针对现有雪水当量遥感产品精度不稳定，且数据时空不连续等问题，基于深度学习理论，构建了一套多种深度学习模型嵌套的雪水当量产品融合算法，并基于已有的雪水当量产品形成了一套高质量时空序列连续的北半球雪水当量数据产品。
本数据集基于已有的雪水当量数据融合而来，分别包括AMSR-E/AMSR2 SWE、GLDAS SWE、GlobSnow SWE、AMSR-E SWE、GLDAS SWE。
首先是构建雪水当量训练数据集，本研究使用的雪水当量数据包括AMSR-E/AMSR2 SWE、ERA-Interim SWE、MERRA-2 SWE、GLDAS SWE、GlobSnow SWE、ERA5_Land SWE。为了提供更高空间分辨率的辅助信息，将500 m分辨率的 MODIS 积雪面积数据 、地理数据（经纬度）、地形数据（海拔、坡度、坡向）等作为辅助训练数据，地面观测的雪水当量数据作为参考真值。在训练数据集基础上，构建基于岭回归模型结合LSTM的雪水当量回归计算模型，利用岭回归深度学习算法进行首次学习，将学习结果区分为精度提高明显和不明显两部分。针对精度提高不明显的部分，采用LSTM算法在时序依赖上的优势，进行进一步学习。在此基础上，获取高质量时空连续的雪水当量数据。
| # | 编号 | 名称 | 类型 |
| 1 | 2022YFF0711702-05 | 积雪、湖冰长序列数据集制备与挖掘关键技术 | 国家重点研发计划 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NIEER.DB6494.2024
10.12072/ncdc.nieer.db6494.2024
