积雪物候是影响次年植被生产力的重要环境因子，还能通过改变反照率间接影响局地气候。近年来，基于数码相机的物候观测网络已在全球范围内广泛建立，其获取的多时段RGB图像被广泛用于提取群落生长季开始期和结束期。但因缺乏从RGB图像中准确提取积雪动态的算法，限制了该数据集在积雪物候研究中的应用。本研究提出了一种新的雪物候自动检测框架，该框架的技术路径为：首先计算改进的色度坐标指数时间序列，利用经验阈值初步筛选含有积雪的图像；然后利用Bisecting K-means算法区分明暗像元，将明亮的像元（积雪像元）作为支持向量机的训练集。训练好的支持向量机模型可以根据物候相机的RGB值计算积雪像元数量及占比。将该算法应用于美国PhenoCam物候观测网络的4个站点，发现该算法能准确提取森林、农田和草地的积雪开始、结束时间和雪覆盖时长，平均绝对误差分别为0.00-5.00,0.33-13.29,3.85-10.83天。积雪像元占比变化与目视解译的结果相关性0.79-0.97(p<0.01)，均方根误差6.78%-10.17%。这些结果表明该框架可以较为准确地提取RGB物候相机影像中的积雪起止时间和积雪像元占比，为基于物候相机研究积雪物候提供了自动化的雪动态提取算法。

物候相机,机器学习,植被指数,积雪物候,近地面遥感