清华大学学报(自然科学版)

作者：邢轩玮, 薛源, 张永显, 覃超, 李丹, 徐梦珍

单位：1. 清华大学 水利水电工程系, 北京 100084,2. 清华大学 水圈科学与水利工程全国重点实验室, 北京 100084,3. 中国科学院 地球环境研究所, 黄土科学全国重点实验室, 西安 710061,4. 煤炭科学研究总院有限公司 应急科学研究院, 北京 100013

关键词：河流表面信息提取,土壤水分空间降尺度,多源遥感,可解释机器学习

基金：国家自然科学基金联合基金项目(U2243222),国家自然科学基金联合基金项目(U2243218),博士后科学基金项目(2023M741996),南水北调风险污染物全过程管控智慧决策支持平台集成与示范项目(DXZ-2022-125-SZ-ZX),清华大学水圈科学与水利工程全国重点实验室2024年度团队重点研究项目(sklhse-TD-2024-E01)

河流边界条件是河流地貌演化、流域水沙模拟、河流物质通量计算、河流生境评估等研究的基础。河流断面形态能够反映河流边界，然而在缺资料的间歇性河流地区，较难通过传统方法获取河流连续的断面形态，因此通常将河流断面概化为简单形状。概化断面的常用形状为一般梯形，但在提取缺资料地区或大尺度流域的连续断面时，难以获取床面宽度，致使概化结果严重失真。该研究以多源卫星影像为数据源，优化并行随机森林-人工神经网络(PRF-ANN)算法，并基于土壤水分降尺度方法构建了考虑枯水期河床特征的河流表面信息提取算法——GPU并行随机森林-卷积神经网络(GRF-CNN)算法。以位于黄土高原的典型间歇性河流无定河流域为研究区域，验证算法效果。结果表明：建立的流域土壤水分降尺度反演方法，反演结果与原位数据相比，R2为0.81、RMSE小于0.059 m3/m3，优于其他产品；GRF-CNN提取平滩期河流表面信息及枯水期河流床面信息的精度分别为95.7%和90.3%，较目前深度学习算法提升超10%；基于水文站实测数据，该研究提取的概化断面面积较PRF-ANN算法精度提升27.3%。该研究显示了考虑河流特征的GRF-CNN算法提取细小河流的突出能力，展现了可解释机器学习在提取河流信息方面的优势。该研究可为基于多源卫星遥感观测提取间歇性河流断面形态提供关键参数，为流域河流边界重构、缺资料地区数字孪生流域建设提供技术及数据支撑。

来源：2025年第8期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2025年第8期