고 공간 분해능 눈심 깊이 데이터는 수문 모델링 및 재해 예측에 중요하다. 현재 고 시간분해능 눈깊이는 주로 수동 마이크로파 데이터에서 시작하지만, 수동 마이크로파 데이터의 낮은 공간 해상도 때문에 지역 수문 및 재해 연구의 요구를 충족시키기에는 아직 부족하다. 본 연구에서는 수동 마이크로파 및 광학 다중 센서 원격 감지 데이터를 기반으로하고 FT-Transformer(특성 토크나이저 + 트랜스포머) 모델과 눈 미크로파 복사 전송 모델 SMRT(Snow Microwave Radiative Transfer)을 연결하는 다운스케일링 알고리즘을 제시합니다. 심층 학습을 통해 AMSR 2의 밝기 온도 차이 TBD(Brightness Temperature Difference), 눈 덮인 날의 SCD(Snow Cover Days) 및 눈 덮인 비율 SCF(Snow Cover Fraction) 등의 특징과 눈심 깊이의 복잡한 비선형 관계를 매핑합니다. SMRT와 결합하여 등가물 눈 곡률 ESG(Effective Snow Grain size)을 맞춤으로써 낮은 해상도 반전 눈깊이를 구현합니다. 북신장 39개의 테스트에 구역 데이터를 사용하여 모델 훈련과 검증을 거치고 북신장 500미터 다운스케일링 눈깊이를 얻습니다. 검증 결과는 SCD 별도 검증이 18% 최적화를 향상하고 모델의 공간 일반화 능력을 높이는 데 도움이 됩니다. ESG는 심층 학습 반전 눈깊이 정확도를 현저히 최적화하여 RMS는 6.82 cm로 ESG를 추가하지 않은 모델 대비 15% 향상되고 또한 눈심을 크게 개선했습니다. 시계열 분석에 따르면 ESG는 실측 눈심 변화 경향을 충족시키고 모델 반전 눈심 안정성을 최적화하는 데 도움이 됩니다. 마지막으로 AMSR 2, ERA5-Land 및 SDDsd 눈깊이 생성물과 비교하여 본 연구는 다운스케일링 눈깊이 정확도 최고로 6.51 cm이며 눈심의 공간 분포도 보다 정교하여 산악 지역의 눈심 복잡성을 반영하였다. 본 연구는 수문 모델링 및 재해 예측에 신뢰할 수 있는 고 시간 격상 미국 깊이 반전 방법을 제공합니다.

원격 감지;눈심깊이;다운스케일링 알고리즘;심층 학습;SMRT;AMSR 2;눈 덮인 날의 수