利用L波段被动微波与机器学习技术监测森林土壤湿度

《Remote Sensing》：Forest Soil Moisture Monitoring Using L-Band Passive Microwave and Machine Learning

　　

摘要

本研究利用SMAP和SMOS的AM及PM波段数据，评估了L波段被动微波技术在监测北方及温带森林土壤湿度方面的应用潜力。首先对SMAP和SMOS的第三级处理产品进行了春夏季数据的分析。结果显示，SMOS的准确度较低（r² = 0.04–0.24，ubRMSE = 0.09–0.13 m³/m³），而SMAP在各类地点和观测时段的表现更为优异（r² = 0.18–0.62，ubRMSE = 0.05–0.07 m³/m³）。由于SMAP在固定入射角下有更多观测数据，且对研究区域的覆盖时间更长，因此选择SMAP作为基于机器学习模型进行土壤湿度估算的工具。通过特征重要性分析发现，亮度温度是最具影响力的变量，其次是植被含水量、空气温度和土壤温度，以及微波极化差指数。在AM波段观测中，土壤温度和空气温度可以相互替代，而PM波段观测则存在明显差异，这可能是由于密集植被对热量的吸收所致。利用这些最优特征，通过CatBoost、梯度提升法、随机森林和主成分回归等方法，在分层随机分割和留一年度交叉验证的条件下进行了土壤湿度估算。在分层随机分割法中，CatBoost的准确度略高于其他集成模型（AM波段：r² = 0.73；PM波段：R² = 0.74），而主成分回归法的准确度在两种波段下均较低。留一年度交叉验证的结果显示各模型之间的准确度差异较小，其中CatBoost的整体准确度最高（AM波段：r² = 0.58；PM波段：r² = 0.54）。研究结果表明，利用L波段亮度温度、植被含水量、温度参数以及微波极化差指数，有望提升森林土壤湿度的估算精度。