利用GNSS-R融合方法增强非洲土壤湿度制图的基准研究：基于CYGNSS数据

《Scientific African》：Benchmarking data fusion approaches for enhanced soil moisture mapping over Africa using GNSS-R

　　

摘要：本文通过将十四层无云地球物理图层与Cyclone Global Navigation Satellite System（CYGNSS）Level?1反射率（reflectivity）融合，以预测CYGNSS Level?3土壤湿度（soil moisture）反演值，并生成非洲地区1 km分辨率月度土壤湿度分布图。研究采用2020年1月和6月经质量筛选的240万个Level?1足迹（footprint）数据，使用分组交叉验证（block?wise cross?validation）策略训练随机森林（Random Forest，RF）、极端梯度提升（eXtreme Gradient Boosting，XGBoost）和一维卷积神经网络（1?D Convolutional Neural Network，CNN）模型；除CYGNSS观测值和所述辅助地球物理图层外未引入其他数据。以CYGNSS Level?3反演值为参照，集成模型对目标Level?3场再现的决定系数（Coefficient of Determination，R2≥ 0.94）、均方根误差（Root Mean Square Error，RMSE ≤ 0.022 m3/m3），且无需季节性重训练。极端梯度提升（XGBoost）使RMSE降低5–10%，但差异处于Level?3反演不确定度范围内。特征分析表明归一化植被指数（Normalized Difference Vegetation Index，NDVI）贡献最大（约70%），当植被–土壤耦合被编码后，Level?1反射率贡献不超过6%。生成的1 km分辨率1月和6月分布图可分辨亚SMAP（Soil Moisture Active Passive）尺度的水文特征——赞比西河与尼日尔河洪泛区指状水系、奥卡万戈湿地及刚果盆地5–10 km林间空地，并捕捉到赤道辐合带（Intertropical Convergence Zone，ITCZ）驱动的湿度季节变化（由1月干季相位至6月季风爆发）。

论文解读：利用GNSS-R融合方法增强非洲土壤湿度制图的基准研究——基于CYGNSS数据

研究背景方面，表层土壤湿度（surface soil moisture，通常指地表0–5 cm体积含水量，volumetric soil moisture，单位m³/m³）调控可用能量向潜热与感热的分配，调制行星边界层深度、蒸散及植被生产力，对非洲干旱早期预警、精量灌溉调度、洪水预报、数值天气预报及气候变化影响评估不可或缺。地面监测网（如US-SCAN、ISMN）精度好但密度低、维护成本高，难以大陆尺度应用。被动L波段传感器SMAP（Soil Moisture Active Passive）和SMOS（Soil Moisture and Ocean Salinity）提供约36 km分辨率产品，C波段散射计ASCAT分辨率>25 km，二者均平滑掉非洲农业生态区触发闪旱的1–10 km异质性，且在密植被和复杂地形区信号衰减造成数据空缺。全球导航卫星系统反射测量（Global Navigation Satellite System Reflectometry，GNSS-R）利用L波段导航信号地表反射功率与介电常数线性关系反演土壤湿度，NASA CYGNSS（Cyclone Global Navigation Satellite System）星座在±35–38°纬度内提供0.5–7 km足迹的L波段双站雷达截面（normalized bistatic radar cross section，σ⁰，即reflectivity）。现有CYGNSS降尺度多依赖Sentinel-1 SAR或有云干扰的光学影像，机器学习应用于CYGNSS多局限于区域验证，且CYGNSS反射率相对辅助植被/地形数据的独立信息贡献未量化。为此，研究人员采用仅含14个全球可获取、无云干扰的辅助地球物理变量与CYGNSS Level-1反射率融合，以CYGNSS Level-3土壤湿度为参照开展非洲全境机器学习基准 downscaling 研究。

关键技术方法：研究人员选取非洲全域（35°S–37°N，20°W–55°E）为研究区，使用2020年1月和6月NASA CYGNSS Level-1 v3.1反射率数据与CYGNSS Level-3 v2.1土壤湿度（36 km）分别作预测变量与训练目标。辅助协变量含14层：MODIS NDVI（MOD13A1）、经纬度（CYGNSS元数据）、CYGNSS反射率、SRTM v3高程与坡度、日序分数（day fraction）、SMAP辅助静态地表粗糙度、方位角、入射角（theta）与镜面入射角（sp_inc_angle）、JRC全球地表水水体占比、SoilGrids 250 m砂粒与黏粒体积分数，统一重采样至0.01°（约1 km）WGS-84网格。CYGNSS原始足迹经质量控制（质量标志=0、反射率为正、水体分数<0.1、在非洲范围内、无缺失值）后获得约238万个样本。随机选取6万个点训练三种非参数回归模型——随机森林（RF，15棵树、最大深度9）、极端梯度提升（XGBoost，60棵、最大深度6、学习率0.1）及一维卷积神经网络（1-D CNN，两卷积块+池化+Dropout+全连接），采用随机90%/10%划分验证集计算R²与RMSE，无空间分块交叉验证及地面站独立验证，逐日预测经NearestNDInterpolator插值至规则网格并掩膜距最近观测>50 km格点，按月合成得到1 km土壤湿度分布图，通过特征重要性分析量化各变量贡献。

研究结果如下：

CYGNSS Surface Reflectivity Map（CYGNSS地表反射率分布图）：将2020年1月与6月CYGNSS Level-1反射率镶嵌显示，1月呈明显南北梯度——撒哈拉北非为高反射率（矿物表面相干反射），向南至萨赫勒减弱，刚果盆地雨林为低反射率（L波段吸收与去极化）；6月ITCZ北移，西萨赫勒因植被枯落与表土干燥反射率升高3–5 dB，南非高原也有2–4 dB亮化，刚果核心区持续低反射率，并可分辨刚果盆地10–15 km clearing亮斑及乌班吉–刚果河洪水亮带，证明CYGNSS反射率编码植被物候、土壤湿度及短时水文事件。

SMAP Soil Moisture Map（SMAP土壤湿度分布图）：SMAP Level-3产品显示非洲北部 hyper-arid 区<0.10 m³/m³，刚果盆地等地>0.30 m³/m³，赞比西洪泛区与奥卡万戈湿地现湿指状异常，与CYGNSS产品相关性r > 0.85。

CYGNSS Soil Moisture Level-3（CYGNSS Level-3土壤湿度分布图）：CYGNSS L3产品1月马格里布与尼罗河谷<0.10 m³/m³、刚果–乌干达雨林0.50–0.60 m³/m³、卡拉哈里0.10–0.20 m³/m³；6月ITCZ北移使西萨赫勒增约0.05 m³/m³，博茨瓦纳等地偶现绿斑，赤道核心持续湿润。

Soil Moisture Prediction Accuracy（土壤湿度预测精度）：三个模型对1月与6月CYGNSS L3的测试集R²均>0.91，XGBoost最优——1月R²=0.952、RMSE=0.0223 m³/m³，RF为R²=0.941、RMSE=0.0247 m³/m³，CNN为R²=0.918、RMSE=0.0291 m³/m³；6月XGBoost R²=0.955、RMSE=0.0193 m³/m³，RF R²=0.944、RMSE=0.0214 m³/m³，CNN R²=0.910、RMSE=0.0272 m³/m³。6月略优可能源于ITCZ北移后训练域湿度更均匀。模型排序稳定：XGBoost > RF > 1-D CNN。

Spatial Distribution of Predicted Soil Moisture（预测土壤湿度的空间分布）：RF、XGBoost和CNN生成的1 km月度图均捕捉ITCZ季节位移——1月湿区集中于10°S–5°N赤道雨林（最高≈0.50 m³/m³），撒哈拉近零，萨赫勒0.2–0.3 m³/m³，尼日尔河洪泛平原与乍得湖湿地可辨；6月湿核心仍在刚果，萨赫勒中间态，撒哈拉持续干，XGBoost较RF与CNN更好保留撒哈拉微干异常及细尺度湿地特征，CNN细部略模糊。

Feature Importance Analysis（特征重要性分析）：NDVI占绝对主导（1月≈70%，6月升至72%–74%），经纬度和（≈10% 1月、≈8% 6月）次之，高程、日序、CYGNSS反射率各自≈5%（反射率≤6%），地表粗糙度/坡度/方位角/入射角合计≈10%，水体分数/砂粒/黏粒分数各≈5%。说明NDVI在月尺度整合了根区水分与降雨季节性的耦合信号，L波段反射率在植被–土壤耦合已被编码后未提供显著额外独立信息。

Spatial Error Mapping（空间误差分布图）：以预测值与CYGNSS L3之差绘制的空间误差图显示误差随景观水文条件、植被覆盖与地形波动，与整体定量指标互补，永久淹水区（尼日尔内陆三角洲、苏德湿地）存正偏差（+0.04±0.02 m³/m³），尼罗河谷灌溉密集区略低估。

讨论与结论翻译：研究人员指出NDVI主导（~70%）符合非洲植被物候整合根区水分的生态水文框架，且干湿季特征重要性层级稳定不同于温带区；RMSE 0.019–0.022 m³/m³接近SMAP任务目标（0.04 m³/m³）而空间分辨率提高36倍（1 km vs 36 km），可分辨赞比西河中段（4–8 km）与尼日尔河内陆三角洲（6–12 km）等亚SMAP特征；永久淹水区正偏差及密植冠层下低估属L波段物理局限而非模型缺陷；六小时处理延迟满足业务干旱预警需求，MODIS NDVI的16天合成引入时间失配，业务运行宜换用近实时植被指数或引入滞后项建模。局限含以CYGNSS L3作参照属降尺度而非独立地面验证、1 km未完全达田块尺度异质性、弃用Sentinel-1损失粗糙纹理信息。结论：本研究首次建立非洲全水文气候梯度下基于机器学习的GNSS-R数据融合土壤湿度反演大陆尺度基准——融合CYGNSS Level-1反射率与14层无云地球物理图层，简约集成模型在1 km分辨率达R²≥ 0.94、RMSE ≤ 0.022 m³/m³且无需季节性重训练；XGBoost略优于RF与1-D CNN，三者均能分辨亚SMAP水文特征并捕捉ITCZ季节迁移；NDVI为最主要预测因子（~70%），辅助地球物理层编码植被–土壤耦合使模型有效利用GNSS-R信号；未来需开展ISMN地面站与SMAP增强产品独立验证、纳入灌溉掩膜与改进介电混合模型校正淹水/密植偏差、在有数据时堆叠Sentinel-1 SAR及改用近实时植被指数匹配CYGNSS重访能力。该研究证明仅凭GNSS-R与全球可用地球物理层即可生成公里级全天候土壤湿度产品，为数据稀疏热带地区水文监测提供可扩展低延迟框架。论文发表于《Scientific African》。