增强土壤湿度预测以监测生物信号：一种频域和空间加权方法

《Applied Computing and Geosciences》：Enhancing soil moisture prediction for monitoring biological signals: A frequency-domain and spatial weighting approach

　　

生物信号（biological signals）——如植物电活动和微生物副产物——正日益被视为生态系统对环境变化响应的指标。这些信号与土壤湿度（soil moisture）密切相关，土壤湿度是塑造植物水分状态、微生物功能和根-土相互作用的关键环境因素。因此，准确预测土壤湿度对于监测生态系统健康和理解生物体与其环境之间的动态相互作用至关重要。尽管近期取得进展，许多现有预测模型仍面临两个主要局限性：对高频噪声的敏感性及较差的空间泛化能力。为解决这些问题，研究人员提出了一种结合频域滤波（frequency-domain filtering）与空间加权（spatial weighting）的新建模方法。通过应用傅里叶变换（Fourier transform），该方法滤除高频噪声，同时保留与生态和生物学相关的低频模式。同时，引入余弦纬度加权损失函数（cosine Latitude-weighted loss function），以在模型训练期间平衡空间表示。研究人员在四个深度学习模型（deep learning models）中评估了该策略，发现所有四个模型均取得一致提升，其中Lat-FT-LSTM（即结合傅里叶变换和纬度加权损失的LSTM模型）表现最佳。与基线LSTM（长短期记忆网络，LSTM）相比，决定系数（R²）提升6.45%，Kling-Gupta效率（KGE）提升6.31%，无偏均方根误差（ubRMSE）和偏差（Bias）分别降低10.22%和13.33%。改善在北非、中东、中亚和北美等生物活跃区域最为显著，表明结合频域滤波与纬度加权可同时提升准确性和可迁移性。综上，这些结果表明，将基本信号处理与空间加权整合到建模流程中，可增强生态系统监测及对生物响应的解释。

本论文解读基于《Applied Computing and Geosciences》发表的论文《Enhancing soil moisture prediction for monitoring biological signals: A frequency-domain and spatial weighting approach》，作者为Xiaoning Li、Mengyuan Zhang、Zhichao Zhong、Qingliang Li、Xiaolin Li。研究背景聚焦于土壤湿度作为调控植物电活动、微生物代谢产物等生物信号的关键环境因子，其准确预测对监测生态系统健康和生物-环境相互作用至关重要。然而，现有模型存在两大问题：一是遥感与现场观测数据中高频噪声掩盖了生态相关的季节性低频模式；二是全球尺度训练中，空间异质性和数据覆盖不均导致模型偏向数据丰富的中纬度地区，高纬度区域代表性不足，限制泛化能力。为此，研究人员提出一种结合频域滤波与空间加权的深度学习框架，旨在抑制噪声并校正空间偏差，提升全球土壤湿度预测的准确性与鲁棒性，为生物信号监测提供更可靠的基础。

研究人员利用LandBench 1.0数据集（2000-2020年）作为基准，该数据集整合ERA5-Land、ERA5再分析、SoilGrids及MODIS等多源数据，包含降水、温度、湿度、气压、风速、辐射、土壤温度等动态变量及土地覆盖、土壤持水能力、地形、土壤质地等静态协变量。研究采用1°空间分辨率，以过去365天数据预测次日0-7 cm表层土壤湿度，用2000-2018年训练、2019年验证、2020年测试。主要技术方法包括：1）傅里叶变换（Fourier transform）预处理：对所有动态输入变量进行一维快速傅里叶变换（FFT），应用低通滤波器保留低频成分（截止频率kc经调优），抑制高频噪声，再通过逆变换得到平滑时间序列作为模型输入；2）纬度加权损失函数（Latitude-weighted loss）：基于余弦权重（cos(?_m)）归一化各网格点贡献，在损失函数中加权均方误差（MSE），校正地球曲率导致的高纬度网格过表达偏差；3）四种深度学习架构：标准LSTM、双向LSTM（BiLSTM）、注意力LSTM（Attention LSTM）和编码器-解码器LSTM（Encoder-Decoder LSTM），均采用统一训练配置（Adam优化器、学习率0.001、早停20轮等），并设置五种种子取平均结果。评估指标包括决定系数（R²）、无偏均方根误差（ubRMSE）、偏差（Bias）和Kling-Gupta效率（KGE）。

研究结果部分包括以下小节：

**4.1 Performance gains and ecological biological significance**：通过箱线图比较四种基线模型与加入优化策略（傅里叶变换、纬度加权损失、双策略组合）的模型在KGE和ubRMSE上的表现。结果显示，优化策略模型的中位KGE更高且四分位距更窄，ubRMSE更低且异常值更少，表明预测精度和稳定性提升。其中Lat-FT-LSTM（双策略组合）使KGE提升6.31%（从0.808到0.859），ubRMSE降低10.22%，误差分布更紧凑，更好地捕捉极端干湿条件，从而增强对植物水分胁迫、微生物酶活性和根-土碳通量的预测能力。

**4.2 Spatial patterns and ecosystem implications**：通过空间分布图（图3）展示各优化策略相对于基线模型的KGE改善幅度。结果表明，在中高纬度湿润地区（如北美西北部、东北亚），双策略组合（Lat-FT）增益超过40%，反映空间偏差校正后季节性信号（如植物衰老、微生物休眠）追踪能力提升；在北欧和美国西部，改善中等（10%-40%），归因于纬度加权减少高纬度网格过强调，傅里叶滤波抑制掩蔽物候转变的噪声；在热带和干旱区（如亚马逊、刚果、撒哈拉），改善不一致，频率滤波可能压制具有生态信息的短时对流脉冲，需区域自适应滤波。

**4.3 Model bias and fitting**：密度散点图（图4）显示，基线LSTM在高纬度湿润地区低估土壤湿度，点偏离1:1线；而Lat-FT-LSTM的点紧密分布在1:1线附近（R²≈0.84），偏差显著降低，更好捕捉刺激微生物活动的湿度脉冲和关键季节转变。仅用傅里叶滤波的FT-Encoder-Decoder LSTM虽捕捉季节性周期，但在湿润区域仍存在偏差，可能因残留对流噪声掩盖细微土壤湿度变化。

**4.4 Stability and distribution of predictions**：累积分布函数（CDF）曲线（图5）显示，所有模型在加入优化策略后，ubRMSE的CDF曲线左移（向更低误差方向），且陡峭度增加，表明误差降低且稳定性提升。LSTM和BiLSTM从双策略组合中获益最大（Lat-FT设置左移最显著），而AttLSTM和EDLSTM单独傅里叶滤波增益较小，因其注意力机制或序列解码已强调关键时间片段。

**4.5 Case studies at representative sites**：选取全球五个代表性生物群落（森林、草地、沙漠等）的网格点（图6a），比较一年内观测值与Lat-FT-LSTM预测值的时间序列（图6b-f）。结果显示，在高纬度地区，模型再现了融雪驱动的峰值（支持早春植物生长）；在北美西北部，追踪了秋湿、春干和夏季热浪等影响植物电信号和碳通量的特征；在热带地区，模型虽优于基线但仍难以捕捉对流风暴和干旱事件，提示需区域特异性输入以保留生物信号。

讨论部分总结：本研究提出的傅里叶变换与纬度加权损失组合框架有效解决了传统模型忽略纬度网格面积偏差的问题。通过与纬度带宏平均损失、空间分层抽样及将纬度作为输入变量三种基线方法对比，纬度加权损失显式引入几何一致性，优于其他方法。与基于LandBench 1.0的先前研究相比，本研究从依赖MSE损失和原始时间序列转向物理引导优化，通过校正面积失真和分离生物相关低频信号，显著提升全球水文预测稳定性。傅里叶变换与波变换对比显示，傅里叶在全局周期性捕获和噪声去除上更优。按柯本气候带和土壤类型的分层分析表明，Lat-FT策略在温带和热带等季节变化明显区域改善最大，在干旱或极地区域改善有限。此外，土壤湿度通过调节微生物异养呼吸（如中等水孔隙空间WFPS约55%-61%时活性最高）和植物电信号（负相关于土壤含水量）影响生物过程，方法改进有助于阐明这些机制。

研究结论部分翻译如下：在LandBench 1.0（2000-2020）上验证的四种架构（LSTM、BiLSTM、AttLSTM、EDLSTM）均取得一致提升：Lat-FT-LSTM使KGE提升6.31%，ubRMSE降低10.22%。改善集中在中高纬度（如北美、北欧），这些地区季节性水文信号强烈；分布分析表明稳定性增强。案例研究进一步显示模型能更好追踪融雪峰值、季节性干旱和调节生物活动的短时湿润事件。尽管取得进展，仍存在局限：热带地区高频变异可能包含生态信息，当前低通滤波器过度平滑；模型未表示动态植被过程（如物候、根系生长）及计算需求限制更高分辨率或长期预测。未来工作将优先发展保留信息高频内容的自适应滤波器、纳入动态植被和根区水文、以及更高效架构和数据同化，以加强土壤湿度动态与生物信号之间的联系，实现更可靠的生态系统诊断和环境变化早期预警。