雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

雪线是气候变化的敏感指示器。在气候变暖背景下,开展区域雪线高度的遥感监测与模拟研究有利于深入探讨高山区冰冻圈变化趋势及其机制。本研究以叶尔羌河流域为研究区,基于MODIS积雪产品提取的雪线高度数据和ERA5气象再分析数据,采用梯度提升决策树（GBDT）、自适应提升（AdaBoost）、轻量梯度提升（LightGBM）、随机森林（RF）、极端梯度提升（XGBoost）,构建多种算法的雪线高度模拟模型。精度验证结果表明,5种学习算法的拟合优度（R2）均达到0.8以上,其模拟精度由高到低分别为:GBDT、AdaBoost、LightGBM、XGBoost、RF。依据模拟精度和最大相异性从中筛选AdaBoost、XGBoost、RF算法作为基学习器,GBDT算法作为元学习器,共同组合为Staking集成学习框架下的雪线高度模拟模型,其精度优于任意单个学习器（RMSE=88.73 m,MAE=57.99 m,R2=0.93）。该算法相较于其他模型消除了过拟合现象与奇异值的影响,鲁棒性和泛化能力更强,预测结果更加稳定。之后,构建多时间尺度的雪线高度模型并...

【目标】随着多年冻土区路基工程建设活动增加，形成了大量路堑边坡，因此有必要对冻融作用下多年冻土区路堑边坡的稳定性进行分析。【方法】针对其随机性、小样本、非线性等特点，利用支持向量机、随机森林和梯度提升3种算法构建基础模型，并采用Voting集成学习技术将它们组合，构建了4个多年冻土区路堑边坡安全系数预测模型。【数据】为了反映冻土区边坡的特殊性，引入了活动层厚度和冻融损伤系数，并结合了普通边坡稳定性影响中的4个关键指标(边坡坡度、土体重度、黏聚力和内摩擦角),确定了6个输入指标。利用25组数据对4个预测模型进行了训练和测试，并采用最小均方误差评价了模型预测效果。【结果】支持向量机模型的最大相对误差为9.61%,随机森林模型的最大相对误差为―6.23%,梯度提升模型的最大相对误差为4.44%,而Voting集成学习模型的预测值与实测值最大相对误差为―0.51%。相对于单一预测方法，Voting集成学习模型能够更加准确地预测边坡安全系数变化趋势。【应用】Voting集成模型可以更好地描述边坡稳定性与其影响因素之间的非线性关系，更适于实际工程应用。研究成果为多年冻土区路堑边坡稳定性评价提供了一...

【目标】随着多年冻土区路基工程建设活动增加，形成了大量路堑边坡，因此有必要对冻融作用下多年冻土区路堑边坡的稳定性进行分析。【方法】针对其随机性、小样本、非线性等特点，利用支持向量机、随机森林和梯度提升3种算法构建基础模型，并采用Voting集成学习技术将它们组合，构建了4个多年冻土区路堑边坡安全系数预测模型。【数据】为了反映冻土区边坡的特殊性，引入了活动层厚度和冻融损伤系数，并结合了普通边坡稳定性影响中的4个关键指标(边坡坡度、土体重度、黏聚力和内摩擦角),确定了6个输入指标。利用25组数据对4个预测模型进行了训练和测试，并采用最小均方误差评价了模型预测效果。【结果】支持向量机模型的最大相对误差为9.61%,随机森林模型的最大相对误差为―6.23%,梯度提升模型的最大相对误差为4.44%,而Voting集成学习模型的预测值与实测值最大相对误差为―0.51%。相对于单一预测方法，Voting集成学习模型能够更加准确地预测边坡安全系数变化趋势。【应用】Voting集成模型可以更好地描述边坡稳定性与其影响因素之间的非线性关系，更适于实际工程应用。研究成果为多年冻土区路堑边坡稳定性评价提供了一...

【目标】随着多年冻土区路基工程建设活动增加，形成了大量路堑边坡，因此有必要对冻融作用下多年冻土区路堑边坡的稳定性进行分析。【方法】针对其随机性、小样本、非线性等特点，利用支持向量机、随机森林和梯度提升3种算法构建基础模型，并采用Voting集成学习技术将它们组合，构建了4个多年冻土区路堑边坡安全系数预测模型。【数据】为了反映冻土区边坡的特殊性，引入了活动层厚度和冻融损伤系数，并结合了普通边坡稳定性影响中的4个关键指标(边坡坡度、土体重度、黏聚力和内摩擦角),确定了6个输入指标。利用25组数据对4个预测模型进行了训练和测试，并采用最小均方误差评价了模型预测效果。【结果】支持向量机模型的最大相对误差为9.61%,随机森林模型的最大相对误差为―6.23%,梯度提升模型的最大相对误差为4.44%,而Voting集成学习模型的预测值与实测值最大相对误差为―0.51%。相对于单一预测方法，Voting集成学习模型能够更加准确地预测边坡安全系数变化趋势。【应用】Voting集成模型可以更好地描述边坡稳定性与其影响因素之间的非线性关系，更适于实际工程应用。研究成果为多年冻土区路堑边坡稳定性评价提供了一...