Page 61 - 《高原气象》2026年第3期
P. 61

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                                      669
               置向量。                                                  比值平均:
                   最终更新细胞状态:                                                    R avg =  R prev + R next   (8)
                                              ͂          (4)                              2
                            C t = f t ⋅ C t - 1 + i t ⋅ C t
                                                                 式中: R avg 为均值校正系数; R prev 和 R next 为前后两个
               式中: C t 为当前时刻细胞状态; C t - 1 为上一时刻细
                                                                 时刻的SMAP土壤水分值与实测土壤水分值比值。
               胞状态。
                                                                     SMAP数据修正:
                  (3) 输出门
                                                                                                           (9)
                   决定哪些信息会输出到当前时刻的隐藏状态,                                      SM corrected = SM predicted × R avg
               公式如下:                                             式中: SM corrected 为校正后土壤水分值; SM predicted 为 Bi-
                                                                 LSTM模型预测土壤水分值。
                          o t = σ (W o ⋅ [ h t - 1 ,x t ] + b o )  (5)
                                                                     对于前后两个时刻有 SMAP 原始数据的时间
               式中: o t 为输出门激活值; b o 为输出门偏置向量。
                                                                 段, 使用修正系数 R 来修正 LSTM 模型的预测值。
                   隐藏状态的计算:
                                                                 如果前后没有 SMAP 数据, 则使用插值方法填补缺
                              h t = o t ⋅ tan h (C t )   (6)
                                                                 失值。
               式中: o t 为输出门激活值。
                                                                 3. 3 随机森林模型
                   Bi-LSTM 包含了前向与后向 LSTM, 其输入数
                                                                     随机森林是一种集成学习方法, 通过构建多个
               据经过两个方向计算, 最后结合隐藏状态作为下一
                                                                 决策树并进行预测结果集成学习, 实现对高分辨率
               层输入。Bi-LSTM 同时拥有前向传播和反向传播,
                                                                 土壤水分的预测(Probst and Boulesteix, 2018)。模
               能够提取序列的双向特征, 可以一定程度上增强捕
                                                                 型基本流程如下:
               捉时序信息的能力。
                                                                    (1) 在训练数据中随机抽取样本, 并构建多个
                   本研究按照节气分割土壤水分实测数据, 并将
               其作为输入序列, 采用滑动窗口长度为 48 个时间                         决策树。每棵树使用随机选取的特征进行训练, 避
               步长的输入序列, 步长为 1 h, 逐步生成训练样本,                       免单一特征主导模型预测, 在树节点分裂时, 计算
               在每个时间步, LSTM 单元根据当前输入和上一时                         其均方误差MSE:
                                                                                     1  N
               刻的隐藏状态, 更新细胞状态并生成隐藏状态。经                                        MSE = ∑ ( y i - y ̂ ) 2     (10)
                                                                                                i
               过多层网络传播后输出预测值, 得到下一个节气的                                               N  i = 1
                                                                 式中: y i 为真实值; y ̂ 为预测值; N为样本数量。
               逐小时土壤水分模拟值。损失函数采用均方误差                                               i
                                                                    (2) 模型参数优化。本研究中, 随机森林模型
              (Mean Squared Error, MSE), 通过反向传播算法调
               整网络权重, 使模型误差最小化, 模型使用前 80%                        参数设置决策树数量为 150, 最大叶节点数为 64,
                                                                 设置采样率为 0. 8, 同时选择损失函数为 Huber 损
               时段作为训练集, 后20%时段作为验证集。
               3. 2 趋势校正                                         失函数, 以兼顾均方误差(MSE)和平均绝对误差
                   为了得到逐小时的 SMAP 数据, 本研究使用趋                     (MAE)的优势。
                                                                    (3)  使 用 5 折 交 叉 验 证(5-Fold  Cross Valida‐
               势校正法填补。通过 Bi-LSTM 模型生成的逐小时
               土壤水分预测值变化趋势带入 SMAP 原始数据中,                         tion)法评估不同参数组合, 确保模型的最优配置。
               在有前后两个 SMAP 原始数据的时间点, 通过计算                        4  结果与分析
               两个时段 SMAP 原始数据和实测土壤水分站点数
               据比值的均值, 得到一个修正系数 R, 将这两个时                         4. 1 土壤水分时间序列模拟与校正
               段之间的模型预测值乘以修正系数 R 后, 得到与实                             本研究以 2018 年 1 -12 月 ISMN 实测逐小时土
               测土壤水分数据有一致变化趋势的 SMAP 逐小时                          壤水分数据为训练与验证集, 同时按照节气周期进
               重构数据。                                             行时间序列建模, 让模型能更好地适应季节变化规
                   修正系数R计算:                                      律。使用 Bi-LSTM 模型进行逐小时土壤水分模拟,
                                                                 并通过网格搜索和多组超参数组合实验, 确定模型
                       R prev =  SMAP prev ,R next =  SMAP next  (7)
                               M prev         M next             最优配置为: 回溯窗口设为 48, 隐藏层单元数为
               式中: SMAP prev 和 SMAP next 是一天内, SMAP 卫星过          128, 丢失率为 0. 2。模型输出玛曲地区 5 个代表性
               境时间前后两个时刻的 SMAP 原始数据; M prev 和                    站点在 2018 年逐小时尺度土壤水分估算值, 结果
               M next 是与 SMAP卫星过境时间相对应的两个时间点                     如图2所示。
               的实测土壤水分值。                                             由图 2 可知, Bi-LSTM 模型能够较好地拟合土
   56   57   58   59   60   61   62   63   64   65   66