首页|基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

基于FY-3B被动微波数据的青藏高原降尺度机器学习雪深反演

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
作为中国三大积雪区之一，青藏高原的积雪变化在气候系统、水文地质以及生态环境方面发挥着关键作用。已有的被动微波积雪深度反演方法存在数据分辨率低、不确定性高等问题，不适用于青藏高原复杂的山区地形。因此，本文基于FY-3B被动微波数据开发了青藏高原降尺度雪深反演模型，利用机器学习算法，将筛选后的亮温差作为参数输入，同时引入了高程、经纬度、植被覆盖度、积雪覆盖度和积雪天数等特征，最终进行了500 m分辨率的青藏高原雪深制图。结果显示，极端梯度提升XGBoost算法的决定系数(R2)和均方根误差(root mean square error，RMSE)分别为0。762和5。732 cm，明显优于支持向量回归和随机森林算法。从积雪天数、积雪覆盖度和植被覆盖度三个方面探讨了模型精度的变化，结果表明，在积雪天数为30～60 d时，模型表现良好，平均相对误差(mean relative error，MRE)最低为36。79%，RMSE为2。78 cm;随着积雪覆盖度的增加，模型的RMSE逐渐增大，在积雪覆盖度为0。25～0。50时，MRE和RMSE分别达到39。97%和3。12 cm;植被覆盖度对模型精度的影响较为复杂，可能与具体的土地覆盖类型相关，在0。25～0。50范围内模型表现出较高的精度，MRE和RMSE分别为32。77%和2。94 cm。
Downscaling machine learning snow depth inversion on the Qinghai-Xizang Plateau based on FY-3B passive microwave data
As one of the three major snow regions in China,the snow variation on the Qinghai-Xizang Plateau plays a crucial role in the climate system,hydrogeology,and ecological environment.Existing passive micro-wave snow depth(SD)inversion methods face challenges such as low resolution and high uncertainty,making them unsuitable for the complex mountainous terrain of the Qinghai-Xizang Plateau.Therefore,this study devel-ops a downscaling SD inversion model for the Qinghai-Xizang Plateau based on FY-3B passive microwave data.Utilizing machine learning algorithms,the selected brightness temperature differences are used as input parame-ters.Additionally,features such as elevation,latitude,longitude,fractional vegetation cover(FVC),fraction-al snow cover(FSC),and snow cover days(SCD)are introduced.The final SD mapping is conducted at a reso-lution of 500 m.Results demonstrate that the Extreme Gradient Boosting(XGBoost)algorithm exhibits superior performance with a coefficient of determination(R2)of 0.762 and a Root Mean Square Error(RMSE)of 5.732 cm,outperforming support vector regression and random forest algorithms.We investigated the variation in model accuracy from three perspectives:SCD,FSC,and FVC.The findings indicate that the model performs well when the SCD is between 30 and 60 days,with the lowest Mean Relative Error(MRE)at 36.79%and RMSE at 2.78 cm.As FSC increases,the model's RMSE gradually increases,reaching 39.97%for MRE and 3.12 cm for RMSE in the FSC range of 0.25 to 0.50.The impact of FSC on model accuracy is complex and may be related to specific land cover types.Within the range of 0.25 to 0.5 for FVC,the model demonstrates higher accuracy,with MRE and RMSE at 32.77%and 2.94 cm,respectively.

Qinghai-Xizang Plateaudownscalingsnow depth inversionFY3B-MWRImachine learning

周舟、朱灵龙、张永宏、阚希、刘旭、曹海啸、王剑庚

展开 >

南京信息工程大学 自动化学院,江苏 南京 210044

无锡学院 物联网工程学院,江苏 无锡 214105

南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京 210044

无锡学院 车联网实验室,江苏 无锡 214105

南京信息工程大学 大气物理学院,江苏 南京 210044

展开 >

青藏高原 降尺度 雪深反演 FY3B-MWRI 机器学习

国家自然科学基金项目国家自然科学基金项目江苏省高等学校基础科学(自然科学)研究面上项目江苏省高等学校基础科学(自然科学)研究面上项目国家重点研发计划项目无锡市"太湖之光"科技攻关计划基础研究项目

423051584210514323KJB17002521KJB1700062021YFE0116900K20231021

2024

10.7522/j.issn.1000-0240.2024.0044

冰川冻土
中国地理学会 中国科学院寒区旱区环境与工程研究所

冰川冻土

CSTPCD
影响因子：2.546
ISSN：1000-0240
年,卷(期)：2024.46(2)
  • 17