1.一种使用机器学习反演北极积雪深度的方法，其特征在于：该方法包括如下步骤，步骤1：获取冰桥行动OIB北极积雪深度即OIB积雪深度数据，OIB积雪深度数据记录有北极上测量的经纬度、时间和相应的积雪深度；AMSR2 L1R是AMSR2轨道亮温数据，每个轨道扫描轨道为一个hdf5文件包括不同通道的亮温，并记录在每个轨道的扫描时间；AMSR2 L1R分有升轨和降轨数据；

步骤2：根据OIB积雪深度数据中的经纬度和AMSR2 L1R亮温的经纬度数据，对两数据进行匹配，两数据的经纬度之间最短距离即为匹配点；

步骤3：低频通道的垂直亮温梯度比对多年冰和一年冰上的积雪深度敏感，计算最终匹配点的垂直亮温的梯度比GR，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)；不使用海冰密集度和开放水典型亮温对各个通道的亮温进行校正，因此GR的公式为

其中，TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温；

步骤4：构建积雪深度的训练样本集和测试样本集，按照步骤3计算的亮温梯度比作为输入自变量，相对应的积雪深度作为输出应变量；在训练样本和测试样本中不仅要包含多年冰积雪深度而且要包含一年冰积雪深度，将前70％的输入自变量以及对应的输出应变量划分为积雪深度训练样本集，剩余的后30％的输入自变量以及对应的输出应变量作为积雪深度测试样本集；

步骤5：建立积雪深度机器学习来映射亮温梯度比和OIB积雪深度之间的非线性关系；

采用在步骤4中建立的积雪深度训练样本集分别训练多层感知器和随机森林，以比较哪种机器学习模型更适合积雪深度反演；多层感知器模型包括数据输入层，3个隐藏层和一个输出层；随机森林模型包括多个决策树每个决策树包括多个叶子；对于关于积雪深度的多层感知器训练算法需要选择为Levenberg‑Marquardt算法；训练终止目标即收敛阈值设置为

0.0001；最大迭代学习次数设置为2000；损失函数选择为平均绝对误差；对于关于积雪深度的随机森林在训练时，绘制误差曲线不断调整决策树和叶子的大小；

在设置参数中，设置如下参数：关于积雪深度的多层感知器的学习速率设置为0.05，每层神经元个数分别设置为25、20和15；对于积雪深度的随机森林选择200棵决策树和5个叶子；

步骤6：挑选模拟积雪深度较好的机器学习模型，随机森林和多层感知器都对初始输入的权值敏感，不同随机输入的初始权值会带来对模拟的积雪深度产生不同的影响；不断重复训练积雪深度多层感知器和随机森林以选择最优模型，使用均方根误差RMSE、最优拟合2

度R 和偏差Bias来评价模拟的积雪深度和实际的积雪深度之间的误差以挑选模拟积雪深度较好的模型。

2.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：关于积雪深度的机器学习模型分别训练200次并保存每次的网络结构和记录均方根误差、最优拟合度以及偏差，形成200个积雪深度多层感知器和200个随机森林；利用最优拟合度对积雪深度模拟结果进行评价，因为最优拟合度越大，均方根误差和偏差就越小；分别在200个积雪深度多层感知器和随机森林中挑选最优拟合度最大的多层感知器和随机森林网络；

然后对挑选出来的多层感知器和最优随机森林进行以上3个评价参数的对比，找出模拟结果最好的积雪深度模型。

3.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：每个OIB积雪深度分别匹配到升轨和降轨的亮温数据，根据OIB积雪深度的记录时间和AMSR2 L1R中记录的时间选择时间最接近的亮温即为最终匹配点。

4.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：利用Matlab软件中distance函数，根据每个OIB积雪深度点记录的经纬度分别计算与AMSR2 L1R升轨和降轨亮温之间的距离，然后找出分别在升轨和降轨中找出距离最近的点即为匹配点；然后找出在匹配的点中，升轨亮温和降轨亮温所记录的时间与相对应的OIB积雪深度时间最接近的点，即为最终匹配点。

5.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：分别计算匹配点的垂直亮温梯度比GR，分别为GR(10v/7v)、GR(19v/7v)、GR(19v/10v)、GR(37v/7v)、GR(37v/10v)、GR(37v/19v)；GR的公式为其中TBMv为M通道的垂直亮温，TBNv为N通道的垂直亮温。

6.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：构建数据训练样本集和测试样本集，按照计算的梯度比作为输入自变量，相对应的积雪深度作为输出应变量；然后将前70％的输入自变量以及对应的输出应变量划分为训练样本，剩余的后30％的输入自变量以及对应的输出应变量作为测试样本集。

7.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：使用Matlab软件分别使用newff和Treebagger函数，采用建立的训练样本集分别训练多层感知器和随机森林以比较哪种机器学习模型更适合积雪深度反演；多层感知器模型包括数据输入层，3个隐藏层和一个输出层；随机森林模型包括多个决策树每个决策树包括多个叶子；对于多层感知器的训练算法需要选择为Levenberg‑Marquardt算法，训练终止目标即收敛阈值设置为0.0001；最大迭代学习次数设置为2000；损失函数选择为平均绝对误差。

8.根据权利要求1所述的一种使用机器学习反演北极积雪深度的方法，其特征在于：使2

用均方根误差RMSE、最优拟合度R 和偏差Bias选择最优模型；不断重复训练多层感知器和随机森林200次并保存每次的网络结构，形成200个多层感知器和200个随机森林；然后把每个网络应用到测试样本中，分别记录相应均方根误差，最优拟合度以及偏差；利用最优拟合度分别对200个多层感知器和200个随机森林对模型进行评价；最后对这两者最优模型利用以上3个评价指标进行评估选出最优模型。