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...
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...
针对受森林地区复杂地形和植被冠层结构的影响，基于被动微波遥感数据的森林地区雪深反演精度普遍较低的问题，在代表性半经验雪深反演算法的基础上，结合森林气象站观测数据建立了中国东北森林地区半经验雪深反演优化算法。该算法考虑了森林植被介电常数随气温变化的特性，使森林地区的雪深反演精度得到了较大的提高。与其他代表性半经验雪深算法相比，该算法的均方根误差(RMSE:Root-Mean-Square Error)平均减小了2.3 cm,偏差(Bias)平均减小了3.7 cm,相关系数(R)平均提升了0.11;与常用的机器学习雪深反演算法对比，该算法的RMSE平均减小了2.17 cm, Bias平均减小了1.67 cm,R平均提升了0.22。
针对受森林地区复杂地形和植被冠层结构的影响，基于被动微波遥感数据的森林地区雪深反演精度普遍较低的问题，在代表性半经验雪深反演算法的基础上，结合森林气象站观测数据建立了中国东北森林地区半经验雪深反演优化算法。该算法考虑了森林植被介电常数随气温变化的特性，使森林地区的雪深反演精度得到了较大的提高。与其他代表性半经验雪深算法相比，该算法的均方根误差(RMSE:Root-Mean-Square Error)平均减小了2.3 cm,偏差(Bias)平均减小了3.7 cm,相关系数(R)平均提升了0.11;与常用的机器学习雪深反演算法对比，该算法的RMSE平均减小了2.17 cm, Bias平均减小了1.67 cm,R平均提升了0.22。
被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。
被动微波雪深反演算法是当前大范围获取青藏高原地表雪深信息的重要途径，但由于缺乏地面雪深观测资料，导致对算法在高原中西部区域的表现认识不足。为了评估当前被动微波雪深反演算法在青藏高原色林错、纳木错地区的适用性，利用AMSR2亮温数据和地面站点雪深数据，以相关系数、偏差和均方根误差作为评价指标，评估了Chang2算法、Che算法、SPD算法、AMSR2算法和Jiang算法等5种算法。结果显示，Jiang算法综合表现最好，在纳木错站R值最高为0.68;Che算法对浅雪反演效果较好，其在班戈站Bias为-0.66 cm;Chang2算法对纳木错站、色林错站深雪反演效果较好，在两地R值分别为0.63、0.50;SPD算法的反演效果最不理想，对雪深高估明显，其中浅雪高估近20 cm;AMSR2算法在区域间的表现差异较大，在纳木错站的反演结果比色林错站、班戈站好。除SPD算法外，其余算法均低估了研究区雪深，与以往研究结果一致。
本文对全球定位系统干涉反射技术进行了研究。以美国板块边界天文台计划提供的P101测站的GPS监测数据为基础，利用GPS卫星高度角低于某一角度时多路径效应明显的特点，构建高斯过程回归(GPR)辅助的GPS干涉反射积雪深度估测模型，并监测了测站周围的积雪深度。结果表明，GPR辅助的GPS干涉反射积雪深度估测模型输出的雪深估测值的精度，相比传统单星反演结果有不同程度的提高，并且更贴近实测雪深的变化，为地表雪深反演提供了新思路。
本文对全球定位系统干涉反射技术进行了研究。以美国板块边界天文台计划提供的P101测站的GPS监测数据为基础，利用GPS卫星高度角低于某一角度时多路径效应明显的特点，构建高斯过程回归(GPR)辅助的GPS干涉反射积雪深度估测模型，并监测了测站周围的积雪深度。结果表明，GPR辅助的GPS干涉反射积雪深度估测模型输出的雪深估测值的精度，相比传统单星反演结果有不同程度的提高，并且更贴近实测雪深的变化，为地表雪深反演提供了新思路。