全球土壤粗糙度效应的新型校准方法提升SMOS-IC土壤湿度和L-VOD反演精度

本文提出了一种基于随机森林（RF）模型的全球土壤粗糙度（Hr）校准方法，显著提升了SMOS-IC V2.1算法在土壤湿度（SM）和植被光学厚度（L-VOD）反演中的性能。通过结合土壤理化性质与地形数据，新校准的Hr参数空间变异性更优，使SM反演与ECMWF模型和原位数据的相关性（RSM_V2.1=0.69）及精度（ubRMSE=0.056 m3/m3）均优于前代版本，同时L-VOD与生物量指标的时空一致性显著增强。

　　

亮点

本研究通过机器学习框架创新性地校准了全球土壤粗糙度参数，为微波遥感任务（如SMAP和CIMR）提供了可推广的解决方案。

结果与讨论

• 土壤粗糙度校准：随机森林模型预测的H_r与裸土实测值高度吻合（R²=0.89，RMSE=0.031），土壤有机质（SOC）是主导影响因素。

• 性能提升：SMOS-IC V2.1的土壤湿度反演在34.32%的像元中R值优于V2版本，L-VOD与NDVI的时序相关性在低植被区显著改善。

• 跨产品对比：新版本SM反演的无偏均方根误差（ubRMSE）降至0.056 m³/m³，优于CCI数据集（0.059 m³/m³）。

结论

基于物理机制的H_r参数化方法解决了SMOS-IC V2在稀疏植被区的干偏差问题，为碳循环和水文监测提供了更可靠的数据基础。