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至關(guān)重要。然而，由于現(xiàn)有的微波傳感器觀測能力以及衛(wèi)星軌道覆蓋和植被覆蓋等因素的影響，微波遙感土壤水分產(chǎn)品存在大面積的空值區(qū)域，限制了此類產(chǎn)品的應用。為了解決這一問題，中國科學院成都山地災害與環(huán)境研究所研究員趙偉團隊提出了基于深度學習模型的分層數(shù)據(jù)重建方法。這一方法填補了歐洲航天局（ESA）氣候變化倡議（CCI）土壤水分產(chǎn)品的空間空白。

分層重建框架結(jié)合k-means聚類算法和自注意力深度學習填充模型，針對中國區(qū)域的應用進行了優(yōu)化。該框架將中國劃分為四個基于氣候差異的子區(qū)域，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，該分區(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，并保留盡可能多的數(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)變化特性以完成填補。分區(qū)訓練模型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。這一方法提高了土壤水分數(shù)據(jù)的完整性，并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(guān)性和低誤差。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)；與其他四種土壤水分產(chǎn)品做交叉對比時，重構(gòu)數(shù)據(jù)在夏季的相關(guān)性系數(shù)準確度提高了約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，該方案降低了對地面實測數(shù)據(jù)及其他輔助數(shù)據(jù)的依賴性，增強了模型在不同地理和氣候條件下的普適性和靈活性。

上述工作推進了土壤濕度監(jiān)測和環(huán)境研究的發(fā)展，并為全球土壤水分數(shù)據(jù)的重建提供了新的技術(shù)途徑。相關(guān)研究成果以Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model為題，發(fā)表在International Journal of Applied Earth Observation and Geoinformation上。

論文鏈接

深度學習填補模型流程示意圖