Hochauflösende Schneedaten sind für die hydrologische Modellierung und die Vorhersage von Naturkatastrophen von entscheidender Bedeutung. Derzeit stammen hochauflösende Schneetiefendaten häufig aus passiven Mikrowellendaten. Aufgrund der niedrigen räumlichen Auflösung der passiven Mikrowellendaten können jedoch die Anforderungen an regionale hydrologische und Katastrophenforschung nicht erfüllt werden. In dieser Studie wird ein Downscaling-Algorithmus für die Schneetiefe vorgeschlagen, der auf passiven Mikrowellen- und optischen Multisensor-Fernerkundungsdaten basiert und das FT-Transformer-Modell (Feature Tokenizer + Transformer) mit dem Schneemikrowellen-Strahlungstransfermodell SMRT (Snow Microwave Radiative Transfer) koppelt. Mit Hilfe des Deep Learning werden komplexe nichtlineare Beziehungen zwischen Merkmalen wie der Helligkeitstemperaturdifferenz TBD (Brightness Temperature Difference) von AMSR 2, der Schneedauer SCD (Snow Cover Days) und dem Schneebedeckungsgrad SCF (Snow Cover Fraction) und der Schneetiefe abgebildet. Durch die Kopplung von SMRT wird der Downscaling-Algorithmus in der Lage sein, die Schneetiefe zu invertieren, indem er den äquivalenten Schneekorngrößenparameter ESG (Effective Snow Grain size) des Modells anpasst. Das Modell wird mit Daten von 39 Stationen in Nordxinjiang trainiert und validiert, um eine 500 m-Downscaling-Schneedaten in Nordxinjiang zu erhalten. Die Validierungsergebnisse zeigen, dass die separate Validierung von SCD die RMS-Optimierung um 18% verbessert und somit die räumliche Generalisierungsfähigkeit des Modells verbessert. ESG hat die Genauigkeit der Schneetiefeninversion des Deep Learning signifikant verbessert, der RMS beträgt 6,82 cm, was 15% höher ist als das Modell ohne ESG und gleichzeitig die Unterschätzung von tiefem Schnee erheblich verbessert. Die Zeitreihenanalyse zeigt, dass ESG den Trend der gemessenen Schneetiefe widerspiegelt und die Stabilität der Modell-Schneetiefeninversion einschränken kann. Schließlich hat diese Studie gezeigt, dass die Genauigkeit der Downscaling-Schneedaten in dieser Studie mit RMS 6,51 cm am besten ist und die räumliche Verteilung der Schneetiefe feiner ist, was die komplexe Schneetiefenheterogenität in Gebirgsregionen widerspiegelt. Diese Studie bietet eine zuverlässige Methode zur Inversion hochauflösender Schneetiefe für die hydrologische Modellierung und die Vorhersage von Naturkatastrophen.

Fernerkundung;Schneedauer;Downscaling-Algorithmus;Deep Learning;SMRT;AMSR 2;Schneedauer