Los datos de profundidad de nieve de alta resolución temporal y espacial son esenciales para la modelización hidrológica y la predicción de desastres. Actualmente, la profundidad de nieve de alta resolución temporal suele provenir de datos pasivos de microondas, pero debido a la baja resolución espacial de los datos pasivos de microondas, aún no puede satisfacer las necesidades de investigación hidrológica y de desastres regionales. En este estudio, se propone un algoritmo de inversión de profundidad de nieve a escala reducida basado en datos de teleobservación de múltiples fuentes como microondas pasivas y ópticas, que acopla el modelo de aprendizaje profundo FT-Transformer (Feature Tokenizer + Transformer) con el modelo de transferencia radiativa de microondas para nieve SMRT (Snow Microwave Radiative Transfer). Se utiliza el aprendizaje profundo para mapear características complejas no lineales como la diferencia de temperatura de brillo TBD (Brightness Temperature Difference) de AMSR 2, el número de días de cobertura de nieve SCD (Snow Cover Days) y la fracción de cobertura de nieve SCF (Snow Cover Fraction) a la profundidad de nieve, y se acopla SMRT para ajustar el tamaño eficaz de los granos de nieve ESG (Effective Snow Grain size) para lograr la inversión de la profundidad de nieve a escala reducida. Se realizó el entrenamiento y la validación del modelo con datos de 39 estaciones en el norte de Xinjiang, obteniendo una profundidad de nieve a escala reducida de 500 m en el norte de Xinjiang. Los resultados de la validación muestran que la introducción de SCD mejora el RMSE de validación independiente en un 18%, lo que ayuda a mejorar la capacidad de generalización espacial del modelo; ESG optimiza significativamente la precisión de la inversión de la profundidad de nieve del aprendizaje profundo, con un RMSE de 6.82 cm, un aumento del 15% en comparación con el modelo sin ESG, y también mejora significativamente la subestimación de la nieve profunda. El análisis de series temporales muestra que ESG sigue la tendencia de cambio de la profundidad de nieve medida, lo que puede limitar y optimizar la estabilidad de la inversión de la profundidad de nieve del modelo. Finalmente, en comparación con los productos de profundidad de nieve existentes como AMSR 2, ERA5-Land y SDDsd, la precisión de la inversión de la profundidad de nieve a escala reducida en este estudio es la mejor, con un RMSE de 6.51 cm, y la distribución espacial de la profundidad de nieve es más detallada, lo que refleja la heterogeneidad compleja de la profundidad de nieve en las zonas montañosas. Este estudio puede proporcionar un método confiable de inversión de profundidad de nieve de alta resolución temporal y espacial para la modelización hidrológica y la predicción de desastres.

Teleobservación; Profundidad de nieve; Algoritmo de escala reducida; Aprendizaje profundo; SMRT; AMSR 2; Número de días de cobertura de nieve