Quantifying snowmelt contribution to streamflow using ensemble machine learning and remote sensing

方法

MODIS与FLDAS遥感数据，随机森林算法，Google Earth Engi

发现

随机森林显著提升积雪估算精度；融雪对区域径流调节与供水作用正在减弱。

机会点

可引入多源遥感与地面观测融合的长期模拟，提升山区融雪型洪峰预测能力。

摘要：融雪在维持河流流量和调节山区生态系统水资源方面发挥着至关重要的作用，尤其是在气候条件变化的情况下。本研究旨在通过估算阿塞拜疆大高加索流域的积雪覆盖和雪水当量（SWE），量化融雪对河流流量的贡献。研究采用随机森林机器学习算法分析MODIS和FLDAS遥感产品，并在Google Earth Engine（GEE）平台上处理数据，以提高预测效率和精度。结果表明，与仅使用卫星数据相比，随机森林显著提升了积雪覆盖估算效果。MODIS和FLDAS观测显示，积雪覆盖峰值出现在2023年12月（1，310 km²），雪水当量最大值出现在2023年2月（23 kg/m²）。在2013—2023年较长时段内，积雪覆盖最高值记录于2016年（5，052 km²），而雪水当量峰值出现在2019年（188.7 kg/m²）。这些发现表明，受降雪量和河流流量下降的驱动，雪在区域径流调节和供水中的作用正在减弱。本研究证明了机器学习在积雪监测中的价值，并强调需要开展长期模拟和扩展地面观测网络，以改进山区流域峰值流量事件的预测。