摘要
积雪作为冰冻圈的主要要素之一，是全球水循环和气候系统的重要组成部分。雪深是积雪的主要参数之一，时空动态地监测雪深对气候变化和生态环境研究具有重要意义。传统地面实测方式的时空局限性以及积雪分布的时空异质性，使得高时空分辨率雪深数据的获取存在诸多挑战。随着遥感及其数据处理技术的飞速发展，为大范围获取积雪信息提供了数据基础。其中，被动微波遥感通过微波辐射计探测地面的微波辐射能量并量化为地面亮度温度（BrightnessTemperature,TB）获取积雪信息，具有较高的时间分辨率和近乎覆盖全球的探测范围优势，能够及时地满足大范围积雪信息的需求。得益于被动微波传感器长期稳定地发展，基于亮温数据的雪深反演方法长久以来是全球以及区域尺度估算雪深的最有效方式，并且已有多种相应的全球逐日雪深产品。然而，现今的水文建模和灾害预报对雪深数据的高时间、高空间分辨率需求日益迫切，而基于亮温数据的雪深产品因其较粗的空间分辨率还无法满足区域尺度水文和灾害研究的需求。 考虑到高时空分辨率的光学遥感能够对积雪分布进行动态监测，获取精细的积雪分布情况。故本研究基于被动微波和光学等多源遥感数据，利用机器学习模型构建降尺度雪深反演算法，并耦合积雪微波辐射传输（SnowMicrowaveRadiativeTransfer,SMRT）模型引入等效雪粒径（EffectiveSnowGrainsize,ESG）特征，用以描述积雪内部特性优化雪深反演，获取了北疆500m空间分辨率的雪深数据，为区域尺度高时空分辨率的雪深需求提供了保障。在算法构建和验证分析过程中，主要得到了以下研究成果： （1）基于AMSR2亮温差（BrightnessTemperatureDeviation,TBD）、积雪覆盖日数（SnowCoverDays,SCD）和积雪面积比例（SnowCoverFraction,SCF）等特征构建了一种多因子的机器学习降尺度雪深反演算法。对比AMSR2、ERA5-Land和SDDsd雪深产品，本研究的降尺度雪深反演算法的验证精度最优，RMSE、MAE和R分别为7.69cm、5.64cm和0.79，并且具有较好的降尺度效果，展现了较为精细的雪深空间分布，尤其能够体现复杂山区的积雪异质性。 （2）利用积雪微波辐射传输模型模拟分析雪粒径和雪密度对亮温差和雪深关系的作用效果，发现积雪特性参数（雪粒径和雪密度）对亮温差和雪深关系的影响十分复杂。模拟结果表明，引入雪粒径和雪密度表征积雪特征能够在一定程度上描述亮温差与雪深的复杂关系，同时考虑多个亮温差TBDV18_36、TBDV10_36和TBDV06_36，有望优化被动微波反演雪深的精度。 （3）考虑积雪内部参数对雪深反演的影响，耦合SMRT模型拟合的ESG特征，构建了一种耦合积雪微波辐射传输模型的机器学习降尺度雪深反演算法。RMSE较未添加ESG特征的模型提升了15%，尤其在深雪RMSE提升了35%，显著改善了深雪低估误差。对雪深反演值的时间序列进行分析，结果表明ESG特征较为符合实测雪深的变化趋势，能够约束优化FT-Transformer模型输出雪深的稳定性。
NETL