بيانات عمق الثلج عالية الدقة زمكنها أهمية كبيرة في نمذجة الهيدرولوجية والتنبؤ بالكوارث. حاليًا ، يُفترض أن عمق الثلج عالي الدقة زمكنها من البيانات الميكروويف السالبة التي لا يمكن أن تلبي الاحتياجات البحثية في المنطقة المائية والكوارث. في هذه الدراسة ، تم تقديم خوارزمية معكوسة للثلج العميق استنادًا إلى بيانات رماش وفضائية أخرى مستندة إلى العمق والتردد المتعلق بالثلوج لتحسين ESG ، استخدام دودة التعلم العميق لربط ميزات معقدة غير خطية مثل درجة حرارة الثلج الفعالة مع ESG. معالجة بيانات بعد راديو الثلج (SMRT) للعكس العمق ، باستخدام بيانات محطة شيانغى الشمالية لتدريب النموذج والتحقق ، بيانات ESG مستخدمة يغير تحسين دقة العمق وقدرته على الموازنة دقة الإرساء. نحن نجد: ESG جديد يستحسن RMSE ESG بنسبة 18٪ ، وهو المساعدة لتحسين قدرة العمق على التعميم الرصيد ، وتكون جديرة بنسبة 15٪ ، وتقلص بشكل كبير إلى أسفل الثلج. لدينا تحليل ضوائي ، وتجدون ESG تتوافق مع طريقة قياسية للعمق ، وهي قيمة ما يعادل 6.82 سم ، وهو أكبر 15٪ للنموذج الذي لم يتم إضافته ESG. تحديثا في الثلج العميق. تحليل تسلسلي ، وجد ESG من بيانات ESG على اتجاه شراء الثلج هو قدرة قويةم من الاحتفاظ بالتثبيت. أخيراً ، من خلال مقارنة AMSR 2 و ERA5-Land والثلوج في المنتجات SDDsd ، تعود هذه الدراسة إلى أفضل دقة للثلج العمق (RMSE 6.51 سم) وجود توزيع أكثر دقة في الثلج ، الذي يعكس التدرج الكبير لعمق الثلج في المناطق الجبلية. استكشاف هذه الدراسة هو النواة لإظهار تحسين SMRT وراديو الثلج مع التعلم العميق في العمق لتوزيع الثلج المنخفض في المنطقة الجغرافية.

عمق الثلج ؛ خوارزمية تقليل الحجم العميقة ؛ التعلم العميق ؛ SMRT ؛ AMSR 2 ؛ أيام غطاء الثلج