【儀表網 研發快訊】地表土壤水分監測對氣象預報、水文研究和氣候變化分析等至關重要。然而，由于現有的微波傳感器觀測能力以及衛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品存在大面積的空值區域，限制了此類產品的應用。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據重建方法。這一方法填補了歐洲航天局(ESA)氣候變化倡議(CCI)土壤水分產品的空間空白。
 

　　分層重建框架結合k-means聚類算法和自注意力深度學習填充模型，針對中國區域的應用進行了優化。該框架將中國劃分為四個基于氣候差異的子區域，為每個子區域獨立訓練了專門的深度學習模型來填補數據空白。相比于傳統的將所有數據一起輸入到深度學習模型中的方法，該分區方法可以更好地考慮土壤水分的空間異質性，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據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，能夠根據降水和植被等輔助信息準確識別土壤水分的動態變化特性以完成填補。分區訓練模型保留了土壤水分的異質性信息，增強了模型在不同氣候區的適應性和精度。這一方法提高了土壤水分數據的完整性，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據的準確性。
 

　　研究表明，重建數據在四個子區域的模擬數據缺失中顯示出高相關性和低誤差。進一步，分析表明，重建數據的精度與原始ESA CCI數據相當或更優；與其他四種土壤水分產品做交叉對比時，重構數據在夏季的相關性系數準確度提高了約3%。此外，相比于現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據及其他輔助數據的依賴性，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測和環境研究的發展，并為全球土壤水分數據的重建提供了新的技術途徑。相關研究成果以Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model為題，發表在International Journal of Applied Earth Observation and Geoinformation上。
 

深度學習填補模型流程示意圖