准确的青藏高原（QTP）土壤湿度（SM）数据对于理解QTP水文循环和气象事件发生机理至关重要。本研究首次利用基于a fast and lightweight AutoML library (FLAML)框架的自动机器学习（AutoML）算法，利用多源的气象强迫因子、地表变量和土壤质地等数据，在国际土壤湿度网络（ISMN）和中国气象局（CMA）的原位SM上训练，得到了2000-2021年QTP上5层（0-110cm）的0.1度逐日SM数据集。我们还在FLAML的框架下考虑了不同的学习算法，如Random Forest, Extra Tree, XGBoost, LightGBM和CatBoost。最后利用不同的算法制作了三个版本的数据，即AMSMQTP_base、AMSMQTP_ensemble和AMSMQTP_best。相较于传统机器学习算法，FLAML实现了更优的超参数组合，从而显著提高了数据质量。实验表明，AMSMQTP数据的精度在所有层上均超过了GLDAS-2.1、ERA5-Land、SMCI1.0_9km和Global Surface SM (GSSM1km)的精度。AMSMQTP改善了SMCI1.0_9km、GLDAS-2.1和ERA5-Land在大部分QTP上对土壤湿度的高估。

青藏高原,土壤湿度,自动机器学习,机器学习