积雪面积是许多水文和气候模型的重要输入，对于研究全球气候和水文至关重要。中国科学院西北生态环境资源研究院积雪遥感研究团队提出了一种新的物理约束下的深度学习框架，来反演基于先进的甚高分辨率辐射计（AVHRR）积雪面积比例（SCF）算法，并开发出一种新型深度学习框架模型ART－DL　SCF模型。

通过结合积雪辐射传输模型（ART），AVHRR表面反射率数据反演北半球SCF。新模型使用　Landsat　5积雪图像作为参考SCF，将ART模型反演的积雪反照率作为物理约束纳入相关的积雪识别参数中。

与Landsat参考SCF的综合验证结果显示，整体准确率为90.20％，错分误差和漏分误差均在10％以下。值得注意的是，引入物理约束既提高了模型的准确性和稳定性，又减轻了低估问题。与没有物理约束的模型相比，ART－DL　SCF模型的均方根误差显著降低了4.79个百分点，平均绝对误差降低了5.35个百分点。这些准确度明显高于欧洲空间局　（ESA）　目前可用的　SnowCCI　AVHRR产品。

此外，该模型表现出很强的时空泛化能力，并且在森林地区表现良好。本研究提出了一种结合深度学习的物理模型来反演SCF，可以更好地服务于全球气候、水文和其他相关研究。

该成果以Estimating　AVHRR　snow　cover　fraction　by　coupling　physical　constraints　into　a　deep　learning　framework为题，在线发表于ISPRS　Journal　of　Photogrammetry　and　Remote　Sensing期刊上。西北研究院博士研究生赵琴为论文第一作者，郝晓华研究员为论文通讯作者。兰州大学、兰州交通大学共同参与该研究。该研究得到国家自然科学基金杰出青年基金、联合基金、冰冻圈科学与冻土工程国家重点实验室项目的联合资助。

文章链接：https：／／www．sciencedirect．com／science／article／abs／pii／S0924271624003265

图1． 本研究模型开发框架（a为物理约束过程，包括条件的产生与约束；b为深度学习模型的输入数据；c为构建的深度神经网络模型框架）

图2　研究产品与欧空局的产品对比

图3．　不同输入参数的模型误差验证（a）与二元验证（b）的比较

图4．　1988年11月18日的北半球积雪面积比例（SCF）和积雪面积二值（SCE）和产品示意图