Page 59 - 《高原气象》2026年第3期
P. 59

3 期              刘文博等:基于Bi-LSTM模型和多源数据融合的玛曲地区土壤水分模拟研究                                      667
               地表信息, 为土壤水分的大尺度观测提供新途径。                           SMAP 产品, 通过随机森林回归方法实现空间插值
               如土壤水分主动被动探测卫星(Soil Moisture Ac‐                   与降尺度, 最终生成具有逐小时、 250 m 分辨率的
               tive Passive,SMAP)提供的 L3、 L4 级土壤水分数               高时空土壤水分模拟影像。本研究旨在弥补传统
               据, 具备高时效性与广覆盖能力, 但在地形复杂区                          遥感产品在时间连续性与空间精度方面的不足, 耦
               域内, 其 9 km 空间分辨率及 3 h 至每日时间尺度,                    合 Bi-LSTM 时间重建与 RF 空间降尺度, 将 SMAP
               难以精细化捕捉到不同下垫面土壤水分的差异性                             土壤水分数据从 9 km 空间分辨率提升至 250 m, 时
              (O'Neill et al, 2010; 薛智暄等, 2023)。因此, 基于           空分辨率提升至小时级别, 为青藏高原东缘区域生
               多技术融合构建地面实测与遥感信息、 兼顾高精度                           态水文建模、 气象灾害预警及水资源管理提供数据
               与广覆盖的土壤水分估算方法成为当前研究热点                             支持与方法借鉴。
              (张蕾等, 2024; 刘杨晓月和杨雅萍, 2023)。
                   近年来, 依托强大的时序建模能力, 深度学习                        2  研究区域与数据来源
               在土壤水分预测任务中的应用已十分广泛(Roberts                        2. 1 研究区概况
               et al, 2022; 耿庆田等, 2023)。长短期记忆网络                      玛曲地区位于甘肃省甘南藏族自治州西南部,
              (LSTM)及其双向扩展形式(Bi-LSTM)能够有效捕                       地处青藏高原东北缘与黄土高原过渡带之间。黄
               捉土壤水分日变化与季节性趋势, 对解决遥感数据                           河自西南流入县境, 呈大“几”字形绕流, 是黄河上
               时间间隙、 重建逐小时动态序列具有显著优势(Fil‐                        游重要的水源补给区和重要的生态功能区之一,
               ipovi et al, 2023; 刘会丹等, 2023)。同时, 随机森            在维系流域水源涵养、 调节区域气候、 控制泥沙流
               林(RF)、 极限梯度提升(XGBoost)等机器学习方法                     失方面发挥着重要作用。
               在多源遥感数据融合、 空间插值和高分辨率重建方                               境内地势总体呈西南高、 东北低, 地形起伏剧
               面展现出较强的泛化能力和变量解释性(Chen et                         烈, 冻土广布, 为典型高原高寒地貌类型。年平均
               al, 2021; 王思超等, 2024)。已有研究表明, 将                   气温 0~2 ℃, 极端最低气温可达-35 ℃; 年均降水
               SMAP粗分辨率土壤水分产品与高分辨率辅助因子                           量 400~600 mm, 集中在 6 -9 月, 占全年降水量的
               融合, 可有效实现 9 km 至 250 m 的空间降尺度, 提                  70% 以上。属于青藏高原大陆性季风气候, 水热同
               高数据适用于区域应用的能力(Chen et al, 2017)。                  季, 干湿分明, 对地表水热过程与生态系统响应极
               多源土壤水分数据的融合能够实现多源异构数据                             为敏感。
               的时空协同, 可以整合点测量、 遥感及模型数据,                          2. 2 数据来源
               增强时空连续性。                                              本研究所使用的数据及其具体来源如下:
                   玛曲地区地处青藏高原东缘、 甘南藏族自治州                            (1) 行政边界数据来自国家地理信息公共服务
               西南部, 是黄河重要源区与高寒湿地典型代表区。                           平台, 审图号为GS(2024)0650, 底图无修改。
               该区域在生态系统服务功能中发挥着蓄水、 调节气                              (2) 土壤水分数据
               候和生物多样性保护的核心作用, 也是黄河水源涵                               逐小时土壤水分实测数据来自国际土壤水分
               养、 下游洪水调蓄与水资源调度的关键区域。近年                           网络(International Soil Moisture Network, ISMN),
               来, 随着气候变暖和人类活动加剧, 玛曲地区出现                          选取了位于甘肃省玛曲县境内的 NST01, NST03,
               湿地退化、 草地沙化等问题, 导致区域水文过程更                          NST08, NST09, NST25 5 个观测站点(图 1), 数据
               加复杂, 对高分辨率土壤水分动态监测提出了更高                           时间范围为 2018 年 1 -12 月。ISMN 由全球多家气
               需求(邴丹珲等, 2012; 逯军峰等, 2012; 曹慧宇,                   象、 农业、 水文等机构联合建设, 提供标准化质量
                                                                                                        -
               2021)。对玛曲地区土壤水分进行研究, 对理解高                         控制后的土壤体积含水量(单位: m³·m ³)数据
               原生态系统功能、 气候变化响应和水资源管理具有                          (Dorigo et al, 2021)。SMAP L3 土壤水分产品数据
               重要意义, 可为应对全球变化和促进区域可持续发                           为表层土壤水分数据, 时间分辨率为 1 d, 空间分辨
               展提供科学依据。为此, 本文选取玛曲地区为研究                           率为 9 km。本研究所使用的 SMAP L3 级产品数据
               区, 基于 ISMN 站点逐小时实测土壤水分数据, 构                       均在GEE(Goole Earth Engine)上使用代码获取。
               建 Bi-LSTM (Bi-directional Long Short-Term Memo‐      (3) 归一化植被指数(NDVI)
               ry)模型重建全年逐小时土壤水分时间序列; 再融                              使用 MODIS 数据提供的 MOD13Q1 产品, 其
               合 MODIS NDVI、 ASTER DEM、 ERA5 气象数据与               时间分辨率为 16 d, 空间分辨率为 250 m, 主要提
   54   55   56   57   58   59   60   61   62   63   64