基于SMAP与CYGNSS数据融合的越南乂安省土壤水分动态监测及农业干旱评估

这篇研究创新性地结合SMAP（土壤水分主动被动卫星）和CYGNSS（全球导航卫星反射信号）数据，通过SAITS（自注意力时间序列填补）模型和随机森林回归（RFR），构建了1km/日分辨率的土壤水分数据集（R=0.889），并基于标准化土壤水分指数（SSMI）生成9级干旱分布图，为越南乂安省农业干旱监测提供了高精度动态解决方案。

　　

Highlight

本研究突破性地将SMAP与CYGNSS卫星数据协同利用，结合机器学习技术，实现了越南乂安省土壤水分的高时空分辨率（1km/日）动态追踪，为区域农业干旱预警系统提供了革命性工具。

Methods

土壤水分数据集构建分为三阶段：

1. 填补模块：采用SAITS模型修复SMAP缺失数据（训练损失RMSE_SAITS=0.073 cm³/cm³）

2. 反演模块：基于随机森林回归（RFR）整合CYGNSS反射信号与气象/地形数据（R=0.889）

3. 融合模块：生成1km/日分辨率合成数据集

Imputation for SMAP time series dataset

SMAP L2 SM_SP产品数据显示，2020-2023年间514景影像仅覆盖45.01%天数，空间碎片化严重。通过SAITS模型的多变量时间序列填补，成功构建完整数据集，填补了传统被动微波遥感2-3天重访周期的监测空白。

Discussion

本研究解决了GNSS-R信号在异质地表建模的三大挑战：

• 突破9km分辨率限制（达1km）

• 克服训练数据代表性偏差

• 优化植被/地形复杂区的信号衰减补偿

与ERA5再分析数据（R=0.75）和实地测量（R=0.709）的验证证实了方案的可靠性。

Conclusion

通过$RF{R}_1$和$RF{R}_2$模型，首次实现CYGNSS-SMAP协同的亚千米级干旱制图，SSMI指数成功量化干旱强度，为全球类似气候区提供了可复制的技术范式。