冻融过程中的土壤温度和水分条件的变化，显著影响季节冻土的土壤呼吸动态，同时土壤呼吸释放的二氧化碳通过加剧温室效应影响气候，从而改变降水、蒸散过程等关键水文循环环节。因此，量化季节冻土的冻融过程与土壤呼吸之间的关系，对预测区域气候和水文循环的动态平衡十分关键。以澜沧江上游类乌齐县的季节冻土为研究对象，基于土壤呼吸和冻融过程连续原位测量数据，建立不同冻融阶段的土壤呼吸单因子模型，分析冻融过程中土壤温度和含水量对土壤呼吸的影响。结果表明，昼夜尺度和单次冻融过程的土壤呼吸通量均呈单峰变化，完全融化阶段的土壤呼吸贡献率约为94%；当土壤含水量大于0.09 m3·m-3时，土壤温度对冻融过程中的土壤呼吸影响最为显著；回归拟合中土壤呼吸与土壤温度的指数模型表现最佳，土壤呼吸的温度敏感性指标Q10在融化阶段最高（43.21±4.72），完全融化阶段最低（2.71±0.17），总体随土壤含水量降低和土壤温度升高而减小。研究结果可为青藏高原暖湿化背景下的季节冻土区土壤碳排放的相关研究提供参考。
冻融过程中的土壤温度和水分条件的变化，显著影响季节冻土的土壤呼吸动态，同时土壤呼吸释放的二氧化碳通过加剧温室效应影响气候，从而改变降水、蒸散过程等关键水文循环环节。因此，量化季节冻土的冻融过程与土壤呼吸之间的关系，对预测区域气候和水文循环的动态平衡十分关键。以澜沧江上游类乌齐县的季节冻土为研究对象，基于土壤呼吸和冻融过程连续原位测量数据，建立不同冻融阶段的土壤呼吸单因子模型，分析冻融过程中土壤温度和含水量对土壤呼吸的影响。结果表明，昼夜尺度和单次冻融过程的土壤呼吸通量均呈单峰变化，完全融化阶段的土壤呼吸贡献率约为94%；当土壤含水量大于0.09 m3·m-3时，土壤温度对冻融过程中的土壤呼吸影响最为显著；回归拟合中土壤呼吸与土壤温度的指数模型表现最佳，土壤呼吸的温度敏感性指标Q10在融化阶段最高（43.21±4.72），完全融化阶段最低（2.71±0.17），总体随土壤含水量降低和土壤温度升高而减小。研究结果可为青藏高原暖湿化背景下的季节冻土区土壤碳排放的相关研究提供参考。
冻融过程中的土壤温度和水分条件的变化，显著影响季节冻土的土壤呼吸动态，同时土壤呼吸释放的二氧化碳通过加剧温室效应影响气候，从而改变降水、蒸散过程等关键水文循环环节。因此，量化季节冻土的冻融过程与土壤呼吸之间的关系，对预测区域气候和水文循环的动态平衡十分关键。以澜沧江上游类乌齐县的季节冻土为研究对象，基于土壤呼吸和冻融过程连续原位测量数据，建立不同冻融阶段的土壤呼吸单因子模型，分析冻融过程中土壤温度和含水量对土壤呼吸的影响。结果表明，昼夜尺度和单次冻融过程的土壤呼吸通量均呈单峰变化，完全融化阶段的土壤呼吸贡献率约为94%；当土壤含水量大于0.09 m3·m-3时，土壤温度对冻融过程中的土壤呼吸影响最为显著；回归拟合中土壤呼吸与土壤温度的指数模型表现最佳，土壤呼吸的温度敏感性指标Q10在融化阶段最高（43.21±4.72），完全融化阶段最低（2.71±0.17），总体随土壤含水量降低和土壤温度升高而减小。研究结果可为青藏高原暖湿化背景下的季节冻土区土壤碳排放的相关研究提供参考。
冻融过程中的土壤温度和水分条件的变化，显著影响季节冻土的土壤呼吸动态，同时土壤呼吸释放的二氧化碳通过加剧温室效应影响气候，从而改变降水、蒸散过程等关键水文循环环节。因此，量化季节冻土的冻融过程与土壤呼吸之间的关系，对预测区域气候和水文循环的动态平衡十分关键。以澜沧江上游类乌齐县的季节冻土为研究对象，基于土壤呼吸和冻融过程连续原位测量数据，建立不同冻融阶段的土壤呼吸单因子模型，分析冻融过程中土壤温度和含水量对土壤呼吸的影响。结果表明，昼夜尺度和单次冻融过程的土壤呼吸通量均呈单峰变化，完全融化阶段的土壤呼吸贡献率约为94%；当土壤含水量大于0.09 m3·m-3时，土壤温度对冻融过程中的土壤呼吸影响最为显著；回归拟合中土壤呼吸与土壤温度的指数模型表现最佳，土壤呼吸的温度敏感性指标Q10在融化阶段最高（43.21±4.72），完全融化阶段最低（2.71±0.17），总体随土壤含水量降低和土壤温度升高而减小。研究结果可为青藏高原暖湿化背景下的季节冻土区土壤碳排放的相关研究提供参考。
冻融过程中的土壤温度和水分条件的变化，显著影响季节冻土的土壤呼吸动态，同时土壤呼吸释放的二氧化碳通过加剧温室效应影响气候，从而改变降水、蒸散过程等关键水文循环环节。因此，量化季节冻土的冻融过程与土壤呼吸之间的关系，对预测区域气候和水文循环的动态平衡十分关键。以澜沧江上游类乌齐县的季节冻土为研究对象，基于土壤呼吸和冻融过程连续原位测量数据，建立不同冻融阶段的土壤呼吸单因子模型，分析冻融过程中土壤温度和含水量对土壤呼吸的影响。结果表明，昼夜尺度和单次冻融过程的土壤呼吸通量均呈单峰变化，完全融化阶段的土壤呼吸贡献率约为94%；当土壤含水量大于0.09 m3·m-3时，土壤温度对冻融过程中的土壤呼吸影响最为显著；回归拟合中土壤呼吸与土壤温度的指数模型表现最佳，土壤呼吸的温度敏感性指标Q10在融化阶段最高（43.21±4.72），完全融化阶段最低（2.71±0.17），总体随土壤含水量降低和土壤温度升高而减小。研究结果可为青藏高原暖湿化背景下的季节冻土区土壤碳排放的相关研究提供参考。
【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...
【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...
【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...
【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...
【目的】干涉合成孔径雷达测量(InSAR)技术近年来被广泛用于反演活动层厚度（ALT），然而现有研究较少考虑冻融对地表形变和土壤孔隙水热变化的影响，因此，本文构建了考虑土壤水热变化的ALT反演模型。【方法】使用InSAR技术和CNNBiLSTM-AM模型得到地表参数，顾及冻融驱动下活动层的变形和土壤孔隙及水分的变化构建了活动层厚度反演模型。首先，通过SBAS-InSAR技术提取研究区垂直向地表形变。然后，构建CNN-BiLSTM-AM模型，使用卷积神经网络（Convolutional Neural Networks, CNN）对多源遥感数据特征提取，采用双向长短期记忆网络（Bi-directional Long Short-term Memory,BiLSTM）对提取特征进行预测，添加多头自注意力层（Attention Mechanism, AM）提高模型对关键信息的提取，得到多特征约束下的土壤含水量预测值。最后，以垂直向地表形变作为表征活动层的主要参数，构建基于土壤孔隙比和土壤含水量的活动层厚度反演模型，得到兰新高铁冻土区活动层厚度的时空分布。【结果】模型估计值与俄博岭实测数据验证的...