基于TCN-Transformer并行模型的FY-3B全球日尺度无缝土壤水分数据集重建研究

针对风云三号B星(FY-3B)土壤水分(SM)数据因卫星轨道覆盖不连续导致的大范围缺失问题，研究人员提出TCN-Transformer并行(TTP)模型，通过融合时序卷积网络(TCN)的局部动态特征捕获与Transformer的长期依赖关系提取能力，构建了2011-2019年全球日尺度无缝SM数据集，平均均方根误差(RMSE)达0.0900 m3 /m3 ，为土壤科学和水文学研究提供高精度数据支持。

　　

土壤水分(SM)作为陆地-大气相互作用的关键变量，其精确监测对气象预报、农业干旱预警等至关重要。然而，当前主流的被动微波遥感数据——如风云三号B星(FY-3B)土壤水分产品，因卫星轨道覆盖不连续导致平均全球有效覆盖率仅40.55%，严重制约了其应用价值。传统重建方法如谐波分析(HANTS)或空间统计模型难以应对大规模时空缺失，而依赖光学辅助数据的方法又易受云污染和物理机制差异影响。针对这一挑战，中国的研究团队创新性地提出了TCN-Transformer并行(TTP)模型，成功重建了2011-2019年全球日尺度无缝FY-3B土壤水分数据集，相关成果发表于《Remote Sensing of Environment》。

研究团队采用时序卷积网络(TCN)与Transformer的并行架构，前者通过因果膨胀卷积捕捉短时动态变化，后者利用自注意力机制提取长期依赖特征，再通过交叉Transformer块实现特征融合。模型训练使用2012-2016年各像素点年度时间序列，验证集为2017-2018年数据。关键技术包括：1) 基于FY-3B微波辐射计(MWRI)原始X/Ka波段亮温数据；2) 引入22个地面站点网络进行原位验证；3) 设置随机掩膜实验模拟不同缺失比例和连续长度的数据缺口；4) 对比自监督插值(SSLI)、多元时间序列填补(MITST)等四种基准方法。

FY-3B SM数据特性
FY-3B搭载的微波辐射成像仪(MWRI)每日提供01:40和13:40两次观测，SM反演采用X波段(10.7 GHz)垂直/水平极化和Ka波段(36.5 GHz)垂直极化亮温数据，空间分辨率36 km，时间跨度2011年7月12日至2019年8月19日。

TTP模型架构
模型通过并行分支结构同步处理时间序列：TCN模块采用四层膨胀卷积(膨胀系数1/2/4/8)提取多尺度局部特征；Transformer模块包含四头自注意力和前馈网络，捕捉全局依赖；特征融合阶段通过交叉注意力机制建立局部-全局关联，最终输出完整重建序列。

原位数据验证
在FMI、NGARI等22个站点网络中，TTP重建结果与地面实测数据相关系数(R)达0.75-0.91，显著优于HANTS和ModernTCN。典型站点如Ru_CFR的RMSE为0.085 m³
/m³
，较基准方法降低23%-41%，尤其在植被覆盖区表现稳健。

模拟缺失数据重建
针对随机掩膜模拟的10%-50%缺失比例，TTP的RMSE稳定在0.078-0.092 m³
/m³
；对于连续30天缺失的极端情况，重建误差仍低于0.10 m³
/m³
，验证了模型对长期空缺的填补能力。

完全缺失日重建
针对卫星维护导致的全年连续多日数据空白，TTP仅依靠时序信息成功重建，解决了空间邻域方法无法处理的"全空"难题，如2015年7月连续5天缺失的恢复精度达RMSE=0.089 m³
/m³
。

该研究首次实现了FY-3B土壤水分产品的全球无缝重建，其创新性体现在：1) 提出时空异质性强的纯时序重建范式，避免辅助数据引入偏差；2) 融合TCN与Transformer优势，解决了传统LSTM梯度消失和Transformer局部特征不足的缺陷；3) 构建的数据集时间跨度达8年，空间覆盖提升至100%，为水文模型同化、极端气候事件分析等提供关键数据支撑。Qunming Wang团队指出，TTP框架可扩展至SMAP、SMOS等其他微波遥感产品重建，方法论对大规模遥感数据修复具有普适指导意义。