Los datos de alta resolución de la profundidad de la nieve son esenciales para la modelización hidrológica y la predicción de desastres. Actualmente, los datos de alta resolución de la nieve generalmente se derivan de datos pasivos de microondas, y su resolución espacial relativamente gruesa aún no puede satisfacer las necesidades de la investigación hidrológica regional y de desastres. En este estudio, se propone un algoritmo inverso de profundidad de la nieve basado en datos de microondas pasivos y otros datos satelitales, basado en la frecuencia espacial y temporal de la nieve para mejorar ESG, utilizar el aprendizaje profundo para vincular relaciones no lineales complejas como la temperatura efectiva del grano de nieve (ESG) con ESG. tratamiento de datos después del radio de la nieve (SMRT), utilizando datos de 39 estaciones en el norte para entrenar y validar el modelo, la mejora de los datos ESG utilizados para mejorar la precisión de la profundidad invertida, y su capacidad para estabilizar la precisión del análisis. Encontramos: La mejora de RMSE ESG en un 18% mejora el equilibrio de la profundidad, y en un 15% disminuye considerablemente la subestimación de la nieve profunda. Nuestro análisis de series temporales encuentra ESG en las tendencias de la profundidad de la nieve para coincidir con ESG, que es de 6.82 cm y un 15% más para el modelo sin agregar ESG. La mejora de la profundidad de la nieve. El análisis secuencial, encuentra ESG encontrado en los datos de ESG es de 6,51 cm, y la mejora de la precisión de la distribución de la nieve que refleja la gran diferencia en la gran profundidad de la nieve en las regiones montañosas. Este estudio es fundamental para mostrar la mejora de la SMRT y la nieve por radio con el aprendizaje profundo para la distribución de la baja profundidad de la nieve en la geografía regional.

Profundidad de nieve; Algoritmo de escala reducida; Aprendizaje profundo; SMRT; AMSR 2; Días de cobertura de nieve