Les données de profondeur de neige à haute résolution spatiale et temporelle sont essentielles pour la modélisation hydrologique et la prévision des catastrophes. Actuellement, les données de profondeur de neige à haute fréquence temporelle proviennent généralement de données passives de micro-ondes, mais en raison de la faible résolution spatiale des données passives de micro-ondes, elles ne peuvent pas non plus répondre aux besoins de la recherche hydrologique régionale et des catastrophes. Basée sur des données de télédétection multisources telles que l'infrarouge et les micro-ondes, cette étude a développé un algorithme d'inversion de la profondeur de neige en couplant le modèle d'apprentissage profond FT-Transformer (Feature Tokenizer + Transformer) et le modèle de transfert radiatif micro-onde de la neige (SMRT - Snow Microwave Radiative Transfer). En utilisant l'apprentissage profond pour cartographier la relation complexe et non linéaire entre des caractéristiques telles que la différence de température de brillance TBD (Brightness Temperature Difference) pour AMSR 2, les jours de couverture neigeuse SCD (Snow Cover Days) et la fraction de couverture neigeuse SCF (Snow Cover Fraction) et la profondeur de neige, le modèle SMRT a été couplé avec la dérivation de la taille efficace de grains de neige (ESG - Effective Snow Grain size) pour réaliser l'inversion à petite échelle de la profondeur de neige, et a entraîné et validé le modèle sur les données de 39 stations en Xinjiang Nord pour obtenir la profondeur de neige à l'échelle de 500 m dans la région. Les résultats de validation montrent que l'introduction de la validation indépendante SCD peut améliorer le modèle de 18 % et contribuer à améliorer la capacité de généralisation spatiale du modèle; L'ESG a considérablement amélioré la précision de l'inversion de profondeur de neige par apprentissage profond à 6,82 cm, améliorant de 15 % par rapport au modèle sans ESG, tout en améliorant considérablement la sous-estimation de la neige profonde. L'analyse temporelle montre que l'ESG correspond à la tendance de changement de la profondeur de neige mesurée, ce qui peut contraindre et optimiser la stabilité de l'inversion de la profondeur de neige du modèle. Enfin, par rapport aux produits de profondeur de neige existants d'AMSR 2, ERA5-Land et SDDsd, cette étude a montré la meilleure précision de la profondeur de neige à petite échelle, RMSE (Root Mean Square Error) de 6,51 cm, et une distribution spatiale plus précise de la profondeur de neige, reflétant la complexité de l'hétérogénéité de la profondeur de neige en montagne. Cette étude peut fournir une méthode fiable d'inversion de la profondeur de neige à haute résolution spatiale et temporelle pour la modélisation hydrologique et la prévision des catastrophes.

Télédétection; profondeur de neige; algorithme d'échelle descendante; apprentissage profond; SMRT; AMSR 2; jours de couverture neigeuse