综述：基于深度学习的遥感地表土壤水分监测与预测研究进展

《Water》：Deep Learning for Remote Sensing-Based Surface Soil Moisture Monitoring and Prediction: A Review

　　

地表土壤水分（Surface Soil Moisture, SM）是陆地生态水文过程的关键变量。然而，面向卫星SM估算的深度学习（Deep Learning, DL）架构正经历快速多元化发展，已超出从业者对架构选型的实际驾驭能力。本综述系统梳理了SMAP（Soil Moisture Active Passive）时代（2015–2026年）的37项DL研究，涵盖五大架构族系：多层感知机与物理信息神经网络（Multilayer Perceptron/Physics-Informed Neural Networks, MLP/PINN）、长短期记忆与门控循环单元网络（Long Short-Term Memory/Gated Recurrent Unit, LSTM/GRU）、卷积神经网络（Convolutional Neural Networks, CNN）、卷积长短期记忆与图神经网络（Convolutional LSTM/Graph Neural Networks, ConvLSTM/GNN）以及基于Transformer的模型。研究人员据此构建了架构-任务匹配框架，将各架构族系与其主导估算场景相关联。分析揭示了各架构的稳定专长：MLP/PINN模型利用卫星输入实现了具有竞争力的地表SM反演；循环网络实现了SMAP的时间延展（RMSE ≤ 0.035 m3/m3）；CNN将SMAP降尺度至1 km分辨率（无偏均方根误差ubRMSE接近0.04 m3/m3）；ConvLSTM与GNN解决了时空数据空缺填补问题（低至ubRMSE 0.022 m3/m3）；Transformer则支撑了全球多源融合及十年尺度气候情景预估。在所有架构中，四种物理-深度学习集成模式（硬性架构约束、软性损失函数惩罚、物理作为输入的特征工程以及物理-机器学习混合输出融合）相较于纯数据驱动基线，均实现了8%–50%的RMSE降低。这些发现为从业者提供了可应用于植物水分胁迫生态水文监测、农业干旱、洪水早期预警及陆-气耦合分析的实用框架。

1. 引言

土壤水分（SM）作为陆地生态水文的基石变量，调控着降水向入渗与径流的分配、植被蒸腾与水分可利用性、蒸散冷却驱动的陆面能量通量以及水-碳-能量循环的耦合过程。因此，空间明确且时间连续的SM信息是生态系统水分胁迫监测、农业早期预警及气候影响评估不可或缺的基础。自20世纪70年代末以来，卫星遥感提供了全球SM观测，但2015年NASA SMAP任务的发射标志着技术跨越：其L波段被动辐射测量设定了ubRMSE ≤ 0.04 m³/m³的精度目标及36 km近全球日重访周期。同时，Sentinel-1合成孔径雷达（SAR）提供的10 m双极化C波段观测，首次实现了全球系统性的高分辨率主动微波SM信号获取。然而，现有卫星产品仍面临空间分辨率过粗（9–36 km）难以满足田间及流域尺度应用，以及重访周期与云雪覆盖导致的时序空缺两大局限。SMAP时代恰逢地学DL革命，从Fang等人首次将LSTM应用于北美大陆SMAP时序空缺填补（CONUS地区75%像素RMSE < 0.035 m³/m³），到CNN空间降尺度、ConvLSTM时空填补、GNN传感器网络预测及Transformer全球重建与气候预估，架构演进显著提升了SM信息提取能力。物理引导DL通过嵌入控制方程（如I²EM散射模型、水云模型），在提升精度的同时增强了物理一致性与数据稀缺下的鲁棒性。尽管已有综述涉及AI与SM遥感，但缺乏从架构演进与物理集成的视角对SMAP时代DL研究的系统性梳理。本综述首次构建了架构递进式的DL SM研究体系，明确了五大架构族的适用场景，提炼了四种物理-DL集成范式，并结合评价指标与应用需求，指出了生态水文监测的前沿方向。

2. 材料与方法

为提高透明度与可复现性，研究人员明确定义了文献纳入标准：聚焦SMAP时代基于遥感的表层SM深度学习应用研究。检索策略结合了SM术语、遥感术语及DL架构术语，经标题摘要及全文筛选后，最终核心样本包含37项DL应用研究，排除了综述、方法学论文及深层SM研究。少量根区或非规则网络研究仅作为方法论范例保留。研究涉及的观测数据涵盖三类：卫星SM产品（SMAP各层级产品、Sentinel-1 SAR、AMSR-E/AMSR2亮温、ASCAT散射计及ESA CCI融合产品）、大气再分析与陆面模式输出（ERA5-Land、GLDAS及MODIS光学产品）以及地面验证网络（ISMN、SCAN、USCRN）。在架构介绍中，MLP/PINN适用于表层SM反演；LSTM/GRU及ConvLSTM擅长时序预测与时空填补；CNN主要用于被动微波空间降尺度；GNN适用于传感器网络的图结构时空预测；Transformer则凭借自注意力机制在多源融合与长序列气候预估中表现卓越。这一分类构成了后续应用综述的基础框架。

3. 深度学习在土壤水分遥感中的应用

本节按架构族系分组综述了37项研究的核心发现。3.1 MLP与PINN用于地表土壤水分反演：研究显示，浅层ANN利用多源卫星输入在农业区可实现竞争性精度。Singh等人开发的PIML-SM框架通过将I²EM模型的VV极化后向散射系数作为物理项引入损失函数，仅需78个实测样本即达到R=0.94、RMSE=0.019 m³/m³，较纯数据驱动ANN误差降低50%。Li等人将水云模型（WCM）作为可微骨架嵌入PyTorch，利用全连接网络与LSTM分别参数化静态土壤植被参数与动态植被状态，在严格的空间外推测试中ubRMSE达0.05523 m³/m³，证明了物理嵌入显著提升模型在未知环境下的泛化能力。3.2 基于LSTM和GRU的时序土壤水分预测：Fang等人的开创性工作建立了LSTM在SMAP时序延展中的基准，后续研究进一步拓展了自适应数据集成（DI）内核以实现近实时预报，以及多尺度框架以融合9 km站点观测与36 km SMAP网格。物理引导损失函数（PHY-LSTM/PHYS-LSTM）通过施加土壤水平衡单调性约束，在全球尺度上实现了KGE提升13.6%、RMSE降低8.2%。针对训练数据中极端值分布不平衡的问题，采样加权敏感学习策略有效改善了干旱与湿润极端事件的预测偏差。3.3 基于CNN的SMAP空间降尺度：Xu等人提出的宽深学习（WDL）架构在CONUS地区实现了36 km至1 km的降尺度，ubRMSE达0.041 m³/m³，逼近SMAP任务精度目标。在青藏高原复杂地形区，ResNet表现出最高的稳定性，而热惯性（TI）引导的DenseNet则在提升精度的同时增强了物理可解释性。然而，缺乏亚像元物理约束时，1 km尺度的精度普遍下降。3.4 时空深度学习：ConvLSTM与图神经网络：ConvLSTM通过卷积门控处理栅格数据，在路易斯安那州洪水易发区实现了小时级SM预测。Zhang等人提出的DI_ConvGRU模型结合数据集成框架，在中国区域实现了ubRMSE=0.022 m³/m³的高精度实时预报。GNN通过图卷积处理不规则站点网络，Wang等人构建的SMF4WSN模型在闪电河流域传感器网络中，将48小时预见期的预测精度提升了29.73%，有效克服了传统卷积在捕捉长距离空间依赖上的局限。3.5 基于Transformer及注意力机制的SM估计：Liu等人开发的TSMSNet利用Transformer模拟了2016–2099年全球SM变化，揭示了所有共享社会经济路径（SSP）情景下的普遍干燥趋势。跨注意力机制被用于多源SM产品的自适应融合，Wang等人在黄河流域构建了长达72年（1950–2021）的0.1°分辨率连续数据集。Batchu等人通过融合Sentinel-1/2、SoilGrids及SMAP数据，实现了全球约320 m分辨率的地表SM反演，这是目前该领域最高空间分辨率的成果。

4. 讨论

4.1 架构-任务匹配：五大架构族系呈现出清晰的分工：MLP/PINN主导点尺度反演；LSTM/GRU凭借门控记忆优势占据时序预测核心；ConvLSTM适用于规则栅格的时空填补；GNN针对不规则网络的非局部依赖；Transformer则胜任多源异构数据与长序列全球模拟。这种层次化为从业者提供了基于证据的选择依据。4.2 物理引导深度学习：物理集成通过四种模式（硬性约束、软性惩罚、特征工程、混合融合）显著提升了模型性能。例如，物理约束训练使PIML-SM误差大幅降低，物理引导损失函数使全球LSTM的R²提升20.7%。物理正则化还显著降低了模型对训练数据量的依赖。4.3 持续挑战：尽管进展显著，ubRMSE指标仍高度依赖具体情境，全球尺度下大多徘徊在0.040–0.055 m³/m³，逼近SMAP 0.04 m³/m³目标的案例多局限于特定区域。植被光学厚度（尤其是C波段SAR在高生物量区的饱和及L波段在VWC>5 kg/m²时的退化）仍是主要障碍。此外，训练数据不平衡导致模型对超过75百分位数的极端湿润事件预测能力不足。计算成本随架构复杂度递增（Transformer > GNN/ConvLSTM > CNN > LSTM/GRU > MLP），是业务化运行必须考虑的因素。4.4 生态水文相关性与未来方向：高精度DL SM产品在植被水分胁迫监测、陆地碳循环约束及洪水预警中具有直接应用价值。未来的前沿方向在于利用NISAR L波段SAR解决植被穿透问题，以及通过地理基础模型预训练和物理正则化解决时空泛化瓶颈。同时，将表层SM反演与Hydrus-1D等物理模型或RRE方程结合，向根区及深层（至2 m）土壤水分延伸，是实现从研究能力向业务化生态水文监测基础设施转化的关键。

5. 结论

深度学习已在SMAP时代重塑了遥感SM估算领域。五大架构族系各具专长，物理知识的嵌入已成为提升精度、减少数据依赖及保障物理一致性的主流策略。研究证实，多源卫星融合（SMAP、Sentinel-1/2、ERA5-Land及原位观测）支撑了从1 km日产品到全球320 m产品乃至72年历史重建的多尺度SM产品生产。这些成果为植被水分胁迫、农业干旱及洪水预警提供了高时空分辨率且物理一致的生态水文信息。未来需重点攻克基于NISAR的植被穿透反演、基于基础模型的时空泛化以及物理嵌入式不确定性量化三大挑战，并逐步将应用深度扩展至根区土壤剖面，以全面支撑气候变化下的陆地生态系统韧性评估与水文预测。