1问题背景现代信息技术及对地观测技术的快速发展,使得大数据在地球科学领域具备了坚实的数据基础;而大数据具有5V特征,即Volume(数据规模大)、Variety(数据类型多)、Velocity(数据增长速度和处理速度快)、Value(数据价值密度相对较低但潜在价值高)和Veracity(数据准确性和可信赖度高),这五大鲜明特征进一步使得大数据在地球科学领域作用愈加突出.除了传统的野外调查采样和岩土工程监测,地学大数据还包括其他新型数据来源,如卫星影像、无人机影像或视频、无线传感器网络(记录温度、压力、位移速度等信息)、激光雷达、数值模拟、全球卫星导航系统、众包和社交媒体信息等.地学大数据对于研究地球科学的前沿问题之一——地质灾害预警预报,具有重要价值.海量高价值的地学大数据和基于人工智能的数据挖掘可以增进人类对地质灾害分布规律,启动机制和演化过程的理解;地学大数据已经在地质灾害预警中发挥显著作用(如Dai et al.,2020;Guzzetti et al.,2020),但其在地质灾害预报中的作用仍有待发掘和验证.
气象站点稀疏会导致观测到的近地表气温空间不连续,基于地表温度数据结合辅助变量估算气温成为获取气温空间分布的有效方式。目前,已有多种地表温度产品,但鲜有研究评估多源地表温度数据在估算气温时的精度及其适用性。针对该问题,首先,利用Google Earth Engine平台和随机森林算法,基于Landsat、中分辨率成像光谱仪(moderateresolution imaging spectroradiometer,MODIS)、全球陆面数据同化系统(global land data assimilation system,GLDAS)3种地表温度数据源估算了黄河流域近地表气温的最大值、最小值和平均值;然后,结合站点观测分析了多源地表温度估算气温的精度及适用性。结果表明,3种地表温度数据源估算夏季气温平均值时精度差异较小;对于气温极值估算,GLDAS数据显著优于MODIS和Landsat数据;每种数据源估算气温极值的精度低于其估算气温均值;此外,地表温度的时间分辨率会显著影响近地表气温的估算精度。该成果可以为长时序气温产品估算提供科学参考。
雪水当量的监测对于气候变化的预测、水资源管理、农业生产规划具有重要意义。GPS干涉反射(GPS interferometric reflectometry,GPS-IR)技术是一种十分有效的地表积雪监测技术,基于GPS-IR技术提出了一种雪水当量的快速估计方法。首先基于GPS-IR技术获取美国板块边界观测(plate boundary observatory,PBO)GPS站的雪深时间序列;然后利用美国积雪遥测(SNowTELemetry,SNOTEL)站观测数据构建雪水当量转换模型;最后以北美历史与预测气候数据项目(historical and projected climate data for North America,ClimateNA)的气候预测数据作为参数约束,将GPS日雪深快速转化为雪水当量,并对雪水当量估计与验证过程的影响因素进行评价。实验结果表明,基于GPS-IR技术得到的雪深序列具有良好可靠性,与观测值的相关系数(R^(2))达到0.98,均方根误差(root mean square error,RMSE)为11.1 cm,偏差(Bias)为-3.7 cm;快速转化模型对雪水当量估计具有较高精度(R^(2)=0.98,RMSE=4.2 cm,Bias=-2.5 cm)与稳定性;转化模型时空稳定性较高,残差集中在5 cm内;气候预测数据的引入、积雪分布差异对雪水当量估计与验证影响较小。所提方法在积雪监测设备缺乏区域可实现雪水当量快速估计,同时也为现有积雪观测网络增强、积雪产品改善等研究提供参考。
暂无评论