基于深度学习与多源遥感数据融合的农业干旱评估模型构建——以南比哈尔邦Gaya地区为例

本研究针对气候变化下农业干旱监测难题，创新性地整合Sentinel-1 SAR、Sentinel-2多光谱、TRMM降水、SMAP土壤湿度等多源遥感数据，采用深度多层感知神经网络(DLMLPNN)构建新型干旱指数(DI)。模型预测归一化水分指数(NDMI)的R2达0.87（训练集），与实地土壤体积含水量(VSM)相关性超60%，首次实现南比哈尔邦Gaya地区多传感器-多参数干旱分析，为旱情预警提供自动化解决方案。

　　

在全球气候变化加剧的背景下，农业干旱已成为威胁粮食安全的"隐形杀手"。传统干旱监测依赖气象站点插值，存在数据稀疏、时效性差等缺陷，而单一遥感指标如归一化植被指数(NDVI)仅能反映植被胁迫，无法全面捕捉土壤水分动态。南比哈尔邦Gaya地区作为典型雨养农业区，既缺乏灌溉设施又面临降水模式改变，亟需开发高精度干旱监测工具。印度理工学院巴特那分校Geomatics工程实验室团队在《Physics and Chemistry of the Earth, Parts A/B/C》发表研究，开创性地将深度学习与多源卫星数据融合，构建了首个适用于该地区的多维干旱评估体系。

研究采用"传感器协同-模型驱动"技术路线：首先整合Sentinel-1合成孔径雷达(SAR)地表反射数据、Sentinel-2衍生的NDVI/NDMI指数、TRMM降水数据、SMAP卫星表层土壤湿度、Landsat-8热红外数据及Sentinel-5P对流层CH₄/O₃浓度等7类异构遥感数据；继而设计深度多层感知神经网络(DLMLPNN)，以NDMI为预测目标进行训练；最后通过特征重要性(FI)分析确定各参数权重，构建新型干旱指数(DI)。所有数据均针对2023年Gaya地区进行空间对齐与标准化处理。

材料与方法
研究选取Gaya地区作为典型干旱敏感区，其农业完全依赖降水且无运河系统。数据获取涵盖光学、微波、大气成分等多维度遥感信息：Sentinel-2提供10米分辨率NDVI（归一化植被指数）和NDMI（归一化水分指数），SMAP提供36公里分辨率土壤湿度，Sentinel-1 C波段SAR数据用于地表粗糙度校正，Landsat-8热红外数据反演地表温度(LST)，Sentinel-5P监测甲烷(CH₄)和臭氧(O₃)浓度变化。

结果与讨论
DLMLPNN模型表现出优异性能，训练集和测试集NDMI预测R²分别达0.87和0.852。特征重要性分析揭示：SMAP土壤湿度（权重28%）、Sentinel-2 NDMI（22%）和TRMM降水（19%）是三大关键驱动因子，而CH₄/O₃浓度贡献不足5%。值得注意的是，模型输出的NDMI与实地测量VSM（土壤体积含水量）相关性突破60%，显著优于传统SPI指数（标准化降水指数）的40%相关性。

结论
该研究突破了三重技术壁垒：一是通过DLMLPNN实现多源异构遥感数据（从10米到36公里分辨率）的有效融合；二是建立首个包含大气成分（CH₄/O₃）的农业干旱评估框架；三是开发出自动化DI生成流程，减少80%野外验证工作量。Akshar Tripathi团队指出，此方法可推广至印度其他旱区，但需针对不同作物类型调整特征权重。未来研究将纳入微波辐射计数据提升土壤湿度反演精度，并探索DI与作物产量预测模型的耦合机制。

这项工作的核心价值在于将深度学习的非线性建模优势与多源遥感的多维度观测能力相结合，为联合国可持续发展目标(SDG)中的"零饥饿"和"气候行动"提供了可落地的技术方案。正如作者强调，该方法特别适合缺乏地面监测基础设施的发展中地区，其"卫星驱动-AI解析"的研究范式或将重塑传统干旱监测体系。