迈向米级土壤湿度测绘：L波段无人机微波辐射测量技术结合机器学习模型与物理模型

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Towards Meter-Scale Soil Moisture Mapping: UAV Microwave Radiometry at L-Band with Machine Learning Models and Physical Models

　　

摘要：

与卫星相比，无人飞行器能够提供更高空间分辨率的图像。然而，目前尚缺乏针对用于估算农田尺度土壤湿度的L波段辐射计的基于无人飞行器的研究。在本实验中，一种便携式L波段辐射计被安装在无人飞行器上，用于检测中国河北塞罕坝农场的地表土壤湿度。研究采用了三种基于物理原理的算法以及三种基于机器学习的算法来反演土壤湿度。基于物理原理的算法包括PoLRa算法、土壤湿度主动被动单通道算法（SCA）以及无人机L波段SCA模型（UL-SCA）。而基于机器学习的三种算法则为随机森林（RF）、反向传播神经网络（BPNN）和广义线性回归（GLR）。UL-SCA通过局部参数化方式对SMAP框架进行改进，为无人机尺度上的物理建模提供了一种可迁移的方法。在复杂地形中直接将SMAP或PoLRa算法应用于无人机观测数据时，得到的结果并不理想，这凸显了局部参数优化的极端重要性。机器学习模型，尤其是随机森林，通过有效学习亮度温度与土壤湿度之间的关系，实现了更高的精度（在大多数土地覆盖类型中，均方根误差为0.02立方米/立方米）。将土壤质地等高分辨率物理参数作为独立变量纳入模型，提高了随机森林的可解释性，使其更符合水文学原理。此外，随机森林凭借其强大的数据驱动能力，或许还能克服地形带来的影响。本研究表明，高空间分辨率的亮度温度数据有助于在夏季以数十米的分辨率监测土壤湿度，其效果可与卫星产品相媲美，从而弥补低分辨率产品的不足。