冰雪消融径流的精确模拟对内陆河流域洪水灾害预警与水资源优化管理具有重要意义。长短时记忆神经网络(long short-term memory, LSTM)深度学习模型可有效用于水文预测领域。针对传统LSTM模型未能充分利用气象要素空间特征,论文以叶尔羌河源区为研究区,基于空间矩(spatial moments of catchment, SMC)方法提取气温的空间特征,利用LSTM学习长时序过程规律,构建融合气温时空特征的高寒山区深度学习日径流预测模型SMCLSTM;利用LSTM模型和水文模型SWAT(soil and water assessment tool)作为比对模型评估了改进的LSTM模型在冰雪消融补给型河流径流预测中的优势与不足。结果表明:SMC-LSTM径流模型纳什效率系数相较于SWAT日尺度水文模型提高约20%;SMC-LSTM径流预测模型在预见期1~7 d时纳什效率系数优于LSTM模型5%~15%,在峰值流量的预测上优于LSTM模型2%~22%,预见期越短,SMC-LSTM径流预测模型优势越明显。空间量化指标SMC的加入提升了LSTM模型径流预测的准确度。
类胡萝卜素(Car)与叶绿素a含量比值(Car/Chla)的变化与植被生长发育变化、环境胁迫及叶片衰老特征等密切相关,可作为植被生理生态及物候的监测指标。不同植被类型和植被品种其色素变化随植被生长发育呈现出不同的变化特征。为了探究适用于干旱区棉花Car/Chla比值估算的光谱指数和估算方法,本研究通过2011年和2012年连续2年的大面积田间试验,获取了棉花不同生育期的叶片及冠层尺度光谱反射率及色素含量信息,对多种光谱指数及偏最小二乘回归(Partial Least Square Regression,PLSR)用于Car/Chla比值和Car估算进行了探讨。对比表明,基于光化学指数(PhotochemicalReflectanceIndex,PRI)的线性和一元二次模型对Car/Chla比值和Car的估算精度最高,由PRI-Car/Chla线性模型得到的叶片和冠层尺度的Car/Chla比值估算值与实测值之间的决定系数R2大于0.6,PRI-Car的R2大于0.36;基于PLSR模型得到的Car/Chla比值估算值与实测值之间的拟合关系略优于基于PRI的估算模型,由其得到的叶片及冠层尺度Car/Chla比值估算值与实测值之间的决定系数R2大于0.80,Car估算值与实测值之间R2大于0.73;不论基于PRI还是基于PLSR方法,对Car/Chla比值的估算精度均高于Car含量,该结论进一步证实了Car/Chla比值遥感监测的可行性,丰富了对棉花生长高温胁迫、养分胁迫等环境胁迫及病虫害等遥感监测的依据指标。
暂无评论