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
   60   61   62   63   64   65   66   67   68   69   70