多源数据融合的积雪深度反演研究

摘要

本研究构建了一种融合地面气象观测数据、ERA5-Land再分析数据及AMSR-2被动微波亮温数据的多源数据机器学习雪深反演框架。系统对比多元线性回归、弹性网络、随机森林及多层感知机4种模型的预测性能。实验结果表明，多源数据融合有效提升了模型性能，所有模型在测试集上均获得较高预测精度（R²>0.86）。其中，弹性网络模型在测试集上表现出最优的泛化能力与稳定性，其决定系数为0.8924,平均绝对误差为0.7449,均方根误差为2.2872cm。随机森林特征重要性分析显示，雪深的一阶滞后值、亮温差及气温是影响模型预测的核心变量，前四项特征累计贡献率达92%,表明模型预测能力高度集中于这些因子。本研究证实了多源数据融合与机器学习模型在区域雪深高精度反演中的有效性，为寒区积雪水文监测提供了一种可靠的技术方案。

关键词

雪深反演 / 多源数据融合 / 机器学习 / 漠河