基于星载L波段辐射计的全球 boreal 森林与北极季节性峰值雪水当量深度学习研究

本研究首次证实L波段微波辐射时间序列与峰值雪水当量(SWEp)的直接关联，创新提出SWEFormer深度学习模型，利用SMAP卫星L波段亮温数据实现 boreal 森林区高精度SWE反演。该模型通过增量学习融合再分析数据与地面观测，在复杂 boreal 流域的SWE估算性能显著优于ERA5、GlobSnow等主流产品，为解决植被冠层衰减导致的传统高频微波SWE反演难题提供新范式。

　　

Highlight亮点

本研究首次揭示L波段亮温(TBs)时间变化与峰值雪水当量(SWE_p)的显著关联。虽然SWE变化对L波段辐射影响微弱，但融雪季节极化TBs的时序变化与SWE_p存在明确相关性。理论表明，更深更密的积雪能储存更多水分并缓慢释放，而浅层多孔积雪则快速消融，这种差异通过土壤-积雪-植被连续体的L波段辐射特征得以呈现。

Section snippets章节精选

Data sets数据集

算法输入包含SMAP L波段观测、ERA5-Land再分析辅助变量及表征关键地表特征的静态参数。采用全球约2000个地面站点数据验证模型，并与GlobSnow、AMSR-E/AMSR2统一产品进行交叉比对。

Methodology方法论

详细阐述L波段TBs与SWE的时序关系后，提出基于多头自注意力机制的SWEFormer深度学习框架。模型通过迁移学习实现ERA5再分析数据的底层特征提取与稀疏地面观测的高层特征优化。

L-band peak SWE retrievals L波段峰值SWE反演

测试集验证显示SWEFormer的RMSE仅67.28mm，较ERA5(214.13mm)提升超3倍，相关系数达0.67。特别在植被覆盖区，模型成功捕捉传统高频微波无法探测的积雪信号。

Conclusion结论

研究证实L波段辐射时序变化可作为SWE_p的新型指示器，其穿透深度优势克服了高频微波在稠密植被区的局限性。该成果为北极 boreal 流域水资源评估提供突破性技术方案。