《Remote Sensing Applications: Society and Environment》:Bridging Satellite and UAS Scales for Surface Soil Moisture Mapping: A Two-Step Random Forest Downscaling Framework
编辑推荐:
摘要量化表层土壤水分对于理解水文循环、陆气交换以及田间尺度的水资源管理至关重要。然而,基于卫星和地表模型得到的产品通常具有公里级分辨率,无法满足小流域或精准农业应用所需的细粒度空间差异分析需求。本研究开发并评估了一种两步随机森林降尺度框架,该框架先将区域级的1公里分辨率表层土壤水
摘要
量化表层土壤水分对于理解水文循环、陆气交换以及田间尺度的水资源管理至关重要。然而,基于卫星和地表模型得到的产品通常具有公里级分辨率,无法满足小流域或精准农业应用所需的细粒度空间差异分析需求。本研究开发并评估了一种两步随机森林降尺度框架,该框架先将区域级的1公里分辨率表层土壤水分产品转换为30米分辨率的产品,随后又测试了基于无人机的16厘米超分辨率测绘实验。
该框架在意大利南部的蒙泰福尔泰奇伦托试验性小流域进行了应用。模型I利用1公里分辨率的表层土壤水分数据及地表特征参数,生成了为期五年的30米分辨率表层土壤水分产品(SSM30m)。模型II则利用30米分辨率的产品以及与尺度匹配的特征参数,验证无人机获取的16厘米分辨率数据——包括地表温度、日温差、植被指数以及微地形参数——是否能够在单次无人机飞行任务中进一步细化30米分辨率下的土壤水分分布特征。
内部模型测试显示,模型I的R2值为0.805,模型II的R2值为0.837。在独立实地验证中,SSM30m的数据与宇宙射线中子传感器测量结果高度吻合;而单日16厘米分辨率的表层土壤水分图(SSM16cm)与20次时域反射法测量结果的皮尔逊相关系数为0.71,无偏均方根误差为0.0473立方厘米每立方厘米。从模型I到模型II,特征参数的重要性发生了变化:在较大尺度上,主导因素是区域地表温度,而在亚米级尺度上,则是日温差和微地形特征。此外,空间方差分析表明,从1公里到16厘米的所有分辨率水平下,土壤水分分布都存在较强的空间一致性。这项研究展示了一种可从区域监测延伸至“单株植物”尺度的水资源管理框架,为可持续的环境与农业决策提供了重要工具。
引言
土壤水分是控制陆地表面与大气之间水分和能量交换的关键水文参数(Manfreda等,2014;Rodell等,2015;Rodríguez-Iturbe等,2006;Seneviratne等,2010;Wagner等,1999)。作为土壤水分的重要组成部分,表层土壤水分通常通过卫星微波观测或地表模型在大范围内进行绘制,这类产品的空间分辨率一般在1至25公里之间(Dorigo等,2017b;Naz等,2020;Peng等,2021b、2021a)。虽然卫星微波观测和地表模型能够提供有价值的大范围数据,但其1至25公里的典型分辨率无法满足农场级管理或单株植物精准调控的需求。例如,一个1公里分辨率的表层土壤水分像素可能涵盖多种作物类型、行间树带、裸土区域、灌溉渠道、坡度位置以及不同土壤质地,而灌溉调度、径流预测以及植物水分状况评估则需要数十米甚至更精细的空间分辨率数据。(Dorigo等,2017b、2017a;Zeng等,2016;Zhuang等,2020;Wyngaard,2004)。
直接从卫星观测数据中获取高分辨率表层土壤水分信息往往受到传感器物理特性所决定的粗糙空间分辨率限制(比如被动L波段辐射测量的孔径或波束宽度限制),同时还存在测量噪声及相关反演不确定性。而高分辨率的地表模型模拟则受到计算成本以及大气场在时空维度上的分辨率和精度限制。因此,降尺度技术仍是将粗糙分辨率的表层土壤水分产品转化为更高精度空间信息的重要手段。
现有研究中,有多种常用的降尺度方法可用于提升表层土壤水分的空间分辨率,包括经验法、半经验法、物理模型法、数据融合法以及机器学习方法(Peng等,2017)。随机森林及其相关的机器学习模型因其能够有效捕捉地形、植被指数、地表温度等多尺度特征与土壤水分之间的非线性关系而被广泛采用(Camps-Valls等,2016;Han等,2023a;Reichstein等,2019;Singh和Gaurav,2023)。
近年来,高分辨率表层土壤水分研究越来越多地结合卫星数据与光学、热学、地形、气象以及土壤相关数据,从而生成1公里到30米不等的分辨率产品(Brocca等,2024;Han等,2023b;Zhang等,2021、2023;Zheng等,2023)。这些研究表明,多源或多阶段处理方法确实有助于提升田间尺度的土壤水分测绘精度,但目前大多数具有实际应用价值的产品的分辨率仍停留在公里级或数十米级别。对于更精细的分辨率需求,无人机技术可以提供植被、地表温度、微地形等与土壤水分相关的参数的厘米级乃至分米级观测数据(Manfreda等,2018;Manfreda和Ben Dor,2023;Tmu?i?等,2020;Zhu等,2020;Wei等,2020;Wang等,2020;Zhuang等,2023;Ge等,2021)。不过,目前大多数基于无人机的土壤水分研究都是独立的实地调查项目,并非与区域卫星表层土壤水分产品相衔接的连续性研究体系,这就造成了区域监测产品与无人机尺度下的局部差异分析之间的应用缺口。
因此,16厘米分辨率的表层土壤水分信息的需求具有很强的应用针对性,并非普遍适用。对于区域干旱监测、水量平衡建模或气候分析而言,公里级或30米分辨率的产品可能更为合适。但在蒙泰福尔泰奇伦托试验场地,亚米级分辨率的信息有助于识别与行间树带、裸土区域、坡度位置、遮荫效应以及灌溉渠道影响相关的局部差异,同时也有助于对较低分辨率产品的解读与验证。正因如此,本研究将16厘米分辨率的部分内容视为一项基于无人机的、用于分析局部表层土壤水分差异的诊断性实验。
尽管存在这些技术挑战,关于不同空间尺度下地表特征相对重要性的变化规律这一问题依然没有得到明确解答。目前尚不清楚在1公里分辨率下起主导作用的特征参数(如区域地表温度),在16厘米分辨率下是否仍具有同等的影响力,因为在更小的尺度上,微地形特征和局部植被的作用会变得更加重要(Dorigo等,2017b;Han等,2023b;Su等,2020;Zhang等,2021)。
为解决这些问题,本研究提出并评估了一种两步随机森林降尺度策略。其具体目标包括:(i)基于1公里分辨率的Sentinel-1/Copernicus表层土壤水分产品以及1公里、30米分辨率的地表特征参数,生成并评估为期五年的30米分辨率表层土壤水分产品;(ii)开展单日基于无人机的16厘米分辨率超分辨率表层土壤水分测绘实验,为分析局部差异提供概念验证;(iii)分析从公里级到亚米级分辨率下的表层土壤水分分布特征的空间一致性,同时明确阐述尺度转换过程中的各种假设与不确定性。
本文的结构如下:第2部分介绍研究地点、输入数据集、空间协调处理方法、模型训练过程以及验证策略;第3部分展示研究结果,包括超参数优化、模型测试、降尺度后的表层土壤水分产品、空间尺度分析结果以及研究存在的局限性;第4部分给出结论。
章节要点
两步降尺度方法
本研究采用了如图1所示的两步降尺度方案。模型I的任务是建立1公里分辨率表层土壤水分与地表特征参数之间的关系,再将这些关系应用到30米分辨率的地表特征参数上。模型II则旨在建立30米分辨率下的特征参数关系,进而验证无人机获取的16厘米分辨率特征参数是否能够在单次无人机飞行任务中提供额外的局部细节信息。因此,该框架依赖经验性的尺度转换方法,而非已被证实的尺度不变性规律:
超参数优化与特征选择
通过超参数优化与特征选择,为两个模型步骤确定了最简的特征参数组合。这一工作的目的不仅在于提升模型的统计性能,还在于比较不同空间分辨率下各特征参数的参考价值。因此,特征重要性的分析被视为与空间尺度相关的诊断依据,而非能够证明某种普遍性物理规律的依据。
在模型I和模型II中,为了进行超参数优化,
结论
本研究成功开发并应用了一种两步随机森林降尺度框架,旨在弥补土壤水分监测中的显著“尺度差距”。通过逐步将Sentinel-1卫星数据从1公里分辨率降尺度为30米分辨率的产品,再进一步生成16厘米分辨率的超分辨率地图,该项研究为从区域尺度的水文评估向“单株植物”尺度的水资源管理过渡提供了概念性的解决方案。
本研究得出了若干重要见解
CRediT作者贡献说明
Nunzio Romano:论文撰写——审阅与编辑、研究指导、资源协调、项目管理、实地调研、资金筹措。Paolo Nasta:论文撰写——审阅与编辑、初稿撰写、结果验证、研究指导、资源协调、实地调研、数据整理。Brigitta Szabó:论文撰写——审阅与编辑、结果可视化、结果验证、研究指导、软件应用、资源协调、项目管理、方法设计、实地调研、正式分析、概念构建。Lijie Zhang:论文撰写——审阅与编辑,
未引用参考文献
Abowarda等,2021;Balenzano等,2021;Bauer-Marschallinger等,2019;Cai等,2025;Mao等,2022;Meng等,2024。
伦理声明
作者声明,本研究未涉及人类参与者、动物或个人隐私数据。所有遥感数据(Sentinel-1、MODIS、Landsat)均来自公开渠道。实地测量在研究机构管理的试验性流域内进行,无人机测绘及现场土壤水分测量也均获得了必要的许可。本研究符合相关机构、国家以及国际层面的环境研究规范
利益冲突声明
? 作者声明,他们不存在任何可能影响本研究所报告研究成果的已知财务利益或个人关系。
致谢
本研究是在RETURN扩展合作伙伴计划支持下开展的,资金来源包括欧盟的Next-GenerationEU计划(国家恢复与韧性计划——NRRP,第4项任务,第2部分,投资项目1.3——编号D.D. 1243 2/8/2022,项目编号PE0000005),以及由意大利研究部资助的项目“通过增强意大利南部的风化作用来缓解气候变化影响的综合建模方法”——CHANCES项目(项目编号CUP:E53D23021850001),还有SHARE_Africa——“先进科学中心”项目
Ruodan Zhuang|Salvatore Manfreda|Yijian Zeng|Lijie Zhang|Brigitta Szabó|Paolo Nasta|Nunzio Romano|Zhongbo Su
那不勒斯费德里科二世大学土木、建筑与环境工程系,地址:意大利那不勒斯市克劳迪奥街21号,邮编80125