EN中文

Journal of Geo-information Science >

2025 , Vol. 27 >Issue 3: 750 - 765

DOI: https://doi.org/10.12082/dqxxkx.2025.240498

Construction and Application of Active Layer Thickness Retrieval Model in Permafrost Regions Considering Soil Water and Heat Changes

  • ZHANG Delong , 1, 2, 3 ,
  • WEI Guanjun , 1, 2, 3, *
Expand
  • 1. Faculty of Geomatics Lanzhou Jiaotong University, Lanzhou 730070, China
  • 2. National- Local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China
  • 3. Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China
* WEI Guanjun, E-mail:

Received date: 2024-09-05

  Revised date: 2024-12-13

  Online published: 2025-03-06

Supported by

National Natural Science Foundation of China(41964008)

National Natural Science Foundation of China(42364003)

Fold

Abstract

[Objectives] Interferometric Synthetic Aperture Radar (InSAR) technology has been widely used to retrieve Active Layer Thickness (ALT) in recent years, however, existing studies have less consideration for the effects of freeze-thaw on surface deformation and soil pore hydrothermal changes, therefore, in this paper, an ALT retrieval model is constructed that considering soil water and heat changes. [Methods] The surface parameters were obtained using the InSAR technique and the CNN-BiLSTM-AM model, and the active layer thickness inversion model was constructed by taking into account the deformation of the active layer and the changes in soil pore space and water under the freeze-thaw drive. Initially, surface deformation time series from both ascending and descending Sentinel-1 data were derived using the SBAS-InSAR method, and two-dimensional decomposition was applied to obtain vertical surface deformation across the study area. Subsequently, a CNN-BiLSTM-AM model was constructed using multi-source remote sensing data, with Convolutional Neural Networks (CNN) employed to extract features from the input data. A Bidirectional Long Short-Term Memory network (BiLSTM) was used to predict these features, and a multi-head self-attention layer (AM) was added to enhance the model’s extraction of critical information, ultimately providing predicted soil moisture levels under multi-feature constraints. The vertical surface deformation time series was then used as a primary parameter to characterize changes in the active layer. By integrating soil porosity and moisture data, an ALT retrieval model was developed, yielding a detailed spatiotemporal distribution of active layer thickness along the Lanzhou-Urumqi High-speed Railway in the permafrost region. [Results] The RMSE of the model estimates validated against the measured data of the Eboling Mountain is 0.065 m, while the RMSE validated against the active layer change data of the Qinghai-Tibetan Plateau from 2018 to 2020 is 0.697 m, 0.639 m, and 0.776 m, respectively, which shows that the model has a high degree of accuracy. [Conclusions] The model presented here, based on both surface and internal soil changes in spatial structure and moisture under freeze-thaw effects, offers a novel approach for monitoring ALT in permafrost regions and for characterizing permafrost changes in a more nuanced manner.

Key words： permafrost region; active layer thickness; InSAR; deep learning; soil porosity ratio; soil moisture; CNN-BiLSTM-AM; Lanzhou-Urumqi high speed railway

Cite this article

ZHANG Delong , WEI Guanjun . Construction and Application of Active Layer Thickness Retrieval Model in Permafrost Regions Considering Soil Water and Heat Changes[J]. Journal of Geo-information Science, 2025 , 27(3) : 750 -765 . DOI: 10.12082/dqxxkx.2025.240498

1 引言

青藏高原是北半球海拔最高、面积最大的多年冻土区，约46%的地表被多年冻土覆盖[1]，是亚洲季风区气候变化的敏感区[2]。受气候变暖和人类工程的影响，青藏高原地表增温明显[3]，气候变化显著[4]，多年冻土退化严重[5]，活动层厚度增加[6]。多年冻土的退化使其内固存的大量有机碳以二氧化碳、甲烷等形式排向大气，加速了全球变暖的进程[7]。作为多年冻土与大气圈、水圈、生物圈的媒介，活动层是反映多年冻土退化[8]、判别多年冻土发育状态、监测识别热融滑塌[9]等地质灾害的重要指标。因此，反演活动层厚度对多年冻土区的生态环境以及人类工程建设等具有重要意义。
活动层厚度可由点和面尺度提取。点尺度可通过钻孔、测温[10]、探地雷达[11]等方法，通过实地测量得到高精度的活动层厚度、土壤含水量、碳氮含量、土壤覆被、海拔、地形等数据，为综合分析活动层厚度变化提供重要的原始资料。然而，由于多年冻土区特殊的气候和环境条件，点尺度方法成本高、周期长，仅适用于提取小范围活动层信息。此外，联合多站点观测数据，牺牲精度得到的大范围活动层信息，难以反映站点未覆盖范围的活动层的变化特征。面尺度方法可通过物理经验模型和 InSAR技术获取活动层厚度。常用的物理经验模型有Kudryavtsev、Nelson和Stefan模型[5]。Li等[12]利用Kudryavtsev模型绘制北半球1969—2018年的活动层厚度，提出复杂模型的参数化过程具有高度的不确定性，限制了模型反演的精度。Pang等[13]将Kudryavtsev模型应用于青藏高原活动层厚度的分布模拟，但未考虑气候变化引起的地表覆被和活动层土壤性质的变化，模拟结果可能与实际存在偏差。Stefan模型被广泛应用于多年冻土区活动层厚度反演。Peng等[14]利用Stefan模型估算了半球尺度的活动层厚度，但参数偏差使得模拟结果具有不确定性。此外，Stefan模型也被用于区域尺度，张中琼等[15]、徐晓明等[16]将Stefan模型应用于青藏高原， Jung等[17]将改进的Stefan模型用于Yakutia地区，验证了Stefan模型在一定条件下的适用性，然而模型以热传导理论为基础，模拟结果具有较强的条件限制。由于土壤的物理参数难以获取，物理经验模型尚有未考虑的因素，因此难以表现冻土活动层的实际变化特征。InSAR技术凭借其高精度、大范围和长时序的优势，能够更直观地反映地表的真实变化特征，近年来被用于活动层厚度的反演。Liu等[18]基于InSAR技术反演了阿拉斯加北坡的活动层厚度，模型基于土壤冻融和冰水相变过程构建了活动层厚度与地表形变的关系，未能充分考虑土壤物理性质的变化和冻土中未冻水的存在。Li等[19]根据土壤热传导理论，赵等[20]考虑活动层地表融沉和土壤自重压力的影响，分别将InSAR技术应用于青藏铁路沿线的活动层厚度反演。上述研究为InSAR技术反演活动层厚度提供了新的方法，但相关模型在土壤冻融的物理机制和模型参数选取上仍存在不足，模型未考虑土壤孔隙微空间受水热影响的变化特征。
活动层土壤孔隙受冻融作用影响，其水热物理参数呈现显著的季节性波动[21]。已有研究揭示了土壤孔隙比在冻融循环中的变化规律[22]，并建立了土壤孔隙比与地表形变之间的函数关系[23]。其中，土壤水分作为影响土壤孔隙变化的关键因子，不仅对活动层冻融过程具有重要的控制作用，其影响甚至强于土壤热传导[24]，因此被用作反演活动层厚度的重要参数[25]。然而，由于多年冻土区恶劣的自然环境，获取大范围、高精度的土壤含水量实测数据面临较大的挑战。遥感技术是一种有效的替代手段，能够获取大范围、高时空分辨率的土壤含水量数据，但受技术手段及自然条件的限制，其精度仍存在一定的不足。张等[26]提出应综合考虑土壤含水量与多种因素之间的内在联系。近年来，机器学习和深度学习等方法能够有效捕捉输入特征之间的非线性关系，被广泛应用于土壤含水量的提取和预测[27]。相关研究在辽西地区[28]和中国北方区域[29]得到应用，验证了深度学习方法在融合多特征变量以提升土壤含水量的提取和预测精度方面的优势。通过深度学习方法获取高时空分辨率、高精度的土壤含水量信息，并结合土壤孔隙变化特征和活动层表面形变数据进行活动层厚度反演，对于多年冻土区活动层的研究具有重要的科学意义和应用价值。
因此，本文考虑到冻土冻融过程中产生的地表形变和土壤孔隙受水热变化的影响，引入InSAR地表形变和深度学习预测的多特征约束下的土壤含水量，构建了活动层厚度反演模型。首先，利用SBAS-InSAR技术结合升降轨哨兵数据得到地表垂直形变的时间序列。然后，基于多源遥感数据集，提取到地表的参数，构建CNN-BiLSTM-AM模型，对土壤含水量进行预测。将土壤的物理参数、地表形变信息、土壤含水量引入活动层反演模型得到活动层的厚度。

2 考虑土壤水热变化的冻土活动层厚度反演建模

2.1 技术路线

本文构建了考虑土壤水热变化的活动层厚度反演模型，技术路线如图1所示。主要包括使用InSAR技术提取地表时间序列形变，基于CNN-BiLSTM-AM模型得到多特征约束下的土壤含水量和活动层厚度反演模型的构建和应用三部分。
图1 活动层厚度反演技术路线

Fig. 1 The active layer thickness retrieval flowchart

2.2 SBAS-InSAR提取地表垂直形变量

随着干涉测量理论和技术的完善和拓展，InSAR技术被广泛应用于地表的形变提取和参数反演。本文采用SBAS-InSAR技术提取到研究区2017—2021年的升降轨地表形变。受限于现有SAR卫星的极轨飞行和侧视成像模式，使得南北方向的形变质量很差。因此，本文忽略了南北方向上的形变。LOS向形变与东西、垂直方向形变的关系可以表示为：
d L O S = d u c o s θ - ( d e c o s α - d n c o s α ) s i n θ
式中：dLOS为单轨道LOS向形变结果；du、de、dn分别表示LOS向形变的垂直、东西、南北向分量；α和θ分别表示为卫星的飞行方位角和入射角。根据式（1），LOS向形变分解为垂向和东西向形变的公式可以表示为。
d L O S a s c d L O S d s c = c o s θ a s c - c o s α a s c s i n θ a s c c o s θ d s c - c o s α d s c s i n θ d s c d u d e
式中： d L O S a s c和 d L O S d s c分别表示LOS向形变的升轨分量和降轨分量。αasc和αdsc分别表示升轨和降轨卫星的飞行方位角。θasc和θdsc分别表示升、降轨道卫星的入射角。根据式（2），在相同范围的地表LOS向位移的基础上，可以得到垂直向和东西向的地表位移。图2所示为Mintpy软件得到的2种轨道数据的时空基线图和LOS向与分解得到的地表形变的时间序列。
图2 升轨、降轨数据的时空基线图和获取的平均地表形变序列

Fig. 2 Spatial and temporal baseline maps of ascending and descending data and acquired mean surface deformation series

2.3 CNN-BiLSTM-AM模型预测土壤含水量

使用单一变量进行土壤含水量的预测难以解释土壤含水量的真实变化特征，忽略了相关因子对土壤含水量变化趋势的影响，无法捕捉目标变量与其他潜在特征之间的关系。而利用多特征变量与目标变量之间的非线性关系进行预测能够增加模型预测能力。因此，本文将地表融化指数，降水、积雪和归一化植被指数作为影响土壤含水量的因子，构建了CNN-BiLSTM-AM模型。其中，CNN能够捕捉数据中最明显的特征，被广泛用于特征工程[30]。此外，CNN的局部感知能力和权值共享有效提高了模型训练的效率。BiLSTM具有将输入特征按时间序列展开的能力，有效利用时序数据的非线性依赖关系，在时间序列分析中优于传统的模型[31]。AM能够捕捉大量时间序列数据的时序特征，在输出结果中突出关键信息，将输入数据的时序特征进行优化和利用。因此，使用CNN提取输入数据的时序特征，通过BiLSTM对提取特征数据进行学习和预测，添加AM捕捉时间序列数据在不同时刻的特征状态对预测结果的影响，能够有效提高时序预测的精度。
本文提出的CNN-BiLSTM-AM模型结构如图3所示。输入数据为时间序列向量，分别为土壤含水量，地表融化指数，降水、积雪和归一化植被指数。为了有效提取输入数据的特征，提高模型预测的性能，本文将CNN和添加了注意力机制的BiLSTM整合到一个框架中。CNN通过卷积提取到输入特征变量的非线性特征，使用激活函数RELU增强模型应对梯度消失的能力并提高计算效率。经池化层进行压缩处理，输出更关键的特征变量。由BiLSTM将CNN提取到的局部特征进一步学习。添加多头自注意力层AM，提高模型对关键信息的捕捉能力，减少冗余信息对预测结果造成的干扰。模型学习过程中引入随机失活（Dropout）技术随机去除部分神经元，以减少神经元之间的共适应关系。采用Adam优化算法更新模型各层的网络参数，添加早停策略防止模型过拟合。最后，经过全连接层输出预测结果。相比于以往研究提出的土壤含水量预测模型，CNN-BiLSTM-AM模型将CNN、BiLSTM和多头自注意力机制的优势结合，对具有季节性的时间序列变量具有更好的学习能力和抗干扰性能。
图3 CNN-BiLSTM-AM模型结构

Fig. 3 CNN-BiLSTM-AM model structure diagram

2.4 考虑土壤水热变化的冻土活动层厚度反演建模

活动层的季节变异性间接影响了土壤的水热物理性质，探究活动层厚度变化的机理对冻土区水土保持、生态环境等具有重要影响。冻融状态下的土壤在水热力三场的作用下，水分以未冻水的形式，从高温区向低温区迁移[32]。聚集在冻结锋面的孔隙水和孔隙冰发生相变，使得原位体积发生变化，在土壤表层表现为冻胀和融沉。假设土体处于侧限应力状态下，在冻融过程中仅由水冰相变产生应力，土壤颗粒不发生变形，土体的变形以垂直方向的冻胀融沉为主。设未冻结土体的孔隙比为e0，冻结土体的孔隙比为e，冻融深度为x，则地表形变u可以表示为孔隙比的函数：
u = ∫ 0 x e - e 0 1 + e 0 d x
孔隙体积随着孔隙水的固液相转换而发生膨胀收缩，则活动层在冻融过程中，冻胀融沉取决于土壤中发生相变的含水量，则有：
e - e 0 = ρ w - ρ i ρ i
式中： ρw和ρi分别为水和冰的密度。由于土中水在低温下并不完全冻结成冰，未冻水部分以土壤颗粒间的水膜存在，另一部分在毛细作用下分布于孔隙中[21]。未冻水的存在对土壤的冻结过程和土壤的物理性质具有重要影响。因此，引入有效土壤含水量Mv，表示为融化状态下土壤含水量与未冻水含量之差。整理可得变形与冻融深度的关系：
u = ∫ 0 x ρ w - ρ i ρ i ( 1 + e 0 ) M v d x
将土壤冻融的最大深度x视为活动层的厚度，对上式积分可以得到活动层厚度（Active Layer Thickness, ALT）与地表形变的关系：
A L T = ( 1 + e 0 ) ρ i u ( ρ w - ρ i ) M v

3 研究区概况与数据来源

3.1 研究区概况

研究区位于青藏高原东北缘，祁连山脉东北部（37.114 °N—38.104 °N，100.649 °E—101.588 °E， 图4红色矩形区域）。兰州-乌鲁木齐高速铁路自东南向西北穿过研究区。该区域年平均气温在-5~10 ℃，年平均降水量在0~500 mm之间。受温带大陆性气候和青海湖-祁连山气候的影响，具有明显的季节降水分布模式，集中在6—9月。最主要的河流为大通河，河谷两岸具有明显的河流相。海拔高度最低为1 503 m，最高为5 130 m。多年冻土之下以干旱土和均腐土为主[33]。基于青藏高原第二次综合科学考察的钻孔数据和多年冻土下界资料[34]，研究区不连续多年冻土下界海拔低于连续多年冻土下界，多年冻土与季节冻土间存在过渡带。为了更精确地界定多年冻土的分布范围及其活动层的厚度，本文采用融合石冰川编目数据集的250 m分辨率高精度祁连山多年冻土空间分带指数图[35]，并将其作为研究区多年冻土分布界限的标准。
图4 兰新高铁冻土区概况

Fig. 4 Overview of Lanzhou-Urumqi High-Speed Railway

3.2 SAR数据

由于研究区处于祁连山断裂带，2022年1月8日发生6.9级地震，严重影响了地表形变的时间序列。为了避免地震对地表形变造成的扰动，本文获取了研究区2017年3月—2021年12月的Sentinel-1数据（https://search.asf.alaska.edu/），其中升轨影像141景，降轨影像143景，表1所示为Sentinel-1数据的部分参数。来自SRTM网站（https://srtm.csi.cgiar.org/srtmdata/）的30 m分辨率DEM数据和欧空局获取的精密轨道数据（https://s1qc.asf.alaska.edu/aux_poeorb/）用于辅助InSAR处理。同时获取了GACOS数据（http://www.gacos.net/）[36]用于大气修正，减少大气相位误差。
表1 Sentinel-1数据参数

Tab. 1 Sentinel-1 data parameter

Sentinel-1 时间范围 影像数/景 轨道方向 入射角/° 方位角/°
Path 128 Frame 119 2017-03-20—2021-12-24 141 升轨 34.173 167 -13.242 437
Path 33 Frame 467 2017-02-05—2021-12-29 143 降轨 34.096 453 -166.681 229

3.3 深度学习数据集

高分辨率遥感影像进行多波段组合计算能够以较高精度提取到地表的各种参数，被广泛用于青藏高原[37]。本文使用高分辨率遥感影像提取地表的各类参数。基于Google Earth Engine获取了Landsat、Modis和ERA5再分析数据，提取研究区2000—2020年逐月的地表融化指数（由日平均正温累加得到）、归一化植被指数、积雪覆盖、降水的时空分布，空间分辨率为1 km。基于实地观测的中国土壤水分数据集（SMCI1.0）[38]具有较高的精度和空间连续性，被广泛用作中国土壤水分研究的数据补充。因此，本文采用SMCI1.0作为模型的训练目标。构建0.01°分辨率的格网提取土壤含水量、地表融化指数、归一化植被指数、积雪、降水的栅格值，以格网所在栅格中心的平均值作为该经纬度下的特征值，共提取到9 797个特征点。对这些数据的时间序列做归一化处理，剔除存在空值的677个特征点，将不连续的数据采用双线性插值进行补全，得到9 120个时间分辨率为1 d的时序特征值。将时间范围在2000—2016年的数据作为训练集，2017—2020年的数据作为测试集。预测得到2021年多特征约束下的土壤含水量预测值，引入基于InSAR的活动层反演模型估计活动层的时空分布。

4 实验与分析

4.1 地表形变监测

图5为LOS向升降轨和分解后垂直向、水平向的平均地表形变分布。LOS向形变结果显示，研究区西北，西南山区部分呈冻胀趋势。其中，升轨方向对冻胀变形具有更好的探测效果，而降轨方向能够获取到更多地表融沉的信号。分解至垂直方向的形变结果表明，多年冻土边界的融化趋势明显，大片连续多年冻土分布的区域冻土的融沉趋势较小，冻胀趋势明显。水平向形变结果突出了沟谷地貌和山脉两侧的变形信号，阳坡较阴坡的融沉量更大。东北部山区，融沉主要存在于山脉两侧，海拔越高，融沉量越小，冻胀趋势越明显。分解后的地表形变与LOS向地表形变相比，弥补了单一轨道卫星获取地面信号的不足，能够反映更真实的地表形变特征。
图5 LOS向升降轨和分解后垂直向、水平向平均地表形变

Fig. 5 Average surface deformation in ascending and descending orbits in the LOS direction and in the vertical and horizontal directions

2017年3月到2021年12月的研究区地表形变的随机采样结果统计如图6。垂直向形变在-17.075~10.062 mm之间，平均形变为-2.97 mm，水平向地表形变在-17.71~9.35 mm之间，平均为-4.68 mm。形变量呈正态分布，均值集中在-5 mm~0 mm之间。其中升降轨采样点的RMSE为8.29 mm， MAE为6.13，说明升降轨道数据具有较高的一致性。由于轨道方位角的不同，SAR卫星对地形信号的提取具有差异，导致升降轨结果存在偏差。研究区山脉走向呈东南-西北方向延伸，降轨卫星能够更好的探测到卫星飞行方向的地表信号，部分山区由于叠掩效应产生空值，而升轨形变补全了部分空值信号。沿升轨卫星方向，更易于探测到沟谷区域的地表信号，使得沉降信号在升轨结果中更为突出。图6(c)所示为采样点垂直与水平方向的地表形变的分布情况，图6(d)为升降轨地表形变的分布，第三象限占比最高，证明整体沉降趋势较显著。采样点的升-降轨和垂直-水平向形变间具有一定的相关性，其中采样点升降轨形变的R2为0.143，垂直和水平向的形变之间R2为0.174。
图6 地表变形的统计特征

Fig. 6 Statistical characterization of surface deformation

长期的冻融循环塑造了多年冻土区独特的地貌表达，在冻胀和融沉的季节性作用下，形成了冻胀草丘、热融洼地等地貌。随着多年冻土的退化和活动层厚度的增加，由冻融导致的地貌和地质灾害将严重影响多年冻土区的生态环境和生产建设。形变结果显示研究区内存在多处大面积融沉区域。本文将平均形变低于-0.02 m的栅格作为具有显著融沉趋势的区域，最大融沉量为-0.085 m。图7所示为融沉区域的分布，其中有5处区域融沉显著，分布在山区的阳坡和积雪覆盖区域。由于多年冻土之上的积雪融化导致显著区域1、2、3发生大面积融沉，类似的区域多分布于山峰之上，海拔较高，积雪覆盖面积较大。区域4、5分布在山坡和沟谷之上，地貌类型为高寒草甸，冬季覆盖有积雪，均有不同程度的融沉。
图7 显著融沉区域

Fig. 7 Region of significant melting and sinking

4.2 土壤含水量预测

受传感器、天气等多种因素的影响，通过具有高时空分辨率的遥感技术提取土壤含水量难以达到较高精度。而现有的土壤水分数据集在区域尺度存在分辨率的损失。因此，本文将土壤水分数据集作为模型的训练目标，弥补遥感数据的精度损失，以提高土壤含水量预测的可靠性。通过CNN-BiLSTM-AM模型进行训练预测，得到多特征约束下的土壤含水量，作为活动层厚度反演模型的参数。为了验证CNN-BiLSTM-AM模型的精度，分别使用BiLSTM、LSTM、CNN模型，对同一组数据训练预测，得到的预测结果如图8。模型的评价指标采用RMSE、MAE和R2（表2），结果表明CNN-BiLSTM-AM模型具有最优的拟合效果和最低的预测误差。
图8 4种模型训练预测结果

Fig. 8 Results of four model training predictions

表2 模型的精度评价指标

Tab. 2 The accuracy evaluation index of the model

模型评价指标 RMSE/% MAE/% R2
CNN-BiLSTM-AM 0.002 0 0.001 0 0.994 4
BiLSTM 0.002 8 0.002 3 0.985 1
LSTM 0.004 8 0.003 8 0.956 3
CNN 0.010 6 0.008 5 0.786 3
此外，本文使用中国1 km分辨率逐日全天候地表土壤水分数据集[38]对区域土壤含水量预测结果进行验证。该数据集时间范围为2003—2023年，时间分辨率为1 d，空间分辨率为1 km，根据实测数据验证了其年际RMSE为0.041~0.052， R2为0.883~0.919，精度优于SMAP Sentinel（主被动微波）组合生成的地表土壤水分（SSM）产品。图9(a)展示了研究区内随机采样点在2017—2021年提取的年均土壤含水量真实值与预测值的箱型图，图9(b)则呈现了采样点真实值与预测值之间的误差指标，包括MSE、RMSE和R2。结果表明，2017—2021年，采样点的土壤含水量预测值与真实值的误差较小，本文预测结果具有较高的精度。
图9 土壤含水量的统计结果与精度评价指标

Fig. 9 Statistical results and precision evaluation indexes of soil water content

图10展示了模型预测得到的土壤含水量的时空分布情况，从2017—2021年，土壤含水量的空间分布呈现显著差异，平均土壤含水量分别为20.76%、23.36%、20.46%、24.96%、21.67%。土壤水分布的空间差异主要受到气候因素、地形地貌、土壤特性、水文条件和人类活动的综合影响。研究区内西南和东北方向的山区降水集中，冬季积雪融化进一步补给土壤水分，同时高山与沟谷地貌特征有助于水分的汇集与滞留，使得这些区域的土壤水分含量普遍较高。山区土壤有机质含量较高，具备更强的保水能力，而河流的发源地多位于高山区域，地下水补给和地表径流的作用进一步提高了土壤含水量。相比之下，平原地区因蒸发和灌溉等人为活动的影响，土壤水分分布存在差异。综上所述，研究区内土壤含水量的空间分布差异是多种自然与人为因素相互作用的结果，其中气候、地形地貌和水文条件是主要驱动因素，尤其是积雪融水和河流发源地的作用使得西南和东北方向的山区土壤含水量显著高于其他区域。
图10 CNN-BiLSTM-AM模型预测土壤含水量

Fig. 10 Prediction of soil water content by CNN-BiLSTM-AM modeling

4.3 活动层厚度反演精度验证与时空变化特征

InSAR技术反演活动层厚度在像元尺度具有极高空间分辨率。此外，相比于基于温度和水分的活动层厚度反演模型，InSAR技术能够捕捉到活动层表面的形变特征，进而反映活动层厚度的真实变化状态。根据王等[39]对祁连山黑河上游冻土区活动层的研究，研究区北部活动层的季节融化过程始于4月底，持续至10月24日。因此，本文将每年的4—10月定为活动层的融化期。将融化结束后的垂直向地表累计形变与融化开始时的累计形变作差，得到融化阶段地表的形变量。将融化阶段的地表形变量带入活动层厚度反演模型，引入多特征约束下的土壤含水量，得到研究区2017—2021年活动层厚度的时空分布（图11）。研究区内活动层厚度的估计值在0-4 m之间，2017—2021年ALT的平均值分别为0.74、0.61、0.73、0.51、1.04 m。模型估计值显示，2017—2021年ALT平均值升高了0.3 m。
图11 活动层厚度时空分布

Fig. 11 Spatial and temporal distribution of active layer thickness

受地质灾害的影响，地表形变存在奇异值，模型精度存在一定偏差。因多年冻土区恶劣的自然环境和较低的可达性，活动层厚度的实测数据较难获取。本文根据现有研究在俄博岭区域的实测活动层数据对模型的精度进行验证。张等[40]2017—2018年得到俄博岭区域监测点EB（100.916 °E，37.997 °N）的活动层厚度为0.61 m和0.705 m，与模型估计值的RMSE为0.057 m和0.1 m。Mu等[41]2020年在俄博岭监测点EboA（100.91 °E，38.00 °N）和EboB（100.92 °E，38.00 °N）所得ALT与模型估计值的RMSE为0.065 m。杜冉等[42]所得祁连山东部俄博岭区域样方A和样方B的活动层厚度在0.556~1.224 cm和0.812~1.598 m，与模型估计值具有较高的一致性。此外，本文与基于Stefan方程模拟的2018—2020年青藏高原活动层厚度的空间分布数据[43]进行区域验证（图12）。结果表明，2018—2020年本文模型与Stefan模型的MAE分别为0.640、0.567和0.720，RMSE分别为0.697 、0.639 和0.776 m，证明本文模型在区域尺度具有较高的精度。
图12 活动层厚度的区域验证

Fig. 12 Area validation for Active Layer Thickness

图13反映了研究区活动层厚度分布随时间变化的特征。活动层较厚的区域主要分布在山脚两侧海拔较低的区域，并随着海拔的降低而逐渐增高。图13(a)所示为研究区活动层厚度采样点的箱型图，反映了活动层厚度的年际变化。图13(b)—图13(f)为采样点与海拔相关的三维分布图，海拔较低的区域具有更高的活动层厚度。与土壤含水量的年际变化特征相比，说明土壤水潜热机制对活动层融化具有重要影响，活动层土壤含水量的增加会导致活动层厚度变浅。
图 13 2017—2021年研究区活动层厚度采样箱型图和活动层厚度逐年分布的散点图

Fig. 13 Box plots of active layer thickness sampling in the study area from 2017 to 2021 and scatter plots of the year-to-year distribution of active layer thickness

5 结论与讨论

本文结合InSAR技术和深度学习方法得到研究区的地表参数，考虑地表形变与土壤孔隙的水热变化，构建了活动层厚度反演模型。首先，使用SBAS-InSAR技术提取了2017—2021年研究区的垂直向地表形变。结果表明，InSAR技术能够有效捕捉多年冻土区的冻胀与融沉特征，为活动层厚度反演提供了重要的参数支持。此外，本文基于多源遥感数据和土壤水分数据集构建了CNN-BiLSTM-AM模型对提取的参数进行特征提取和预测，得到多特征约束下的土壤含水量分布，与高精度数据集相比具有较高的一致性。最后，考虑冻融影响下活动层土壤孔隙的水热变化，基于地表形变、土壤孔隙比和土壤含水量，构建了活动层厚度反演模型，得到研究区2017—2021年活动层厚度的时空分布。根据站点监测数据和青藏高原区域数据进行对比，验证了模型具有较高的精度。
研究发现： ① 活动层厚度变化受冻融过程中土壤含水量分布及其潜热效应的影响。土壤含水量分布的差异主要受到气候、地形地貌、积雪融化及水文地质条件共同驱动。积雪融水和河流的补给作用使研究区西南与东北方向的山区土壤含水量较高，在一定程度上减缓了多年冻土退化对生态环境的影响。 ② 活动层厚度的空间分布具有随海拔变化的梯度特征和随时间逐渐增厚的趋势。具体表现为高海拔地区活动层厚度较小，随着海拔的降低逐渐增大。年际变化中，活动层厚度虽存在一定波动，但整体呈现持续增加的趋势。这反映了冻土区受气候变化和水热动态变化的综合影响，表明多年冻土在持续退化，严重威胁着区域生态系统的稳定性和冻土区人类工程的建设和运营维护。
本文方法在区域尺度上具有较高的空间分辨率，为多年冻土区活动层厚度的估计提供了新的思路。由于多年冻土区特殊的气候条件、生态环境等因素，模型缺少实测数据的支撑。使用InSAR技术提取地表形变受到气候条件、地形地貌等诸多因素影响，进而会影响到活动层厚度反演的精度。同时，多源遥感数据提取地表参数受到数据质量和提取算法的限制，模型的反演精度受到影响。因此，提高模型数据质量与适用性至关重要。获取更高质量的数据，优化参数提取的算法，耦合冻融物理机制，进一步完善模型结构，使模型从区域尺度扩展至更大范围也具有重要的研究意义。
■ 本文图文责任编辑： 蒋树芳 黄光玉

利益冲突：Conflicts of Interest 所有作者声明不存在利益冲突。

All authors disclose no relevant conflicts of interest.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Zhao L, Hu G J, Liu G Y, et al. Investigation, monitoring, and simulation of permafrost on the Qinghai-Tibet Plateau: A Review[J]. Permafrost and Periglacial Processes, 2024, 35(3):412-422. DOI:10.1002/ppp.2227

[2]
郑度, 姚檀栋. 青藏高原形成演化及其环境资源效应研究进展[J]. 中国基础科学, 2004, 6(2):17-23.

[Zheng D, Yao T D. Progress in research on formation and evolution of Tibetan Plateau with its environment and resource effects[J]. China Basic Science, 2004, 6(2):17-23.] DOI:10.3969/j.issn.1009-2412.2004.02.003

[3]
罗栋梁, 雷汶杰, 康建芳, 等. 高山多年冻土区地面温度研究进展[J]. 草业科学, 2023, 40(4):942-964.

[Luo D L, Lei W J, Kang J F, et al. A review of the spatial differentiation of ground surface temperature in alpine permafrost regions[J]. Pratacultural Science, 2023, 40(4):942-964.] DOI:10.11829/j.issn.1001-0629.2022-0312

[4]
姚檀栋. 青藏高原水-生态-人类活动考察研究揭示“亚洲水塔”的失衡及其各种潜在风险[J]. 科学通报, 2019, 64(27):2761-2762.

[Yao T D. A comprehensive study of Water-Ecosystem-Human activities reveals unbalancing Asian Water Tower and accompanying potential risks[J]. Chinese Science Bulletin, 2019, 64(27):2761-2762.] DOI: 10.1360/TB-2019-0532

[5]
罗栋梁, 金会军, 吴青柏, 等. 天然状态下多年冻土区活动层厚度研究进展与展望[J]. 冰川冻土, 2023, 45(2):558-574.

DOI

[Luo D L, Jin H J, Wu Q B, et al. Active layer thickness (ALT) in permafrost regions under natural/undisturbed state: a review[J]. Journal of Glaciology and Geocryology, 2023, 45(2):558-574.] DOI:10.7522/j.issn.1000-0240.2023.0043

[6]
程国栋, 赵林, 李韧, 等. 青藏高原多年冻土特征、变化及影响[J]. 科学通报, 2019, 64(27):2783-2795.

[Cheng G D, Zhao L, Li R, et al. Characteristic, changes and impacts of permafrost on Qinghai-Tibet Plateau[J]. Chinese Science Bulletin, 2019, 64(27):2783-2795.] DOI:10.1360/TB-2019-0191

[7]
Wang T H, Yang D W, Yang Y T, et al. Permafrost thawing puts the frozen carbon at risk over the Tibetan Plateau[J]. Science Advances, 2020, 6(19):eaaz3513. DOI:10.1126/sciadv.aaz3513

[8]
Michaelides R J, Schaefer K, Zebker H A, et al. Inference of the impact of wildfire on permafrost and active layer thickness in a discontinuous permafrost region using the remotely sensed active layer thickness (ReSALT) algorithm[J]. Environmental Research Letters, 2019, 14(3):035007. DOI:10.1088/1748-9326/aaf932

[9]
罗京, 牛富俊, 林战举, 等. 青藏高原多年冻土区热融滑塌发育特征及规律[J]. 冰川冻土, 2022, 44(1):96-105.

DOI

[Luo J, Niu F J, Lin Z J, et al. The characteristics and patterns of retrogressive thaw slumps developed in permafrost region of the Qinghai-Tibet Plateau[J]. Journal of Glaciology and Geocryology, 2022, 44(1):96-105.] DOI:10.7522/j.issn.1000-0240.2022.0022

[10]
闫家倩, 王雯杰, 韩晨. 青藏高原多年冻土活动层厚度探测方法综述[J]. 地质论评, 2021, 67(S01):209-211.

[Yan J Q, Wang W J, Han C. Summary of methods for detecting active layer thickness of permafrost in the Qinghai-Tibet Plateau[J], Geological Review, 2021, 67(S01):209-211.] DOI:10.16509/j.georeview.2021.s1.092

[11]
Cao B, Gruber S, Zhang T J, et al. Spatial variability of active layer thickness detected by ground-penetrating radar in the Qilian Mountains, Western China[J]. Journal of Geophysical Research: Earth Surface, 2017, 122(3):574-591. DOI:10.1002/2016jf004018

[12]
Li G J, Zhang M Y, Pei W S, et al. Changes in permafrost extent and active layer thickness in the Northern Hemisphere from 1969 to 2018[J]. Science of the Total Environment, 2022,804:150182. DOI:10.1016/j.scitotenv.2021.150182

[13]
Pang Q Q, Zhao L, Li S X, et al. Active layer thickness variations on the Qinghai-Tibet Plateau under the scenarios of climate change[J]. Environmental Earth Sciences, 2012, 66(3):849-857. DOI:10.1007/s12665-011-1296-1

[14]
Peng X Q, Zhang T J, Frauenfeld O W, et al. Spatiotemporal changes in active layer thickness under contemporary and projected climate in the Northern Hemisphere[J]. Journal of Climate, 2018, 31(1):251-266. DOI:10.1175/JCLI-D-16-0721.1

[15]
张中琼, 吴青柏. 气候变化情景下青藏高原多年冻土活动层厚度变化预测[J]. 冰川冻土, 2012, 34(3): 505-511.

[Zhang Z Q, Wu Q B. Predicting changes of active layer thickness on the Qinghai-Tibet Plateau as climate warming[J]. Journal of Glaciology and Geocryology, 2012, 34(3): 505-511.] DOI:10.7522/j.issn.1000-0240.2012.0062

[16]
徐晓明, 吴青柏, 张中琼. 青藏高原多年冻土活动层厚度对气候变化的响应[J]. 冰川冻土, 2017, 39(1):1-8.

DOI

[Xu X M, Wu Q B, Zhang Z Q. Responses of active layer thickness on the Qinghai-Tibet Plateau to climate change[J]. Journal of Glaciology and Geocryology, 2017, 39(1):1-8.] DOI:10.7522/j.issn.1000-0240.2017.0001

[17]
Jung Y T, Park S E, Kim H C. Observation of spatial and temporal patterns of seasonal ground deformation in central Yakutia using time series InSAR data in the freezing season[J]. Remote Sensing of Environment, 2023,293:113615. DOI:10.1016/j.rse.2023.113615

[18]
Liu L, Schaefer K, Zhang T J, et al. Estimating 1992-2000 average active layer thickness on the Alaskan North Slope from remotely sensed surface subsidence[J]. Journal of Geophysical Research (Earth Surface), 2012, 117(F1):F01005. DOI:10.1029/2011JF002041

[19]
Li Z W, Zhao R, Hu J, et al. InSAR analysis of surface deformation over permafrost to estimate active layer thickness based on one-dimensional heat transfer model of soils[J]. Scientific Reports, 2015,5:15542. DOI:10.1038/srep15542

[20]
赵蓉. 基于SBAs-InSAR的冻土形变建模及活动层厚度反演研究[D]. 长沙: 中南大学, 2014.

[Zhao R. Study on deformation modeling of frozen soil and inversion of active layer thickness based on SBAs-InSAR[D]. Changsha: Central South University, 2014.]

[21]
Andersland O B, Ladanyi B. Frozen ground engineering[M]. John Wiley & Sons, 2003.

[22]
Chamberlain E J, Gow A J. Effect of freezing and thawing on the permeability and structure of soils[J]. Engineering Geology, 1979, 13(1/2/3/4):73-92. DOI:10.1016/0013-7952(79)90022-X.

[23]
Zhou J Z, Li D Q. Numerical analysis of coupled water, heat and stress in saturated freezing soil[J]. Cold Regions Science and Technology, 2012, 72:43-49. DOI:10.1016/j.coldregions.2011.11.006

[24]
Clayton L K, Schaefer K, Battaglia M J, et al. Active layer thickness as a function of soil water content[J]. Environmental Research Letters, 2021, 16(5):055028. DOI:10.1088/1748-9326/abfa4c

[25]
Li J C, Wang Q J, Zhang Y, et al. An improved active layer thickness retrieval method over Qinghai-Tibet permafrost using InSAR technology: With emphasis on two-dimensional deformation and unfrozen water[J]. International Journal of Applied Earth Observation and Geoinformation, 2023,124:103530. DOI:10.1016/j.jag.2023.103530

[26]
张成才, 吴泽宁, 余弘婧. 遥感计算土壤含水量方法的比较研究[J]. 灌溉排水学报, 2004, 23(2):69-72.

[Zhang C C, Wu Z N, Yu H J. The compare studied to the methods of estimating soil moisture by remote sensing[J]. Journal of Irrigation and Drainage, 2004, 23(2):69-72.] DOI: 10.3969/j.issn.1672-3317.2004.02.018

[27]
陈鹏. 基于深度学习的多光谱视频目标跟踪方法研究[D]. 无锡: 江南大学, 2023.

[Chen P. Research on multispectral video target tracking method based on deep learning[D]. Wuxi: Jiangnan University, 2023.] DOI:10.27169/d.cnki.gwqgu.2023.000939

[28]
付平凡, 杨晓静, 苏志诚, 等. 基于集成学习的土壤含水量预测研究——以辽西地区为例[J]. 土壤, 2023, 55(3):671-681.

[Fu P F, Yang X J, Su Z C, et al. Prediction of soil moisture content based on ensemble learning—a case study of western Liaoning Province[J]. Soils, 2023, 55(3):671-681.] DOI:10.13758/j.cnki.tr.2023.03.025

[29]
耿庆田, 刘植, 李清亮, 等. 基于一种深度学习模型的土壤湿度预测[J]. 吉林大学学报(工学版), 2023, 53(8):2430-2436.

[Geng Q T, Liu Z, Li Q L, et al. Prediction of soil moisture based on a deep learning model[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(8):2430-2436.] DOI:10.13229/j.cnki.jdxbgxb.20220125

[30]
Lu W J, Li J Z, Wang J Y, et al. A CNN-BiLSTM-AM method for stock price prediction[J]. Neural Computing and Applications, 2021, 33(10):4741-4753. DOI:10.1007/s00521-020-05532-z

[31]
Rai A, Shrivastava A, Jana K C. A CNN-BiLSTM based deep learning model for mid-term solar radiation prediction[J]. International Transactions on Electrical Energy Systems, 2021, 31(9):e12664.1-e12664.13. DOI:10.1002/2050-7038.12664

[32]
毛雪松, 胡长顺, 窦明健, 等. 正冻土中水分场和温度场耦合过程的动态观测与分析[J]. 冰川冻土, 2003, 25(1):55-59.

[Mao X S, Hu C S, Dou M J, et al. Dynamic observation and analysis of moisture and temperature field coupling process in freezing soil[J]. Journal of Glaciology and Geocryology, 2003, 25(1):55-59.] DOI:10.3969/j.issn.1000-0240.2003.01.008

[33]
Fischer G, Nachtergaele F, Prieler S, et al. Global agro-ecological zones assessment for agriculture (GAEZ 2008)[J]. IIASA, Laxenburg, Austria and FAO, Rome, Italy, 2008, 10.

[34]
彭晨阳, 盛煜, 吴吉春, 等. 祁连山区多年冻土空间分布模拟[J]. 冰川冻土, 2021, 43(1):158-169.

DOI

[Peng C Y, Sheng Y, Wu J C, et al. Simulation of the permafrost distribution in the Qilian Mountains[J]. Journal of Glaciology and Geocryology, 2021, 43(1):158-169.] DOI:10.7522/j.issn.1000-0240.2020.0091

[35]
Hu Z Y, Yan D Z, Feng M, et al. Enhancing mountainous permafrost mapping by leveraging a rock glacier inventory in northeastern Tibetan Plateau[J]. International Journal of Digital Earth, 2024, 17(1). DOI:10.1080/17538947.2024.2304077

[36]
Yu C, Li Z H, Penna N T, et al. Generic atmospheric correction model for interferometric synthetic aperture radar observations[J]. Journal of Geophysical Research (Solid Earth), 2018, 123(10):9202-9222. DOI:10.1029/2017JB015305

[37]
周纪, 王子卫, 丁利荣, 等. 青藏高原冰冻圈温度遥感观测、反演与应用[J]. 测绘学报, 2024, 53(5): 835-847.

DOI

[Zhou J, Wang Z W, Ding L R, et al. Remote sensing observation, retrieval, and analysis of temperature in the Qinghai-Tibet Plateau cryosphere[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(5):835-847.] DOI:10.11947/j.AGCS.2024.20230261

[38]
Li Q L, Shi G S, Shangguan W, et al. A 1 km daily soil moisture dataset over China using in situ measurement and machine learning[J]. Earth System Science Data, 2022, 14(12):5267-5286. DOI:10.5194/essd-14-5267-2022

[39]
王庆锋, 金会军, 张廷军, 等. 祁连山区黑河上游高山多年冻土区活动层季节冻融过程及其影响因素[J]. 科学通报, 2016, 61(24):2742-2756.

[Wang Q F, Jin H J, Zhang T J, et al. Active layer seasonal freeze-thaw processes and influencing factors in the alpine permafrost in the upper reaches of the Heihe River in Qilian Mountains[J]. Chinese Science Bulletin, 2016, 61(24):2742-2756.] DOI:10.1360/N972015-01237

[40]
张凤, 范成彦, 牟翠翠, 等. 积雪对祁连山区黑河上游活动层热状态的影响研究[J]. 冰川冻土, 2021, 43(6):1628-1640.

DOI

[Zhang F, Fan C Y, Mu C C, et al. Influences of snow cover on the thermal state of the active layer in the upper reaches of the Heihe River in the Qilian Mountains[J]. Journal of Glaciology and Geocryology, 2021, 43(6):1628-1640.] DOI:10.7522/j.issn.1000-0240.2021.0109

[41]
Mu C C, Peng X Q, Du R, et al. A comprehensive dataset for earth system models in a permafrost region: meteorological, permafrost, and carbon observations (2011—2020) in northeastern Qinghai-Tibet Plateau[J]. Earth System Science Data Discussions, 2022,2022:1-32. DOI:10.5194/essd-2022-347

[42]
杜冉, 彭小清, 金浩东, 等. 祁连山俄博岭地区热融洼地与冻胀草丘活动层融化深度差异性对比研究[J]. 冰川冻土, 2022, 44(1):188-202.

DOI

[Du R, Peng X Q, Jin H D, et al. Comparative study on active layer depth differences between hummocks and thermokarst depressions in the Eboling area of the Qilian Mountains[J]. Journal of Glaciology and Geocryology, 2022, 44(1):188-202.] DOI:10.7522/j.issn.1000-0240.2022.0030

[43]
Xie C W. Data product on changes in active layer thickness of the Qinghai Tibet Plateau (2018-2020)[DS]. National Tibetan Plateau Data Center, 2024. DOI: 10.11888/Cryos.tpdc.301061

Options
Outlines

/

〈 〉