《表6 FEFLOW模型与其他模型模拟误差比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于BP神经网络和FEFLOW模型模拟预测多年冻土活动层温度——以青藏高原风火山地区为例》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

多位研究者采用不同的模型模拟了青藏高原多年冻土区的土壤热状况[4，27-28]。在SHAW模型中，辐射、降水、地表反射率、植被生长信息等输入变量的偏差都可能会对土壤热通量的计算产生影响，进而对土壤温度的模拟产生影响。此外，该模型需要输入模拟开始和结束时的温湿度分布，无法对气候变化情景下土壤温湿度的变化进行预测。Gao等[27]指出，复杂的地形、植被覆盖、土壤水分分布造成的辐射和地表反射率估计的不确定性导致GBEHM计算地表能量平衡时的不确定性，进而使土壤温度的计算产生偏差。多位学者利用GIPL2模型成功模拟了多年冻土区土壤热状况的变化[4，18]，但GIPL2模型要求分别输入各层土壤冻结和融化期间的导热系数、容积热容量等土壤热参数，而FEFLOW可以根据冻融过程中的含冰率和未冻水含量，自动计算土壤导热系数与容积热容量。表6统计整理并将本文模拟结果与其他模型模拟结果进行了比较（由于模拟深度不同，取平均RMSE）。可知，FEFLOW模型平均RMSE小于另外三种（SHAW、GBEHM、GIPL2）模型，模拟效果最好。综合来看，以BP神经网络模型输出为输入的FEFLOW模型输入参数少、模拟精度高，更适用于多年冻土区土壤热状况的模拟。