文章简介
-
论文名称 **:**Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model(解决ESA CCI土壤湿度产品中的空间空缺:使用深度学习模型的分层重建方法)
-
**第一作者及单位:**Tao Ding(中国科学院成都山地所)
-
**通讯作者及单位:**Wei Zhao(中国科学院成都山地所)
-
文章发表期刊: 《International Journal of Applied Earth Observation and Geoinformation》(中科院1区Top期刊|最新影响因子:7.6)
-
**期刊平均审稿速度:**4-8周(参考)
1.文章研究内容
地表土壤水分监测对气象预报、水文研究和气候变化分析等关键领域至关重要。然而,由于现有微波传感器观测能力、卫星轨道覆盖和植被覆盖等诸多因素影响,当前微波遥感土壤水分产品存在大面积的空值区域,严重限制了此类产品的应用。为了解决这一问题,成都山地所赵伟研究员团队,提出了一种基于深度学习模型的分层数据重建方法,成功填补了欧洲空间局气候变化倡议(ESA Climate Change Initiative ,CCI)土壤水分产品的空间空白。
该研究提出的分层重建框架,结合了k-means聚类算法和自注意力深度学习填充模型,专门针对中国区域的应用进行了优化。通过将中国划分为四个基于气候差异的子区域,从而为每个子区域独立训练了专门的深度学习模型来填补数据空白,相比于传统的将所有数据一起输入到深度学习模型中的方法,分区方法可以更好地考虑土壤水分的空间异质性,确保不同气候特征的像元被尽可能地隔离,同时保留尽可能多的数据用于训练深度学习模型。基于自注意力机制的深度学习模型能够根据降水和植被等辅助信息准确识别土壤水分的动态变化特性从而完成填补。通过分区训练模型,有效地保留了土壤水分的异质性信息,增强了模型在不同气候区的适应性和精度。这一方法不仅提高了土壤水分数据的完整性,而且通过交叉对比和扩展三重搭配分析等多重验证方法,证明了重建数据的准确性。
研究结果表明,重建数据在四个子区域的模拟数据缺失中显示出高相关性(相关系数R > 0.90)和低误差(均方根误差RMSE < 0.026 m³/m³)。进一步分析表明,重建数据的精度与原始ESA CCI数据相当或更优,在与其他四种土壤水分产品做交叉对比时,重构数据在夏季的相关性系数(R)准确度上显著提高了约3%。此外,相比于现有的基于深度学习的土壤水分填补方法,本研究所提出的方案极大程度降低了对地面实测数据及其他辅助数据的依赖,增强了模型在不同地理和气候条件下的普适性和灵活性。
2.文章相关图件
图1|研究区域概述,包括聚类结果和所选现场测点。Naqu和Maqu网络中土壤湿度现场测量的详细分布显示在图的底部。子图中的网格表示ESA CCI土壤湿度产品的网格分布。
图2|深度学习填补模型流程示意图
图3|土壤水分产品数据重构对比结果
3.文章引用
**文章信息:**Tao Ding, Wei Zhao, Yanqing Yang,Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model,International Journal of Applied Earth Observation and Geoinformation,Volume 132,2024,104003,ISSN 1569-8432,