基于深度学习与符号回归的青藏高原冻土温度剖面研究OA

青藏高原冻土加速退化对区域生态安全和工程建设构成严峻挑战,亟需开发兼具高精度与可解释性的冻土温度剖面预测方法。本研究提出时间卷积网络增强型(TCN-Plus)深度学习架构与符号回归相结合的预测方法,兼顾预测精度与物理可解释性。基于木里野外观测站2021年实测数据进行验证,结果表明TCN-Plus在0.5 m深度的平均绝对误差为0.187℃,较长短期记忆网络(LSTM)、门控循环单元(GRU)和Transformer分别降低67.8%、35.7%和24.3%。揭示了不同深度的差异化主控机制:浅层受热惯性控制,中层受水热耦合影响,深层呈现年际记忆效应;所有模型在2.5~3.0 m深度区间预测误差最大,表明深层预测需考虑水分迁移和相变潜热作用。新方法实现了预测精度与物理可解释性的双重提升,研究成果可为青藏高原冻土区工程建设的热稳定性评估提供技术支撑,为深度学习在地球物理领域的可解释应用提供了新思路,对青藏高原冻土监测和气候变化影响评估具有应用价值。