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
   55   56   57   58   59   60   61   62   63   64   65