借助 GEOS 模拟对比，明确垂直分辨率是 GNSS-RO 与 SABER 在重力波势能和波长上的主要差异源。对 GNSS-RO 做简单垂向平滑后，两者的 QBO 驱动记录可近乎无缝拼接，延长 2002 年以来的平流层档案（见Almowafy et al., 2025）。
• 平流层化学拓展　在 QBO 周期内，重力波驱动直接影响臭氧、氯活性等化学物质的垂向输送。GNSS-RO 提供的 3D 分布可作为化学传输模式（CTM）同化的约束，解决 SABER 在 2000 年代初与 2010 年代末的观测缺口，保持氯循环、HOx 通量的连续性。
• 参考框架别名控制　IGS 与 NGL 在对齐策略不同导致年周期位移差可达 1 mm（水平）/3 mm（垂向）。该工作建议各数据中心公开对齐流程、减少真实加载信号被“别名”成系统误差，为潮汐与加载研究提供可信时间序列（见Bogusz et al., 2025）。
• GNSS-IR 土壤介电常数　通过解析 SNR 幅度与 Fresnel 反射系数的关系，并在 20° 以上仰角区间插值，低成本接收机即可在多种土壤纹理中估得介电常数；降低天线高度还能提高准确度。适合精准农业、滑坡预警，与传统遥感水分产品形成互补（见 Kobayashi et al., 2025）。

八、空间政策与合作治理

8.1 全球合作框架的潜在收紧

Science 报道的政策提案（Mervis, 2025）拟对与中国科研机构的大部分合作施加全面限制，业界发出以下关切：

• 遥感与 GNSS 供应链风险　若跨国数据与组件流通受限，国际 GNSS 基准站、成像星座的联合校准将更难维持，增加定位/遥感安保成本。
• 人才与数据共享　对共同编制气候 Dataset、联合任务（如 MOSAiC、GEOS-S2S）有直接影响，可能迫使机构建立平行的数据政策与脱敏管线。
• 行动建议　短期内需评估关键任务的跨境依赖度，建立双轨合作（开放版 + 合规版）与透明的科研尽职调查流程，以降低政策不确定性冲击。

8.2 GNSS 项目的合规流程建议

• 物料与算法分类　依据 Mervis, 2025 提到的提案范围，GNSS 接收机、抗欺骗算法、精密钟差数据均需提前定义出口分类（如 EAR99、ITAR）。建议在招投标阶段就把硬件/软件依赖链映射成 BOM，并标注原产国。
• 双管控数据链　参考 CCUS 浓度监测的多平台融合经验，可建立“开放数据沙盒 + 合规生产链”两套流程：前者用于研究验证，后者仅在合规节点间流转，并记录全链路审计日志。
• 合作模板化　对外合作合同加入数据去标识、算法可追溯以及“同源公开”条款，确保 GNSS-RO、PPP-AR 等成果在政策收紧时仍可延续（例如转为多国联合实验或开放档案镜像）。

未来发展趋势与风险提示

• 多源异构协同　水体浊度、云去除与 UAV 解译均展示 SAR 与光学、光谱与几何互补的重要性，建议加速建设多模态在轨编队。
• 实时化与边缘计算　AOE 与一致性蒸馏证明星载近实时处理可行，但需解决能耗与容错。
• 可解释 GeoAI　SHAP、文本引导正则等手段开始内建于模型训练，下一阶段应与政策型可信评估结合，形成统一指标。
• 风险与不确定性　近风暴降水波动性增强会放大预测误差，需在产品中明确概率置信区间；Shapefile Agent 在开放环境可能引入语义幻觉，须配置人工复核阈值。
• 跨尺度气候指标联动　火险权重集成与根区墒情响应表明，极端事件管理要同时关注地面植被、土壤与高空动力的耦合，避免割裂监测。

九、未来发展趋势展望

9.1 技术融合与架构演进

• 观测-模型闭环　WCB 水汽、GNSS-RO 重力波与 GEOS-S2S 盐度同化共同指向“观测驱动的物理-统计混合模式”。未来需在 NWP/CTM 中引入动态权重，使 GNSS、卫星、地面传感器形成实时反馈。
• 边缘智能与安全　DSTS、嵌入式反欺骗与约束 PPP-AR 给出“检测-授时-定位”链路雏形，下一阶段需在边缘硬件上集成可信执行环境（TEE）与安全引导，实现从硬件根到应用的闭环防护。
• GeoAI 工程体系化　ShapefileGPT 与 HOSU 表明多模态 Agent 可支撑生产级遥感流程，建议构建统一的“数据产品 BOM”与 Agent 治理规范，确保模型更迭时可回溯且可复现。

9.2 业务和政策协同

• 多行业共构的合规框架　CCUS 核证与 GNSS 合规条款显示，未来项目需在工程初期就嵌入出口管制、数据脱敏与审计策略。可通过“开放数据沙盒 + 合规生产链”模式降低政策波动。
• 极地/行星任务的互鉴　MOSAiC 的极地耦合经验与木星掩星校准流程，提示未来地外任务可与地球观测共享算法、数据与校准设施，提升任务复用度。

9.3 风险与研发优先级

• 极端事件放大的不确定性　HighResMIP、火险加权集成与根区土壤湿度均表明极端波动加大。需要在业务产品中显式附带概率指标与情景区间（例如 5/50/95 分位），并开展“模型多样性”研究以量化方案间差异。
• 基础设施冗余　GNSS 授时/定位和多平台遥感链路需设计冗余：从氢钟网络、边缘授时到低成本编队，均应具备“单点故障可切换”能力，并在政策侧获得持续投资。

flowchart TB
    A[多源观测] -->|WCB 水汽/ GNSS-RO/ SAR| B(数据融合平台)
    B --> C{AI/统计模块}
    C -->|GeoAI| D[应用服务: 灾害预警、遥感生产]
    C -->|PPP-AR/授时| E[GNSS 安全链路]
    D --> F["政策与合规(开放沙盒 + 合规链)"]
    E --> F
    F --> G[未来迭代：冗余架构 & 风险评估]

参考文献

1. Fagan, H. E., & Homeyer, C. R. (2025). J. Geophys. Res.: Atmospheres, 130, e2025JD044717. https://doi.org/10.1029/2025JD044717
2. Chen, J., Kang, Y., Toumi, R., et al. (2025). J. Geophys. Res.: Atmospheres, 130, e2025JD044655. https://doi.org/10.1029/2025JD044655
3. Ge, Y., Miao, J., Si, D., & Jiang, D. (2025). J. Climate, 38, e2025JCLI0043. https://doi.org/10.1175/JCLI-D-25-0043.1
4. Chowdhury, M., de la Calle, I., Laiz, I., & Ruescas, A. B. (2025). Remote Sensing, 17(22), 3716. https://doi.org/10.3390/rs17223716
5. Han, Q., Huang, B., & Li, Y. (2025). Remote Sensing, 17(22), 3721. https://doi.org/10.3390/rs17223721
6. Susiluoto, J., Bohn, N., Braverman, A., et al. (2025). Remote Sensing, 17(22), 3719. https://doi.org/10.3390/rs17223719
7. Li, F., Zhang, Z., Wang, X., Wang, X., & Xu, Y. (2025). Remote Sensing, 17(22), 3704. https://doi.org/10.3390/rs17223704
8. Karoff, C., Vara-Vela, A. L., Zink Eikeland, A., et al. (2025). Remote Sensing, 17(22), 3707. https://doi.org/10.3390/rs17223707
9. Lin, Q., Hu, R., Li, H., et al. (2025). Int. J. Digital Earth. https://doi.org/10.1080/17538947.2025.2577884
10. ebiotrade. (2025). 智能地理学专题报道. https://www.ebiotrade.com/newsf/2025-9/20250921083022124.htm
11. csgpc. (2025). GeoAI 预测与遥感变化检测综述. https://www.csgpc.org/detail/26031.html
12. Gallo, C., Dieppois, B., Quilcaille, Y., et al. (2025). J. Climate, 38, e2024JCLI0540. https://doi.org/10.1175/JCLI-D-24-0540.1
13. Guan, Y., Gu, X., Dai, A., et al. (2025). Nat. Clim. Change, 15, 2458. https://doi.org/10.1038/s41558-025-02458-z
14. Yin, H., Liao, X., Ye, H., et al. (2025). Remote Sensing, 17(22), 3714. https://doi.org/10.3390/rs17223714
15. Leger, T. P. M., Ely, J. C., Clark, C. D., et al. (2025). The Cryosphere, 19, 5719. https://doi.org/10.5194/tc-19-5719-2025
16. Smirnova, M., Galanti, E., Caruso, A., et al. (2025). Geophys. Res. Lett., 52, e2025GL116804. https://doi.org/10.1029/2025GL116804
17. Bonaccorso, A., Giampiccolo, E., & Musumeci, C. (2025). Geophys. Res. Lett., 52, e2025GL116302. https://doi.org/10.1029/2025GL116302
18. Ramirez-Gonzalez, D. A., Chokmani, K., Cambouris, A. N., & D’Souza, M. L. (2025). Remote Sensing, 17(22), 3709. https://doi.org/10.3390/rs17223709
19. Guo, Z., & Miltenberger, A. (2025). J. Climate, 38, e2025JCLI0020. https://doi.org/10.1175/JCLI-D-25-0020.1
20. Du, D., Subramanian, A. C., Han, W., et al. (2025). J. Climate, 38, e2024JCLI0579. https://doi.org/10.1175/JCLI-D-24-0579.1
21. Si, D., Hu, A., Meehl, G. A., et al. (2025). J. Climate, 38, e2024JCLI0695. https://doi.org/10.1175/JCLI-D-24-0695.1
22. Li, L., Zhou, T., Jiang, J., et al. (2025). J. Climate, 38, e2025JCLI0099. https://doi.org/10.1175/JCLI-D-25-0099.1
23. Tang, L. I., & McColl, K. A. (2025). J. Climate, 38, e2024JCLI0438. https://doi.org/10.1175/JCLI-D-24-0438.1
24. Liang, Y., Lei, R., Bi, H., & Chen, X. (2025). J. Climate, 38, e2024JCLI0765. https://doi.org/10.1175/JCLI-D-24-0765.1
25. Ma, D., An, X., Han, J., et al. (2025). Geophys. Res. Lett., 52, e2025GL118392. https://doi.org/10.1029/2025GL118392
26. Wang, Z., Lyu, D., Zhou, P., et al. (2025). Remote Sensing, 17(22), 3715. https://doi.org/10.3390/rs17223715
27. Zarrinnegar, K., Sormayli, J., & Mosavi, M. R. (2025). GPS Solutions, 29, 1985. https://doi.org/10.1007/s10291-025-01985-8
28. Brack, A., & He, S. (2025). GPS Solutions, 29, 1991. https://doi.org/10.1007/s10291-025-01991-w
29. Forero, D., Esteban, S., & Polo, O. R. (2025). Remote Sensing, 17(22), 3691. https://doi.org/10.3390/rs17223691
30. Mervis, J. (2025). Science, 370(6660), aed8419. https://doi.org/10.1126/science.aed8419
31. Li, Z., Zhong, J., Wang, N., et al. (2025). GPS Solutions, 29, 1987. https://doi.org/10.1007/s10291-025-01987-6
32. Almowafy, M., Wright, C. J., & Hindley, N. P. (2025). Atmos. Meas. Tech., 18, 6393. https://doi.org/10.5194/amt-18-6393-2025
33. Bogusz, J., Rebischung, P., & Klos, A. (2025). J. Geod., 99, 2009. https://doi.org/10.1007/s00190-025-02009-6
34. Kobayashi, D., Kodaira, S., Maruo, Y., et al. (2025). GPS Solutions, 29, 1981. https://doi.org/10.1007/s10291-025-01981-y
35. Widczisk, J. S., Männel, B., & Wickert, J. (2025). GPS Solutions, 29, 1986. https://doi.org/10.1007/s10291-025-01986-7