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

