高时空分辨率雪深数据对水文建模和灾害预报至关重要。目前，高时间分辨率雪深通常源于被动微波数据，由于仅依据被动微波数据的空间分辨率较低，还无法满足区域水文和灾害研究的需求。本研究基于被动微波和光学等多源遥感数据，提出一种耦合深度学习模型FT-Transformer (Feature Tokenizer+Transformer)与积雪微波辐射传输模型SMRT (Snow Microwave Radiative Transfer)的降尺度雪深反演算法。使用深度学习映射AMSR 2亮温差TBD (Brightness Temperature Difference)、积雪覆盖日数SCD (Snow Cover Days)和积雪面积比例SCF (Snow Cover Fraction)等特征与雪深的复杂非线性关系，耦合SMRT拟合等效雪粒径ESG (Effective Snow Grain size)实现降尺度反演雪深，并以北疆39个站点数据进行模型训练和验证，获取北疆500 m降尺度雪深。验证结果表明：引入SCD独立验证RMSE优化了18%，有助于提高模型的空间泛化能力；ESG显著优化了深度学习...

高时空分辨率雪深数据对水文建模和灾害预报至关重要。目前，高时间分辨率雪深通常源于被动微波数据，由于仅依据被动微波数据的空间分辨率较低，还无法满足区域水文和灾害研究的需求。本研究基于被动微波和光学等多源遥感数据，提出一种耦合深度学习模型FT-Transformer (Feature Tokenizer+Transformer)与积雪微波辐射传输模型SMRT (Snow Microwave Radiative Transfer)的降尺度雪深反演算法。使用深度学习映射AMSR 2亮温差TBD (Brightness Temperature Difference)、积雪覆盖日数SCD (Snow Cover Days)和积雪面积比例SCF (Snow Cover Fraction)等特征与雪深的复杂非线性关系，耦合SMRT拟合等效雪粒径ESG (Effective Snow Grain size)实现降尺度反演雪深，并以北疆39个站点数据进行模型训练和验证，获取北疆500 m降尺度雪深。验证结果表明：引入SCD独立验证RMSE优化了18%，有助于提高模型的空间泛化能力；ESG显著优化了深度学习...

高时空分辨率雪深数据对水文建模和灾害预报至关重要。目前，高时间分辨率雪深通常源于被动微波数据，由于仅依据被动微波数据的空间分辨率较低，还无法满足区域水文和灾害研究的需求。本研究基于被动微波和光学等多源遥感数据，提出一种耦合深度学习模型FT-Transformer (Feature Tokenizer+Transformer)与积雪微波辐射传输模型SMRT (Snow Microwave Radiative Transfer)的降尺度雪深反演算法。使用深度学习映射AMSR 2亮温差TBD (Brightness Temperature Difference)、积雪覆盖日数SCD (Snow Cover Days)和积雪面积比例SCF (Snow Cover Fraction)等特征与雪深的复杂非线性关系，耦合SMRT拟合等效雪粒径ESG (Effective Snow Grain size)实现降尺度反演雪深，并以北疆39个站点数据进行模型训练和验证，获取北疆500 m降尺度雪深。验证结果表明：引入SCD独立验证RMSE优化了18%，有助于提高模型的空间泛化能力；ESG显著优化了深度学习...

青藏铁路格拉段（以下简称青藏铁路），特别是从西大滩至安多穿越550 km多年冻土区的路段，沿线有着复杂的地形地貌和冻土环境。近年来随着气候变暖和多年冻土退化，对于建造在多年冻土之上的青藏铁路的维护需求剧增，为了能充分捕捉青藏铁路沿线地区复杂的地形地貌对局地气候变化的影响，以期对青藏铁路的运行维护提供理论支持。本文利用铁路沿线站点观测数据，并以ERA5数据驱动WRF模式进行网格距离为10 km×10 km的动力降尺度模拟。结果显示，青藏铁路沿线的六个站点自1998-2020年普遍呈现增温趋势，增温率最低的站点为0.27℃·（10a）-1，最高为0.56℃·（10a）-1;WRF模式对表面气温的模拟在年平均气温结果与观测数据略有差异，在夏季和秋季的模拟结果较好，夏季相关系数达到0.95以上，秋季在0.80以上，春季和冬季较差；WRF降水模拟的结果显示，Nudging方法有效改进了青藏高原夏季降水的湿偏差，青藏铁路北段至铁路南段降水逐渐增加，且在铁路中部降水出现极大值。WRF模式在青藏高原的温度和降水模拟上仍存在着一定的冷偏差和湿偏差，寻找新的方法...

青藏铁路格拉段（以下简称青藏铁路），特别是从西大滩至安多穿越550 km多年冻土区的路段，沿线有着复杂的地形地貌和冻土环境。近年来随着气候变暖和多年冻土退化，对于建造在多年冻土之上的青藏铁路的维护需求剧增，为了能充分捕捉青藏铁路沿线地区复杂的地形地貌对局地气候变化的影响，以期对青藏铁路的运行维护提供理论支持。本文利用铁路沿线站点观测数据，并以ERA5数据驱动WRF模式进行网格距离为10 km×10 km的动力降尺度模拟。结果显示，青藏铁路沿线的六个站点自1998-2020年普遍呈现增温趋势，增温率最低的站点为0.27℃·（10a）-1，最高为0.56℃·（10a）-1;WRF模式对表面气温的模拟在年平均气温结果与观测数据略有差异，在夏季和秋季的模拟结果较好，夏季相关系数达到0.95以上，秋季在0.80以上，春季和冬季较差；WRF降水模拟的结果显示，Nudging方法有效改进了青藏高原夏季降水的湿偏差，青藏铁路北段至铁路南段降水逐渐增加，且在铁路中部降水出现极大值。WRF模式在青藏高原的温度和降水模拟上仍存在着一定的冷偏差和湿偏差，寻找新的方法...

青藏铁路格拉段（以下简称青藏铁路），特别是从西大滩至安多穿越550 km多年冻土区的路段，沿线有着复杂的地形地貌和冻土环境。近年来随着气候变暖和多年冻土退化，对于建造在多年冻土之上的青藏铁路的维护需求剧增，为了能充分捕捉青藏铁路沿线地区复杂的地形地貌对局地气候变化的影响，以期对青藏铁路的运行维护提供理论支持。本文利用铁路沿线站点观测数据，并以ERA5数据驱动WRF模式进行网格距离为10 km×10 km的动力降尺度模拟。结果显示，青藏铁路沿线的六个站点自1998-2020年普遍呈现增温趋势，增温率最低的站点为0.27℃·（10a）-1，最高为0.56℃·（10a）-1;WRF模式对表面气温的模拟在年平均气温结果与观测数据略有差异，在夏季和秋季的模拟结果较好，夏季相关系数达到0.95以上，秋季在0.80以上，春季和冬季较差；WRF降水模拟的结果显示，Nudging方法有效改进了青藏高原夏季降水的湿偏差，青藏铁路北段至铁路南段降水逐渐增加，且在铁路中部降水出现极大值。WRF模式在青藏高原的温度和降水模拟上仍存在着一定的冷偏差和湿偏差，寻找新的方法...

作为中国三大积雪区之一，青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题，不适用于青藏高原复杂的山区地形。因此，本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型，利用机器学习算法，将筛选后的亮温差作为参数输入，同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征，最终进行了500 m分辨率的青藏高原雪深制图。结果显示，极端梯度提升XGBoost算法的决定系数（R2）和均方根误差（root mean square error,RMSE）分别为0.762和5.732 cm，明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化，结果表明，在积雪天数为30～60 d时，模型表现良好，平均相对误差（mean relative error,MRE）最低为36.79%,RMSE为2.78 cm；随着积雪覆盖度的增加，模型的RMSE逐渐增大，在积雪覆盖度为0.25～0.50时，MRE和RMSE分别达到39.97%和3.12 c...

作为中国三大积雪区之一，青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题，不适用于青藏高原复杂的山区地形。因此，本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型，利用机器学习算法，将筛选后的亮温差作为参数输入，同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征，最终进行了500 m分辨率的青藏高原雪深制图。结果显示，极端梯度提升XGBoost算法的决定系数（R2）和均方根误差（root mean square error,RMSE）分别为0.762和5.732 cm，明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化，结果表明，在积雪天数为30～60 d时，模型表现良好，平均相对误差（mean relative error,MRE）最低为36.79%,RMSE为2.78 cm；随着积雪覆盖度的增加，模型的RMSE逐渐增大，在积雪覆盖度为0.25～0.50时，MRE和RMSE分别达到39.97%和3.12 c...

作为中国三大积雪区之一，青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题，不适用于青藏高原复杂的山区地形。因此，本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型，利用机器学习算法，将筛选后的亮温差作为参数输入，同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征，最终进行了500 m分辨率的青藏高原雪深制图。结果显示，极端梯度提升XGBoost算法的决定系数（R2）和均方根误差（root mean square error,RMSE）分别为0.762和5.732 cm，明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化，结果表明，在积雪天数为30～60 d时，模型表现良好，平均相对误差（mean relative error,MRE）最低为36.79%,RMSE为2.78 cm；随着积雪覆盖度的增加，模型的RMSE逐渐增大，在积雪覆盖度为0.25～0.50时，MRE和RMSE分别达到39.97%和3.12 c...

积雪深度(雪深)是流域水量平衡、融雪径流模拟等模型的重要输入参数,被动微波雪深遥感产品被广泛用于雪深监测。然而,由于山区积雪时空异质性强,这些空间分辨率较粗的雪深产品受到极大限制。本研究基于MODIS积雪覆盖度数据,根据经验融合规则以及积雪衰退曲线对“中国雪深长时间序列数据集”的两套雪深产品(由SMMR、SSMI和SSMI/S反演的称为Che＿SSMI/S产品;由AMSR-2反演称为Che＿AMSR2产品)进行空间降尺度,最终获得青藏高原500 m降尺度雪深数据(Che＿SSMI/S＿NSD和Che＿AMSR2＿NSD)。利用6景Landsat-8影像对两套降尺度雪深数据进行对比分析,结果发现两套降尺度数据与Landsat-8影像积雪空间分布吻合度均较高。与29个气象站点雪深数据相比,Che＿AMSR2＿NSD与实测雪深更为接近,相关系数(R)达到0.72,均方根误差(RMSE)为3.21 cm;而Che＿SSMI/S＿NSD精度较低(R=0.67,RMSE=4.44 cm),可能是由于采用不同传感器亮温数据的两套原始雪深产品精度不同所致。除此之外,实验表明被动微波雪深产品降尺度精度还...