积雪在全球水文循环和气候系统中起着重要作用，它是河流与地下水的主要补给来源，积雪表面的高反射率以及雪层的绝热效应显著地影响着全球地表能量交互。积雪参数(雪深)是气候和水文模型模拟的重要参数，然而，由于森林冠层衰减和辐射的双重影响，准确估计森林地区的雪深仍然具有很大的挑战。为了解决这个问题，东北地理所微波遥感团队提出了一种耦合微波辐射传输模型（RTM）和机器学习（ML）模型的雪深反演新框架，称为RTM-ML 雪深反演模型，用于北半球森林地区的雪深反演。该模型通过引入物理约束的亮度温度，将森林-雪辐射传输的物理机制纳入ML模型，能够有效地捕捉卫星视场内积雪和森林冠层的辐射贡献。此外，研究利用时空动态建模策略，确保RTM-ML 雪深反演模型在不同地区和季节的灵活性和稳定性。独立验证表明，反演雪深与地面实测雪深具有较好的一致性（R=0.88，RMSE=14.98 cm，MAE=8.44 cm，Bias=-1.46 cm），相比于现有的雪深产品和算法（Chang、AMSR2、ERA5-Land和Globsnow），其精度提升了50%以上（图1），有效改善了北半球森林地区雪深反演不确定性大的问题。

图1. RTM-ML 雪深反演模型验证结果

在此基础上，研究团队结合东北地区长时序的积雪覆盖度数据（NCFSC）实现了雪深产品的降尺度，生成了东北地区首套长时序、高空间分辨率的雪深数据集。基于该产品，研究团队分析了东北地区 1980‒2020 年 500 m 空间分辨率下的雪深时空分布特性。结果表明，东北地区的雪深变化具有较大的空间异质性，在过去 40 年间，东北地区的雪深整体呈 0.85 cm/10a 的增加趋势，在 2000‒2020 年期间，东北地区的雪深却呈现降低趋势，变化趋势为 0.49 cm/10a。（图2）。

图2. 东北地区雪深的时空变化

相关文章发表在国际顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（IF=12.2,C刊）和《International Journal of Applied Earth Observation and Geoinformation》（IF=8.6）上。由中国科学院东北地理与农业生态研究所特别研究助理卫颜霖（第一作者）、李晓峰研究员（通讯作者）等人完成。研究依托中国科学院长春净月潭遥感实验站开展工作，并得到吉林省自然科学基金-自由探索项目(YDZJ202501ZYTS522),国家自然科学基金(42571438,42501159)，长春市科技发展计划项目(2024WX07)联合资助。

论文信息如下：

1.Wei,Y.,Li,X.,Gu,L.,Zheng,Z.,Shi,Y.,Li,Y.,Zheng,X.,& Jiang,T. (2026). Enhancing snow depth estimation in forested regions of the northern hemisphere: A physically-constrained machine learning approach with spatiotemporal dynamics. ISPRS journal of photogrammetry and remote sensing,231:576-594. DOI: https://doi.org/10.1016/j.isprsjprs.2025.11.006.

2.Wei,Y.,Li,X.,Gu,L.,Zheng,Z.,Zheng,X.,& Jiang,T. (2025). Snow depth inversion and mapping at 500 m resolution from 1980 to 2020 in Northeast China using radiative transfer model and machine learning. International Journal of Applied Earth Observation and Geoinformation,139:104533. DOI:https://doi.org/10.1016/j.jag.2025.104533.