La nieve soplada es un fenómeno común sobre la capa de hielo antártica y las regiones de hielo marino, desempeñando un papel crucial en el sistema climático antártico. Investigaciones anteriores desarrollaron un modelo de aprendizaje automático (ML) optimizado para diagnosticar la ocurrencia de nieve soplada utilizando campos meteorológicos del Análisis Retrospectivo de la Era Moderna para la Investigación y Aplicaciones, Versión 2 (MERRA-2). Este artículo amplía ese trabajo al optimizar un modelo de ML para estimar la altura de la nieve soplada y la profundidad óptica para la producción de datos operacionales. Las observaciones del Satélite de Observación de Lidar de Nubes y Aerosoles y del Infrared Pathfinder (CALIPSO) sirven como verdad de referencia para el entrenamiento. El proceso de optimización implica seleccionar características de entrada relevantes e identificar el regresor de ML más efectivo. Como resultado, se identificaron 21 campos de MERRA-2 como características clave de entrada, y el Extreme Gradient Boosting surgió como el regresor más efectivo. El análisis de la importancia de las características destaca los componentes del viento y la presión en la superficie como los predictores más significativos para la altura de la nieve soplada y la profundidad óptica. Se desarrollaron modelos individuales para cada mes. Utilizando 10 años de datos de CALIPSO (2007-2016) para el entrenamiento, estos modelos optimizados pueden aplicarse a lo largo de todo el conjunto de datos de MERRA-2, que abarca desde 1980 hasta el presente. Esto permite la generación de datos horarios de altura de nieve soplada y profundidad óptica en la cuadrícula de MERRA-2 para todo el período de tiempo de MERRA-2.