量化季节形变对于准确估算活动层厚度及其内的水分分布至关重要，为理解冻融动态变化及其与气候变化的互馈机制提供了宝贵的依据。由于多年冻土层的水力传导性有限，冻融过程主要集中在活动层内，因此季节性形变表现出一定的可预测性。雷达干涉测量（InSAR）技术在多年冻土地面形变研究中展现了前所未有的潜力。然而，由于数据失相干性和复杂地形等因素的影响，局部区域的信号缺失在一定程度上限制了该技术在多年冻土模型等中的应用。

我站研究人员结合InSAR和多源环境变量数据，开发了基于机器学习的多年冻土区地面形变模拟模型。将该方法应用于青藏高原长江源区约1.8 万平方公里多年冻土区，生成了覆盖整个区域的多年冻土区季节形变图，模拟精度（R²）达0.91，均方根误差（RMSE）约为0.5厘米（图1）。研究结果表明，机器学习模型在预测多年冻土区的季节性形变方面具有显著的能力。长江源区季节形变幅度从不足1厘米到超过10厘米不等（图2）。结合结构方程模型结果发现，季节形变空间变异性主要受到地形的制约，同时受到气候和土壤条件的调制作用（图3）。该研究为多年冻土区形变预测及其长期驱动因素的量化分析提供了新的技术手段和思路，生成的全覆盖地面变形图弥补了InSAR在某些区域的监测盲区，为基础设施安全评估提供了重要支持，有助于深入理解多年冻土区浅层地表水文过程以及多年冻土的韧性和脆弱性。

该成果以Predicting Seasonal Deformation using InSAR and Machine Learning in the Permafrost Regions of the Yangtze River Source Region为题发表在地学Top期刊Water Resources Research。我站吴通华研究员为论文通讯作者，陈杰副研究员和博士研究生林星辰为论文共同第一作者。

该研究获中国科学院“西部之光”基金项目(xbzg-zdsys-202304)、国家重点研发计划项目(2023YFC3206300)、国家自然科学基金项目(U23A2062, 32361133551)、冰冻圈科学国家重点实验室项目(SKLCS-ZZ-2023)、国家自然科学基金项目(42174015)和甘肃省科技重大专项计划项目(22ZD6FA005)联合资助。

文章链接：https://doi.org/10.1029/2023WR036700

图1 机器学习预测的季节形变散点密度图 (a) LightGBM, (b) XGBoost, (c) RF, (d) Stacking

图2 季节形变图。(a) InSAR和ICA, (b)RF, (c) XGBoost, (d) LightGBM, (e) Stacking

图3 基于结构方程模型模拟的季节性形变与多种环境因素之间的多变量关系 

图文：林星辰、陈杰  审核：吴通华