第二次青藏高原综合科学考察研究
蒋润华, 黄新惠, 董晓华, 马耀明, 胡雪儿, 魏地博, 魏冲, 喻丹, 雷文芳, 苏中波
雪水当量作为衡量积雪中水分含量的关键变量,一直是相关研究的重点。本文采用了一种新方法对青藏高原地区SWE进行逐日模拟,为相关研究提供了新的技术路径。该方法将物理过程模型与深度学习方法相结合,运用因子积雪模型模拟积雪深度,同时构建了CNN-BiLSTM-Attention融合神经网络模型模拟积雪密度。其中CNN能够有效提取积雪密度的时空特征,BiLSTM可以捕捉时间序列的前后依赖关系,注意力机制则能够突出关键特征,三者结合使得模型在模拟积雪密度方面表现出色。CNN-BiLSTM-Attention融合神经网络模型的模拟精度经检验较为理想,MSE=71.66 kg⋅m-3,RMSE=8.465 kg⋅m-3,MAE=6.378 kg⋅m-3,MAPE=4.556,决定系数R 2=0.732,表明该模型能够较好地模拟积雪密度的变化。通过因子积雪模型模拟得到积雪深度,结合神经网络模型模拟得出的积雪密度,以此计算出历史时期平均每日雪水当量为2.78 mm,最高达到8.38 mm,为了解青藏高原地区积雪的水资源贡献提供了重要数据支持。本研究通过计算积雪深度和积雪密度,并结合这两项参数,提出了一种区别于传统遥感方法的雪水当量估算方法,该方法简单易行。本研究引入的CNN-BiLSTM-Attention融合神经网络模型此前在积雪密度模拟领域几乎未被应用,但其强大的复杂时空特征提取能力使其在本研究中展现出优异的模拟表现,有望在未来的相关研究中得到更广泛的应用和拓展。