积雪密度是表征积雪性质的一个重要参量，在雪水资源估算、融雪洪水、雪崩、暴风雪等水资源管理、自然灾害预报等方面发挥重要作用。在降雪发生时，新雪密度变化取决于气象要素，如气温、相对湿度和气压等。后受到变质、压实、融化-冻结和风蚀等作用影响，雪晶的大小和形状发生改变。随着雪龄和雪深的增加，积雪密度变大。同时，积雪密度也会受到地形和地表类型等要素的影响。因众多影响因素的时空差异，积雪密度具有明显的时空异质性。为反映积雪密度的时空变化，多采用地面观测值，数据准确性高，但难以实现大规模积雪密度动态监测；建立物理模型过程复杂，较适合小区域积雪密度空间化；而简单的统计模型没有考虑积雪密度和多个影响要素之间复杂的非线性关系，而且这些模型大多根据稀少且短期的观测点数据独立构建，忽略了积雪密度的时空异质性以及与影响要素的关系。为此，将时空加权与机器学习模型融合，建立积雪密度时空模拟模型，以捕捉积雪密度的时空依赖性并拟合影响要素之间的非线性关系。此外，结合多源数据的优势，将卫星遥感数据提供的积雪和地形要素、再分析数据提供的气象要素和地面观测数据提供的积雪密度真值融入模型，以实现中国区域大尺度逐日积雪密度时空模拟与制图。
首先，计算不同月份积雪密度与众多影响要素之间的相关系数，以及不同要素的正相关和负相关系数的均值和数量。结果表明，积雪密度与20个潜在影响要素之间的相关性都较弱，最大平均相关系数仅为0.123，这表明积雪密度制图的难度很大。其中，植被叶面积指数、降水量、积雪深度和地形要素与积雪密度的关系相对更为密切。然后，比较了积雪密度估计值与真值在不同积雪区、年份、月份、积雪期的精度变化，十折交叉验证结果表明，模型总体的R²、MAE和RMSE分别为0.531、0.028和0.043 g/cm³，在三大积雪区中，新疆的精度最高（R²=0.633），青藏高原R²最低，这可能是由于积雪密度的强烈波动和稀疏站点造成的。同时，积雪密度估计在积雪稳定期内达到最佳效果，而积雪积累期和消融期由于站点数量限制和积雪量少且变化较快，具有较低的R²，表明模型精度与积雪稳定性和积雪量密切相关。为进一步验证模型的有效性，与其他五种估算模型以及ERA5积雪密度再分析产品进行对比，结果都表明所建立的模型具有良好的积雪密度估算性能。利用该模型生产2013-2020年中国区域逐日积雪密度产品，这是目前已知精度最高的中国陆域、逐日分辨率的积雪密度产品。进一步基于此产品探究了不同积雪期、月份、年份、积雪区的积雪密度空间分布和时间变化。