准确评估雪层体积含水量和体积密度对于理解雪的水文过程、降低雪崩风险以及冰冻圈监测具有重要意义。本文提出一种新型双参数反演框架,该框架集成了合成电磁建模、降维方法和机器学习算法,用于从探地雷达(GPR)数据中提取相对介电常数...准确评估雪层体积含水量和体积密度对于理解雪的水文过程、降低雪崩风险以及冰冻圈监测具有重要意义。本文提出一种新型双参数反演框架,该框架集成了合成电磁建模、降维方法和机器学习算法,用于从探地雷达(GPR)数据中提取相对介电常数和对数电阻率。传统雪层测量方法具有侵入性、劳动强度大且仅限于点位观测等局限性。为克服上述局限,建立了一种非侵入性、可扩展且数据驱动的框架,利用合成GPR数据集来表示具有不同含水量和密度分布的多样化雪层条件。使用先进电磁模拟器gprMax,通过有限差分时域模拟生成合成的一维时序反射(A扫描)。随后采用主成分分析(PCA)将每个A扫描进行压缩,得到低维且信息保真的特征集,从而显著提升模型训练效率。基于经过主成分分析(PCA)降维处理的特征集,训练了随机森林、神经网络、支持向量机和极限梯度提升四种机器学习模型。其中,神经网络模型性能最佳,介电常数为R^(2)>0.97,电阻率为R^(2)>0.92。合成数据中引入高斯噪声(信噪比约为6 dB),并通过针对特定领域进行改进,以提高其在实地数据的泛化能力。模型在中国阿尔泰山脉的两条典型GPR剖面(湿雪T750和饱和雪G125)上进行了验证。神经网络模型预测结果与GPR反演、Snowfork测量及人工雪坑数据高度一致,体积含水量偏差不超过1.5%,体积密度误差在30–84 kg m-3范围内。结果表明,基于机器学习的反演方法在结合真实模拟与数据增强的条件下,能够实现可扩展、非侵入式的雪层特性反演,在水文预报、雪情监测及气候敏感型水资源管理中具有重要应用价值。展开更多
【目的】青藏高原作为中国最大,世界海拔最高的高原,地表温度垂直递减率(Land Surface Temperature Lapse Rate,LTLR)的时空分布特征对气候变化、生态系统以及水文过程研究具有重要意义。已有研究无法准确表达复杂地形条件下的山区近地...【目的】青藏高原作为中国最大,世界海拔最高的高原,地表温度垂直递减率(Land Surface Temperature Lapse Rate,LTLR)的时空分布特征对气候变化、生态系统以及水文过程研究具有重要意义。已有研究无法准确表达复杂地形条件下的山区近地表气温直减率在时空分布与变化上的精细特征。因此本研究利用地表温度日变化模型估算出青藏高原逐小时地表温度,进而计算出逐小时月均LTLR,以获得青藏高原地区高时空分辨率的LTLR分布。【方法】本研究基于2022年中国西部逐日1 km全天候地表温度数据集TRIMS,利用地表温度日变化模型对青藏高原逐小时地表温度进行估算,进而采用滑动窗口法计算逐小时月均LTLR,分析了研究区LTLR在季节尺度上的时空分布与差异特征。弥补了青藏高原地区缺少高时空分辨率LTLR研究的现状。【结果】(1)4个季节平均LTLR分别为-6.12、-7.63、-5.89和-3.23℃/km,春夏季节整体高于秋冬季节,但横断山脉区域相反,冬季平均LTLR较夏季高出约0.57℃/km;(2)春夏季最大LTLR分别为-14.45℃/km、-13.92℃/km,相对于秋、冬季最大LTLR的-13.60℃/km、-11.61℃/km,更高,因高海拔和干旱晴朗天气影响,羌塘高原区不同季节的最大LTLR差异显著,其中冬季最大LTLR最小,为-13.67℃/km;(3)夏季最小LTLR最为大,高出其他季节约3.05℃/km,其中横断山脉四季最小LTLR均较大,其中春季最小LTLR为-1.16℃/km,比其他3个季节更高,最小的秋季最小LTLR为0.03℃/km,而羌塘高原区四季最小LTLR最小;(4)日变化曲线显示,春秋冬3个季节的LTLR在11:00—14:00最大,春季最小LTLR出现在20:00—23:00,秋季最小LTLR出现时间较春季提前了约1 h,而夏季一天中出现2次最大LTLR,分别在4:00—7:00和15:00—18:00,在21:00—23:00呈现出日最小LTLR特征。【结论】本研究对深入揭示青藏高原地表温度垂直递减率在季节尺度上的时空变化特征与相关影响机制有重要作用。展开更多
文摘准确评估雪层体积含水量和体积密度对于理解雪的水文过程、降低雪崩风险以及冰冻圈监测具有重要意义。本文提出一种新型双参数反演框架,该框架集成了合成电磁建模、降维方法和机器学习算法,用于从探地雷达(GPR)数据中提取相对介电常数和对数电阻率。传统雪层测量方法具有侵入性、劳动强度大且仅限于点位观测等局限性。为克服上述局限,建立了一种非侵入性、可扩展且数据驱动的框架,利用合成GPR数据集来表示具有不同含水量和密度分布的多样化雪层条件。使用先进电磁模拟器gprMax,通过有限差分时域模拟生成合成的一维时序反射(A扫描)。随后采用主成分分析(PCA)将每个A扫描进行压缩,得到低维且信息保真的特征集,从而显著提升模型训练效率。基于经过主成分分析(PCA)降维处理的特征集,训练了随机森林、神经网络、支持向量机和极限梯度提升四种机器学习模型。其中,神经网络模型性能最佳,介电常数为R^(2)>0.97,电阻率为R^(2)>0.92。合成数据中引入高斯噪声(信噪比约为6 dB),并通过针对特定领域进行改进,以提高其在实地数据的泛化能力。模型在中国阿尔泰山脉的两条典型GPR剖面(湿雪T750和饱和雪G125)上进行了验证。神经网络模型预测结果与GPR反演、Snowfork测量及人工雪坑数据高度一致,体积含水量偏差不超过1.5%,体积密度误差在30–84 kg m-3范围内。结果表明,基于机器学习的反演方法在结合真实模拟与数据增强的条件下,能够实现可扩展、非侵入式的雪层特性反演,在水文预报、雪情监测及气候敏感型水资源管理中具有重要应用价值。
文摘【目的】青藏高原作为中国最大,世界海拔最高的高原,地表温度垂直递减率(Land Surface Temperature Lapse Rate,LTLR)的时空分布特征对气候变化、生态系统以及水文过程研究具有重要意义。已有研究无法准确表达复杂地形条件下的山区近地表气温直减率在时空分布与变化上的精细特征。因此本研究利用地表温度日变化模型估算出青藏高原逐小时地表温度,进而计算出逐小时月均LTLR,以获得青藏高原地区高时空分辨率的LTLR分布。【方法】本研究基于2022年中国西部逐日1 km全天候地表温度数据集TRIMS,利用地表温度日变化模型对青藏高原逐小时地表温度进行估算,进而采用滑动窗口法计算逐小时月均LTLR,分析了研究区LTLR在季节尺度上的时空分布与差异特征。弥补了青藏高原地区缺少高时空分辨率LTLR研究的现状。【结果】(1)4个季节平均LTLR分别为-6.12、-7.63、-5.89和-3.23℃/km,春夏季节整体高于秋冬季节,但横断山脉区域相反,冬季平均LTLR较夏季高出约0.57℃/km;(2)春夏季最大LTLR分别为-14.45℃/km、-13.92℃/km,相对于秋、冬季最大LTLR的-13.60℃/km、-11.61℃/km,更高,因高海拔和干旱晴朗天气影响,羌塘高原区不同季节的最大LTLR差异显著,其中冬季最大LTLR最小,为-13.67℃/km;(3)夏季最小LTLR最为大,高出其他季节约3.05℃/km,其中横断山脉四季最小LTLR均较大,其中春季最小LTLR为-1.16℃/km,比其他3个季节更高,最小的秋季最小LTLR为0.03℃/km,而羌塘高原区四季最小LTLR最小;(4)日变化曲线显示,春秋冬3个季节的LTLR在11:00—14:00最大,春季最小LTLR出现在20:00—23:00,秋季最小LTLR出现时间较春季提前了约1 h,而夏季一天中出现2次最大LTLR,分别在4:00—7:00和15:00—18:00,在21:00—23:00呈现出日最小LTLR特征。【结论】本研究对深入揭示青藏高原地表温度垂直递减率在季节尺度上的时空变化特征与相关影响机制有重要作用。
