TY  - JOUR
AU  - 赵子胜
AU  - 郝晓华
AU  - 任鸿瑞
AU  - 罗斯琼
AU  - 戴礼云
AU  - 邵东航
AU  - 冯天文
AU  - 赵琴
AU  - 纪文政
AU  - 刘艳
PY  - 2025
DA  - 2025//
TI  - 多源遥感数据驱动下耦合深度学习与积雪微波辐射传输模型的降尺度雪深反演算法
JO  - 遥感学报
SP  - 1273
EP  - 1289
VL  - 29
IS  - 5
CY  - 太原理工大学 矿业工程学院,太原,030024
KW  - 遥感;雪深;降尺度算法;深度学习;SMRT;AMSR 2;积雪覆盖日数
AB  - 高时空分辨率雪深数据对水文建模和灾害预报至关重要。目前，高时间分辨率雪深通常源于被动微波数据，由于仅依据被动微波数据的空间分辨率较低，还无法满足区域水文和灾害研究的需求。本研究基于被动微波和光学等多源遥感数据，提出一种耦合深度学习模型FT-Transformer（Feature Tokenizer + Transformer）与积雪微波辐射传输模型SMRT（Snow Microwave Radiative Transfer）的降尺度雪深反演算法。使用深度学习映射AMSR 2亮温差TBD（Brightness Temperature Difference）、积雪覆盖日数SCD（Snow Cover Days）和积雪面积比例SCF（Snow Cover Fraction）等特征与雪深的复杂非线性关系，耦合SMRT拟合等效雪粒径ESG（Effective Snow Grain size）实现降尺度反演雪深，并以北疆39个站点数据进行模型训练和验证，获取北疆500 m降尺度雪深。验证结果表明：引入SCD独立验证RMSE优化了18%，有助于提高模型的空间泛化能力；ESG显著优化了深度学习反演雪深的精度，RMSE为6.82 cm，较未添加ESG的模型提升了15%，同时大幅度改进了深雪低估。时间序列分析表明ESG符合实测雪深的变化趋势，能够约束优化模型反演雪深的稳定性。最后，对比已有的AMSR 2、ERA5-Land和SDDsd雪深产品，本研究降尺度雪深精度最优，RMSE为6.51 cm，雪深空间分布也更为精细，体现了山区复杂的雪深异质性。本研究可为水文建模和灾害预报提供可靠的高时空分辨率雪深反演方法。
SN  - 1007-4619
UR  - https://doi.org/10.11834/jrs.20253540
DO  - 10.11834/jrs.20253540
ID  - 赵子胜2025
ER  -