Page 65 - 《高原气象》2026年第3期
P. 65
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 673
图4 2018年6月20日研究区逐小时降水时间序列图
Fig. 4 Time series chart of hourly precipitation in the study area on June 20, 2018
表2 土壤水分模拟值精度评估
Table 2 Accuracy evaluation of simulated soil moisture values
站点 海拔/m RMSE R 2 相关系数 Bias t检验p值
NST01 3433 0. 0092 0. 8414 0. 9173 0. 0075 <0. 001 *
NST03 3437 0. 0033 0. 7918 0. 8898 -0. 0019 <0. 001 *
NST08 3465 0. 0503 0. 4969 0. 7049 0. 0216 0. 0319 *
NST09 3431 0. 0321 0. 5599 0. 7482 0. 0230 <0. 001 *
NST25 3587 0. 0081 0. 8735 0. 9346 -0. 0079 <0. 001 *
*表示p<0. 05[*denotes p < 0. 05]
从表 2 可以看出, 不同站点模拟精度存在一定 优势。
差异, 但总体而言, 各站点的模拟精度较高, p值均 由于不同环境变量的数值范围不同, 直接输入
小于 0. 05, 通过显著性检验。NST25 站点表现最 模型可能导致某些变量对模型学习产生主导作用。
2
优, R 达 0. 8735, 相关系数为 0. 9346, 说明该站点 因此, 本研究采用四分位距(Interquartile Range,
模型拟合能力强, 误差较小; 而 NST03 站点精度相 IQR)标准化方法, 用于各变量归一处理, 有效避免
对较低, 可能与局地微地形或遥感像元混合等影响 极端值影响模型学习过程, 进一步提高了模拟稳定
有关。总体而言, 模型能够有效再现土壤水分的动 性。标准化公式如下:
态过程, 精度评估结果表明模型对逐小时尺度的预
X norm = X - Q 1 (11)
测具备实用价值。 Q 3 - Q 1
此外, Bias 指标数值呈现正负波动, 整体偏差 式中: Q 1 和 Q 3 分别表示变量的 25% 和 75%; X 为原
幅度较小, 未表现出明显的系统性低估或高估现 始数据点; X norm 为标准化后的值。
象, 未来可通过偏差校正进一步提高模拟值的绝对 表 3 列出了不同变量对模型的重要性评估结
精度。 果。其中, NDVI 的重要性值高达 0. 5808, 对模型
4. 4 空间降尺度模拟 的影响最大, 这个结果表明在高寒草甸地区, 植被
在获得逐小时时间分辨率后, 为进一步提升空 的覆盖状况与土壤水分的分布密切相关, 这与已有
间分辨率至遥感应用级别(250 m), 本研究采用随 研究结论一致(郭林茂等, 2022; 吴小丽, 2020);
机森林回归(Random Forest Regression)进行空间降 其次是坡向与地表温度, 分别反映了地形辐射与蒸
尺度建模。以 SMAP 9 km数据为因变量, 引入 ND‐ 散能力对土壤水分的调控作用。随机森林特征重
VI、 DEM、 Slope、 Aspect、 TRI、 LST 等高分辨率多 要性计算采用了置换重要性方法, 部分变量出现负
源数据为自变量, 建立土壤水分与环境因子的非线 值可能是因为在模型的训练中,该变量未能显著提
性映射关系, 实现 250 m 分辨率的土壤水分降尺 升模型的预测精度,并可能与其他变量有高度相关
度。随机森林模型通过 Bagging 策略与多棵决策树 从而引入了一些冗余信息。
融合, 具有处理高维、 多变量输入且不易过拟合的 本研究中, 因变量为 SMAP 土壤水分产品。为

