在云环境中，将物理机制与机器学习相结合进行全球多尺度地表土壤湿度反演

《Remote Sensing of Environment》：Global multi-scale surface soil moisture retrieval coupling physical mechanisms and machine learning in the cloud environment

卫星微波遥感反演地表土壤湿度（SSM）面临模型泛化能力与精度平衡、多环境适用性不足及计算复杂度高三大挑战。本研究构建了基于Google Earth Engine的云智能反演框架，融合物理机制与机器学习模型，集成自适应模型选择模块，实现全球多分辨率SSM实时点反演与区域快速生产。验证显示其R值达0.851，ubRMSE为0.058 m3/m3，显著优于传统单一模型。

　　表面土壤水分（SSM）是水循环研究中的关键状态变量，它在数值天气预报、洪水与干旱预警、灾害管理和农作物管理等领域发挥着重要作用。随着卫星遥感技术的进步，获取大规模SSM数据的方法也得到了革新。然而，尽管基于卫星微波遥感的SSM反演技术已成为全球SSM产品开发的主流手段，该技术仍面临诸多挑战。这些问题主要包括：反演模型在准确性和泛化能力之间的权衡、单一模型在不同环境下的适用性限制，以及反演过程本身的复杂性和计算需求。为了解决这些挑战，本研究提出了一种基于云计算的智能反演框架，旨在实现全球高精度的SSM估计。该框架融合了物理机制与机器学习模型，以确保模型具有良好的泛化能力和高精度的反演效果。此外，该框架还引入了一个模型选择模块，根据具体的反演区域和环境条件，动态选择最适合的反演模型，从而进一步提升整体反演精度。

在评估过程中，研究团队利用全球验证站点对1公里分辨率的SSM反演结果进行了验证，结果显示，该框架的R值达到0.851，ubRMSE为0.058 m3·m?3。这表明，该框架在反演精度方面表现出色。为了降低计算资源的需求和反演过程的时间成本，该SSM反演框架被部署在云计算环境中，借助Google Earth Engine、Drive和Colab等平台，实现了整个反演过程的无缝在线操作。这种基于云的智能反演框架不仅支持全球范围内的实时点尺度SSM反演，还能够快速生成区域尺度的高精度SSM产品，例如中国1公里分辨率的SSM产品，可通过特定链接获取。

基于微波遥感的SSM反演技术具有显著优势，包括大规模、长时序和高精度的特点，使其成为全球SSM反演和产品生成的主导技术。然而，尽管这些技术具备一定的优势，其在全球尺度上的快速反演仍面临挑战，主要体现在三个方面。首先，如何在反演模型中实现高精度与强泛化能力的平衡。传统的物理模型通常依赖于辐射传输模型来实现大规模SSM反演，例如SMAP、SMOS和AMSR-E分别基于L波段、C波段和X波段的亮温（Tb）数据进行SSM反演。这些物理和半经验模型虽然具备较强的物理可解释性和泛化能力，但其参数调整过程复杂，且需要获取或计算一些难以获得的环境变量，从而影响反演精度。相比之下，机器学习（ML）模型能够自动从大规模数据集中发现模式，并准确捕捉SSM与环境变量之间的复杂非线性关系。尽管ML模型在数据适应性和反演性能方面表现出色，但其缺乏物理可解释性和泛化能力，导致在某些应用场景中存在争议。

其次，如何满足不同地区和环境下的精度要求。单一的反演模型往往难以满足全球范围内不同区域和环境的精度需求。当前，基于微波遥感的全球尺度SSM产品和相关反演研究通常采用固定的单一模型进行不同区域和环境的反演任务。虽然许多全球尺度的SSM产品和反演方法在整体上表现良好，但这些评估多为全球范围内的综合评估，其在不同地区或地表覆盖类型的反演性能差异较大。因此，为了提高整体反演精度，有必要为每个特定的反演环境和研究区域选择最合适的模型。

第三，如何简化和加速反演过程。SSM反演过程包括数据获取、数据预处理、模型训练、反演实现和评估等多个阶段。在进行大规模区域的长期时序反演任务时，数据下载和处理变得繁琐且耗时。随着机器学习和大规模数据集的应用，反演所需的计算资源逐渐增加，导致反演和产品生成的时间也随之延长。因此，利用云计算平台成为定量遥感发展的关键路径之一。其中，Google Earth Engine（GEE）作为全球最大的基于云的遥感数据平台，提供了超过200种卫星数据和模型输出的广泛数据集。此外，Amazon Web Services的遥感数据服务、阿里巴巴云的遥感数据处理服务以及微软的Planetary Computer等平台也具备类似的功能。这些平台为遥感数据的应用提供了从数据存储、处理到分析的一站式服务，极大提高了遥感数据应用的效率和便捷性。然而，目前大多数关于SSM反演的研究仅限于利用这些平台获取卫星数据，尚未充分挖掘其在构建智能反演框架方面的潜力。因此，有必要在云环境中建立一个完整的智能反演框架，以实现SSM及其他环境变量的高效反演。

为了应对上述挑战，本研究构建了一个基于云环境的智能SSM反演框架，该框架整合了SMAP亮温数据与丰富的辅助数据，实现了全球1至9公里分辨率的高精度SSM反演。为了确保全球尺度上的高精度SSM反演，研究团队开发了一种融合物理机制与机器学习的反演模型，以增强模型的泛化能力和可解释性。此外，该框架还引入了一个自适应模型选择模块，该模块能够根据具体的反演区域和环境条件，动态选择最适合的反演模型，从而进一步提升整体反演精度。同时，基于云环境的部署显著简化了反演过程，使得点尺度的实时反演和区域尺度的快速反演成为可能。通过该框架，研究团队生成了适用于全球应用的多尺度SSM反演结果，并成功实现了区域尺度上的每日1公里分辨率SSM产品生成。该反演框架的建立不仅有助于SSM数据的获取，还为其他环境变量的反演提供了新的思路。

本研究的其余部分组织如下：第二部分介绍了本研究中使用的地面SSM观测数据和多源数据集；第三部分详细阐述了基于云环境的智能反演框架的架构和反演过程；第四部分展示了对反演模型性能的评估结果；第五部分讨论了该反演框架的应用方法及其局限性；第六部分总结了研究的主要结论。通过这一系统性的研究，本研究不仅提出了一个创新的SSM反演框架，还为未来在全球范围内实现高精度、高效率的环境变量反演提供了理论支持和技术参考。