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...
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...
