دستیابی به توزیع مکانی عمق برف می‌بایست از راه مشاهده‌ای و در مقیاسی فشرده صورت گیرد. لیکن به دلیل محدودیت‌های عملی، جمع‌آوری اطلاعات، به‌ویژه در مقیاس‌های مذکور، دشوار و گاهی غیرممکن می‌باشد. باتوجه ‌به مشکلات موجود، استفاده از رویکرد یادگیری ماشین و انتخاب ویژگی می‌تواند سبب افزایش کاربردپذیری پهنه‌بندی عمق برف در مناطق مرتفع گردد. در این پژوهش اثربخشی کاهش ویژگی‌های غیر مؤثر در یادگیری مبتنی بر مدل‌های پارامتریک و غیر پارامتریک بررسی شده‌ است. نمونه‌های استفاده شده برای بررسی فرضیه‌ها از منطقه چلگرد ایران برداشت شده است. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده‌های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت تصادفی و با نمونه‌بردار مدل فدرال برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع، 25 پارامتر ژئومورفومتری استخراج گردید و همراه با 6 باند تصاویر ماهواره لندست 8 و شاخص NDSI به عنوان ورودی‌های مدل‌ها انتخاب گردید. نتایج حاصل از این پژوهش نشان داد که روشهای پارامتریک و ناپارامتریک دقت قابل قبولی در مدل‌سازی عمق برف نداشتند اما مدل رگرسیون خطی با روش انتخاب ویژگی حریصانه پیش‌رو و بهینه ساز جمعیت ذره‌ها با میانگین مربعات خطا برابر با 22.17 و 22.19 توانستند با دقت بهتری تغییرات عمق برف را مدل کنند.