基于机器学习与物理水文模型耦合框架的高性能表层土壤水分同化研究

《Journal of Hydro-environment Research》：A high performance assimilation of surface soil moisture based on a hybrid framework of machine learning and physical hydrological model

本文提出了一种融合多源数据、机器学习与物理水文模型的创新框架，通过空间聚类、广义折射混合介电模型（GRMDM）与变下渗容量（VIC）模型耦合，显著提升了表层土壤水分（SSM）的反演精度与时空连续性。该方法在德克萨斯州吉莱斯皮县的实证表明，相较于SMAP L4产品，偏差降低91.5%、RMSE降低51.3%、R2从-0.078提升至0.736，为解决大尺度SSM数据高精度模拟与物理可解释性平衡难题提供了突破性方案。

　　

研究亮点

本研究通过融合介电特性模型、VIC水文模型与机器学习技术，显著提升了表层土壤水分（SSM）数据质量。首先，基于广义折射混合介电模型（GRMDM）推导土壤复介电常数，为机器学习建模提供物理基础；随后应用基于密度的空间聚类算法（DBSCAN）筛选代表性观测站点，实现跨区域知识迁移；最终通过堆叠集成学习框架整合多种算法优势，生成高分辨率SSM产品。

反演模型对比

如表2所示，堆叠模型在模拟土壤水分时全面超越所有基准模型（包括表现最佳的深度学习模型LSTM），尤其在R²指标上实现显著提升（0.8452 vs. 0.5433），且训练效率相当。这证明堆叠方法在精度与实用性上具有双重优势。

数据增强方法提升SSM模拟精度

数据增强对改善SSM模拟精度至关重要，尤其在站点稀疏区域。本研究通过GRMDM与空间聚类结合扩充数据集，使机器学习预测更可靠。引入的介电特性在C波段Sentinel-1后向散射信号与土壤水分关联中发挥关键作用，有效约束模型物理合理性。

结论

本研究以美国德克萨斯州吉莱斯皮县为示范区，整合Sentinel-1、SMAP L4、ERA5-Land等多源数据，结合DBSCAN聚类与物理-机器学习混合框架，成功生成高精度时空连续SSM产品。该方法为水文、农业及气候研究提供了可靠数据支撑，显著提升干旱监测与生态系统模拟能力。