雪水当量（SWE）是表征积雪水资源属性的重要参数和全球气候变化的敏感要素之一，对水资源管理、气候变化、生态系统循环具有重要作用。在中国区域，不同雪水当量产品的时空范围存在不同程度的缺失，多源雪水当量产品之间存在较大不一致性和不确定性，一定程度上限制了雪水当量产品的有效应用。
为此，南京大学高分辨率遥感实验室基于梯度提升模型（XGBoost），通过融合现有雪水当量产品各自的优势，辅以地形、下垫面、温度、时间等协变量信息，综合考虑雪水当量分布的时空异质性及其与多重影响因素之间的复杂非线性关系，构建了融合5种雪水当量产品和主要时空因子的时空XGBoost模型，实现中国区域高精度雪水当量重建。
图1 融合雪水当量产品的时空XGBoost模型
基于树模型的特征重要性探究了输入特征的有效性。结果表明，雪水当量产品和多源协变量特征对模型至关重要，5种雪水当量产品特征重要性占比32.8%，气象、地形、植被、时空协变量占比67.2%。在多源协变量中，空间特征最重要，其次是积雪特征。计算5种雪水当量产品之间的相关性，相关系数均低于0.34，这表明现有雪水当量产品间不一致性较高。探究不同产品组合对融合效果的影响，随着产品数量的增加，融合效果提升显著，相比于使用单个雪水当量产品融合，多源雪水当量产品的精度MAE降低13.3%，RMSE降低13.5%，R提高13.2%。
图2 基于时空XGBoost模型的特征分析
利用来自气象站的13785个雪水当量真值，基于年份交叉和站点交叉验证对时空XGBoost融合雪水当量展开精度验证。结果表明，时空XGBoost融合产品精度均高于GlobSnow、ERA-Interim、ERA5-Land、GLDAS和中国1980-2020逐日雪水当量产品（CSWE）等主流雪水当量产品，MAE从12.90–18.21 mm降低到7.54, 8.62 mm，RMSE从19.02–25.27 mm 降低到12.29, 13.73 mm，R从0.36–0.51提升到0.77, 0.70。
图3 时空XGBoost融合SWE与5种SWE产品的精度验证
为进一步验证模型的有效性，与其他常用融合模型进行对比，结果表明时空XGBoost模型具有良好的雪水当量融合性能。
图4 时空XGBoost模型与5种融合模型的精度比较
最后，利用时空XGBoost模型生产1980-2020年中国区域逐日雪水当量产品，并基于此产品探究了的雪水当量空间分布格局和时间变化趋势。
图5 1980-2020年中国区域雪水当量的空间分布
该研究成果近日以“Fusing daily snow water equivalent from 1980 to 2020 in China using a spatiotemporal XGBoost model”为题发表于水文学权威刊物Journal of Hydrology，论文第一作者为南京大学地理与海洋科学学院硕士生孙立扬，通讯作者为张学良副教授，合作作者为肖鹏峰教授、硕士生王华东、硕士生王蕴涵、国家卫星气象中心郑照军副研究员。该研究得到国家自然科学基金项目（42171307）和南京大学关键地球物质循环前沿科学中心“GeoX”交叉项目资助。
Liyang Sun, Xueliang Zhang, Pengfeng Xiao, Huadong Wang, Yunhan Wang, Zhaojun Zheng. Fusing daily snow water equivalent from 1980 to 2020 in China using a spatiotemporal XGBoost model, Journal of Hydrology, 2024, 632:130876.
点击“阅读原文”可获取下载链接
