通过预测因子融合和机器学习技术,在青藏高原进行的高分辨率每日地表土壤湿度测绘

《Journal of Hydrology》:High-resolution daily surface soil moisture mapping over the Qinghai–Tibet Plateau via predictors fusion and machine learning

【字体: 大 中 小 】 时间:2026年01月20日 来源:Journal of Hydrology 6.3

编辑推荐:

  土壤湿度降尺度研究在青藏高原的应用中,采用随机森林机器学习模型整合高分辨率地形、土壤属性、植被指数及气象数据,生成500米分辨率长时序土壤湿度数据集,显著提升区域监测精度,为高原生态与气候变化研究提供支撑。

  
高晓|卢萍|易永红
同济大学测绘与地理信息学院,上海200092,中国

引言

土壤湿度(SM)是全球气候观测系统(GCOS,2016)确定的关键气候变量之一,其状态与气候和天气条件密切相关(Dirmeyer等人,2006年)。它调节着陆地表面与大气之间的水、能量和碳通量交换。通过这些交换,土壤湿度影响水文循环,并对气候变化和环境变化提供重要反馈(Seneviratne等人,2010年)。在精细的空间和时间尺度上获得高质量的土壤湿度数据对于区域应用至关重要,例如干旱和洪水监测与预警(Komma等人,2008年;Amani等人,2017年;Li等人,2025年)、农业产量估算(Vergopolan等人,2021年)以及碳循环建模(O和Orth,2021年)。然而,由于地形、土壤性质、土地覆盖和天气条件的固有异质性,土壤湿度存在显著的空间和时间变异性(Brocca等人,2007年;Vereecken等人,2014年;Peng等人,2017年)。作为独特的地理区域,青藏高原(QTP)具有独特的高山气候、复杂的地形和地下条件,这使得其生态系统功能相对均匀,但在结构上不稳定,且极易受到全球气候变化的影响(Chen等人,2013年)。因此,在生物量和植被生长时间尺度上连续分布且高精度的土壤湿度数据对于理解陆地表面热力学在高原上的作用以及研究QTP的生态系统和气候变化至关重要(Babaeian等人,2019年)。
土壤湿度可以通过实地观测、模型同化和卫星监测来测量(Ford等人,2019年)。基于地面的测量方法精度很高,但数据稀疏、代表性不足且维护成本高昂(Collow等人,2012年;Crow等人,2012年)。相比之下,基于模型同化的土壤湿度估算具有空间连续性,但其质量取决于建模过程和参数设置(Wei等人,2019年;Reichle等人,2017年)。在这种背景下,发展用于大规模连续监测的遥感技术为获取土壤湿度数据提供了新的方法,特别是通过微波遥感技术。目前有多种微波传感器用于测量土壤湿度,包括AMSR-E、AMSR-2、FY-3、SMOS和SMAP(Kerr等人,2010年;Entekhabi等人,2010年)。主动式微波传感器提供高空间分辨率,但受地表粗糙度和植被散射的影响(Abbaszadeh等人,2019年)。另一方面,被动式微波传感器是监测土壤湿度的优选方案,因为它们可以穿透植被并提供更准确的数据。基于这些任务,欧洲航天局气候变化倡议(ESA-CCI SM)的土壤湿度产品通过整合多个主动式和被动式微波任务,提供了长期、全球一致的气候数据记录。尽管其空间分辨率相对较低,但它仍被广泛用于水文和气候研究中的基准(Dorigo等人,2017年)。这些土壤湿度产品的准确性和分辨率取决于仪器设备、任务目标以及反演和校正算法。作为最新一代的土壤湿度观测卫星,SMAP的数据准确性得到了提升,在全球和区域验证与评估中的误差范围最小(Chan等人,2016年;Colliander等人,2017年)。然而,仍存在两个挑战:低空间分辨率限制了区域应用;自2015年以来SMAP卫星产品的有限可用性使得进行趋势检测、十年间变化和气候研究变得困难。
为了解决这些限制,机器学习(ML)已成为土壤湿度降尺度和制图的核心策略,为提高空间细节和扩展在不同时间和区域背景下的适用性提供了途径。ML方法已从经典统计学发展到基于树的集成模型和核/神经模型。早期研究表明,随机森林(RF)、支持向量回归(SVR)和人工神经网络(ANN)能够学习非线性的土壤湿度预测关系,并在时空范围内进行泛化(Zhao等人,2018年;Abowarda等人,2021年;Das等人,2022年;Wang等人,2024年;Wang等人,2024年;Jiang等人,2025年;Jiang等人,2025年)。比较研究通常发现RF在网格化地球观测特征上具有竞争力或更优(Liu等人,2020年),而最近的深度学习框架可以在更高的计算成本下提高空间分辨率并捕捉时间依赖性(Zhao等人,2022年;Xu等人,2022年)。方法上,该领域已从像素级回归发展到时空学习器和多任务融合,更好地利用了变量间的结构,但在准确性、可解释性和运行时间之间存在权衡。除了降尺度之外,ML还被应用于扩展土壤湿度记录。Yao等人(2021年)使用ANN方法将SMAP产品与AMSR-E/AMSR-2的长时间序列多频率温度亮度数据相结合,从而提高了SMAP的反演精度并生成了扩展的土壤湿度时间序列。这表明ML不仅实现了降尺度,还通过利用预测数据与土壤湿度之间的非线性关系有效填补了卫星记录中的空白。
从数据角度来看,预测因子自然可以分为:(i)静态/地貌预测因子(地形、坡度、土壤质地/化学成分),它们编码了空间异质性;(ii)来自光学/热传感器的地表生物物理预测因子,用于追踪地表状态;(iii)动态气象预测因子(降水量、气温、辐射、湿度、风速、气压),它们引入了日变化。这些因素的互补性——(i)提供空间信息,(ii)提供状态信息,(iii)提供时间信息——构成了大多数降尺度框架的基础(Sabaghy等人,2018年;Sch?nauer等人,2022年;Shangguan等人,2023年)。然而,依赖于通用的全球预测因子和晴朗天空的地表温度(LST)在QTP上可能会降低性能,因为复杂的地形、冰冻圈过程和稀疏的实地观测网络会放大偏差和依赖性。因此,针对区域进行调优的预测因子和明确的重新验证至关重要。
考虑到QTP复杂的地理环境以及全球气象强迫数据中的巨大不确定性,这些不确定性常常影响土壤湿度的降尺度精度,我们开发了一套针对这一挑战性环境进行区域校准的高精度预测因子。具体来说,我们使用了高分辨率地形属性(哥白尼数字高程模型,DEM)、土壤性质(高分辨率中国土壤信息网格)、地表温度和昼夜温差(TRIMS LST-TP)、植被指数(通过Google Earth Engine获取的MODIS 16天EVI,GEE)以及气象强迫数据(TPMFD)。然后训练了一个优化的RF模型,以捕捉SMAP观测数据与这些预测因子之间的非线性映射,从而得到了高分辨率预测因子驱动的地表土壤湿度(HRPSSM)数据集。我们的总体目标是提高QTP大范围土壤湿度变化的精度和分辨率。
我们通过将HRPSSM数据集与实地观测数据、SMAP反演结果和其他高精度土壤湿度产品进行比较,全面评估了其性能,并进一步量化了不同预测因子在不同季节和子区域中的相对贡献。本研究的主要创新有三个方面:(1)模型基准测试:通过将优化的RF模型与最先进的深度学习方法进行对比,我们证明了RF在数据稀少、地形复杂的区域进行土壤湿度降尺度的效率和稳健性。(2)增强空间连续性:通过将SMAP反演结果与高精度预测因子融合,我们填补了数据空白,实现了500米分辨率的无缝土壤湿度映射,为整个QTP提供了长期、高精度的土壤湿度数据集。(3)基于过程的洞察:通过分析多年、不同季节和子区域中的变量重要性,我们详细了解了QTP上土壤湿度动态的空间异质性驱动因素。

研究区域和基于地面的观测

如图1所示,位于中国西南部的QTP被称为地球的“第三极”和“世界之巅”。它是世界上最高、最复杂的高原,面积约为257万平方公里,平均海拔超过4000米(Wang和Xu,2021年;Lu等人,2020年)。QTP拥有多样的植被类型,包括森林、灌木、草地和沙漠。草地和草地占总面积的约70%。

方法论

本研究采用了一个三步降尺度框架,包括数据预处理、模型构建和产品评估(图2)。首先,对多源预测因子进行预处理并重采样到标准的9公里分辨率。然后使用这些预测因子和SMAP土壤湿度数据作为输入,开发了一个优化的RF模型,并应用了几种深度学习模型进行比较分析。最后应用表现最佳的模型生成高精度预测因子。

随机森林和深度学习结果的比较

在统一的预处理和交叉验证流程下,我们使用粗糙分辨率的动态/静态预测因子(2015–2023年)训练了CNN回归器、ConvLSTM、Transformer和RF模型,以重建SMAP土壤湿度数据,在严格屏蔽了冻结/解冻污染、轨道间隙、雪/冰、开阔水域和低质量反演数据后进行训练。通过对逐年保留的测试集进行评估(图3),我们确定了在解释能力和误差方面的性能层次结构:RF获得了最佳拟合效果(R

预测因子对土壤湿度的重要性和物理影响

图10展示了按预测因子家族分类的RF特征重要性:橙色代表地貌-土壤预测因子,绿色代表植被-地表预测因子,蓝色代表气象预测因子;颜色越深表示重要性越高,误差条表示年际变化。总体而言,EVI、SOC和土壤质地在排名中占据主导地位,而在气象变量中,近地表湿度和昼夜LST幅度(LST-Diff)最具影响力。这一模式与早期研究结果一致

结论

长期、高分辨率和高精度的土壤湿度产品对于干旱/洪水预报和碳循环研究至关重要,尤其是在气候敏感的青藏高原。尽管全球和区域高分辨率数据集不断增多,但它们在高原复杂地形-水文条件下的表现仍不尽如人意。在这里,我们通过超参数搜索开发了一个针对高原特点的RF降尺度框架,学习了粗尺度下与SMAP的非线性映射,并进行了预测

CRediT作者贡献声明

高晓:撰写——原始草稿、可视化、验证、方法论、调查、正式分析、数据管理、概念化。卢萍:撰写——审稿与编辑、项目管理、资金获取、概念化。易永红:撰写——审稿与编辑、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

我们感谢所有数据提供者和匿名审稿人的详细和建设性评论。本工作得到了国家自然科学基金[项目编号:42171343];上海高校一流学科计划;第二次青藏高原科学考察与研究计划(STEP)[项目编号:2019QZKK0207-02]的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号