基于OPTRAM几何框架与地面及Sentinel-2数据集成的地表土壤水分时空机器学习与空间制图

《Agriculture》：Temporal Machine Learning and Spatial Mapping of Surface-Soil Moisture: Integrating OPTRAM Geometry with Ground-Based and Sentinel-2 Data

　　

田尺度的地表土壤水分信息是作物水分管理所需要的，但诸如OPTRAM（Optical Trapezoid Model，光学梯形模型）之类的光学梯形方法仅能提供相对性的、逐日期特定的指数。研究人员在匈牙利R?szke附近的一块冬小麦田（6.79 ha）上检验了一个双组分框架，使用了22景Sentinel-2 L2A影像、三个连续记录的TEROS10传感器以及六次TDR350调查。OPTRAM边缘在564.5 ha的校准区域上逐日期拟合，相对指数W通过传感器处的逐日期线性趋势加上反距离加权残差被转换为体积含水量（Volumetric Water Content，VWC）图。一个梯度提升模型从光谱、OPTRAM、土壤和气象预测因子估计传感器处的VWC。在留一日期交叉验证下，其达到R² = 0.90（MAE = 1.7 vol.%），而7天持续性为0.75；在仅使用较早日期进行前向链式验证时，R²为0.66（无传感器衍生前期水分时为0.14）。消融实验表明，该精度来源于土壤、气象和前期预测因子；Sentinel-2和Sentinel-1预测因子未带来可测量的增益。制图结果与独立的TDR350数据一致（合并r ≈ 0.70），但对三个传感器的简单插值同样吻合（r ≈ 0.80）；未锚定的W在日期内与TDR相关（平均r = 0.57）。结果适用于一块田和一个生长季。

研究背景方面，土壤水分是控制植物吸水、蒸散和养分运移的关键环境变量，直接影响作物生产力，准确的监测对精准农业、灌溉管理和干旱缓解至关重要，尤其在气候变率日益增加的潘诺尼亚盆地。地面实测可提供最直接可靠的土壤水分信息，但空间上有限；遥感可提供空间连续观测，其中微波任务（如SMOS、SMAP）受粗空间分辨率限制难以用于田尺度，雷达（如Sentinel-1）具有全天候覆盖但光学（如Sentinel-2）空间分辨率更高却受云覆盖限制。传统光学方法多基于植被指数间接反映土壤水分。为此，三角形和梯形模型利用植被指数与地表反射率的联合分布间接估计土壤水分，TOTRAM需热数据受限，OPTRAM则仅凭光学数据即可估计。OPTRAM已在多种尺度验证，但研究人员先前在同一区域（含本研究田块）的样地尺度验证显示，其精度强烈依赖地表覆盖、土壤质地和耕作状态，部分地区相关性弱甚至为负、RMSE超过11 VWC%。既有局限还包括植被覆盖影响、干湿边缘确定的不确定性以及土壤物理性质的影响。此外，点测量与像元卫星数据的尺度不匹配增加了不确定性。近年精准农业趋向多源数据集成，机器学习方法也被广泛用于土壤水分估计。然而由于OPTRAM边缘逐日期独立拟合，其位置和斜率随天气、物候和影像质量显著漂移，跨时间序列直接比较存在问题。为此，本研究在同一田块上采用混合策略，将OPTRAM特征空间作为物理几何骨架而非独立估计器，构建并评估两个互补组分：(i) 时间模型，利用Sentinel-2光谱波段与指数、未校正OPTRAM水分指数、静态土壤物理参数和前期气象信息在梯度提升框架下估计点位土壤水分的逐日演变；(ii) 空间制图方法，将逐日期在更大校准区域拟合的OPTRAM干湿边缘几何扩展为田块水分图，通过趋势估计和连续监测参考点的残差插值实现。研究回答三个问题：(RQ1) 逐日期特定的OPTRAM指数能否转换为校准的VWC图，其在留一点和独立TDR350验证下精度如何；(RQ2) 时间模型在未见采集日期上估计固定位置VWC的精度如何，各预测因子组相对传感器基线的贡献如何；(RQ3) Sentinel-1后向散射是否增加信息。目标是检验Sentinel-2和OPTRAM信息能否为一块仪器完备的田块的地面估计增加价值。研究区为匈牙利大平原东南部R?szke附近的雨养冬小麦田（品种'Bologna'），核心样区6.79 ha，另有564.50 ha校准区域用于稳定边缘拟合。研究期气温接近常年，降水偏少（约108 mm对常年200 mm）。关键技术方法包括：使用22景Sentinel-2 L2A影像（经SCL云筛选，反射率按ρ = (DN ? 1000)/10,000转换，B12重采样至10 m）；三个TEROS10电容传感器（约5–10 cm深度，10分钟记录，取11:30–11:40记录）和OVF气象站；六次FieldScout TDR350调查（0–4.8英寸约12 cm有效深度，仅作独立验证，经GPS、物理范围和MAD离群三步质控，1053个原始点中776个场内点用于验证）；实验室土壤分析（质地、KA、pH、CaCO₃、腐殖质、干燥曲线）；无人机2 cm DEM；采用三阶多项式逐日期拟合OPTRAM干湿边缘（比较线性、多项式、指数、分位数四种形式）；时间模型采用直方图梯度提升回归（HistGradientBoostingRegressor）；空间制图采用逐日期线性趋势加IDW残差校正；Sentinel-1 VV/VH及水云模型作为候选特征评估。

研究结果方面，"雷达特征评估"通过将Sentinel-1原始及WCM校正后向散射加入相同超参数模型并以留一日期验证比较，得出雷达未改善模型（±3天配对略差，±1天R²与RMSE相等而MAE略低），故排除于最终特征集。"生长季OPTRAM边缘行为"通过考察四个代表性物候期三个传感器处的W与实测VWC，得出W跨日期与实测趋势不一致（合并r = 0.45，仅W模型R² = 0.10，W–VWC斜率6–52 vol.%每单位W），但日期内W在21个日期中的20个上以正确方向排序三个传感器，空间格局持续（日期间平均相关0.67）。"时间模型性能"通过留一日期交叉验证得出总体R² = 0.90、MAE = 1.71 vol.%、RMSE = 2.14 vol.%，前期VWC是最重要预测因子（置换重要性为次优特征的约17–25倍）；消融显示精度来自土壤、气象和前期组，Sentinel-2和OPTRAM W无可测量贡献；前向链式R² = 0.66，去除前期组降至0.14；替代学习器（含LSTM、GRU）未优于提升模型。"空间制图性能"通过留一点交叉验证得出总体R² = 0.19（MAE = 5.16 vol.%），站间不对称（内部站R² = 0.62，外部站为?0.19和?1.08）；与776个TDR350点比较得出合并r = 0.70（日期内平均0.60，MAE = 5.2 vol.%）；仅传感器IDW基线吻合至少同样好（合并r = 0.80，MAE = 4.6 vol.%），W的日期内异常与基线偏差几乎不相关（平均r = 0.07），而未校准W与TDR350格局在每个日期均相关（平均0.57）。

讨论部分综合了时空发现，指出时间模型在具备土壤、气象和近期传感器信息时可准确估计某点逐日水分，而OPTRAM特征空间提供相对田内格局但其绝对校准在仅三个参考点下尚不可靠；消融表明时间模型技能来自土壤、气象和前期预测因子而非Sentinel-2；与仅传感器基线比较表明三个布设良好的传感器插值即可至少同样好地重现TDR350格局；研究人员如实报告了包括负面结果在内的发现。关于OPTRAM作为几何骨架的作用，其角色比预期更窄：作为独立跨日期可比估计器表现不一致，跨日期W与实测VWC仅中度相关、仅W时间模型R² = 0.10、W–VWC斜率随逐景重拟合而变（6–52），某些物候期W甚至与实测VWC反向变化；但日期内W携带独立于传感器的持续空间格局，锚定VWC图因仅拟合三点而将其平滑；未能证明该格局在三个传感器插值之外增加信息，故将OPTRAM描述为相对、传感器独立空间格局的来源，由锚定VWC图提供尺度，而非任一模型的必要组分。研究指出留一点空间精度低于文献常报范围，研究人员将其解读为更严格验证设计（校准参考点被结构性排除于自身评估之外）而非方法本身能力不足，独立格局级TDR350比较的吻合与先前工作报告范围一致。关于雷达冗余，排除Sentinel-1和WCM校正与光学微波结合应改善 retrieval 的通常预期相反，原因是冠层封闭期原始VV与实测VWC解耦（r = 0.04），简化WCM未恢复土壤信号；这与同区域独立机器学习研究一致，研究人员将其表述为本数据集的结果而非雷达普遍无信息。局限性包括：全部结果源自一块冬小麦田、2026年一个生长季和三个TEROS10传感器（66个传感器–日期观测），模型为局部模型而非通用模型；时间模型精度依赖传感器衍生的前期土壤水分特征，无法直接迁移至无监测地点（前向链式去除后R²从0.66降至0.14）；空间方法留一点精度站间不均，地图宜读作相对空间格局指标，尤其田块边缘；空间方法预期在稀疏至中等冠层下最佳，冠层封闭阈值之外精度未表征；WCM校正子时期表现不一致，无法就其原理可行性下结论；TDR350比较为格局级检查而非绝对精度检验（探针积分深度略有差异、传感器附近TDR采样更密利于仅传感器基线）；仅66个观测，R²差异低于约0.02不应解读。关于业务化实施与实时使用，OPTRAM步骤无需整季记录，任意无云影像可即时计算W，但W转VWC需同日传感器读数，故空间产品为传感器辅助而非无传感器；时间模型实时使用需近期土壤水分值；最小传感器密度和重校准间隔未测试且无法由一块田一个生长季推导。研究结论翻译如下：在本研究的一块冬小麦田（22景Sentinel-2影像、三个TEROS10传感器、六次TDR350调查、2026年），时间模型在留一日期验证下以R² = 0.90（MAE = 1.71 vol.%）估计传感器处VWC，而7天持续性为R² = 0.75；前向链式达到R² = 0.66，无传感器衍生前期水分时仅0.14。其技能来自土壤、气象和前期土壤水分预测因子；Sentinel-2、OPTRAM W和Sentinel-1预测因子未带来可测量增益，替代学习器（含LSTM和GRU）未优于提升模型。基于OPTRAM的图与独立TDR350数据一致（合并r = 0.70，MAE = 5.2 vol.%），但仅三个传感器的插值同样吻合（r = 0.80，MAE = 4.6 vol.%），故OPTRAM对传感器锚定图的增值未被证明；未校准W显示出持续的、传感器独立的田内格局（与TDR350平均r = 0.57），该格局在无田内传感器处是否有用无法检验。图的绝对精度较弱（留一点R² = 0.19）且内部（R² = 0.62）与外部传感器（R² = ?0.19和?1.08）间不均。这些结论适用于本块田和本生长季，迁移至其他田块、作物和年份需进一步检验。该框架能否支持诸如定位灌溉需求或安排田间作业等实际决策仍有待证明：如所测试，它需要田内传感器和近期土壤水分读数，且仅在一块田上尝试过。未来工作应优先扩展单块田内的连续参考传感器网络（理想空间布置应减少此处记录的插值–外推不对称性），正式确定空间方法保持可靠的冠层覆盖窗口，并将本单田框架扩展至研究人员先前工作建立的更广泛区域监测网络，以评估结果能否在对比土壤类型、季节和土地管理方式下推广。