DOI: https://doi.org/10.5194/tc-20-2977-2026
تاريخ النشر: 2026-05-22
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: دراسات وملاحظات الكريوسفير
نظرة عامة
تتناول هذه الدراسة التحديات المتعلقة بتقدير عمق الثلج (SD) بدقة في التضاريس المعقدة لهضبة تشينغهاي-التبت (QTP)، وهي منطقة تتميز بالتغيرات السريعة في غطاء الثلج والتباين المكاني القوي. يقترح المؤلفون طريقة تقدير عمق الثلج بدقة مكانية عالية (500 م) باستخدام بيانات درجة حرارة السطوع (BT) من AMSR-2 والتعلم الآلي التلقائي (AutoML). من خلال اختيار 19 عاملاً رئيسياً يؤثر على عمق الثلج، بما في ذلك درجة حرارة السطوع من AMSR-2، والانحدار، وخشونة السطح، تم تدريب نموذج AutoML على بيانات من أربعة أنواع متميزة من غطاء الثلج (الغابات، الأراضي العشبية، المياه، والأراضي القاحلة). تم التحقق من صحة النموذج باستخدام التحقق المتقاطع بعشر طيات، مما أسفر عن مجموعات بيانات عمق الثلج تمتد من 2012 إلى 2021.
تشير النتائج إلى أن القيم المقدرة لعمق الثلج تتماشى بشكل وثيق مع الملاحظات المستندة إلى الأرض، حيث تحقق معامل ارتباط قدره $R=0.81$ وخطأ متوسط الجذر التربيعي (RMSE) قدره $3.65$ سم. بالإضافة إلى ذلك، فإن التوزيع المكاني لعمق الثلج المقدر يتوافق مع مدى غطاء الثلج المحدد من خلال صور Landsat-8، مما يوضح فعالية النموذج في التقاط الميزات المكانية التفصيلية لتوزيع الثلج في المناطق الجبلية. بشكل عام، توفر طريقة AutoML وسيلة موثوقة لمراقبة تغييرات عمق الثلج في QTP، مما يلبي متطلبات المراقبة في المنطقة.
الطرق
في هذه الدراسة، تم توضيح المنهجية لتقدير عمق الثلج (SD) باستخدام بيانات درجة حرارة السطوع (BT) من AMSR-2 ونموذج Pycaret AutoML في عملية من ثلاث خطوات. في البداية، تم تحديد 19 عاملاً مؤثراً، بما في ذلك درجة حرارة السطوع من AMSR-2، والانحدار، وخشونة السطح، من خلال طريقة معامل الارتباط بيرسون واستخدمت كمتغيرات مستقلة. كانت قياسات عمق الثلج المستندة إلى الأرض وبيانات عمق الثلج المنقولة من منتج الميكروويف السلبي بمثابة متغيرات تابعة. تم تدريب نموذج AutoML على هذه المدخلات عبر أربعة أنواع متميزة من غطاء الثلج: الغابات، الأراضي العشبية، المياه، والأراضي غير المستخدمة.
تم تقييم أداء النموذج باستخدام التحقق المتقاطع بعشر طيات لاختيار أفضل نموذج تعلم آلي لكل نوع غطاء. ركزت الدراسة على التغيرات المكانية الزمنية لعمق الثلج خلال فترة غطاء الثلج على هضبة تشينغهاي-التبت (QTP) من 2012 إلى 2021. تشير النتائج إلى أن العوامل المختارة تؤثر بشكل كبير على تقدير عمق الثلج، وأن النماذج المطورة تلتقط بفعالية التغيرات في عمق الثلج عبر أنواع مختلفة من غطاء الأرض. يتم تمثيل خارطة الطريق التقنية للمنهجية بصريًا في الشكل 2.
النتائج
يقدم قسم النتائج في الدراسة نتائج تحليل شامل لتقدير عمق الثلج (SD) عبر أنواع مختلفة من غطاء الأرض باستخدام نماذج AutoML. كشفت تحليل معامل الارتباط بيرسون لـ 28 متغيرًا مستقلًا عن وجود علاقات قوية بين درجات حرارة السطوع المستقطبة أفقيًا ورأسيًا، مع معاملات تتجاوز 0.9. استخدمت الدراسة مجموعة بيانات كبيرة تضم 25,926 عينة غابة، 340,326 عينة أرض عشبية، 157,252 عينة مياه، و273,672 عينة أرض غير مستخدمة لتقييم أداء عشرة نماذج تعلم آلي (بما في ذلك XGBoost وCatboost وRandom Forest) من خلال التحقق المتقاطع بعشر طيات. ومن الجدير بالذكر أن نموذج XGBoost حقق أعلى دقة في المناطق الغابية (R² = 0.71)، بينما تفوق Catboost في الأراضي العشبية (R² = 0.77) والأراضي غير المستخدمة (R² = 0.82).
تم التحقق من دقة نتائج عمق الثلج المقدرة بواسطة AutoML مقابل الملاحظات المستندة إلى الأرض من محطات الأرصاد الجوية، مما أسفر عن ارتباط عالٍ (R = 0.84) وخطأ متوسط الجذر التربيعي (RMSE) قدره 3.64 سم، مما يشير إلى تقدير منخفض قليلاً. كما قامت الدراسة بتقييم الدقة المكانية لبيانات Auto_NSD، مما كشف أن 63% من محطات الأرصاد الجوية كانت لديها اختلافات متوسطة في عمق الثلج ضمن 5 سم. علاوة على ذلك، أظهر تحليل صور Landsat-8 تباينات كبيرة في توزيع الثلج بمرور الوقت، حيث قدمت بيانات Auto_NSD تمثيلاً أكثر دقة لغطاء الثلج مقارنة بالبيانات المنقولة. بشكل عام، تؤكد النتائج فعالية نماذج التعلم المتكاملة في تقدير عمق الثلج عبر التضاريس المتنوعة في هضبة تشينغهاي-التبت (QTP).
المناقشة
يركز قسم المناقشة في ورقة البحث على تعقيدات تقدير عمق الثلج (SD) في هضبة تشينغهاي-التبت (QTP)، مع تسليط الضوء على التضاريس غير المتجانسة في المنطقة والتباين الكبير بين السنوات في توزيع الثلج. تؤكد الدراسة على أن عوامل مختلفة، بما في ذلك خصائص الثلج (الكثافة، حجم الحبة، محتوى الماء السائل) وغطاء النبات، تؤثر على دقة استرجاع عمق الثلج. يكشف التحليل أن تقدير عمق الثلج القائم على AutoML يتفوق على الطرق التقليدية، خاصة في ظروف الثلج الضحل (أقل من 5 سم)، حيث يحقق خطأ متوسط الجذر التربيعي (RMSE) قدره 1.69 سم مقارنة بـ 4.93 سم لمجموعة بيانات Che_AMSR2_NSD. ومع ذلك، مع زيادة عمق الثلج، تتناقص الدقة، حيث لوحظت أعلى الأخطاء في طبقات الثلج الأعمق، والتي تعزى إلى تعقيدات تفاعلات إشارات الميكروويف داخل كومة الثلج.
علاوة على ذلك، تقيم الدراسة تأثير فترات تراكم الثلج على دقة عمق الثلج، مشيرة إلى أن نموذج Auto_NSD يعمل بشكل أفضل خلال فترة الثلج المستقر، مع RMSE قدره 2.11 سم، بينما تنخفض الدقة خلال مرحلة ذوبان الثلج بسبب التغيرات في خصائص الثلج وزيادة تشتت إشارة الميكروويف. تؤكد النتائج على ضرورة مراعاة كل من العوامل الزمنية والمكانية، بما في ذلك أنواع غطاء الأرض، في نماذج تقدير عمق الثلج لتعزيز الدقة التنبؤية عبر ظروف متغيرة في QTP.
DOI: https://doi.org/10.5194/tc-20-2977-2026
Publication Date: 2026-05-22
Author(s): Zhenyun Du et al.
Primary Topic: Cryospheric studies and observations
Overview
This study addresses the challenges of accurately estimating snow depth (SD) in the complex terrain of the Qinghai-Tibet Plateau (QTP), a region characterized by rapid changes in snow cover and strong spatial heterogeneity. The authors propose a high spatial resolution (500 m) SD estimation method utilizing AMSR-2 brightness temperature (BT) data and Automated Machine Learning (AutoML). By selecting 19 key factors influencing SD, including AMSR-2 BT, slope, and surface roughness, the AutoML model was trained on data from four distinct snow cover types (forest, grassland, water, and bare land). The model was validated using ten-fold cross-validation, resulting in SD datasets spanning from 2012 to 2021.
The findings indicate that the estimated SD values align closely with ground-based observations, achieving a correlation coefficient of $R=0.81$ and a root mean square error (RMSE) of $3.65$ cm. Additionally, the spatial distribution of the estimated SD is consistent with snow cover extents identified through Landsat-8 imagery, demonstrating the model’s effectiveness in capturing the detailed spatial features of snow distribution in mountainous regions. Overall, the AutoML approach provides a reliable method for monitoring SD changes in the QTP, fulfilling the region’s monitoring requirements.
Methods
In this study, the methodology for estimating snow depth (SD) using AMSR-2 brightness temperature (BT) data and the Pycaret AutoML model is outlined in a three-step process. Initially, 19 influential factors, including AMSR-2 BT, slope, and surface roughness, were identified through the Pearson correlation coefficient method and used as independent variables. Ground-based SD measurements and downscaled SD data from a passive microwave product served as dependent variables. The AutoML model was trained on these inputs across four distinct snow underlayment cover types: forest, grassland, water, and unused land.
The model’s performance was evaluated using ten-fold cross-validation to select the optimal machine learning model for each cover type. The study focused on the spatiotemporal variations of SD during the snow cover period on the Qinghai-Tibet Plateau (QTP) from 2012 to 2021. The findings indicate that the selected factors significantly influence SD estimation, and the developed models effectively capture the variations in snow depth across different land cover types. The technical roadmap of the methodology is visually represented in Figure 2.
Results
The results section of the study presents findings from a comprehensive analysis of snow depth (SD) estimation across various land cover types using AutoML models. A Pearson correlation coefficient analysis of 28 independent variables revealed strong correlations between horizontally and vertically polarized brightness temperatures, with coefficients exceeding 0.9. The study utilized a substantial dataset comprising 25,926 forest samples, 340,326 grassland samples, 157,252 water samples, and 273,672 unused land samples to evaluate the performance of ten machine learning models (including XGBoost, Catboost, and Random Forest) through ten-fold cross-validation. Notably, the XGBoost model achieved the highest accuracy in forest regions (R² = 0.71), while Catboost excelled in grassland (R² = 0.77) and unused land (R² = 0.82) areas.
The accuracy of the SD results estimated by AutoML was validated against ground-based observations from meteorological stations, yielding a high correlation (R = 0.84) and a root mean square error (RMSE) of 3.64 cm, indicating slight underestimation. The study also assessed the spatial accuracy of the Auto_NSD data, revealing that 63% of meteorological stations had mean SD discrepancies within 5 cm. Furthermore, the analysis of Landsat-8 imagery demonstrated significant variations in snow distribution over time, with Auto_NSD data providing a more accurate representation of snow cover compared to downscaled data. Overall, the findings underscore the effectiveness of integrated learning models in estimating SD across diverse terrains in the Qinghai-Tibet Plateau (QTP).
Discussion
The discussion section of the research paper focuses on the complexities of snow depth (SD) estimation in the Qinghai-Tibet Plateau (QTP), highlighting the region’s heterogeneous terrain and the significant interannual variability of snow distribution. The study emphasizes that various factors, including snow characteristics (density, grain size, liquid water content) and vegetation cover, influence the accuracy of SD retrieval. The analysis reveals that the AutoML-based SD estimation outperforms traditional methods, particularly in shallow snow conditions (less than 5 cm), where it achieves a root mean square error (RMSE) of 1.69 cm compared to 4.93 cm for the Che_AMSR2_NSD dataset. However, as SD increases, the accuracy diminishes, with the highest errors observed in deeper snow layers, attributed to the complexities of microwave signal interactions within the snowpack.
Furthermore, the study assesses the impact of snow accumulation periods on SD accuracy, noting that the Auto_NSD model performs best during the stable snow period, with an RMSE of 2.11 cm, while accuracy declines during the snowmelt phase due to changes in snow properties and increased microwave signal attenuation. The findings underscore the necessity of considering both temporal and spatial factors, including land cover types, in SD estimation models to enhance predictive accuracy across varying conditions in the QTP.