基于机器学习与陆地数据同化框架的SMAP土壤湿度时空降尺度方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Spatiotemporal Downscaling of SMAP Soil Moisture with an integrated Machine Learning and Land Data Assimilation Framework

【字体: 大 中 小 】 时间:2026年06月25日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3

编辑推荐:

  摘要:土壤水分对精准农业、洪水预测以及灌溉管理而言至关重要。目前基于卫星的土壤水分数据集通常空间分辨率较低,因此人们一直在努力生成高空间分辨率的土壤水分产品。机器学习方法缺乏物理约束,而高分辨率的地表过程模拟则受限于不准确的表面参数化。本研究提出了一种新的框架,将机器学习与土地数

  

摘要:

土壤水分对精准农业、洪水预测以及灌溉管理而言至关重要。目前基于卫星的土壤水分数据集通常空间分辨率较低,因此人们一直在努力生成高空间分辨率的土壤水分产品。机器学习方法缺乏物理约束,而高分辨率的地表过程模拟则受限于不准确的表面参数化。本研究提出了一种新的框架,将机器学习与土地数据同化系统相结合,用于降低低分辨率卫星土壤水分数据的精度。该框架结合了统计模型和物理模型的优点,通过引入多源高分辨率表面变量,提升了SMAP土壤水分数据的空间分辨率和时间变化性。首先,采用随机森林模型来描述低分辨率SMAP数据与地表变量之间的复杂非线性关系。经过训练的随机森林模型随后可以利用高分辨率输入数据,以0.05°×0.05°的分辨率预测土壤水分。其次,将基于随机森林模型得到的降尺度土壤水分结果纳入土地数据同化系统中,以优化系统参数,从而获得空间时间分辨率更高的高精度土壤水分数据集。该集成降尺度框架通过在青藏高原三个土壤水分监测网获得的实地数据进行了验证。结果表明,所提出的框架优于传统的基于实地的机器学习降尺度方法,其ubRMSE值低于0.04 m3 m?3,R值高于0.7,MBE值低于0.03 m3 m?3。本研究为机器学习与土地数据同化系统的有效整合提供了方法,为生成全球高分辨率土壤水分产品带来了巨大潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号