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...

以黑龙江省哈尔滨市道外区为研究区,系统探讨分析了基于遥感的不同方法在积雪信息识别中的应用。首先,对研究区两个时相的高分六号(GF-6)多光谱相机(PMS)影像进行目视解译,掌握了研究区内地物类型和积雪分布特点。其次,基于目视解译结果,选取了8种典型地物类型,得到了"积雪"和"非雪"两类像元的光谱特征规律。再次,探讨分析了6种方法在积雪识别中的应用,利用精确率、召回率和F指数3个指标进行了精度评价。最后,提出了基于投票结果的最终识别结果判定方法,得到了研究区积雪信息最终识别结果。研究表明:(1)受下垫面和阴影的影响,研究区"同谱异物"和"同物异谱"现象普遍;(2)深度学习算法的识别效果最好,决策树法的识别效果相对较差;农田区的识别精度高于池塘区,误识别和漏识别的现象都相对较少;(3)基于投票结果的最终识别结果判定,可以有效改善单一识别方法存在的误识别和漏识别现象。

高时间分辨率的积雪判识对于新疆牧区农牧业发展和雪灾预警具有重要作用,针对已有积雪产品易受复杂地形地貌,下垫面类型以及云遮蔽的影响,导致积雪判识精度降低的问题,提出一种利用深度学习方法对风云4号A星多通道辐射扫描计(AGRI)数据与地理信息数据进行多特征时序融合的积雪判识方法:以多时相FY-4A/AGRI多光谱遥感数据,以及高程、坡向、坡度和地表覆盖类型等地形地貌信息作为模型输入,以Landsat 8 OLI提取的高空间分辨率积雪覆盖图作为"真值"标签,构建并训练基于卷积神经网络的积雪判识模型,从而有效区分新疆复杂地形与下垫面地区的云、雪以及无雪地表,最终得到逐小时积雪覆盖范围产品。经数据集和2019年地面气象站实测雪盖验证,该方法精度高于国际主流MODIS逐日积雪产品MOD10A1和MYD10A1,显著降低云雪误判率。

针对冰川提取存在云阴影、山体阴影、结冰湖泊等同物异谱、同谱异物导致难以有效区分的问题,设计了一种用于冰川提取的上下文感知深度学习语义分割网络。首先引入resnet50作为基准编码网络,以实现冰川特征提取的精度和效率平衡,其次针对现有语义分割网络存在上下文信息学习不足方面,设计了包括空洞卷积组块和最大池化组块的上下文信息提取层,以便更好地提取冰川的上下文信息。选择多景样本数据和验证数据的多源遥感影像进行试验,与现有基于特征指数的冰川提取方法、其他深度学习语义分割网络方法进行定性和定量对比,结果表明本文网络方法在结冰湖面等误提取,阴影的漏提取,以及提取结果完整性等方面,具有较好的效果,验证了本文方法的有效性与稳健性。