深度学习模拟土壤温度与水分的时空分布研究【附数据】
深度学习模拟土壤温度与水分的时空分布研究【附数据】
地表水热对于地表和大气间的能量交换以及水分循环意义重大。本次研究聚焦于内蒙古大青山自然保护区，此区域具有独特的生态环境和地理特征。在研究过程中，我们收集了 2019 - 2021 年生长季的遥感数据等多种资料。
对该区域近 50 年的气候数据进行分析发现，平均气温呈现出明显的上升趋势，其气候倾向率达到了 0.046℃/a。这一变化意味着随着时间的推移，该地区的温度在逐渐升高，可能会对当地的生态系统产生一系列的影响，比如影响植被的生长周期和分布范围。同时，年总降水量呈增加趋势，增加速率为 0.343mm/a，降水量的增加可能会改变土壤的湿度状况以及地表径流的情况。
另外，在月、季、年尺度上的标准化降水蒸散指数（SPEI）都呈现下降趋势，变化速率分别为 - 0.002/10a、 - 0.006/10a 和 - 0.013/10a。SPEI 的下降表明该地区的干湿状况发生了变化，可能存在干旱化的趋势，这对于土壤水分和植被生长所需的水分供应有着重要影响。这些气候数据的变化趋势为我们进一步研究土壤温度和水分的时空分布提供了背景信息，也凸显出研究该地区水热状况的紧迫性和必要性。
基于决策树筛选 LST 影响因子及构建模型
为了构建地表温度（LST）的时空分布模型，我们首先利用决策树模型来筛选对 LST 贡献度较高的影响因子。经过详细的分析和计算，发现归一化植被指数（NDVI）、海拔、平均气温、坡度和地表反照率这几个因子的贡献率较高，分别为 0.486、0.299、0.091、0.089、0.036。
NDVI 反映了植被的覆盖程度和生长状况，与地表温度密切相关。植被可以通过蒸腾作用等调节地表温度，植被覆盖良好的区域往往温度相对较低。海拔因素则是由于随着海拔的升高，气温通常会降低，而且不同海拔高度的气候条件和植被类型也不同，从而影响地表温度。平均气温作为一个直接的温度指标，对地表温度的影响不言而喻。坡度会影响太阳辐射的接收角度和地表径流等情况，进而影响地表温度。地表反照率决定了地表对太阳辐射的反射能力，反照率高的地区吸收的太阳辐射少，温度相对较低。
基于深度学习算法构建的 LST 模型表现出了较高的精度，平均绝对误差（MAE）为 0.0869℃，均方误差（MSE）为 0.0580℃。通过对模型的进一步分析发现，LST 与各影响因子之间存在着明确的定量关系。LST 随平均气温和地表反照率的增加而增加，增速分别为 0.106℃/℃和 0.056℃。这表明气温升高和地表反照率的变化会直接导致地表温度的上升。而 LST 随 NDVI、坡度、海拔增大而减小，减速分别为 0.477℃、0.976℃/° 和 0.890℃/10m，说明植被覆盖增加、坡度变陡以及海拔升高都会使地表温度降低。这种关系的确定有助于我们更深入地理解地表温度在该地区的分布规律以及各环境因子对其的作用机制。
基于决策树筛选 TVDI 影响因子及构建模型
在研究土壤水分时空分布时，我们通过温度植被干旱指数（TVDI）来进行分析。首先利用决策树模型筛选对 TVDI 贡献度较高的影响因子，结果显示地表温度（LST）、海拔、NDVI、坡向和坡度这几个因子较为关键，它们的贡献率分别为 0.360、0.352、0.223、0.033、0.032。
LST 对 TVDI 的影响显著，因为温度是影响土壤水分蒸发和植被蒸腾的重要因素。较高的地表温度通常会加速水分的蒸发，从而影响土壤的水分含量，进而反映在 TVDI 的值上。海拔因素与土壤水分的关系在于，随着海拔升高，气候条件变化，降水和蒸发等水热平衡情况改变，影响土壤水分分布。NDVI 对 TVDI 的影响是通过植被对水分的吸收和蒸腾作用来实现的，植被覆盖度高的区域，植被对水分的消耗较大，土壤水分含量会相应变化。坡向不同会导致太阳辐射接收量不同，进而影响温度和水分蒸发，虽然在本研究中坡向对 TVDI 影响相对较小，但在北坡、东北坡、东坡和东南坡的 TVDI 值较其他坡向稍大，分别为 0.504、0.526、0.518 和 0.474。坡度对 TVDI 的影响则是通过改变地表径流和水分的汇聚情况来实现的。
基于深度学习算法构建的 TVDI 模型精度较高，MAE 为 0.0951，MSE 为 0.0158。并且，TVDI 与各影响因子之间存在特定的变化关系。TVDI 随 LST、坡度和海拔的增加而增加，增速分别为 0.037/℃、0.037/° 和 0.030/10m，这表明这些因素的增加会使土壤干旱程度有加剧的趋势。而 TVDI 随 NDVI 增大而减小，减速为 0.017，说明植被覆盖增加有助于保持土壤水分，减轻干旱程度。这些结果对于理解土壤水分在该地区的时空分布以及与环境因子的相互关系具有重要意义。