基于散射模型指导的深度迁移学习框架,用于地表土壤湿度反演

《Remote Sensing of Environment》:A scattering model-informed deep transfer learning framework for surface soil moisture retrieval

【字体: 大 中 小 】 时间:2026年07月30日 来源:Remote Sensing of Environment 12.3

编辑推荐:

  •将散射模型先验应用于Sentinel-1,实现10米分辨率的土壤水分反演•通过混合模型转移与微调提升模型的可解释性与泛化能力•无需实地植被参数,借助深度学习校正植被干扰•在无需表面粗糙度参数的情况下,准确反演植被覆盖区域的土壤水分1. 引言地表土壤水分对于理解和分析气候变化、水

  •将散射模型先验应用于Sentinel-1,实现10米分辨率的土壤水分反演•通过混合模型转移与微调提升模型的可解释性与泛化能力•无需实地植被参数,借助深度学习校正植被干扰•在无需表面粗糙度参数的情况下,准确反演植被覆盖区域的土壤水分1. 引言地表土壤水分对于理解和分析气候变化、水文建模以及农业生产具有重要意义(Ettalbi等人,2025;Green等人,2019;Rigden等人,2020)。合成孔径雷达具备全天候高分辨率成像能力,能够穿透低至中等强度的植被冠层和浅层土壤,同时对土壤水分变化极为敏感(Lal等人,2024)。因此,它已成为大规模土壤水分遥感的主要工具(Barrett等人,2009)。基于物理机制的可解释模型反演算法被视为遥感参数反演的核心方法(Pipia等人,2019)。描述SAR信号与土壤水分之间微波散射关系的散射模型包括用于裸土区域的模型(如IEM、AIEM和Oh模型)(Chen等人,2003;Fung等人,1992;Oh等人,1992),以及用于植被覆盖区域的模型(如WCM和MIMICS模型)(Attema和Ulaby,1978;Ulaby等人,1990)。尽管这些模型以物理机制为基础,但通常需要大量输入参数来描述土壤表面和植被冠层特征,而这些参数在实际中很难获取。因此,在土壤水分反演过程中,人们采用了参数简化、经验假设或区域校准等多种策略(Baghdadi等人,2002;Chen等人,1995;Quast等人,2023)。然而,这些方法往往只能达到中等精度,且在不同的空间和时间背景下泛化能力有限。人工智能的快速发展提升了数据驱动的机器学习算法在大规模土壤水分反演中的应用潜力。例如,Carranza等人(2021)采用随机森林模型进行根区土壤水分反演,而Rains等人(2022)则运用支持向量回归模型估算土壤水分。近年来,深度学习算法因其能够捕捉大规模特征序列中的复杂依赖关系并模拟非线性关系,被越来越多地应用于基于SAR的土壤水分估算中(Batchu等人,2023;Zhu等人,2026)。最常见的架构包括深度神经网络和Transformer模型。深度神经网络具有强大的非线性映射能力,常被用于回归任务(Li等人,2024a)。Transformer模型则由编码器和解码器组成:编码器能够自动发现全局特征相关性,确定特征重要性,并捕捉多源输入之间的依赖关系,而解码器则能够处理长期和短期依赖关系(Liu等人,2025)。虽然CNN-Transformer架构在基于图像或网格的遥感任务中表现优异,比如基于LiDAR的建筑高度估算、GNSS-R海面风速反演以及光学与SAR图像配准等(Du等人,2025;Qiao和Huang,2024;Qiao等人,2025;Sun等人,2025),但本研究采用密集型深度神经网络来学习向量化化的AIEM-Oh参数与后向散射的映射关系,同时利用Transformer编码器捕捉与散射相关的变量之间的相互作用。深度神经网络和Transformer模型近期也被应用于土壤水分估算领域(Yang等人,2023;Zhu等人,2025a)。不过,数据驱动算法的泛化性能仍受训练数据集的分布和规模限制(Zhu等人,2025b),而且它们本质上缺乏物理可解释性(Li等人,2021)。将散射模型融入深度学习框架有助于更好地体现背后的物理过程。这种融合可以通过多种方式实现,例如在训练神经网络时加入基于物理原理的先验约束(Han等人,2023;Singh和Gaurav,2024),或将物理模型嵌入深度学习模型中以确保估算结果的物理一致性(Huang等人,2025;Li等人,2024b),或是通过迁移学习实现散射模型与深度学习的有效结合。迁移学习利用从一个领域或任务中学到的知识来提升另一个领域的性能,它减少了对大规模标注数据集的依赖,显著提高了模型的泛化能力,尤其是在样本有限的场景中(Tan等人,2018;Zhuang等人,2020)。最近,这种方法已被引入SAR数据土壤水分反演领域,并取得了不错的效果。例如,Zhu等人(2024)提出了一个跨分辨率的迁移学习框架用于土壤水分估算;Hemmati和Sahebi(2024)将大规模预训练的土壤水分估算模型转移到局部尺度上;Singh等人(2025)则在不同地区应用了土壤水分迁移学习。这些研究展示了迁移学习在解决数据稀缺问题方面的有效性及潜力,尤其是在观测资源有限的地区,但这类方法的物理可解释性仍有待提升。结合散射模型的迁移学习策略能够在减少对训练样本依赖的同时提升机器学习模型的物理可解释性,不过目前此类方法还较少被研究。Yang等人(2023)的一项最新研究使用AIEM-Oh模型生成的微波散射模拟数据对深度神经网络进行预训练,然后再将该网络转移到土壤水分数据匮乏的裸土区域进行反演。然而,这种方法严重依赖于表面粗糙度测量数据,且仅适用于裸土区域,因此不适用于植被覆盖区域的土壤水分反演。为了解决这些问题,本研究提出了一种结合散射模型的深度迁移学习框架,用于植被覆盖区域的土壤水分反演。该框架整合了物理机制,无需依赖实地测量的表面粗糙度及植被参数即可运行。具体而言,该框架通过将Transformer的自注意力机制与深度神经网络的非线性表征能力相结合,构建了一种深度神经网络嵌入式Transformer模型。该模型首先使用由改进后的AIEM-Oh模型生成的模拟数据集进行预训练。随后,研究设计了三种特征迁移策略(整体迁移、独立迁移和交叉迁移)以及四种参数微调策略(仅冻结编码器、仅冻结深度神经网络、完全解冻和完全冻结),利用来自全球四个具有不同地面条件的数据集的有限实地样本对预训练模型进行微调,这四个数据集分别是HOAL流域、特文特地区、太浩湖区域以及那曲河流域。最后,从精确度和泛化能力两个方面对经过微调的模型进行了全面评估。本研究旨在回答以下两个关键问题:1)在缺乏植被散射模型和表面粗糙度数据的情况下,哪种特征迁移策略最为有效?2)应采用何种参数微调策略来保留从散射模型中学到的物理知识,同时充分利用模型的非线性回归能力,从而得到一个兼具物理机制与强泛化能力的优化模型?本文的其余部分结构如下:第2节介绍用于土壤水分反演的研究区域和数据集;第3节详细阐述用于土壤水分反演的散射模型迁移框架;第4节对比分析该散射模型迁移框架与机器学习方法及现有土壤水分产品的性能;第5节基于现有研究结果探讨该散射模型迁移框架的优势;第6节对整个研究进行总结。2. 研究区域与数据集2.1 研究区域与实地土壤水分数据本研究选择了四个研究区域:奥地利的HOAL流域、荷兰的特文特地区、美国的太浩湖区域以及中国的那曲河流域,同时选择了气候和环境条件相似的跨区域测试区域:罗马尼亚、德国、美国的内华达州以及中国的玛曲和纳里地区(见图1)。这些区域涵盖了多种土地覆盖类型和气候条件。表1列出了这些研究区域及实地土壤水分数据的详细信息。下载:下载高分辨率图像(1MB)下载:下载完整尺寸图像图1. 研究区域及其对应的跨区域测试区域的地理位置:(a) HOAL,(b) 特文特,(c) 太浩湖,(d) 那曲。各区域的土地覆盖类型分别来源于ESA WorldCover产品(a、b、c)和SinoLC-1产品(d)。表1. 本研究涉及的四个研究区域及所使用的土壤水分监测网络的概览。研究区域位置主要土地覆盖类型监测网络训练用站点/样本数量测试用站点/样本数量跨区域测试用站点/样本数量研究时间HOAL流域北纬48.11–48.16度,东经15.13–15.2度耕地森林HOAL25 / 9404 / 1460 / 02019年1月–2021年12月特文特地区北纬51.9–52.5度,东经6.16–6.83度草地耕地森林TWENTE15 / 24604 / 4540 / 02019年1月–2020年12月太浩湖区域北纬38.5–39.5度,西经119.5–120.5度草地森林SNOTEL22 / 58234 / 10810 / 02019年1月–2021年12月那曲河流域北纬31–32度,东经91.5–92.5度草地荒漠西藏观测站24 / 30254 / 3570 / 02019年1月–2021年12月罗马尼亚北纬44.11–48.19度,东经20.6–27.64度森林、草地RSMN0 / 00 / 08 / 16482019年1月–2021年12月德国北纬50.51–51.13度,东经6.17–6.45度草地耕地森林TERENO0 / 00 / 05 / 5862019年1月–2021年12月内华达州北纬39.3–41.9度,西经117.1–119.4度草地森林SNOTEL0 / 00 / 06 / 10752019年1月–2021年12月玛曲/纳里地区北纬33.63–34.01度,东经101.7–102.6度/北纬33.42–33.45度,东经79.6–80.1度草地荒漠玛曲/纳里地区0 / 00 / 031 / 4342018年1月–2019年12月HOAL流域位于奥地利的佩岑基兴地区,其地理坐标为北纬48.11–48.16度,东经15.13–15.2度。该流域具有独特的土地覆盖特征,从多瑙河盆地的均匀耕地逐渐过渡到高山森林(见图1a)。不同植被类型对微波信号的敏感度存在差异,这一特点使得该区域非常适合用于评估土壤水分反演算法的性能(Mostbauer等人,2018)。罗马尼亚地区位于北纬44.11–48.19度,东经20.6–27.64度,与该流域具有相同的温带大陆性过渡气候以及类似的植被类型(如森林和草地)(Belgiu和Csillik,2018),因此被用作HOAL流域的跨区域测试区域。特文特地区位于荷兰东部,地理坐标为北纬51.9–52.5度,东经6.16–6.83度。该地区的土地覆盖以草地和耕地为主,城市区域相对集中,地形平坦均匀(见图1b)。这种均匀的农业平原有效减少了复杂地形对遥感信号的干扰(van der Velde等人,2023),为土壤水分反演研究提供了有利条件。德国地区位于北纬50.51–51.13度,东经6.17–6.45度,是其跨区域测试区域。德国地区属于温带湿润气候下的低洼农业地带,其地形平坦、以草地和耕地为主,气候特征也与特文特地区相似(Waldhoff等人,2017),因此适合用作跨区域测试。太浩湖区域位于美国西部的内华达山脉,地理坐标为北纬38.5–39.5度,西经119.5–120.5度。该区域以茂密的常绿针叶林为特色(见图1c)。春季和夏季的土壤水分主要来自融雪,而夏季则相对温暖干燥(Li等人,2024b)。这种季节性的水分变化以及植被冠层对信号的遮挡作用,为评估模型在植被导致信号衰减条件下的季节性土壤水分反演能力提供了条件。内华达州位于内华达山脉以东的半干旱过渡带,植被覆盖率较低(Kirchner等人,2020),其气候与太浩湖区域十分相似,因此被用作太浩湖区域的跨区域测试区域。那曲河流域位于中国西藏自治区,属于半干旱高原地区,气候恶劣,降水量少。该区域以草地为主(见图1d),其土壤水分具有明显的空间变异性(Yang等人,2013)。那曲河流域的空气质量和湿度较低,导致微波信号衰减较弱。此外,该区域相对均匀的土地覆盖也降低了站点空间代表性误差(Peng等人,2025)。所有这些因素都使得该区域非常适合用于评估卫星土壤水分反演算法的性能(Zeng等人,2015)。玛曲和纳里地区均位于青藏高原的高山草甸环境中,分别代表高山草甸和高山半干旱/干旱草甸。由于它们与那曲河流域具有相似的高海拔、低温高原草甸生态背景(Zhang等人,2020),因此被用作那曲河流域的跨区域测试区域。本研究所使用的实地土壤水分数据来自HOAL观测网(Bl?schl等人,2016)、TWENTE观测网(van der Velde等人,2023)、太浩湖附近的SNOTEL观测网(Leavesley等人,2008)、青藏高原中部土壤温度与湿度多尺度观测网(西藏观测站)(Yang等人,2013)、玛曲/纳里观测网(Chen等人,2017)、RSMN观测网以及TERENO观测网(Bogena等人,2018)。这些数据可从国际土壤水分网络和西藏高原数据中心获取。各观测站的测量间隔分别为60分钟(HOAL、TWENTE、RSMN、TERENO和SNOTEL)、30分钟(西藏观测站)或15分钟(玛曲/纳里),并且会在5厘米、10厘米、20厘米和40厘米深度处进行测量。对于每个观测站,5厘米深度处的土壤水分数据会被平均处理为每日值,然后与Sentinel-1的10米分辨率网格相对应。2.2 预测因子
SSM受多种因素通过地表水与能量平衡的影响,这些因素包括植被、土壤质地以及地形特征(Ma等人,2024;Peng等人,2023)。这些因素相互作用,决定了SSM的时空分布规律。与现有研究类似(Zhang等人,2022),本文共提取了五类19项特征作为模型预测因子(见表2),其中包括后向散射观测值、光谱反射率、土壤质地、地形指数以及植被覆盖度。

表2 本研究中所用模型预测因子的信息
预测因子类别 数据集 预测变量 空间分辨率 时间分辨率
后向散射观测值 Sentinel-1 SAR GRD σVV0, can σVH0, can θcan Sentinel-1 DOY 10米 5或7天
光谱反射率 Sentinel-2 MSI Level-2 A 第2、3、4波段 第8波段 第11、12波段 10米/20米 5天
土壤质地 SoilGrids250m 2.0 沙子含量(%) 黏土含量(%) 黏土含量(%) 250米 静态
地形指数 全球30米数字高程模型DEM 斜度 地形表面凸度 地形表面质地 地形崎岖度指数 30米 1天
植被覆盖度 SinoLC-1/ESA WorldCover 10米v200 植被类型 1米/10米 静态

本研究采用了Sentinel-1的C波段(5.405 GHz)后向散射观测数据,包含VV和VH两种极化方式。此外,由于入射角对后向散射有显著影响(Kim和Liao,2021),且土壤含水量会随季节变化(Zhu等人,2025b),因此还纳入了入射角和一年中的日期信息。所使用的Sentinel-1 SAR GRD数据集来自Google Earth Engine平台,经过标准预处理流程,包括热噪声去除、辐射校正以及地形校正。该平台的像素间距为10米,通过整合上升轨道和下降轨道的数据,研究区域的时间分辨率可达5至7天。根据各研究区域实地数据的时间覆盖范围,提取出了覆盖所有SSM监测站的Sentinel-1 GRD像素。SSM的反演结果对入射角十分敏感(Palmisano等人,2020;Shi等人,2020)。为消除由上升/下降轨道以及地形导致的入射角差异,依据Lee等人(2000)的方法,将SAR入射角修正为经斜率调整后的局部入射角:
(1) cosθcan = cosα?cosθsar?cosβ?φsar
其中θcan为经斜率调整后的局部入射角,θsar为需要修正的SAR入射角。斜率角α和方位角β来自全球30米数字高程模型DEM,而SAR方位角φsar则取自Sentinel-1 SAR GRD影像元数据中的平台航向信息。

光谱反射率数据来自Sentinel-2 MSI Level-2 A数据集,同样来自GEE平台。为估算SSM,选择了三个10米的可见光波段(第2、3、4波段)、一个10米的近红外波段(第8波段)以及两个20米的短波红外波段(第11和12波段),因为这些波段均能反映植被信息。该数据集的时间分辨率较高,为5天。根据各研究区域实地数据的时间覆盖范围,提取出了覆盖所有监测站的Sentinel-2 MSI像素。为确保与SAR数据在时间上一致,仅保留那些经过云雪覆盖清理、且获取时间与对应SAR数据相差在3天以内的MSI像素。

土壤质地数据来自空间分辨率为250米的SoilGrids250m 2.0全球土壤性质空间分布图(Poggio等人,2021)。该数据集提取了四个研究区域0–5厘米深度处的沙子、黏土和黏土的含量百分比,因为这些参数能够反映土壤孔隙度、持水能力以及介电常量之间的关系。

地形指数数据来自GEE平台上的DEM GLO-30产品。该产品基于WorldDEM&trade的数字化表面模型(DSM)制作而成(Liu等人,2021)。为表征地表特征,提取了四种地形参数,包括斜度、地形表面凸度、地形表面质地以及地形崎岖度指数(Barman等人,2024)。具体而言,斜度是通过差分梯度算法计算得出的,用于确定平面坐标系中的最大高程变化率,从而体现地形单元的倾斜程度。地形表面凸度是通过二阶导数表面拟合方法计算得出的,用于量化地形表面相对于局部最优拟合平面的凹凸程度。地形表面质地是通过计算梯度场的变异系数来反映微地形变化的频率和强度。地形崎岖度指数则是通过计算中心像素与其周围像素之间的高程差的标准差来体现区域地形的复杂程度。这些参数共同从地形曲率到宏观地形起伏等多个维度描述了地表粗糙度特征,构成了一组具有物理意义的特征集合。

植被覆盖度数据的选取依据是各研究区域的地理位置。那曲地区使用了分辨率为1米的土地覆盖产品SinoLC-1(Li等人,2023;Li等人,2022),而其他三个地区则使用ESA WorldCover 10米v200产品。这一选择是基于数据可用性,因为SinoLC-1仅覆盖中国,而其他地区目前缺乏类似的高分辨率全球数据产品。SinoLC-1是中国首个1米分辨率的土地覆盖专题产品,它是通过跨分辨率深度迁移学习框架生成的。ESA WorldCover 10米v200则是一种全球土地覆盖数据集,空间分辨率为10米,由Sentinel-1和Sentinel-2数据融合生成。植被类型是通过OneHotEncoder进行数值编码的(Sahaar和Niemann,2024)。

所有这些预测因子都是通过匹配实地监测站的地理坐标提取的,随后通过双线性插值法重新采样为10米空间分辨率,以便与Sentinel-1数据保持一致。最终,从HOAL的29个监测点收集到了1086个有效样本,从Twente的19个监测点收集到了2914个样本,从太浩湖的28个监测点收集到了6904个样本,从那曲的28个监测点收集到了3382个样本,这些样本分别构成了各个研究区域的样本集。此外,RSMN的8个监测点提供了1648个样本,TERENO的5个监测点提供了586个样本,内华达州的6个监测点提供了1075个样本,马曲和纳日的31个监测点提供了434个样本,这些样本共同构成了跨区域测试区。每个有效样本包含19个预测因子(见表2)以及一个对应的实地SSM目标值。各区域的训练样本数量(依赖场景)、测试样本数量(独立场景)以及跨区域样本数量(跨区域场景)均列于表1中。具体而言,HOAL的训练样本量为940个,Twente为2460个,太浩湖为5823个,那曲为3025个。这些训练样本用于依赖场景下的模型训练和交叉验证。测试样本量分别为HOAL的146个,Twente的454个,太浩湖的1081个,那曲的357个。这些测试样本用于评估模型在区域内部独立场景下的泛化能力。为验证训练样本与测试样本之间的空间独立性,进行了基于Moran's I的空间自相关分析。在所有四个区域中,Moran's I值均低于0.2,p值大于0.05(见图C1),说明在独立场景下训练样本与测试样本之间不存在显著的空间相关性。此外,还使用了RSMN、TERENO、内华达州以及马曲/纳日的所有监测点数据,来评估模型在跨区域场景下的泛化能力。

2.3 基于AIEM-Oh模型生成的合成数据集
鉴于AIEM模型在共极化(VV和HH)情况下以及Oh模型在裸露表面跨极化情况下所展现出的高模拟精度(Bai等人,2022;Zeng等人,2016),本研究采用了AIEM与Oh模型相结合的方式(AIEM-Oh),以此生成合成数据集。AIEM-Oh模型的输入参数包括入射角θ、均方根高度s、相关长度l、功率指数p以及SSM,它们的取值范围和间隔详细列于表3。该模型共生成了473万条模拟数据,形成了一套包含微波散射机制信息的物理驱动型数据集。这套数据集被随机分为训练集(70%)和测试集(30%),用于深度学习模型的预训练和测试。

表3 AIEM-Oh模型模拟中使用的参数范围及步长
参数(符号) 单位 范围 步长
θ° 10–50 1
s cm 0.1–3.5 0.2
l cm 5–65 5
p –1.2–3 0.1
SSM m3/m3 0.01–0.5 0.02

2.4 用于对比的SSM产品
为了进一步评估所提出方法的稳健性,本研究还使用了两个全球SSM数据集,即SMAP降尺度产品SMAP-DS(Lakshmi和Fang,2023)以及GSSM(Han等人,2023)作为对比。SMAP-DS是基于热惯性理论,从SMAP增强型L2辐射计的9公里分辨率SSM数据中衍生出的降尺度产品,能够提供2015年至2024年的每日0–5厘米分辨率的SSM数据。GSSM则是一种基于物理驱动的随机森林模型生成的高分辨率SSM产品,同样能够提供2000年至2020年的每日0–5厘米分辨率的SSM数据。SMAP-DS可通过NASA国家冰雪数据中心获取,而GSSM则可在GEE平台上找到。

2.5 辅助数据集
根据实地SSM测量数据的时间覆盖范围,本研究从CHELSA-daily(Karger等人,2017)中获取了每日降水量数据。CHELSA-daily是由CHELSA降尺度模型生成的全球性、1公里分辨率的日尺度气候数据集,它以每日总量形式提供降水量数据。这些数据被用于分析降水事件对SSM的影响,同时评估反演模型是否能够捕捉到降水引发的SSM变化。

3 方法
雷达后向散射受到SSM、地表粗糙度、植被参数以及雷达参数的共同影响(见图2)。其中,地表粗糙度和植被参数往往难以获取,而且散射模型本身也存在一定的不确定性,这些都成为从雷达后向散射数据中反演SSM的主要障碍。因此,本节提出了一种基于散射模型的迁移学习框架,旨在无需依赖地表粗糙度和植被参数的实地测量数据,即可实现植被覆盖区域的SSM反演,同时兼顾模型的可解释性和泛化能力。该框架包括一个基于物理散射模型预训练得到的模型,以及多种特征迁移和参数微调策略,同时还包括与传统机器学习方法及现有SSM产品之间的多维度对比评估。所提出框架的整体流程如图3所示。

下载:下载高分辨率图像(566KB)
下载:下载全尺寸图像

图2 植被覆盖表面的微波散射示意图。σ0soil、σ0veg、σ0double以及σ0multi分别代表土壤表面散射、植被散射、树干-表面二次反射散射以及植被-表面多次散射。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图3 本研究开发的深度迁移学习框架的流程图。

3.1 基于物理散射模型的预训练模型
为学习AIEM-Oh模型中所包含的、来自随机粗糙表面的复杂非线性微波散射物理先验知识,本研究提出了一种整合了Transformer编码器与深度神经网络(DNN)的DET架构,其详细结构见附录A。该架构充分利用了Transformer编码器捕捉全局特征交互的能力,以及DNN强大的非线性映射能力,从而实现特征提取与回归任务的联合优化。Transformer编码器能够自动发现全局特征相关性,确定特征重要性,并捕捉多源输入之间的依赖关系,最终为DNN生成高维特征表示,进而准确反演SSM。通过端到端的架构将分层特征学习与SSM估算直接结合,DET在保持高回归精度的同时提升了计算效率,非常适合处理SSM反演任务所固有的时空复杂性。

图3a展示了使用AIEM-Oh散射模型模拟对DET模型进行预训练的过程。在该框架中,SSM被设定为目标变量,而六个输入特征分别为σVV0、σVH0、θ、s、l以及p。

3.2 提出的迁移架构与策略
在植被覆盖区域,预训练好的DET模型的输入特征并不可直接获得,而且AIEM-Oh模型由于存在随机粗糙表面假设等理想化假设,本身也具有一定的不确定性。因此,本研究提出了三种特征迁移策略和四种参数微调方法(见图4),旨在消除植被散射和地表粗糙度的影响,同时兼顾模型的可解释性和泛化能力。

下载:下载高分辨率图像(807KB)
下载:下载全尺寸图像

图4设计了特征迁移策略和参数微调方法。(1) 特征迁移策略。所设计的三种特征迁移策略(见图4)分别为整体迁移、独立迁移和交叉迁移,具体如下。在整体迁移策略中,所有预测因子都被输入到一个密集层中,然后再传递给预训练模型。该策略旨在通过深度学习反向传播机制(图4中的虚线箭头)来减弱植被散射的影响,从而获取土壤表面散射分量,并消除土壤表面粗糙度的影响,进而避免获取土壤粗糙度参数和校准植被散射模型的难题。具体而言,反向传播过程如下:在微调过程中,以预测值与观测到的土壤表面散射强度之间的差异作为损失信号,其梯度通过预训练网络和密集层进行反向传播。由于AIEM-Oh预训练模块被冻结,这些梯度仅用于更新密集层参数。通过迭代优化,密集层能够学会调整与植被相关的变量以及SAR后向散射特征的权重,将受植被影响的观测值转化为更符合预训练模块中编码的裸土散射特性的表示形式。任何导致土壤表面散射强度预测结果与AIEM-Oh给出的先验信息及实际观测值不符的表示形式都会受到损失函数的惩罚。这样,在有监督微调过程中,植被相关的影响就被隐式地抑制了,而非通过物理上的植被散射分解来显式去除。在独立迁移策略中,所有预测因子被分为两组,分别输入到两个独立的密集层中。这两个层各自独立地与预训练模型相连。第一个层用于减弱植被散射影响,以获取土壤表面散射分量,其输入包括后向散射观测值、光谱反射率以及植被覆盖度;而第二个层则用于估算土壤表面粗糙度参数,其输入为土壤质地和地形指数。该策略的依据在于,消除植被散射影响和土壤表面粗糙度的影响是两个具有不同机制的独立过程,期望两个独立的密集层能够分别学习这些机制,从而分别消除这两种影响。在交叉迁移策略中,又在独立迁移的基础上增加了两种交叉连接方式。第二个密集层输出的估算粗糙度参数会与第一个密集层的输入一起使用,这些输入还包括后向散射观测值、光谱反射率以及植被覆盖度。同样,第一个密集层处理后的校正后的土壤表面后向散射值也会与第二个密集层的输入一起使用,这些输入还包括土壤质地和地形指数。设置这种交叉连接的目的是让粗糙度估算值和表面散射估算值在两个分支之间交替传递,从而为观测域转换提供相互约束。为确保评估基准的一致性,这三种迁移策略都采用了相同的架构以及预训练模型的超参数(见表C1),并且还采用了提前停止策略(容忍度为10),以防止模型过拟合。(2) 参数微调策略。由于真实地表具有连续性和复杂性,用于描述地表参数与微波后向散射之间物理关系的散射模型,即AIEM、Oh和WCM,不可避免地依赖于理想化的假设和参数简化。这些简化导致了模型表征结果与实际环境条件之间存在固有的差异。迁移学习框架通过微调从散射模型中学到的预训练模型的网络参数,来缓解这一限制,从而纠正所学到的理想化物理规律与实际数据分布之间的偏差,克服散射模型本身的精度局限。在迁移学习中,冻结选定的预训练层可以保留物理先验知识,而解冻其他层则可以提高模型的泛化能力。为了解决散射模型中存在的固有不确定性,同时解决预训练模型模拟结果与实际地表散射响应之间的差异,并平衡物理散射机制与模型泛化性能,本研究探讨了四种参数微调策略(见图4),包括完全解冻、编码器冻结、DNN冻结和完全冻结。完全解冻会同时更新Transformer编码层和DNN层,虽然能在土壤表面散射强度检索方面提供最大灵活性,但在数据量有限的情况下会增加过拟合的风险。编码器冻结则只对DNN层进行微调,同时保留编码器中的预训练特征提取功能,这样既能实现高效适配,又能降低过拟合风险。DNN冻结则是保持预训练的Transformer编码层不变,仅重新训练DNN层,以此优先实现针对不断变化的数据模式的新型特征提取。完全冻结则是不对任何参数进行更新,适用于那些与真实土壤条件极为相似的模拟土壤环境。3.3 比较评估方法本研究采用了五种机器学习方法以及两种现有的土壤表面散射强度产品进行比较。所采用的两种土壤表面散射强度产品分别是应用广泛的SMAP-DS和GSSM,它们都是四个研究区域中分辨率最高的(1公里级)公开可用产品。五种机器学习方法包括不采用迁移学习的DET算法,以及四种传统的机器学习算法:随机森林、极端梯度提升算法(XGBoost)、DNN和支持向量回归。选择这些传统机器学习算法是因为它们在基于遥感数据的土壤表面散射强度估算领域有着广泛的应用(Pasolli等人,2011年;Zhang等人,2022年;Zhu等人,2025b年)。所有的机器学习模型都经过了基于不同场景的超参数优化,方法是使用不同的随机种子反复对训练集进行随机划分。所使用的机器学习模型的超参数列于表C1中。为了确保可比性,非迁移学习的DET算法保持了与其迁移学习版本相同的超参数配置和架构策略。为了全面评估所提出的基于散射模型信息的深度迁移学习框架的性能,评估工作按照以下步骤进行:(1) 确定最优的迁移模型。在依赖场景下,我们通过每次将训练样本以7:3的比例随机划分,共进行了五次蒙特卡洛交叉验证(Peraza等人,2025年)。对于每个研究区域,都会训练采用不同迁移策略的模型,并比较它们的精度,最终确定最优的迁移模型。(2) 与其他机器学习方法比较。在依赖场景、区域内独立场景以及环境相似的跨区域场景下,将最优的迁移模型与传统的机器学习方法在精度和泛化性能方面进行对比。(3) 与其他1公里级土壤表面散射强度产品比较。在独立场景下,将最优的迁移模型与市面上可获得的1公里级土壤表面散射强度产品进行全面比较,重点考察整体精度、时间动态表现以及细尺度空间细节的提取能力。(4) 在样本量较少的条件下进行评估。在不同训练样本比例的条件下,进一步将最优的迁移模型与其他方法进行比较,以此评估其在现场校准样本有限时的稳健性和精度优势。评估时采用了四种常用的统计指标(Ma等人,2026年;Rong等人,2025年),包括皮尔逊相关系数、均方根误差、偏差以及无偏均方根误差。4. 结果4.1 确定最优的迁移策略将三种特征迁移方法(整体迁移、独立迁移和交叉迁移)分别与四种参数微调方法(完全解冻、编码器冻结、DNN冻结和完全冻结)进行组合,共得到了12种迁移策略。在依赖场景下比较了这些策略的性能,从而确定了最优的迁移模型(见图5)。下载:下载高分辨率图像(4MB)下载:下载全尺寸图像图5. 使用12种不同迁移策略对四个研究区域的土壤表面散射强度进行检索的结果散点图:(a1–l1) HOAL地区,(a2–l2) Twente地区,(a3–l3) 太浩湖地区,以及(a4–l4) Naqu地区。在每个子图中,点的颜色代表概率密度。对角线表示1:1关系线,另一条线则为拟合的线性回归线。图5的(a1–c1)、(a2–c2)、(a3–c3)和(a4–c4)展示了针对四个研究区域——HOAL、Twente、太浩湖和Naqu,采用完全解冻方法时的三种迁移策略的检测结果。以Naqu地区为例,整体迁移策略取得了不错的皮尔逊相关系数值0.821和无偏均方根误差值0.060立方米/立方米,达到了雷达检索领域的公认标准0.06立方米/立方米。在0.100到0.350立方米/立方米的范围内,土壤表面散射强度的检索效果相当良好。采用独立迁移策略后,检索精度有所提升,皮尔逊相关系数和无偏均方根误差分别变为0.834和0.058立方米/立方米。不过,在较高值和较低值区间分别出现了较大的低估和过高估现象。采用交叉迁移策略在一定程度上解决了这一问题,其对应的皮尔逊相关系数和均方根误差分别为0.850和0.055立方米/立方米。其他微调方法也得到了类似的结果:交叉迁移策略的表现始终最佳,其次是独立迁移策略,然后是整体迁移策略。对于另外三个研究区域,也得出了类似的结论。因此,最终选择交叉迁移策略作为最优的特征迁移方法。同样,图5的(a1, d1, g1, j1)、(a2, d2, g2, j2)、(a3, d3, g3, j3)和(a4, d4, g4, j4)展示了在整体迁移策略下,四种参数微调方法在四个研究区域的检测结果。以Naqu地区为例,编码器冻结策略取得了最佳的检测精度,皮尔逊相关系数为0.847,无偏均方根误差为0.056立方米/立方米。与编码器冻结策略相比,完全解冻和DNN冻结策略的检测精度略有下降,皮尔逊相关系数分别下降了0.026至0.036,无偏均方根误差分别上升了0.004至0.006立方米/立方米。而完全冻结策略的精度下降最为明显,皮尔逊相关系数下降了0.135,无偏均方根误差上升了0.018立方米/立方米。在独立迁移和交叉迁移策略下,排序情况也类似:编码器冻结策略依然表现最佳,其次是完全解冻和DNN冻结策略,完全冻结策略的表现最差。在另外三个研究区域,所有微调方法的性能排序也都呈现出相同的规律。总体来看,四个研究区域都呈现出了相同的趋势:采用交叉迁移策略并结合编码器冻结时,检测精度最高,是最优的迁移模型;而采用整体迁移策略并配合完全冻结时,检测精度最低。4.2 与其他机器学习方法比较在依赖场景、区域内独立场景以及环境相似的跨区域场景下,将最优迁移模型的性能与其他基准机器学习方法在所有研究区域进行了比较。如表4所示,在依赖场景下,最优迁移模型在四个区域内的表现均优于其他方法。以Naqu地区为例,最优迁移模型的皮尔逊相关系数为0.871,无偏均方根误差为0.051立方米/立方米。两种集成学习方法——随机森林和XGBoost的表现位居第二,它们的皮尔逊相关系数在0.835到0.821之间,无偏均方根误差在0.056到0.057立方米/立方米之间。深度学习方法——DET和DNN的检测效果则不如集成学习方法,其皮尔逊相关系数在0.812到0.786之间,无偏均方根误差在0.061到0.065立方米/立方米之间,其中DET的表现略好于DNN。相比之下,支持向量回归的表现最差,皮尔逊相关系数为0.702,无偏均方根误差为0.071立方米/立方米。在依赖场景下,另外三个研究区域也观察到了类似的性能排序规律,最优迁移模型始终保持着最佳性能。在HOAL、Twente和太浩湖地区,最优迁移模型的皮尔逊相关系数分别为0.627、0.909和0.904,无偏均方根误差分别为0.052立方米/立方米、0.054立方米/立方米和0.058立方米/立方米。表4. 依赖场景下不同土壤表面散射强度检索模型的统计指标。加粗数值表示表现最佳的指标;仅当p值小于0.05时才显示皮尔逊相关系数数值。模型名称皮尔逊相关系数均值立方米/立方米均方根误差立方米/立方米无偏均方根误差立方米/立方米HOAL地区Twente地区最优迁移模型0.6270.0040.0520.0520.909?0.0100.0550.054随机森林0.568?0.0070.0540.0540.854?0.0010.0590.059XGBoost0.552?0.0040.0550.0550.846<0.0010.0610.061DET0.484?0.0140.0600.0580.8320.0070.0620.062DNN0.411?0.0010.0620.0620.816?0.0060.0640.064支持向量回归0.2900.0020.0730.0730.7120.0050.0770.077空白单元格太浩湖地区Naqu地区最优迁移模型0.9040.0050.0580.0580.8710.0070.0520.051随机森林0.864<0.0010.0620.0620.8350.0010.0560.056XGBoost0.861<0.0010.0620.0620.8210.0080.0570.057DET0.821?0.0010.0650.0650.8120.0090.0620.061DNN0.8050.0030.0670.0670.786?0.0050.0650.065支持向量回归0.6790.0110.0740.0730.702?0.0110.0710.071在独立场景下,所有四种研究区域中不同方法的泛化性能如图6所示。以Naqu地区为例,最优迁移模型的皮尔逊相关系数为0.839,无偏均方根误差为0.054立方米/立方米;两种集成学习方法——随机森林和XGBoost的皮尔逊相关系数分别为0.800和0.780,无偏均方根误差分别为0.058和0.061立方米/立方米;两种深度学习方法——DET和DNN的皮尔逊相关系数分别为0.763和0.734,无偏均方根误差分别为0.063和0.065立方米/立方米;支持向量回归的皮尔逊相关系数为0.676,无偏均方根误差为0.074立方米/立方米。这种性能排序与依赖场景下的结果一致:最优迁移模型的泛化能力最强,其次是集成学习方法(随机森林和XGBoost),接着是深度学习方法(DET和DNN),支持向量回归的表现最差。在HOAL、Twente和太浩湖地区的独立场景测试中也观察到了类似的排序规律,最优迁移模型始终给出最佳结果。对于这三个地区,其皮尔逊相关系数分别为0.718、0.833和0.799,无偏均方根误差分别为0.057立方米/立方米、0.059立方米/立方米和0.057立方米/立方米。下载:下载高分辨率图像(2MB)下载:下载全尺寸图像图6.在独立场景下,最优迁移学习模型RF、XGBoost、DET、DNN和SVR在HOAL地区(a1–f1)、Twente地区(a2–f2)、Lake Tahoe地区(a3–f3)以及Naqu地区(a4–f4)的表现分别如下。图7中的一系列箱线图进一步展示了在独立场景下,四个研究区域中不同测试站的误差指标分布情况。在HOAL、Twente、Lake Tahoe和Naqu地区,最优迁移模型的中位R值分别为0.734、0.778、0.796和0.802,中位ubRMSE值分别为0.053 m3/m3、0.059 m3/m3、0.052 m3/m3和0.051 m3/m3。相比之下,RF在不同地区的中位R值在0.579到0.790之间,XGBoost的在0.573到0.774之间,DET的在0.566到0.764之间,DNN的在0.552到0.751之间,而SVR的在0.258到0.647之间。它们的中位ubRMSE值分别为RF的0.053到0.060 m3/m3,XGBoost的0.054到0.061 m3/m3,DET的0.058到0.071 m3/m3,DNN的0.059到0.073 m3/m3,SVR的0.069到0.081 m3/m3。这些结果表明,最优迁移模型总体上优于RF、XGBoost、DET、DNN和SVR这些机器学习模型。研究结果表明,模型性能会因植被类型而异,但在四种区域和三种场景下,最优转移模型的表现通常优于随机森林。在HOAL地区,无论是农田还是森林,最优转移模型都能获得更高的R值和更低的ubRMSE值。在跨区域场景下,这种优势尤为明显:森林的R值从使用随机森林时的0.194上升至0.439,而ubRMSE则从0.048降至0.039立方米/立方米。在Twente地区,最优转移模型在草地、农田和森林中的表现均显著优于随机森林,尤其是在独立场景下,所有植被类型的R值都超过了0.80,且ubRMSE也低于随机森林的结果。在太浩湖地区也观察到了类似的趋势:在大多数植被类型和场景下,最优转移模型都能获得更高的相关性及更低的误差,仅在跨区域场景下的森林数据中ubRMSE与随机森林相当。在Naqu地区,最优转移模型在草地以及跨区域荒地条件下的表现更为出色,不过在依赖场景下,随机森林在荒地上的表现略好一些。总体而言,在大多数植被类型与场景的组合中,最优转移模型都能获得更高的R值以及更低或与随机森林相当的ubRMSE值,这表明其在不同植被覆盖条件下具备更强的适应性以及更稳定的反演性能。

表5. 在依赖、独立和跨区域场景下,最优转移模型与随机森林在不同植被覆盖类型上的统计指标。加粗数值表示表现最佳的指标,破折号则表示相应场景下该指标无法获取。

研究区域 土地覆盖类型 依赖场景 独立场景 跨区域场景 最优转移模型 R值 随机森林 R值 最优转移模型 R值 随机森林 R值 ubRMSE(立方米/立方米)
HOAL 农田 0.655 0.052 0.581 0.055 0.718 0.057 0.618 0.062 0.362 0.046 0.312 0.048
森林 0.587 0.051 0.556 0.053 – – 0.439 0.039 0.194 0.048
Twente 草地 0.911 0.054 0.879 0.058 0.803 0.063 0.780 0.066 0.573 0.067 0.513 0.073
农田 0.934 0.047 0.889 0.052 0.896 0.043 0.779 0.065 0.681 0.071 0.486 0.072
森林 0.880 0.058 0.788 0.064 0.901 0.044 0.810 0.064 0.549 0.071 0.189 0.101
太浩湖 草地 0.918 0.055 0.881 0.058 0.694 0.052 0.652 0.052 0.575 0.077 0.171 0.093
森林 0.902 0.060 0.862 0.063 0.803 0.057 0.757 0.063 0.503 0.061 0.394 0.061
Naqu 草地 0.873 0.050 0.839 0.055 0.839 0.054 0.800 0.058 0.784 0.091 0.263 0.130
荒地 0.526 0.074 0.530 0.073 – – 0.129 0.061 0.081 0.076 5. 贡献与局限性

为在受植被散射影响且缺乏地表粗糙度数据的区域实现精确的高分辨率土壤湿度反演,我们开发了一种深度迁移学习框架,旨在将模拟环境中的知识迁移到真实土壤环境中(见图4)。我们利用AIEM-Oh模型生成的模拟数据训练DET架构,从而得到一个预训练模型,并设计了三种特征迁移策略:整体迁移、独立迁移和跨迁移(详细内容见3.2节)。图5显示,跨迁移策略的性能优于其他两种策略,这印证了土壤粗糙度估算与植被效应校正之间存在相互依赖关系。为在提升精度与泛化能力的同时保留AIEM-Oh模型中的物理知识,我们探讨了四种参数微调策略:完全冻结、编码器冻结、深度神经网络冻结以及完全解冻。实验结果表明,编码器冻结策略的性能最佳,这说明现实中的土壤偏差主要通过深度神经网络的迭代来修正,而编码器则仍保留着AIEM-Oh模型中的大量先验知识。完全冻结策略的精度最差,凸显了模拟环境与现实环境之间的差距。直接使用散射模型中的先验知识则会降低模型的性能与泛化能力。最终,最优策略是将跨迁移与编码器冻结相结合。

研究设置了依赖场景、独立场景和跨区域场景,用以评估模型的精度与泛化能力。表4显示,在依赖场景下,最优转移模型的表现最佳,R值介于0.627到0.909之间,ubRMSE则在0.051到0.058立方米/立方米之间。两种集成学习算法的表现优于两种深度学习方法,但依旧逊于最优转移模型,这体现了散射模型中的先验知识在提升土壤湿度反演精度方面的重要作用。此外,DET算法的表现也优于深度神经网络,其R值高出约0.016至0.073,ubRMSE则低0.020至0.040立方米/立方米。这表明,结合编码器在识别特征重要性及捕捉多源输入间关联方面的优势,与深度神经网络在非线性回归方面的优势,能够产生协同效应。在独立场景下(见图6),各算法的性能排序基本保持不变,最优转移模型的精度下降幅度极小,这显示出其强大的空间泛化能力,且明显优于其他算法。在跨区域场景下(见图8和C2),最优转移模型依然表现最佳,而两种集成学习算法的表现则不如两种深度学习方法。这可能是因为不同区域间的分布差异较大,依赖区域特定分割规则与经验阈值的集成模型外推能力有限,而基于深度学习的方法则更能从多源输入中学习出可迁移的非线性表征(Wang等人,2023年)。

在四个研究区域中,最优转移模型相比现有的1公里分辨率土壤湿度产品(SMAP-DS和GSSM),能够更准确地反演实地土壤湿度,并提供更丰富的空间细节(见图10、图11)。这些结果表明,所提出的模型能更好地反映各区域的独特气候与地表条件。4月、7月和10月的空间土壤湿度分布图(见图10),以及与实地测量数据的对比图(见图11),进一步证明了最优转移模型与实际土壤湿度状况更为吻合。在HOAL、Twente和太浩湖地区,都观察到了一致的季节性变化规律:夏季比春季和秋季更为干燥。位于阿尔卑斯山区的HOAL,由于冬季积雪与春季融雪,春季的土壤湿度较高。夏季的蒸散作用会消耗水分,而秋季的降雨则有助于补充水分(Mostbauer等人,2018年)。Twente地区属于海洋性气候,春季与秋季的降雨量相对稳定,有助于补充土壤湿度,但夏季较高的温度与辐射强度会加剧蒸散作用,导致水分消耗超过补充量(van der Velde等人,2023年)。在太浩湖地区,春季融雪会提升土壤湿度,而夏季的高温与强蒸散作用则会导致土壤迅速干燥(Li等人,2024b年)。相比之下,Naqu地区由于受亚洲夏季季风影响,夏季降雨量较多,因此夏季的土壤湿度显著高于春季和秋季(Yang等人,2013年)。春季与秋季的干燥天气则与寒冷、少雨的气候条件有关。这些复杂的季节性水分动态使得在过渡期准确量化土壤湿度变得十分困难。

基于SAR数据的土壤湿度反演方法可分为散射模型与机器学习技术两类。虽然散射模型具有物理意义,但其精度通常较低(Chen等人,1995年)。例如,Rahman等人(2008年)将多角度雷达影像与IEM模型相结合,通过迭代优化后,得到的RMSE值为0.07立方米/立方米。作为一种物理模型基准,人们还采用了基于WCM的散射模型。由于无法获取实地的土壤表面粗糙度数据,那些对粗糙度参数如均方根高度和相关长度极为敏感、可能带来较大不确定性的AIEM/Oh型土壤散射模型并未被直接应用,因此仅采用了WCM进行对比。WCM将总雷达后向散射分解为植被散射成分与土壤散射成分,用NDVI表示植被衰减效应,并假设裸土后向散射与土壤湿度之间存在线性关系(Shen等人,2026年)。通过成本函数优化未知参数,以此估算土壤湿度及相关模型参数。但在四个研究区域和三种迁移场景下,基于WCM的模型反演性能较为有限(见表6),其R值普遍低于0.400,ubRMSE值高于0.080立方米/立方米,这说明该模型在区域迁移场景下的稳健性与泛化能力较弱。以往的研究也表明,WCM往往需要与AIEM、IEM、Oh或Dubois模型结合使用,并依靠实测或估算得到的粗糙度参数来约束裸土散射项。例如,Bai等人(2021年)在应用带有粗糙度约束的WCM + Oh/Dubois模型时,得到的ubRMSE值为0.07至0.10立方米/立方米。Cui等人(2022年)将WCM与AIEM/Oh模型结合,用于基于Sentinel-1和ALOS-2的数据进行土壤湿度反演,结果发现在植被覆盖率较高的区域,模型性能有所下降:Sentinel-1的R值为0.65,RMSE为0.14立方米/立方米;ALOS-2的R值为0.79,RMSE为0.076立方米/立方米。与这些带有粗糙度约束的WCM-AIEM/Oh型方法相比,最优转移模型依然具有明显优势。尽管机器学习技术能够实现端到端的反演,并在一定程度上提升精度(Zhu等人,2022年),但它们缺乏物理意义解释(Tan等人,2018年;Zhu等人,2024年;Zhuang等人,2020年)。我们的最优转移模型将散射模型与深度学习相结合,不仅在独立场景下表现出色,其R值介于0.718到0.839之间,ubRMSE介于0.054到0.059立方米/立方米之间,同时还兼具良好的泛化能力与物理可解释性。

表6. 在独立场景、依赖场景和跨区域场景下,基于WCM的土壤湿度反演模型的统计指标。

模型 偏差 R值 RMSE ubRMSE
m3/m3 m3/m3 m3/m3 m3/m3 m3/m3 m3/m3
HOAL Twente WCM(依赖场景) 0.227 –0.220 0.233 0.082 0.213 –0.060 0.122 0.097
WCM(独立场景) 0.194 –0.061 0.104 0.084 0.141 0.004 0.106 0.097
WCM(跨区域场景) 0.177 –0.182 0.199 0.091 0.114 –0.004 0.140 0.139
空白单元格 太浩湖 Naqu WCM(依赖场景) 0.282 <0.001 0.104 0.104 0.384 –0.172 0.189 0.081
WCM(独立场景) 0.140 –0.073 0.155 0.136 0.250 –0.170 0.194 0.096
WCM(跨区域场景) 0.122 –0.061 0.154 0.142 0.126 0.040 0.120 0.113

尽管如此,本研究仍存在一些局限性。最优转移模型在土壤湿度值较低的区域(<0.1立方米/立方米)会高估土壤湿度,而在土壤湿度值较高的区域(>0.35立方米/立方米)则会低估,这可能是由于在土壤湿度较低时未充分考虑体积散射的影响,以及在土壤湿度较高时雷达信号出现饱和现象所致(Zeng等人,2022年)。此外,虽然该模型设计了机制来抑制植被带来的影响,但这仍然是一种隐式处理方式,并未实现植被散射成分与土壤散射成分之间的显式物理分离。由于AIEM-Oh本质上是一种裸土散射模型,因此它在植被覆盖茂密的区域中的应用仍存在局限。此外,该模型仍需依赖本地校准数据来进行迁移与微调,这对于大规模应用而言是一个重大限制。另外,由于同一研究区域内的训练样本与测试样本可能具有相似的水文气候与地表条件,因此所获得的R值可能在一定程度上受益于这些共同的区域特征。这些局限性表明,有限的实地观测数据、区域依赖性以及迁移学习反演方法对数据的依赖性,依然是基于SAR的土壤湿度反演应用面临的主要挑战。此外,由于环境与气候因素存在空间差异,基于局部区域的散射模型参数化方法难以在大范围内应用。若要实现大规模的土壤湿度反演,就需要引入更多的环境参数。

6. 结论

土壤湿度反演面临的主要挑战在于,难以获取散射模型所需的相关输入参数(如地表粗糙度),同时基于机器学习的算法也缺乏物理可解释性。为解决这些问题,本研究提出了一种基于散射模型的深度迁移学习框架,用于在不依赖地表粗糙度与植被参数的实地测量的情况下进行土壤湿度反演,同时兼顾模型的泛化能力与物理原理。据我们所知,这是首次尝试开发一种基于物理约束的深度迁移学习方法,用于植被覆盖区域内的土壤湿度估算。主要研究结论如下:

1)三种特征迁移策略均提升了土壤湿度反演的精度。其中,跨迁移策略不仅能有效缓解植被散射带来的影响,还能解决土壤粗糙度参数的估算问题,因此表现最为优异。在参数微调过程中冻结编码器,有助于最大程度保留物理机制,同时实现最佳的泛化效果。因此,“跨迁移结合编码器冻结”的策略是最优的迁移策略。

2)在区域内部的独立场景下,最优转移模型在四个研究区域(HOAL、Twente、太浩湖和Naqu)中的R值介于0.718到0.839之间,ubRMSE则在0.054到0.059立方米/立方米之间。在环境条件相似的跨区域场景下,其R值介于0.412到0.690之间,ubRMSE则在0.042到0.085立方米/立方米之间。总体而言,最优转移模型的性能远超常用的机器学习算法(如集成学习、深度神经网络和支持向量回归),同时也优于此前发布的1公里分辨率土壤湿度产品,其在整体精度、捕捉土壤湿度时间变化趋势以及呈现更精细的空间细节方面都具有更强优势。

3)总体来看,基于散射模型的迁移模型能够有效消除植被散射效应,无需依赖实地的土壤粗糙度参数,且在植被覆盖区域也能保持稳定的反演性能。

综上所述,所提出的深度迁移学习框架为将物理模型与数据驱动方法有效结合,以实现高精度、高分辨率的土壤湿度反演开辟了新的途径。未来的工作将致力于在不同地面条件下,利用其他频率的卫星数据对该方法进行测试,这些卫星包括P波段的Biomass卫星、L波段的ALOS-2、LuTan-1、NISAR以及X波段的TerraSAR-X和Cosmo-SkyMed卫星,以此进一步验证该方法的可靠性与通用性。

CRediT作者贡献说明
左旺:撰写——初稿、项目管理、方法论、研究实施、正式分析、概念构思。
陈建辉:撰写——初稿、可视化、验证、软件工具、研究实施、正式分析。
曾江源:撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念构思。
黄昌:验证、资金获取。
宋立生:验证、资源协调。
陈颖颖:资源协调、数据整理。
朱六军:撰写——审阅与编辑、监督、项目管理、方法论、资金获取、概念构思。

左旺|陈建辉|曾江源|黄昌|宋立生|陈颖颖|朱六军
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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