????地表土壤水分監(jiān)測對氣象預報、水文研究和氣候變化分析等關鍵領域至關重要。然而，由于現(xiàn)有微波傳感器觀測能力、衛(wèi)星軌道覆蓋和植被覆蓋等諸多因素影響，當前微波遙感土壤水分產(chǎn)品存在大面積的空值區(qū)域，嚴重限制了此類產(chǎn)品的應用。為了解決這一問題，成都山地所趙偉研究員團隊，提出了一種基于深度學習模型的分層數(shù)據(jù)重建方法，成功填補了歐洲空間局氣候變化倡議（ESA Climate Change Initiative ，CCI）土壤水分產(chǎn)品的空間空白。
????該研究提出的分層重建框架，結合了k-means聚類算法和自注意力深度學習填充模型，專門針對中國區(qū)域的應用進行了優(yōu)化。通過將中國劃分為四個基于氣候差異的子區(qū)域，從而為每個子區(qū)域獨立訓練了專門的深度學習模型來填補數(shù)據(jù)空白，相比于傳統(tǒng)的將所有數(shù)據(jù)一起輸入到深度學習模型中的方法，分區(qū)方法可以更好地考慮土壤水分的空間異質(zhì)性，確保不同氣候特征的像元被盡可能地隔離，同時保留盡可能多的數(shù)據(jù)用于訓練深度學習模型。基于自注意力機制的深度學習模型能夠根據(jù)降水和植被等輔助信息準確識別土壤水分的動態(tài)變化特性從而完成填補。通過分區(qū)訓練模型，有效地保留了土壤水分的異質(zhì)性信息，增強了模型在不同氣候區(qū)的適應性和精度。這一方法不僅提高了土壤水分數(shù)據(jù)的完整性，而且通過交叉對比和擴展三重搭配分析等多重驗證方法，證明了重建數(shù)據(jù)的準確性。
????研究結果表明，重建數(shù)據(jù)在四個子區(qū)域的模擬數(shù)據(jù)缺失中顯示出高相關性（相關系數(shù)R > 0.90）和低誤差（均方根誤差RMSE < 0.026 m3/m3）。進一步分析表明，重建數(shù)據(jù)的精度與原始ESA CCI數(shù)據(jù)相當或更優(yōu)，在與其他四種土壤水分產(chǎn)品做交叉對比時，重構數(shù)據(jù)在夏季的相關性系數(shù)（R）準確度上顯著提高了約3%。此外，相比于現(xiàn)有的基于深度學習的土壤水分填補方法，本研究所提出的方案極大程度降低了對地面實測數(shù)據(jù)及其他輔助數(shù)據(jù)的依賴，增強了模型在不同地理和氣候條件下的普適性和靈活性。
????該研究成果不僅對土壤濕度監(jiān)測和環(huán)境研究的進步做出了有希望的貢獻，也為全球土壤水分數(shù)據(jù)的重建提供了一種新的技術途徑，并以“Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model”為題，發(fā)表在遙感領域1區(qū)TOP期刊International Journal of Applied Earth Observation and Geoinformation上。
????論文鏈接：https://doi.org/10.1016/j.jag.2024.104003
深度學習填補模型流程示意圖
土壤水分產(chǎn)品數(shù)據(jù)重構對比結果