基于傅里叶变换的土壤水分时空融合算法：实现20米分辨率日尺度地表土壤水分制图

《Geoderma》：A spatiotemporal fusion algorithm based on Fourier transform is developed to generate daily surface soil moisture with 20 m spatial resolution

本研究针对遥感土壤水分产品时空分辨率难以兼顾的瓶颈，开发了一种结合傅里叶变换的时空融合算法（STFFT），集成随机森林（RF）、水云模型（WCM）和PROSAIL辐射传输模型，成功将SMAP土壤水分产品降尺度至20米日分辨率。结果表明，STFFT算法在计算效率和适应土壤水分异质性方面显著优于传统方法，为精细尺度水文建模和农业水资源管理提供了可靠数据支持。

　　

土壤水分是地球水循环和能量平衡的关键变量，对气候动态、水文过程和农业生产具有深远影响。尽管遥感技术为大范围土壤水分监测提供了有效手段，但现有主流土壤水分产品（如SMAP、AMSR2、SMOS等）的空间分辨率普遍较粗（9–50公里），难以满足异质性地表条件下的精细尺度应用需求。传统降尺度方法虽能提升空间分辨率，却高度依赖辅助数据的时效性，且易受尺度效应影响；而现有的时空融合算法（如ESTARFM、FSDAF等）在处理高度非线性的土壤水分动态时往往力不从心，且存在计算复杂、依赖参考图像选择等问题。

针对上述挑战，发表于《Geoderma》的研究提出了一种创新的解决方案。该研究开发了一种基于傅里叶变换的时空融合算法（STFFT），并将其与随机森林（RF）、水云模型（WCM）和PROSAIL辐射传输模型相结合，构建了一个完整的土壤水分降尺度框架。研究旨在生成具有高时空连续性（日尺度、20米空间分辨率）的地表土壤水分（SSM）产品，并在典型生态系统（农田、沙漠、草地）中进行验证。

研究团队主要运用了以下关键技术方法：利用PROSAIL模型与随机森林耦合反演植被参数（叶面积指数LAI、冠层含水量CWC、平均叶角ALA）；基于水云模型原理，构建随机森林模型，利用Sentinel-1雷达后向散射系数、Sentinel-2光学数据反演的植被参数以及入射角等信息，实现SMAP SSM产品的空间降尺度（从9公里至20米）；开发了新型的STFFT算法，通过对土壤水分时间序列进行傅里叶分解，分离高、低频信息，并在频域进行尺度转换和重建，最终生成日尺度20米分辨率的连续SSM数据。研究数据来源于三个典型生态区的自动气象站和普通观测点（2018-2021年），并整合了Sentinel-1/2和SMAP的遥感产品。

3.1. ALA、LAI和CWC的反演精度评估

通过将随机森林模型与PROSAIL模拟数据集结合，实现了对植被参数ALA、LAI和CWC的高精度反演。结果表明，随机森林模型在模拟数据集上对LAI（R = 0.97, RMSE = 0.361）和CWC（R = 0.99, RMSE = 0.004）的估算能力优异，对ALA的估算能力（R = 0.64, RMSE = 3.887）也显著优于基于NDVI的多项式回归模型，为后续土壤水分反演提供了可靠的植被参数输入。

3.2. SSM反演模型的性能

在9公里分辨率尺度上，SSM反演模型表现出色（R = 0.904, RMSE = 0.016）。然而，当模型直接应用于20米分辨率时，由于SMAP产品本身的区域低估偏差和模型跨尺度应用产生的尺度效应，出现了系统性低估（偏差 = -0.098）。通过利用地面站点观测数据对降尺度产品进行校准，20米分辨率SSM的估算精度得到显著提升（偏差从-0.098改善至0.003，RMSE从0.103降至0.032），有效克服了原始产品偏差和尺度效应的影响。

3.3. 时空融合算法性能比较

与经典算法ESTARFM相比，新提出的STFFT算法在表现土壤水分空间异质性方面优势明显。ESTARFM在土壤水分空间变异较大的区域（如解放闸灌区、民勤站）产生了明显的“块状效应”，而STFFT则能生成更符合自然分布规律的平滑空间场。在空间异质性较低的纳曲站，两种算法表现相近，表明STFFT尤其适用于处理高异质性条件下的土壤水分融合。

3.4. 土壤水分降尺度结果验证

最终生成的日尺度20米分辨率SSM产品（SSM_STFFT）与地面观测数据对比验证表明，其精度显著优于原始SMAP产品（SMAP）和基于ESTARFM的参考方法（SSM_Reference）。在三个研究区，SSM_STFFT的平均相关系数（R）达到0.892，均方根误差（RMSE）为0.034 m³/m³，而SMAP和SSM_Reference的平均R分别为0.704和0.753，平均RMSE分别为0.091和0.043 m³/m³。SSM_STFFT不仅能更准确地捕捉降雨等事件引起的土壤水分动态变化，在空间分布上也避免了“块状效应”，真实反映了土壤水分的空间异质性。

研究结论与讨论部分强调，该研究成功构建了一个高效、精准的土壤水分时空降尺度框架。STFFT算法通过直接处理土壤水分数据，避免了传统方法对大量辅助遥感数据处理的依赖，显著提升了计算效率，并降低了对参考图像选择的敏感性。PROSAIL与随机森林的耦合应用，提升了植被参数反演的精度和物理一致性。利用有限的地面观测数据校准，有效补偿了SMAP产品系统偏差和模型尺度效应。该框架仅依赖Sentinel-1/2和SMAP等开源遥感产品，数据获取门槛低，增强了方法的普适性和可推广性。这项研究为生成高精度、高时空分辨率的土壤水分产品提供了新的技术途径，对精细农业灌溉、区域水资源管理、气候变化研究等领域具有重要的应用价值。未来研究可进一步优化STFFT算法的频域分解策略，并探索在不同地表覆盖类型和气候区下的适用性。