L波段微波辐射传输模型可以模拟微波辐射信号在北极冰雪内的物理传播过程，是北极冰面雪厚反演的有效手段。然而当前可用于北极海冰积雪上L波段亮温模拟的模型非常有限，极大地限制了基于L波段微波辐射传输模型的雪厚反演算法的发展。2018年由欧空局赞助开发的积雪微波辐射传输模型(Snow Microwave Radiative Transfer model, SMRT)已被证实可以用于北极海冰积雪上的L波段亮温模拟，但还未有研究利用该模型进行北极雪厚反演。为此，文章利用2018年开发的新一代积雪微波辐射传输模型SMRT,开展了基于L波段辐射传输模型的北极多年冰上雪厚反演研究。文章首先在SMRT模型基础上改进了积雪隔热效应计算这一前向模拟关键过程，简化计算的同时提高了模拟的准确性。然后选取L波段模型结合雷达高度计的雪厚反演算法展开研究，利用该算法对改进模拟过程的SMRT模型进行了雪厚敏感性分析，验证了SMRT改进模型应用于多年冰上雪厚反演的可行性。最后对2012年11月至2021年4月期间每年1—3月的月平均雪厚进行了反演，反演结果与雪厚数据集的对比分析表明，反演结果能较好地得到北极多年冰上雪厚分布...

L波段微波辐射传输模型可以模拟微波辐射信号在北极冰雪内的物理传播过程，是北极冰面雪厚反演的有效手段。然而当前可用于北极海冰积雪上L波段亮温模拟的模型非常有限，极大地限制了基于L波段微波辐射传输模型的雪厚反演算法的发展。2018年由欧空局赞助开发的积雪微波辐射传输模型(Snow Microwave Radiative Transfer model, SMRT)已被证实可以用于北极海冰积雪上的L波段亮温模拟，但还未有研究利用该模型进行北极雪厚反演。为此，文章利用2018年开发的新一代积雪微波辐射传输模型SMRT,开展了基于L波段辐射传输模型的北极多年冰上雪厚反演研究。文章首先在SMRT模型基础上改进了积雪隔热效应计算这一前向模拟关键过程，简化计算的同时提高了模拟的准确性。然后选取L波段模型结合雷达高度计的雪厚反演算法展开研究，利用该算法对改进模拟过程的SMRT模型进行了雪厚敏感性分析，验证了SMRT改进模型应用于多年冰上雪厚反演的可行性。最后对2012年11月至2021年4月期间每年1—3月的月平均雪厚进行了反演，反演结果与雪厚数据集的对比分析表明，反演结果能较好地得到北极多年冰上雪厚分布...

L波段微波辐射传输模型可以模拟微波辐射信号在北极冰雪内的物理传播过程，是北极冰面雪厚反演的有效手段。然而当前可用于北极海冰积雪上L波段亮温模拟的模型非常有限，极大地限制了基于L波段微波辐射传输模型的雪厚反演算法的发展。2018年由欧空局赞助开发的积雪微波辐射传输模型(Snow Microwave Radiative Transfer model, SMRT)已被证实可以用于北极海冰积雪上的L波段亮温模拟，但还未有研究利用该模型进行北极雪厚反演。为此，文章利用2018年开发的新一代积雪微波辐射传输模型SMRT,开展了基于L波段辐射传输模型的北极多年冰上雪厚反演研究。文章首先在SMRT模型基础上改进了积雪隔热效应计算这一前向模拟关键过程，简化计算的同时提高了模拟的准确性。然后选取L波段模型结合雷达高度计的雪厚反演算法展开研究，利用该算法对改进模拟过程的SMRT模型进行了雪厚敏感性分析，验证了SMRT改进模型应用于多年冰上雪厚反演的可行性。最后对2012年11月至2021年4月期间每年1—3月的月平均雪厚进行了反演，反演结果与雪厚数据集的对比分析表明，反演结果能较好地得到北极多年冰上雪厚分布...

积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。

积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。

积雪颗粒及密度对积雪观测影响重大。针对目前气象台站的雪密度观测数据无法满足大尺度范围或无人区雪密度信息观测需求的情况，采用研究区域代表性的多个气象台站的雪密度实测数据，结合被动微波高频率双极化亮温，建立了研究区域的雪密度极化指数或散射指数模型。结果显示，极化指数P6h-36v、P10h-36v及散射指数S10h-36h、S10v-36v、S18h-36h与雪密度强相关，且二者时间的变化趋势仍保有一致性；高频率散射指数S36h-89h、S36v-89v及极化指数P89h/89v与积雪密度随时间变化表现出反相位趋势。模型的精度检验结果显示，模型复相关系数R为0.727，均方根误差RMSE为1.418 g/cm3，平均偏移量Bias为0.244 g/cm3。从长时间序列来看，模拟结果与实测结果存在良好的一致性，尤其是隆冬时节（12月至次年2月），模拟值与实测值会更接近。

文章使用葵花8号卫星遥感影像反演积雪深度，其过程受多种因素影响，气象因子与实测雪深具有线性相关，而各项下垫面因素和实测雪深没有明显线性关系，随机森林和神经网络具有较强的非线性映射能力，因此利用机器学习中的这两种方法进行雪深反演比传统计算方法表现更好。结合气象因子和下垫面影响因子的反演模型有着较好的泛化能力，尤其是使用随机森林模型，其拟合优度（R2）达到75%,均方根误差（RMSE）达到2.51 cm。表明：基于随机森林和神经网络模型的葵花8号数据雪深反演整体上较吻合实测雪深，随机森林模型相较神经网络模型总体趋势反映更好，反演精度更高。

文章使用葵花8号卫星遥感影像反演积雪深度，其过程受多种因素影响，气象因子与实测雪深具有线性相关，而各项下垫面因素和实测雪深没有明显线性关系，随机森林和神经网络具有较强的非线性映射能力，因此利用机器学习中的这两种方法进行雪深反演比传统计算方法表现更好。结合气象因子和下垫面影响因子的反演模型有着较好的泛化能力，尤其是使用随机森林模型，其拟合优度（R2）达到75%,均方根误差（RMSE）达到2.51 cm。表明：基于随机森林和神经网络模型的葵花8号数据雪深反演整体上较吻合实测雪深，随机森林模型相较神经网络模型总体趋势反映更好，反演精度更高。

文章使用葵花8号卫星遥感影像反演积雪深度，其过程受多种因素影响，气象因子与实测雪深具有线性相关，而各项下垫面因素和实测雪深没有明显线性关系，随机森林和神经网络具有较强的非线性映射能力，因此利用机器学习中的这两种方法进行雪深反演比传统计算方法表现更好。结合气象因子和下垫面影响因子的反演模型有着较好的泛化能力，尤其是使用随机森林模型，其拟合优度（R2）达到75%,均方根误差（RMSE）达到2.51 cm。表明：基于随机森林和神经网络模型的葵花8号数据雪深反演整体上较吻合实测雪深，随机森林模型相较神经网络模型总体趋势反映更好，反演精度更高。

作为中国三大积雪区之一，青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题，不适用于青藏高原复杂的山区地形。因此，本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型，利用机器学习算法，将筛选后的亮温差作为参数输入，同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征，最终进行了500 m分辨率的青藏高原雪深制图。结果显示，极端梯度提升XGBoost算法的决定系数（R2）和均方根误差（root mean square error,RMSE）分别为0.762和5.732 cm，明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化，结果表明，在积雪天数为30～60 d时，模型表现良好，平均相对误差（mean relative error,MRE）最低为36.79%,RMSE为2.78 cm；随着积雪覆盖度的增加，模型的RMSE逐渐增大，在积雪覆盖度为0.25～0.50时，MRE和RMSE分别达到39.97%和3.12 c...