融合卫星反演、渐进式策略与机器学习的地表土壤水分预测与深层估算

《Smart Agricultural Technology》：Integrating Satellite Retrieval, Progressive Strategy and Machine Learning for Surface Soil Moisture Forecasting and Deep-Layer Estimation

　　

摘要
准确的根区土壤水分信息对于精准农业和水资源管理至关重要，然而遥感仅能观测地表状况，且现有预测模型大多局限于点尺度。为解决这些不足，本研究提出一个集成框架，结合卫星反演、渐进式垂直估算与机器学习预测，以生成未来一周时空连续的多层土壤水分预测。首先，基于Sentinel-1和Sentinel-2影像，利用耦合水云-随机森林模型（WC-RFM）反演地表土壤水分（0–10 cm），决定系数R² = 0.908，均方根误差（RMSE） = 0.013 m³/m³。然后，研究人员开发了一种结合气象因子的渐进式估算策略，用于估算20 cm、30 cm和40 cm深度的深层土壤水分。在多元线性回归（LR）、随机森林（RF）和XGBoost（极端梯度提升）中，XGBoost在所有深度均取得最高精度，在加入气象因子后，测试集R²分别为0.952（20 cm）、0.615（30 cm）和0.562（40 cm）。气象因子的贡献随深度增加（R²增量从20 cm的0.010增至40 cm的0.147）。第三，研究人员构建了一个递归多步XGBoost预测模型，用于预测未来7天的地表土壤水分，第1天R² = 0.9088，至第7天仍保持合理精度（R² = 0.5301）。该模型成功捕捉到12.8 mm降雨事件后的水分上升，在四个监测站的预测误差普遍在0.05 m³/m³以内。最后，研究人员将点尺度预测模型扩展到区域尺度，生成了每日10米分辨率的预测图。该框架通过提供可操作的高分辨率时空土壤水分信息，弥合了遥感观测与农业水资源管理实践之间的差距。

**论文解读文章**

**研究背景、问题与研究意义**

土壤水分是陆地-大气系统的关键变量，对调节水文过程、陆-气能量交换以及决定农业生产能力具有核心作用。在农业生态系统中，根区（通常0–50 cm深度）土壤水分直接影响作物萌发、生长和产量形成，是评估墒情、诊断农业干旱和制定灌溉策略的主要依据。然而，遥感技术只能提供地表层（0–10 cm）的土壤水分信息，无法直接揭示对作物生长和农业干旱评估更关键的深层根区（10–40 cm）的水分状况。现有土壤水分预测模型大多局限于点尺度，输出仅代表局部变化，缺乏空间连续性，难以直接应用于区域灌溉决策。为填补遥感观测与农业水资源管理实践之间的差距，本研究提出一个集成框架，将卫星反演、渐进式垂直估算与机器学习预测相结合，旨在生成未来一周时空连续的多层土壤水分预测。该研究发表在《Smart Agricultural Technology》上，其重要意义在于为精准农业实践提供了高分辨率、可操作的土壤水分预测信息，支持精准灌溉决策。

**关键技术方法**

本研究采用的关键技术方法包括：（1）基于耦合水云模型（WCM）与随机森林（RF）的WC-RFM模型，用于从Sentinel-1和Sentinel-2多源遥感影像中反演地表土壤水分（0–10 cm），样本数据来自2025年8月19日采集的30个地面采样点；（2）渐进式估算策略，通过模拟土壤剖面中水分的垂直传输，依次估算20 cm、30 cm和40 cm深度的土壤水分，并对比了多元线性回归（LR）、随机森林（RF）和XGBoost三种回归模型，气象因子（包括温度、湿度、气压、风速、降水等）被纳入模型；（3）递归多步XGBoost预测模型，利用历史土壤水分和气象预测数据，逐步预测未来7天的地表土壤水分，训练数据来自四个地面监测站（2025年4月18日至8月19日）的逐时观测数据；（4）将点尺度预测模型扩展到区域尺度，生成每日10米分辨率的空间连续预测图。

**研究结果**

**4.1 地表土壤水分反演性能**

通过WC-RFM模型反演地表土壤水分，利用30个独立地面采样点验证，R²达到0.908，RMSE为0.013 m³/m³，MAE为0.011 m³/m³。空间分布图显示，研究区北部水稻田和西部灌溉地块水分较高，南部裸地水分较低，大部分像素土壤水分值在0.02–0.09 m³/m³之间，空间统计结果（均值0.067 m³/m³，中位数0.062 m³/m³）证实了反演的物理一致性。

**4.2 深层土壤水分估算结果**

基于四个监测站历史数据（2025年4月18日至8月19日）分析，地表与20 cm深度土壤水分呈强正相关（平均相关系数>0.96），随深度增加相关性减弱（30 cm平均0.88，40 cm平均0.77）。在三种回归模型（LR、RF、XGBoost）中，XGBoost在所有深度表现最佳。加入气象因子后，XGBoost在20 cm深度测试集R²达0.952，RMSE为0.753%；30 cm深度R²为0.615，RMSE为1.616%；40 cm深度R²为0.562，RMSE为1.509%。气象因子的贡献随深度增加（R²增量从20 cm的0.010增至40 cm的0.147）。空间估算图显示，深层土壤水分空间异质性随深度减弱，水分分布趋于均匀。

**4.3 时空动态与预测性能**

递归多步XGBoost预测模型在测试集上（最后20%历史数据）的评估显示，第1天预测精度最高（R² = 0.9088，RMSE = 0.7850%），至第7天R²仍保持在0.5301，RMSE增至2.1440%，呈现典型的误差累积模式。针对2025年8月20日至26日期间（8月23日发生12.8 mm降雨）的预测，模型成功捕捉到四个监测站降雨后土壤水分的急剧上升（如站1从约6.8%升至18.1%），预测误差普遍在0.05 m³/m³以内。区域尺度预测图清晰展示了降雨前后土壤水分的时空演变：降雨前（8月20–22日）水分逐渐下降，降雨后（8月23–24日）全区普遍上升，之后（8月25–26日）逐步回落但仍高于降雨前水平。

**4.4 不确定性评估**

总不确定性来源于三个主要部分：地表反演（WC-RFM模型RMSE为0.024 m³/m³，相对误差约10%）、深层估算（XGBoost模型RMSE随深度从0.753%增至1.616%）、以及预测（RMSE从第1天0.785%增至第7天2.144%）。误差传播分析表明，深层估算并未显著放大地表误差，而预测模块随时间累积误差最为显著。模型对降水预测精度和初始土壤水分场最为敏感，降水每日误差2 mm可导致预测土壤水分变化约0.5–1.0%。

**讨论总结与结论**

讨论部分指出，WC-RFM模型在中等植被覆盖下表现良好，但在密集冠层（如开花期玉米）或高地表粗糙度条件下存在局限，且植被参数（A和B）可能需针对不同作物重新校准。渐进式估算策略基于土壤水分垂直运动的物理机制，相邻层间强相关性（10–20 cm平均R=0.97）为估算提供了基础，但随深度增加非线性增强，XGBoost相比线性回归优势显著，气象因子贡献深度增加。递归多步预测的误差累积是精度下降的主要原因，模型成功捕捉降雨事件但存在轻微低估（约0.5–1.2%），可能源于气象预报空间分辨率不足及训练数据中极端事件代表性不足。与现有产品（如ERA5-Land、SMAP）相比，本研究提供10米空间分辨率的每日多层预测，填补了田块尺度精准灌溉的空白。模型转移性受限于单一区域气候和土壤条件，但框架模块化，可针对新区域替换或重新训练组件。

结论部分翻译如下：

本研究提出并验证了一个集成框架，结合卫星观测、地面监测、气象预报和机器学习，生成未来7天时空连续的多层土壤水分预测。主要结论如下：

（1）耦合水云模型与随机森林的WC-RFM模型实现了高精度地表土壤水分（0–10 cm）反演，经30个独立地面采样点验证，R²为0.908，RMSE为0.013 m³/m³，MAE为0.011 m³/m³。空间分布图与统计分析（均值0.067 m³/m³，中位数0.062 m³/m³）证实了反演的物理一致性。

（2）研究人员开发了一种结合气象因子的渐进式估算策略，用于估算深层土壤水分（20、30和40 cm）。在三种模型（LR、RF、XGBoost）中，XGBoost持续表现最佳。加入气象因子后，XGBoost测试集R²分别为0.952（20 cm）、0.615（30 cm）和0.562（40 cm）。气象因子的贡献随深度增加（R²增量从20 cm的0.010增至40 cm的0.147），反映了深层水分对累积前期条件更强的依赖性。

（3）研究人员构建了一个递归多步XGBoost预测模型，用于预测未来7天的地表土壤水分。该模型在第1天达到高精度（R² = 0.9088，RMSE = 0.7850%），至第7天仍保持合理精度（R² = 0.5301，RMSE = 2.1440%），呈现典型的误差累积模式。模型成功捕捉到8月23日12.8 mm降雨事件后的水分急剧上升及随后的下降过程，四个监测站的预测误差普遍在0.05 m³/m³以内。

（4）研究人员成功将点尺度预测模型扩展到区域尺度，生成了整个研究区每日10米分辨率的空间连续预测图。这些地图清晰展示了土壤水分对降雨的时空演变响应，证明该框架具备支持精准灌溉决策的能力。