Page 60 - 《高原气象》2026年第3期
P. 60
高 原 气 象 45 卷
668
图1 研究区海拔及站点分布
Fig. 1 Map of attitnde and station distribution in the study area
供 NDVI 与 EVI 指数。本研究提取 2018 年全年的 3 研究方法
NDVI 波段数据, 用以反映地表植被覆盖状况与土
3. 1 双向长短期记忆网络(Bi-LSTM)
壤水分之间的耦合关系。
长 短 期 记 忆 网 络(Long Short-Term Memory,
(4) 数字高程模型(DEM)及其衍生变量
LSTM)是一种特殊的循环神经网络(RNN), 最初
高程数据使用 NASA 发布的 SRTM(Shuttle Ra‐
由 Hochreiter and Schmidhuber(1997)提出。相比于
dar Topography Mission)数据产品 SRTMGL1_003,
传统 RNN(Recurrent Neural Network), LSTM 引入
空间分辨率为 30 m(Farr et al, 2007)。本研究基于
了门结构和细胞状态, 解决了 RNN 在长序列学习
该 DEM 数 据 在 GEE 平 台 上 进 一 步 计 算 了 坡 度
过程中易于出现的梯度消失和梯度爆炸问题。
(Slope)、 坡 向(Aspect)和 地 形 湿 度 指 数(Terrain
LSTM 网络由多个 LSTM 单元按时间步长排列
Ruggedness Index, TRI), 用于反映地形起伏、 坡面
组成。每个LSTM单元由以下几个主要组件组成:
辐射与积水能力对土壤水分分布的影响。
(1) 遗忘门
(5) 地表温度(LST)
决定当前时刻哪些历史信息需要遗忘, 公式如
地表温度来自 MODIS 数据中的 MOD11A1 日
下:
尺度产品, 其空间分辨率为 1 km。该产品包含逐日
f t = σ (W f ⋅ [ h t - 1 ,x t ] + b f ) (1)
白天和夜间地表温度值, 研究中主要选取日间地表
式中: f t 为遗忘门输出; W f , b f 为权重矩阵和偏置;
温度作为表征蒸发潜力的重要因子。
h t - 1 为上一时刻隐藏状态; σ 为 Sigmoid 激活函数;
(6) 土地覆盖类型: 土地覆盖信息提取自 MO‐
x t 为当前输入。
DIS 年尺度 MCD12Q1 产品, 空间分辨率为 500 m。
该产品提供多种分类体系, 本研究采用 IGBP 分类 (2) 输入门
结果(LC_Type1), 包括草地、 湿地、 灌木、 裸地等 输入门决定当前时刻哪些新信息需要存储, 公
类型, 反映不同下垫面特征对土壤含水量的影响。 式如下:
(7) ERA5-Land气象数据 i t = σ (W i ⋅ [ h t - 1 ,x t ] + b i ) (2)
气象因子选取来自欧洲中期天气预报中心 式中: i t 为输入门激活值; W i 为输入门的权重矩
(ECMWF)发布的 ERA5-Land 逐小时再分析数据, 阵; b i 输入门的偏置向量。
空间分辨率约 0. 1°×0. 1°, 数据时间为 2018 年 6 月 与此同时, 计算候选状态:
͂
(Hersbach et al, 2020)。研究提取了逐小时 2 m 气 C t = tan h (W C ⋅ [ h t - 1 ,x t ] + b C ) (3)
͂
温、 降水量等要素, 用于表征空气干燥程度与土壤 式中: C t 为候选细胞状态; tan h 为双曲正切激活函
水分蒸发的关系。 数; W C 为候选状态的权重矩阵; b C 为候选状态的偏

