青藏高原作为中低纬度地区最大的高山冻土区,多年冻土和季节冻土广泛分布.高精度的地表冻融监测结果对研究该区域的水热交换、碳氮循环和土壤冻融侵蚀非常重要.本文基于4个青藏高原典型地区的土壤温湿度观测网数据,开展利用LightGBM算法和随机森林算法进行土壤冻融循环监测的研究.在构建土壤冻融监测模型的过程中,发现土壤湿度是影响冻融判别的一个关键因子.使用AMSR2亮温数据和ERA5-Land土壤湿度数据,基于两种机器学习算法判别地表冻融状态,将结果与传统冻融判别式算法进行对比分析.结果表明:相比冻融判别式算法,LightGBM算法在白天和夜间的总体判对率提高了 12.09％;14.45％,随机森林算法在白天和夜间的总体判对率提高了 13.23％和14.96％.近80％的错分样本分布在-4.0℃～4.0℃之间,说明2个机器学习算法能够识别出稳定的土壤冻结状态和融化状态.另外,LightGBM算法和随机森林算法得到的日冻融转换天数的平均RMSE降低了 112.82和117.00;冻结天数的平均RMSE降低了 47.87和53.96;融化天数的平均RMSE降低了37.10和39.80.同时,基于随机森林算法计算了2014年7月-2015年6月青藏高原冻结天数、融化天数、日冻融转换天数.得到的青藏高原冻结天数图,以中国冻土区划图为参考进行精度评价,总体分类精度为96.78％.

AMSR2;青藏高原;土壤冻融;土壤湿度;地表冻融判别;随机森林;LightGBM;被动微波遥感

徐富宝;范建容;张茜彧;杨超;刘佳丽

中国科学院、水利部成都山地灾害与环境研究所,成都610041;中国科学院大学,北京100049

地球信息科学学报

[1]徐富宝;范建容;张茜彧;杨超;刘佳丽-.融入土壤湿度指标的青藏高原近地表土壤冻融机器学习监测算法)[J].地球信息科学学报,2022(12):2404-2419

高山冻土,地表冻融判别

入土,土壤湿度,青藏高原,近地表,地表土,土壤冻融,监测算法,原作,低纬度地区,冻土区,多年冻土,季节冻土,监测结果,水热交换,碳氮循环,冻融侵蚀,原典,典型地区,土壤温湿度,湿度观测,观测网,LightGBM,随机森林算法,冻融循环,环监测,监测模型,关键因子,AMSR2,亮温,ERA5,Land,机器学习算法,判别式,白天,错分,分样,样本分布,土壤冻结,融化状态,RMSE,算法计算,区划图,精度评价,分类精度,被动微波遥感

0.332586