积雪面积比例（Fractional Snow Cover,FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度，相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系，可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor,SE-RFR）模型，用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat8地表反射率数据获取的FSC数据作为参考值，对SE-RFR模型的反演精度进行评估。研究表明，利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104，精度较高。此外，根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知，加入环境信息的随机森林回归模型提高了FSC反演的精度，特别是在受环境信息影响较大的青藏高原地区，RMSE从0.200降低到0.181。最后，将SE-RFR模型与目前使用广泛的MODIS ...

来源平台：冰川冻土