研究方法
技术路线
本文构建了考虑土壤水热变化的活动层厚度反演模型，主要包括使用InSAR技术提取地表时间序列形变，基于CNN-BiLSTM-AM模型得到多特征约束下的土壤含水量和活动层厚度反演模型的构建和应用三部分。
SBAS-InSAR提取地表垂直形变量
利用SBAS-InSAR技术结合升降轨哨兵数据，提取研究区地表垂直形变的时间序列，作为活动层厚度反演的基础参数。
CNN-BiLSTM-AM模型预测土壤含水量
构建CNN-BiLSTM-AM深度学习模型，融合地表融化指数、降水、积雪和归一化植被指数等多源遥感数据，预测土壤含水量。
活动层厚度反演模型构建
考虑土壤水热变化，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，实现对冻土区活动层厚度的精确估计。
SBAS-InSAR提取地表垂直形变量
随着干涉测量理论和技术的完善和拓展，InSAR技术被广泛应用于地表的形变提取和参数反演。本文采用SBAS-InSAR技术提取到研究区2017—2021年的升降轨地表形变。
dLOS = ducosθ - (decosα - dncosα)sinθ
其中，dLOS为单轨道LOS向形变结果；du、de、dn分别表示LOS向形变的垂直、东西、南北向分量；α和θ分别表示为卫星的飞行方位角和入射角。
受限于现有SAR卫星的极轨飞行和侧视成像模式，南北方向的形变质量较差，因此本文忽略了南北方向上的形变。通过升降轨数据的联合处理，可以得到垂直向和东西向的地表位移。
CNN-BiLSTM-AM模型预测土壤含水量
使用单一变量进行土壤含水量的预测难以解释土壤含水量的真实变化特征，忽略了相关因子对土壤含水量变化趋势的影响，无法捕捉目标变量与其他潜在特征之间的关系。因此，本文将地表融化指数，降水、积雪和归一化植被指数作为影响土壤含水量的因子，构建了CNN-BiLSTM-AM模型。
CNN能够捕捉数据中最明显的特征，被广泛用于特征工程。BiLSTM具有将输入特征按时间序列展开的能力，有效利用时序数据的非线性依赖关系。AM能够捕捉大量时间序列数据的时序特征，在输出结果中突出关键信息。相比于以往研究提出的土壤含水量预测模型，CNN-BiLSTM-AM模型将CNN、BiLSTM和多头自注意力机制的优势结合，对具有季节性的时间序列变量具有更好的学习能力和抗干扰性能。
考虑土壤水热变化的冻土活动层厚度反演建模
活动层的季节变异性间接影响了土壤的水热物理性质，探究活动层厚度变化的机理对冻土区水土保持、生态环境等具有重要影响。冻融状态下的土壤在水热力三场的作用下，水分以未冻水的形式，从高温区向低温区迁移，导致土壤物理性质发生变化。
土壤孔隙比与地表形变关系
土壤冻结时，水分向冻结面迁移，在冻结面附近形成冰晶体，导致土壤体积膨胀；融化时，冰晶体融化，土壤体积收缩。这种冻融循环引起的体积变化直接反映在地表形变上。
e = e0 + Δe
Δe = f(Δh, θw)
活动层厚度反演模型
基于土壤孔隙比、土壤含水量和地表形变的关系，构建了活动层厚度反演模型。该模型考虑了冻融过程中土壤物理性质的变化，能够更准确地反映活动层的真实厚度。
ALT = f(Δhv, e, θw)
其中，Δhv为垂直向地表形变量，e为土壤孔隙比，θw为土壤含水量。通过InSAR技术获取的地表形变数据和CNN-BiLSTM-AM模型预测的土壤含水量，结合土壤物理参数，可以实现对活动层厚度的精确反演。
