积雪面积比例（Fractional Snow Cover,FSC）是定量描述单位像元内积雪覆盖面积（Snow Cover Area,SCA）与像元空间范围的比值。本数据集利用Google Earth Engine(GEE)平台，将MODIS全球地表反射率产品MOD09GA作为源数据，建立FSC与归一化植被指数（Normalized Difference Snow Index,NDVI）和归一化积雪指数（Normalized Difference Snow Index,NDSI）的线性回归经验模型BV-BLRM(Based NDVI Bivariate Linear Regression Model,BV-BLRM)。该模型制备的积雪面积比例数据较MOD10A1 V6数据的均方根误差提高了45%。基于该模型制备了泛北极地区（北纬45°至北纬90°）积雪面积比例时序数据。本数据集时间序列为2000年2月24日至2019年11月18日，时间分辨率为1天，空间分辨率为1 km。本数据集可以为区域气候模拟、水文模型等提供积雪分布的定量信息。

黄河源区是黄河流域的主要产水区和水源涵养区，积雪融水是源区的重要水源之一，高精度积雪面积数据集是源区生态水文模拟、气候变化等研究的基础。MODIS积雪产品是最广泛使用的积雪面积数据集之一。然而，MODIS积雪产品中大量的云覆盖，导致了近乎一半的信息缺失。黄河源区季节性积雪多呈现出雪层偏浅、斑块状分布且消融快等特点，使得传统统计方法很难准确捕获源区的积雪时空特征，而先进的深度学习技术能更好地深入挖掘隐藏在数据背后的时空特征。本研究利用2000–2021年逐日500 m空间分辨率的MODIS归一化积雪指数（NDSI）产品，使用基于部分卷积神经网络（PCNN）的MODIS NDSI云像元重建模型，在生成时空连续MODIS NDSI数据集的基础上，进一步采用NASA原始积雪覆盖比例（FSC）产品的标准算法，制备黄河源区2000–2021年逐日、0.005°(约500 m)的无云MODIS FSC数据集。基于源区6个地面气象台站雪深观测资料和“云假设”两方面的验证表明，数据集的总体精度可以达到94%，高估和低估均为1%，平均绝对偏差10.43%，平均相关系数为0.93，表明数据具有较高精度，与晴...

积雪面积比例（Fractional Snow Cover,FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度，相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系，可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor,SE-RFR）模型，用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat8地表反射率数据获取的FSC数据作为参考值，对SE-RFR模型的反演精度进行评估。研究表明，利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104，精度较高。此外，根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知，加入环境信息的随机森林回归模型提高了FSC反演的精度，特别是在受环境信息影响较大的青藏高原地区，RMSE从0.200降低到0.181。最后，将SE-RFR模型与目前使用广泛的MODIS ...