Page 66 - 《高原气象》2026年第3期
P. 66

高     原      气     象                                 45 卷
              674
                   表3  随机森林模型中不同特征变量的重要性                        DEM 等)作为输入, 得到 250 m 分辨率的土壤水分
                 Table 3  Importance of different feature variables   估算值, 从而实现SMAP产品的空间降尺度。
                           in Random Forest Models                  最终输出为 250 m 分辨率逐小时土壤水分影
                         变量                     重要性             像, 能够较真实地反映玛曲地区复杂地形下土壤水
                     NDVI(植被指数)                 0. 5808         分的空间异质性。
                       高程(DEM)                 -0. 0427             降尺度后的土壤水分空间格局在图 5所示的高
                       坡度(Slope)               -0. 4991         分辨率影像中表现尤为明显。降尺度后的影像相
                      坡向(Aspect)                0. 2259         比 SMAP 原始 9 km 产品, 能够更清晰地区分不同
                      地表温度(LST)                 0. 2038         地貌区间的水分差异, 揭示细尺度湿润-干旱斑块
                    地形湿度指数(TRI)                -0. 1305         的空间嵌套关系。在图像配色中, 蓝色代表高土壤
                     经度(Longitude)             -0. 1197         水分区域, 红色代表低水分区域, 整体呈现出“河
                      纬度(Latitude)             -0. 8715         谷低、 湿地区高、 高海拔山地偏干”的分布特征。
                                                                其中, 河谷为水体主要分布区, 一般来说其土壤水
             保 证 建 模 一 致 性 ,  所 有 自 变 量(NDVI、  DEM、             分值应高于周边, 但常常被识别为低值区, 主要是
             Slope、 Aspect、 TRI、 LST 等)首先在 GEE 中进行空             由于 SMAP 这类微波遥感数据产品对水体具有高
             间重采样: 将高分辨率数据(如 250 m NDVI、 30 m                   反射特性, 在水面区域的信号常出现饱和或无效,
             DEM)通过块平均(block mean pooling)聚合, 作为                导致反演时无法准确获取浅层土壤水分信息, 从而
             训练阶段的输入; 而低分辨率数据则采用双线性插                            在结果中表现为“异常低值”。西南部高海拔区域
             值方法采样至 9 km。在预测阶段, 利用训练好的随                         地势陡峭、 土层浅薄、 植被稀疏, 降水径流快, 地
             机森林模型, 以 250 m 分辨率的自变量(NDVI、                       表持水能力差, 因此表现为稳定的低水分区。

















                                 图5 SMAP土壤水分产品(a)与随机森林回归模型降尺度模拟结果(b)对比
                           Fig. 5 Comparison of SMAP soil moisture product (a) with the downscaling results simulated
                                              by the random forest regression model (b)
                  降尺度后的土壤水分影像不仅显著提升了空                           如下:
             间分辨率, 更准确刻画了地貌单元间的差异性, 反                              (1)  Bi-LSTM 模型对逐小时的土壤水分预测
             映了遥感数据与地表水文过程之间的深层耦合                               具有较好的时序拟合能力。本研究使用 ISMN 站点
             关系。                                                的逐小时土壤水分数据做建模与测试,精度评估结
                                                                果表明 Bi-LSTM 模型能够较为准确地捕捉土壤水
              5  结论与讨论
                                                                分的日变化趋势与季节性波动特征,在夏季降水较
                  本研究以青藏高原东缘的玛曲地区为典型高                           为集中的时间段内表现出良好的时序响应性。趋
             寒湿地研究区, 综合利用遥感数据、 来自 ISMN 的                        势修正方法进一步提高了模型预测值与 SMAP 原
             地面实测数据与多源辅助变量, 构建了基于 Bi-                           始数据的量值一致性,使模拟结果兼具实测土壤水
             LSTM 模型与随机森林模型相结合的土壤水分高时                           分数据的变化趋势和遥感数据的空间连续性优势。
             空分辨率模拟方法。研究旨在弥补当前遥感产品                                 (2)  引入逐小时回归与随机森林方法, 实现了
             在时间连续性和空间分辨率上的不足, 提升区域尺                            SMAP土壤水分的时间插值与空间降尺度。本研究
             度土壤水分数据的适用性与准确性。主要结论                               在Bi-LSTM模型输出基础上, 利用逐小时线性回归
   61   62   63   64   65   66   67   68   69   70   71