用于GNSS-R土壤湿度数据间隙填补的神经时空插值方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：Neural Spatiotemporal Interpolation for Gap Filling of GNSS-R Soil Moisture Data

　　

摘要：

星载全球导航卫星系统反射计技术（GNSS-R）可提供适用于土壤湿度反演与监测的L波段观测数据，但所得数据集在空间和时间上均存在稀疏性。然而，许多应用需要连续无缺口的土壤湿度数据立方体。本研究提出了神经时空插值方法（NSTI），这是一种用于填补GNSS-R生成的土壤湿度时空数据立方体中缺失值的深度学习框架。该框架将缺失值填充问题视为回归问题，通过一个具有空间迁移能力的神经网络模型，利用其时空邻域内的已知值来估算缺失值。该框架在36公里和9公里分辨率下对CYGNSS生成的表层土壤湿度数据进行了测试。在两种分辨率下，NSTI的填充误差都与现有最先进方法相当，且所需训练参数更少。通过SMAP数据验证，其均方根误差为0.049米，而ERA5-Land数据的均方根误差为0.056米，这进一步表明，经过填充的数据立方体仍能与外部参考数据集保持一致。综上，这些结果证明，时空土壤湿度结构可以通过统一的、可扩展的深度学习框架来处理，从而有效填补GNSS-R数据的稀疏性。