《Remote Sensing of Environment》：Multi-sensor (since 1997) global soil moisture mapping with enhanced Spatio-temporal coverage through machine learning framework fusion
编辑推荐：
土壤湿度多传感器融合与机器学习建模研究。提出两阶段方法：首先基于SMAP L波段数据通过多通道协同算法（MCCA）生成高精度土壤湿度基准；其次利用LSTM模型融合TMI、GMI、AMSR-E、AMSR2等多源亮度温度数据，构建MCCA-ML全球土壤湿度产品（25km分辨率，1997-2023），覆盖率达80%以上，验证显示R=0.76，RMSE=0.068 m3/m3，优于单传感器方法。
张浩杰|赵天杰|彭志清|郑京尧|白宇|Nemesio Rodriguez-Fernadez|郑东海|薛华珠|袁展良|崔倩|郭鹏|魏祖帅|宋佩琳|董立新|姚盼盼|袁强强|孟凌奎|史建成
中国科学院航空航天信息研究院遥感与数字地球国家重点实验室，北京100101，中国
摘要
多颗配备被动微波传感器的卫星的成功部署对于监测全球土壤湿度至关重要。尽管这些卫星非常重要，但由于服务期限不同、轨道扫描间隔以及反演算法的差异，导致其时空一致性和覆盖范围存在不足。本研究提出了一种两阶段方法来克服多传感器之间的不一致性：首先，利用SMAP L波段观测数据通过多通道协作算法（MCCA）生成高精度土壤湿度数据作为物理锚定训练目标；然后，基于交叉校准的亮度温度观测数据（包括倾斜轨道卫星传感器（TMI和GMI）和极轨卫星传感器（AMSR-E和AMSR2）训练一个专门用于全球网格化土壤湿度动态的长短期记忆（LSTM）网络，以提高MCCA SMAP的反演精度；最后，通过融合四种传感器的瞬时土壤湿度数据，得到每日全球土壤湿度产品（分辨率为25公里，时间跨度为1997–2023年）。本研究通过地面测量数据进行了广泛验证，并与其他数据集进行了交叉验证，以确保时空一致性。结果表明，MCCA-ML的空间分布和季节变化模式与MCCA SMAP非常吻合，反映了全球气候和地理特征。经24个密集的全球观测网络验证，MCCA-ML的全球r值为0.76，RMSE为0.068 m3/m3，ubRMSE为0.059 m3/m3，充分继承了SMAP的优异性能。在两颗或更多卫星同时运行的期间，MCCA-ML SM的全球陆地覆盖率通常超过80%，并且具有很好的土壤湿度检测能力。
引言
土壤湿度是区域和全球水循环的关键组成部分，在各种生态、水文和大气过程中起着重要作用（Mason等人，2010；Zhao等人，2020）。准确监测全球土壤湿度对于深入理解这些过程以及天气和气候预报（Drusch，2007）、农业干旱监测（Cao等人，2022；Chakrabarti等人，2014）、水资源管理（Dobriyal等人，2012）和全球气候变化研究（Berg和Sheffield，2018；Grillakis，2019）至关重要。虽然通过国际土壤湿度网络（ISMN）等网络可以获得详细的实地土壤湿度观测数据（Dorigo等人，2011；Dorigo等人，2013；Li等人，2022），但地面观测在覆盖范围和空间代表性方面存在局限性。因此，需要依赖高效准确的遥感技术进行连续的长期和大规模监测。相比之下，微波遥感具有全天候、全时段的观测能力，能够深入植被和土壤，并具有广泛的空间覆盖范围（Das和Paul，2015；Wang和Chang，2012）。已经发射了多颗配备被动微波传感器的卫星，包括L波段的SMAP（Soil Moisture Active Passive，2015年至今）、SMOS（Soil Moisture and Ocean Salinity，2009年至今），以及C波段或X波段的卫星如AMSR-E（2002–2011年）、AMSR2（2012–2023年）、FY-3（Feng-Yun – 3，2008–2023年）、TMI（1997–2015年）和GMI（2014–2023年），提供了多年的全球土壤湿度产品（Entekhabi等人，2010；Kang等人，2020；Zhang等人，2021）。然而，这些卫星的服务期限相对较短，且其轨道扫描模式常常导致覆盖范围存在空白。此外，任务规格、校准方法和反演算法的差异进一步增加了将它们的数据整合成连续长期数据集的复杂性。为了解决卫星轨道覆盖之间的空白，传统方法主要依赖时空模式来插值和融合单颗卫星的数据（Koster等人，2017）。例如，离散余弦变换-惩罚最小二乘（DCT-PLS）方法提取时空特征以增强数据重建，但在处理稀疏样本时面临边界效应的挑战（Garcia，2010）。最近，Wei等人提出了PhyFill方法（Wei等人，2024），该方法利用卷积神经网络结合空间特征并利用降水和干燥过程优化土壤湿度估计，实现了与SMAP相当的高覆盖率和精度。尽管这些方法有效，但它们本质上仅限于单传感器数据的增强。欧洲航天局的气候变化倡议（ESA CCI）采取了更为全面的方法，通过合并多颗卫星的土壤湿度观测数据来增强全球日覆盖率（Hollmann等人，2013）。然而，使用累积分布函数（CDF）进行数据融合在评估长期气候趋势时也可能引入不确定性。尽管这种方法因其全面性而受到高度评价，但整合多颗传感器的数据以及遮盖雨林/冻土区域会降低全球监测能力并限制精度。为了提高卫星衍生土壤湿度数据集的准确性和可靠性，推进反演算法（包括经验算法、物理算法和智能算法）至关重要。例如，Schmugge等人通过大量实验数据分析揭示了亮度温度与土壤湿度之间的强线性关系（Schmugge等人，1986），尽管该算法仅适用于特定区域。Pellarin等人使用两年的全球模拟L波段亮度温度和地表土壤湿度数据进行回归分析，建立了不同微波指数与土壤湿度之间的简单回归模型（Pellarin等人，2003）。Jackson在1993年开发的单通道算法（SCA）需要大量辅助数据，但在土壤湿度反演方面表现出色，最初被选为SMAP任务的基准算法。Owe等人基于微波极化差指数（MPDI）开发了土地参数反演模型（LPRM）（Owe等人，2001）。为了克服传统模型的局限性，Zeng等人（2019）提出了土壤湿度指数（SMI）的概念，考虑了密集植被中的多次散射，并利用极化比分离土壤湿度与植被/粗糙度的影响。Meng等人（2024）也验证了SMI的广泛适用性和更高精度。同时，多通道协作算法（MCCA）因其能够利用多频率和多角度观测来获取土壤湿度而脱颖而出，且所需辅助数据最少（Zhao等人，2021）。MCCA采用协作反演框架，可以利用单颗卫星的多频率和多角度观测优势来增强反演过程，提高精度，并减少与地表粗糙度和植被效应相关的不确定性影响（Hu等人，2023；Peng等人，2024；Peng等人，2025）。人工智能反演算法在处理非线性关系方面具有强大能力（Ali等人，2015），常用于复杂的反演机制和物理过程，如土壤湿度反演。Notarnicola等人比较了贝叶斯和神经网络方法在土壤湿度反演方面的准确性，发现当数据量较大时神经网络表现更好（Notarnicola等人，2008）。Liu等人使用1.4 GHz和10.65 GHz的亮度温度观测数据通过神经网络反演作物生物量和土壤湿度，实现了较低的不确定性水平（Liu等人，2002）。Yao应用人工神经网络（ANN）模型结合AMSR2亮度温度和反射率及微波植被指数（MVI），实现了高精度的全球土壤湿度反演（Yao等人，2021）。值得注意的是，机器学习算法的有效性在很大程度上取决于目标数据或训练数据集的质量。高质量的训练数据对于开发能够在多种条件和传感器下良好泛化的稳健模型至关重要（Zhao等人，2024）。L波段微波在土壤湿度反演方面具有成熟的物理优势，但其历史数据覆盖范围仍然有限。为了解决这一限制，本研究引入了一种新方法，以SMAP L波段MCCA反演为基准，并结合TMI、AMSR-E、AMSR2和GMI传感器的交叉校准亮度温度数据。我们开发了一个专门针对全球网格化土壤湿度特征设计的LSTM模型，并将其应用扩展到这四种被动微波传感器，生成了一个统一的长期全球土壤湿度数据集（命名为MCCA-ML）。该数据集通过结合MCCA的先进反演能力和机器学习的灵活性，有效克服了单传感器方法和传统融合技术的局限性，不仅确保了数据精度，还提高了不同传感器之间的时间一致性，为多传感器协调和相关应用提供了创新解决方案。
部分内容摘录
TMI、AMSR-E、GMI、AMSR2和SMAP的轨道亮度温度
自2015年发射以来，SMAP卫星一直在太阳同步轨道上运行，以1.41 GHz的L波段频率进行观测，固定入射角为40°。其赤道过境时间分别为当地时间下午6:00（升轨）和上午6:00（降轨），能够在1–3天内实现全球覆盖。本研究使用了SMAP Level-3 Daily 36 km EASE-Grid土壤湿度产品（SPL3SMP）中的H极化和V极化亮度温度以及地表温度数据。
方法
整体研究框架采用了两阶段融合策略（图2）。首先，基于物理驱动因素生成基准数据：利用SMAP L波段观测数据通过多通道协作算法（MCCA）生成高精度土壤湿度产品，作为机器学习模型的物理目标；然后利用机器学习模型从多个传感器获取土壤湿度数据：交叉校准的亮度温度数据（来自
模型训练和测试
为了验证算法的可靠性和准确性，首先检查了LSTM模型在训练期间的性能（图3）。通过分析模型重建的AMSR2土壤湿度与目标MCCA SMAP之间的R值和RMSE来评估模型性能。对于每个全球网格单元，AMSR2土壤湿度与MCCA SMAP之间的比较显示出了良好的相关性和一致性，全球中位R值为0.77
MCCA-ML的覆盖率和一致性优势
图12显示了1997年至2023年三种土壤湿度产品的每日全球土壤湿度陆地覆盖情况，以及每种产品在不同覆盖率区间内的时间比例分布。MCCA-ML SM在大部分时间内保持了较高的覆盖率，除了2002年之前的时期以及2011年和2012年之间的某些月份，由于只有TMI数据可用，覆盖率约为50%。在其他时期，覆盖率通常高于
结论
本研究通过整合TMI/GMI和AMSR-E/AMSR2辐射计的多频率亮度温度数据，并将其与ERA5地表土壤温度数据结合，有效解决了被动微波遥感土壤湿度监测中卫星服务寿命短和日覆盖率低的瓶颈问题。基于通过物理驱动的MCCA算法获得的SMAP土壤湿度数据作为校准基准，构建了一个机器学习反演模型
< />
张浩杰：撰写——原始草稿、可视化、验证、软件开发、调查、数据分析、数据管理。赵天杰：撰写——审阅与编辑、撰写——原始草稿、验证、方法论、调查、概念化。彭志清：软件开发、调查、数据分析、数据管理。郑京尧：数据分析、数据管理。白宇：数据分析、数据管理。Nemesio Rodriguez-Fernadez：撰写——审阅与编辑、数据分析。郑东海：
<利益冲突声明>本研究得到了国家重点研发计划（编号：2024YFF0808301）和国家自然科学基金（编号：42201393、42090014、42501408）的支持。
