基于循环建模与偏差校正的集成方法提升土壤水分高分辨率制图

本文提出一种创新的集成循环建模与偏差校正方法，显著提升了土壤水分（SM）空间分辨率与精度。研究利用极端梯度提升（XGBoost）模型，结合国际土壤水分网络（ISMN）站点数据与动态环境变量，生成500米/日高分辨率SM产品，其与SMAP-L4数据一致性高（83.2%站点R>0.6），且模型性能（R、RMSE、MAE）较单次建模提升6.5%~9.6%，为区域水文监测与气候变化研究提供了可靠数据支持。

　　

Highlight

校正前后ISMN SM与SMAP-L4 SM的差异

首先，我们比较了校正前后ISMN SM与SMAP-L4 SM的表现。为直观对比，校正前SM站点的精度展示于上部（图3a1-c1），校正后精度展示于下部（图3a2-c2）。可观察到，校正前高相关性（R>0.8）的站点集中于北部区域，呈聚集分布，少数站点分散于南部。校正后，高R值站点分布更均匀，且数量显著增加。北部站点R值从0.8提升至0.9，南部站点从0.4-0.6改善至0.7-0.8。RMSE和偏差（Bias）分布同样优化：校正前RMSE较高（约0.05 m3/m3）的站点集中于中部，校正后整体RMSE降低至0.02 m3/m3以下，且空间分布更均匀。Bias校正前存在明显正负偏差混杂，校正后大部分站点偏差接近零。这表明循环建模与动态偏差校正有效提升了站点数据的质量与一致性。

重建方法的评估

多数文献中的降尺度研究关注如何通过训练机器学习模型降尺度SM数据集以获取精细尺度SM数据。部分研究专注于填补数据缺失区域的SM预测（如Jing等2018；Tong等2021；Zhang等2021），另一类则对粗分辨率SM像元进行离散化处理（如Colliander等2017a；Das等2022；Long等2019）。前者能充分利用可用数据信息，后者则更注重空间细节的重建。本研究结合两类优势，通过循环建模逐步筛选高质量站点，并引入动态环境变量驱动的偏差校正，显著提升了模型在复杂环境（如高植被覆盖与极端天气）下的适应性。与传统单次建模相比，本方法在R、RMSE和平均绝对误差（MAE）上分别提升6.5%、9.3%和9.6%，且有效减少了恒定值与缺失区域的比例。

结论

本研究提出了一种基于XGBoost循环建模与动态偏差校正的高时空分辨率SM反演方法。主要结论为：（1）经逐步校正的ISMN数据显著提升了模型精度，迭代后模型整体R达0.9825，RMSE为0.007 m3/m3，较初始模型提升16.7%与80.9%。（2）与原始SMAP-L4产品相比，重建的500米分辨率SM数据在1996个验证点中83.2%的R值大于0.6，空间一致性显著提高。该成果为区域土壤水分数据库提供了重要补充，并为SM降尺度研究提供了新思路。