Daten hoher Raumzeitauflösung von Schneetiefe sind für die hydrologische Modellierung und die Vorhersage von Katastrophen von großer Bedeutung. Gegenwärtig stammen die Daten hoher räumlicher Auflösung der Schneetiefe in der Regel aus passiven Mikrowellendaten, und ihre relativ grobe räumliche Auflösung kann die Anforderungen an die regionale hydrologische und Katastrophenforschung immer noch nicht erfüllen. In dieser Studie wird ein inverser Algorithmus für die Schneetiefe auf der Grundlage von passiven Mikrowellendaten und anderen Satellitendaten vorgeschlagen, basierend auf der räumlichen und zeitlichen Frequenz von Schnee zur Verbesserung der ESG, Verwendung von Deep Learning zur Verknüpfung komplexer nichtlinearer Beziehungen wie der effektiven Schneekörnergröße (ESG) mit ESG. Behandlung von Daten nach Schneeradio (SMRT), Verwendung von Daten von 39 Stationen im Norden zur Schulung und Validierung des Modells, Verbesserung der ESG-Daten zur Verbesserung der Genauigkeit der inversen Tiefe und ihrer Fähigkeit zur Stabilisierung der Genauigkeit der Analyse. Wir finden: Die Verbesserung von RMSE ESG um 18% verbessert das Gleichgewicht der Tiefe und um 15% verringert die starke Unterschätzung des Tiefschnees. Unsere Zeitreihenanalyse findet ESG in den Trends der Schneetiefe, um mit ESG übereinzustimmen, das 6,82 cm beträgt und 15% mehr für das Modell ohne Hinzufügen von ESG. Verbesserung der Schneetiefe. Die sequentielle Analyse findet ESG in den ESG-Daten mit einem Wert von 6,51 cm, und die Verbesserung der Genauigkeit der Schneeverteilung spiegelt die große Unterschiede in der großen Schneetiefe in Gebirgsregionen wider. Diese Studie ist der Kern, um die Verbesserung von SMRT und Schnee durch Radio mit Deep Learning für die Verteilung der geringen Schneetiefe in der regionalen Geographie zu zeigen.

Schneetiefe; Skalierungsalgorithmus; Deep Learning; SMRT; AMSR 2; Tage mit Schneebedeckung