为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
为提高寒区河流的径流模拟精度，同时降低模型数据需求，以雅鲁藏布江为例，本文提出了一种基于径流组分约束的随机森林融水径流模型（component constraint algorithm-random forest，CCA-RF），用以计算流域冰川-积雪融水。CCA-RF模型在奴各沙、羊村及奴下3个断面验证期的纳什效率系数(nash-sutcliffe efficiency，ENS)分别达到了0.692、0.707以及0.799，相较于度日模型分别提升了0.198、0.065以及0.220。结果表明：在冰川覆盖及度日因子数据精度较低的情况下，CCA-RF模型在径流年内分布模拟精度上优于度日模型。对比中科院可变下渗容量模型（variable infiltration capacity-Chinese Academy of Sciences，VIC-CAS）发现，CCA-RF对年际趋势的捕捉能力较弱，但两者总径流量模拟误差相近。
冰川融水径流的浊度是反映冰川物质输出的重要指标，准确获取浊度数据对于研究冰川消融对下游环境的影响具有重要意义。传统的冰川融水径流浊度获取方法主要依靠涉水观测，存在成本高、效率低且难以连续监测的局限性。因此，本研究在青藏高原中南部廓琼岗日1号冰川开展实验，提出了一种基于低成本野外相机和深度学习方法的冰川融水径流浊度视觉监测方案。以1号冰川融水径流的图像和浊度数据为基础，搭建了基于MobileNetV1的冰川融水径流浊度预测模型。结果表明，廓琼岗日1号冰川融水径流水体颜色与浊度之间存在显著相关性，且日内浊度变化相对剧烈。所提出的冰川融水径流浊度预测模型可实现对冰川融水径流浊度的预测，在0～5 000 NTU(Nephelometric Turbidity Unit,NTU)的浊度区间，浊度预测值的平均绝对误差（Mean Absolute Error,MAE）为183.93 NTU，决定系数R2为0.45。在0～200 NTU的浊度区间，浊度预测值的平均绝对误差为9.14 NTU，相较于ShuffleNet、GhostNet、DenseNet121、InceptionV3、ResNet50，...
冰川融水径流的浊度是反映冰川物质输出的重要指标，准确获取浊度数据对于研究冰川消融对下游环境的影响具有重要意义。传统的冰川融水径流浊度获取方法主要依靠涉水观测，存在成本高、效率低且难以连续监测的局限性。因此，本研究在青藏高原中南部廓琼岗日1号冰川开展实验，提出了一种基于低成本野外相机和深度学习方法的冰川融水径流浊度视觉监测方案。以1号冰川融水径流的图像和浊度数据为基础，搭建了基于MobileNetV1的冰川融水径流浊度预测模型。结果表明，廓琼岗日1号冰川融水径流水体颜色与浊度之间存在显著相关性，且日内浊度变化相对剧烈。所提出的冰川融水径流浊度预测模型可实现对冰川融水径流浊度的预测，在0～5 000 NTU(Nephelometric Turbidity Unit,NTU)的浊度区间，浊度预测值的平均绝对误差（Mean Absolute Error,MAE）为183.93 NTU，决定系数R2为0.45。在0～200 NTU的浊度区间，浊度预测值的平均绝对误差为9.14 NTU，相较于ShuffleNet、GhostNet、DenseNet121、InceptionV3、ResNet50，...
冰川融水径流的浊度是反映冰川物质输出的重要指标，准确获取浊度数据对于研究冰川消融对下游环境的影响具有重要意义。传统的冰川融水径流浊度获取方法主要依靠涉水观测，存在成本高、效率低且难以连续监测的局限性。因此，本研究在青藏高原中南部廓琼岗日1号冰川开展实验，提出了一种基于低成本野外相机和深度学习方法的冰川融水径流浊度视觉监测方案。以1号冰川融水径流的图像和浊度数据为基础，搭建了基于MobileNetV1的冰川融水径流浊度预测模型。结果表明，廓琼岗日1号冰川融水径流水体颜色与浊度之间存在显著相关性，且日内浊度变化相对剧烈。所提出的冰川融水径流浊度预测模型可实现对冰川融水径流浊度的预测，在0～5 000 NTU(Nephelometric Turbidity Unit,NTU)的浊度区间，浊度预测值的平均绝对误差（Mean Absolute Error,MAE）为183.93 NTU，决定系数R2为0.45。在0～200 NTU的浊度区间，浊度预测值的平均绝对误差为9.14 NTU，相较于ShuffleNet、GhostNet、DenseNet121、InceptionV3、ResNet50，...
冰川融水径流的浊度是反映冰川物质输出的重要指标，准确获取浊度数据对于研究冰川消融对下游环境的影响具有重要意义。传统的冰川融水径流浊度获取方法主要依靠涉水观测，存在成本高、效率低且难以连续监测的局限性。因此，本研究在青藏高原中南部廓琼岗日1号冰川开展实验，提出了一种基于低成本野外相机和深度学习方法的冰川融水径流浊度视觉监测方案。以1号冰川融水径流的图像和浊度数据为基础，搭建了基于MobileNetV1的冰川融水径流浊度预测模型。结果表明，廓琼岗日1号冰川融水径流水体颜色与浊度之间存在显著相关性，且日内浊度变化相对剧烈。所提出的冰川融水径流浊度预测模型可实现对冰川融水径流浊度的预测，在0～5 000 NTU(Nephelometric Turbidity Unit,NTU)的浊度区间，浊度预测值的平均绝对误差（Mean Absolute Error,MAE）为183.93 NTU，决定系数R2为0.45。在0～200 NTU的浊度区间，浊度预测值的平均绝对误差为9.14 NTU，相较于ShuffleNet、GhostNet、DenseNet121、InceptionV3、ResNet50，...