基于集成学习方法的CLDAS土壤湿度降尺度研究

来源：南京信息工程大学学报·自然科学版杂志2021年第6期北京时间：

作者：韩慧敏，沈润平，黄安奇，狄文丽

单位：韩慧敏,南京信息工程大学 地理科学学院, 南京, 210044,沈润平,南京信息工程大学 地理科学学院, 南京, 210044,rpshen@nuist.edu.cn黄安奇,南京信息工程大学 地理科学学院, 南京, 210044,狄文丽,南京信息工程大学 地理科学学院, 南京, 210044

摘要：土壤湿度为陆地生态系统水循环和能量收支的关键参数, 陆面数据同化系统可获得时空连续的土壤湿度数据, 但由于空间分辨率较低限制了进一步应用.以华北地区作为研究区, 基于单一模型(梯度提升机、深度前馈神经网络和随机森林)以及Stacking集成学习方法, 对中国气象局陆面数据同化系统(CLDAS-V2.0)0~10 cm土层土壤湿度产品开展了降尺度研究.2019年4—10月降尺度模型的估算结果表明, 0~10 cm土层土壤湿度空间分辨率从6 km降尺度至1 km, 4种降尺度方法结果均能反映出我国土壤湿度时空变化规律, 一定程度上改进CLDAS产品高估现象, 且空间分布细节更加丰富, 精度得到提高, 其中以Stacking集成学习的降尺度方法最好, 降尺度的土壤湿度估算值与站点观测数据的相关性最高(R=0.756 8), 并且具有最小的误差(均方根误差为0.050 5 m3/m3, 偏差为-0.005 2 m3/m3).时间上, Stacking集成学习的降尺度结果同样与实测值的动态变化具有更高的相关性, 均方根误差和偏差以Stacking集成学习方法最小, 其次为随机森林和深度前馈神经网络.

关键词：土壤湿度;集成学习;降尺度;CLDAS

基金资助：国家重点研发计划(2018YFC1506602);国家自然科学基金(91437220)