高分辨率表层土壤水分反演：融合变化检测与降尺度的机器学习框架及其在精准水资源管理中的应用

为解决卫星遥感土壤水分(SSM)产品空间分辨率不足(1 km)难以满足农田精准灌溉需求的问题，Zihao Wang团队开发了融合变化检测(CD)与降尺度(DS)的机器学习(ML)框架。研究整合Sentinel-1 SAR后向散射差异、Sentinel-2 NDVI和DISPATCH背景SSM数据，通过XGBoost模型实现30米分辨率SSM反演(R2=0.933，RMSE=0.023 cm3/cm3)，验证显示与地面测量平均相关性达0.63。该成果为干旱监测和精准农业提供了高精度空间决策工具。

　　

在全球气候变化加剧水资源短缺的背景下，土壤水分(SM)监测成为农业管理和生态保护的核心课题。现有卫星遥感产品如SMAP虽能大范围监测，但1公里分辨率难以捕捉田间尺度水分差异；而地面测量虽精确却成本高昂、覆盖有限。这种"宏观有余、微观不足"的矛盾严重制约了精准农业和水资源管理的发展。西班牙加泰罗尼亚作为地中海气候区典型代表，其周期性干旱与集约化农业对高时空分辨率土壤水分数据提出了迫切需求。

针对这一挑战，来自西班牙国家地理研究所(ICGC)等机构的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，创新性地将变化检测(CD)方法与降尺度(DS)技术结合，构建了机器学习驱动的CD-DS框架。研究利用2017-2021年加泰罗尼亚18个地面站点数据，整合Sentinel-1 VV极化后向散射系数、Sentinel-2 NDVI和1公里DISPATCH SSM产品，通过计算后向散射差异(Δσ⁰)消除植被干扰，采用贝叶斯优化调参的XGBoost模型实现30米分辨率表层土壤水分(SSM)反演。

关键技术包括：1) 基于NDVI分类的后向散射差异计算，消除植被季节变化影响；2) 多源数据时空对齐与特征工程，包括Min-Max归一化和对数变换；3) 对比SVR、RF、LSTM和XGBoost四种机器学习算法；4) 采用SHAP值分析特征贡献度；5) 通过十折交叉验证评估模型稳定性。

4.1 背景SSM产品评估
通过对比DISPATCH和CGLS两种1公里SSM产品，发现DISPATCH与地面测量相关性更高(R=0.57 vs 0.45)，RMSE更低(0.07 vs 0.12 cm³/cm³)，因此选作降尺度基础数据。时序分析显示两者均能反映降水事件，但DISPATCH过估幅度更小。

4.2 机器学习模型比较
XGBoost在测试集表现最优(R²=0.933)，显著优于LSTM(0.864)和RF(0.761)。SHAP分析揭示背景SSM贡献度最高(42%)，后向散射差异(Δσ⁰)次之(23%)，证实CD方法对提升精度的关键作用。十折交叉验证显示模型稳定性良好(R²=0.961±0.0025)。

4.3 地面站点验证
18个验证站点平均R=0.63，ubRMSE=0.045 cm³/cm³，其中同质葡萄园站点Borda Coll精度最高(R=0.85)。2015年Urgell田间 campaign 54个采样点验证显示R=0.82，证实模型在历史数据中的适用性。月尺度分析显示1月和6月相关性最佳(R>0.7)，8月因植被茂盛精度稍降(R=0.5)。

4.4 时空动态捕捉
时序曲线成功追踪降水(如2023年6月El Miracle站点)和灌溉事件(如2022年3月Camí dels Nerets)。与DISPATCH相比，CD-DS SSM更准确反映干旱期水分下降趋势，如2023年春季Batlliu de Sort站点的真实干旱过程。

4.5 空间分布验证
30米分辨率产品清晰区分山地(低SSM)与灌溉农田(高SSM)，与SIGPAC灌溉地图高度吻合。典型案例显示，CD-DS SSM能识别直径50米的半圆形灌溉区与周边雨养带差异，证实其田间尺度应用价值。

这项研究通过创新性地融合变化检测与机器学习降尺度技术，首次实现了业务化高分辨率(30米)SSM产品的生成。其核心突破在于：1) 构建后向散射差异指标，有效克服植被干扰这一SAR反演难题；2) 证明XGBoost在融合多源遥感数据中的优越性；3) 验证高分辨率SSM在灌溉识别中的实用价值。尽管存在Sentinel-1B退役导致的观测频次下降、南部站点覆盖不足等局限，但该框架为全球农业干旱监测提供了可推广的方案。未来通过纳入L波段SAR和更多气候区样本，有望进一步提升模型的时空泛化能力。