基于多时序遥感数据与可解释深度回归的土壤水分反演及趋势预测研究

为解决土壤水分(SM)高精度反演与趋势预测难题，研究人员创新性地采用Transformer架构构建深度回归模型，结合Sentinel-1 SAR与SMAP等多源遥感数据，通过梯度反传播量化特征影响、分析隐层特征动态变化，证实多时序特征能显著提升SM预测精度（R2达0.91），并为Transformer在遥感领域的可解释性研究提供新范式。

　　

土壤水分（Soil Moisture, SM）是农业灌溉、干旱预警和气象预报的核心参数，但传统监测方法存在效率低、成本高、难以大范围覆盖等瓶颈。尽管卫星遥感技术为SM监测提供了新思路，但单一传感器数据难以兼顾时空精度，而多源数据融合又面临物理模型参数限制的困境。更关键的是，现有研究多忽略时序特征对SM趋势预测的价值，且数据驱动的深度学习模型常被视为"黑箱"，制约了其在实际应用中的可信度。

针对这些挑战，陕西某研究团队在《Expert Systems with Applications》发表研究，首次将Transformer架构应用于SM反演领域，构建了可解释的深度回归模型。该研究创新性地整合Sentinel-1合成孔径雷达（SAR）极化数据和SMAP辐射计等多时序遥感数据，通过设计三阶段解释性分析框架（输入特征梯度量化、隐层特征动态解析、输出性能评估），系统揭示了Transformer处理多时序特征的机制。实验选取美国西北部为研究区，采用30%样本训练、70%测试的策略，结合地面实测数据验证模型性能。

关键技术方法包括：1）基于Transformer的编码器-解码器结构处理多时序遥感特征；2）利用链式法则梯度反传播量化特征贡献度；3）动态追踪隐层特征空间变化规律；4）采用SMAP L3级产品和地面站点数据双重验证。

研究结果
Study area and data
选取太平洋西北部为实验区，整合21个地面监测站的SM实测数据，与Sentinel-1 VV/VH极化数据和SMAP L波段辐射计数据时空匹配，构建包含多时序NDVI、地表温度等12维特征的数据集。

Methodology
设计的Transformer回归网络包含4层编码器，通过自注意力机制动态分配不同时间点特征的权重。解释性分析显示，模型对临近采样日期的特征关注度提升37%，证实其能自适应学习时序相关性。

Results
多时序数据使SM反演R²从0.82提升至0.91（p<0.01），趋势预测MAE降低26%。特征导数分析表明，模型对近期SAR后向散射系数和SMAP亮度温度的敏感性分别达0.43和0.38，远高于历史数据（<0.15）。

Discussion
与随机森林（RF）和GBDT相比，Transformer在时序特征利用率上具有显著优势（F1-score提高19%），但计算效率降低23%。研究同时发现，编码器层数超过4层时会出现过拟合现象（验证集Loss上升12%）。

结论与意义
该研究首次证明：1）多时序遥感特征能同时提升SM反演精度和趋势预测能力；2）Transformer通过自注意力机制实现"近时特征优先"的智能加权策略；3）构建的可解释框架为深度学习模型在遥感领域的应用提供方法论指导。局限性在于未考虑土壤类型异质性对特征提取的影响，未来可结合土壤质地参数优化模型。这项成果不仅为精准农业和干旱预警提供了新工具，更开创了可解释AI在环境遥感中的应用范式。