季节性积雪是全球水循环和气候系统中的重要变量，影响全球和区域能量、水和碳循环。被动微波遥感具有全天时、全天候观测的优势，被广泛应用于大范围雪深监测。然而，当前被动微波数据的空间分辨率较低，无法满足区域气候和水文模型对高空间分辨率雪深数据的需求，很大程度上限制了遥感雪深产品的精度和应用。本文在新疆北部地区，耦合1km的基于自动端元提取的混合像元分解算法(MESMA-AGE)反演的逐日积雪覆盖度，并结合地形特征及地表覆盖信息，建立基于值域一致性的被动微波积雪深度空间降尺度模型，实现了15km的FY-3D被动微波雪深产品到1 km空间分辨率的尺度转换。该算法(GWR-ATPK)首先构建雪深与预测变量之间的关联模型，并采用自适应窗口法，利用地理加权回归(geographically weighted regression, GWR)方法获得最优局部回归，进而基于面至点的克里金算法(area-to-point kriging, ATPK)进行残差降尺度，分析降尺度前后的一致性以降低模型的不确定性。结果表明：（1）相对于本文提出的基于逐日全局岭回归降尺度算法(Daily Ridge Regression, DRR)与逐像元岭回归降尺度算法(Pixel-wise Ridge Regression, PRR)，GWR-ATPK算法能够有效提高FY-3D雪深产品的空间分辨率，在进一步丰富雪深分布细节变化信息的同时，还能够保留FY-3D雪深产品的空间变化特征并与其保持值域一致(值域一致性评估RMSE=0.85cm,R2=0.98)。（2）基于地面雪深站点观测数据对降尺度结果进行验证，降尺度雪深值与站点实测数据之间的RMSE和R2分别为7.49cm和0.89，表明了降尺度雪深具有较好的精度水平。该算法的开发在现有被动微波遥感雪深产品降尺度方面具有良好潜力，在保持良好精度的同时，实现与原始产品值域一致的鲁棒性，有望为水文、气象和气候研究以及水资源管理等领域提供中高空间分辨率、高精度的雪深数据。

雪深，空间降尺度，被动微波，面到点的克里金插值，地理加权回归