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...
青藏高原因其复杂的地形地势和和积雪分布使得多种雪深算法未达到理想的精度。基于新一代被动微波数据AMSR2(Advanced Microwave Scanning Radiometer2),应用随机森林算法(Random Forest,RF)将亮温(Brightness Temperature,BT)和亮温差(Brightness Temperature Difference,BTD)作为参数输入,并将高程和纬度参数引入雪深反演模型中,经过模拟退火算法进行有效反演因子筛选,构建了基于随机森林算法的青藏高原雪深反演模型。结果表明:与AMSR2全球雪深产品相比,随机森林算法的拟合优度(R2)由0.41提升至0.60,均方根误差(Root Mean Square Error,RMSE)由7.36cm降至4.88cm,偏差(BIAS)由3.24cm减小至-0.16cm,随机森林雪深反演模型在青藏高原的精度更高;青藏高原平均海拔超过4 000m,当海拔大于青藏高原平均海拔时,随机森林算法的反演效果最差,但RMSE仅为3.78cm,BIAS仅为-0.09cm;高原南部(25°～30°N)因其复杂的地...
