同步考虑空间依赖性与时间持续性的基于深度学习的土壤水分空间分辨率提升方法

《Journal of Hydrology: Regional Studies》：Synchronously considering spatial dependence and temporal persistence into a deep learning based method for improving soil moisture spatial resolution

　　

研究区域
淮河流域是中国中东部的重要农业区，具有季风气候、强烈的季节降水变率和频繁的旱涝交替特征。因此，高分辨率土壤水分（soil moisture, SM）信息对于区域水文应用至关重要。

研究重点
研究人员开发了一种混合卷积长短期记忆（convolutional long short-term memory, CNN–LSTM）框架，用于降尺度欧洲空间局气候变化倡议（European Space Agency Climate Change Initiative, ESA CCI）SM产品。整合了气象、植被和地形预测因子，同时ESA CCI数据和密集的原位观测共同约束模型训练。系统评估了预测因子组合、模型结构和目标分辨率。CNN–LSTM优于仅CNN和仅LSTM模型，实现了约0.79的总体相关性和0.041 m³/m³的无偏均方根误差（unbiased root mean square error, ubRMSE）。扩展三重配置（Extended Triple Collocation, ETC）表明，5 km产品达到了0.91的中位相关性和0.018 m³/m³的中位均方根误差，优于ERA5和SMAP。

对该区域的新水文见解
多日累积降水比日降雨量更好地解释了SM变率，表明存在明显的降雨前记忆效应。降水主要控制干湿转换，而植被和地形调节空间再分配和水分保持。1 km比5 km的精度更低揭示了尺度依赖性，表明过细的降尺度可能引入无依据的空间变率。总体而言，5 km产品更可靠地保留了流域尺度的SM梯度和季节动态。

土壤水分是调控陆-气相互作用、水文循环和农业生产的关键变量。然而，当前卫星遥感土壤水分产品（如SMAP、SMOS和ESA CCI）的空间分辨率一般为25–36 km，难以支撑流域尺度的水文模拟与农业管理。尽管已有多种基于统计回归或机器学习的降尺度方法，但仍存在空间依赖性与时间持续性未能有效协同、环境预测因子贡献不清、目标分辨率选择缺乏依据等问题。为此，研究人员在淮河流域开展了基于深度学习的高分辨率土壤水分降尺度研究。淮河流域是中国中东部重要农业区，具有典型的季风气候和旱涝交替特征，234个土壤水分观测站点提供了密集的原位数据支持。研究开发了一种优化、双约束、尺度感知的CNN-LSTM框架，旨在回答预测因子、模型结构及目标分辨率对降尺度性能的影响。该论文发表于《Journal of Hydrology: Regional Studies》。

研究人员主要采用如下关键技术方法：构建混合卷积长短期记忆（Convolutional Long Short-Term Memory, CNN-LSTM）网络，其中CNN分支使用三种并行卷积核（1×1、3×3、5×5）提取空间特征，双向LSTM层（256隐藏单元，序列长度30天）建模时间依赖性。输入数据包括CN05.1网格化气象数据（降水、温度、湿度、风速、日照等）、MODIS NDVI、SRTM地形因子（坡度等），以及ESA CCI-Combined土壤水分产品。模型训练以ESA CCI和原位观测为双约束，损失函数为双尺度均方误差加L1正则化。研究基于淮河流域234个站点（2012–2017年）的观测数据，并利用扩展三重配置（Extended Triple Collocation, ETC）进行独立精度评估。

结果方面，按原文小标题分述如下：

4.1 降尺度因子的优化选择：通过Pearson相关系数和互信息分析，发现4天累积降水与土壤水分相关性最强，相对湿度、最低温度、日照时数和NDVI具有较强非线性关联；坡度被选为代表性静态地形因子。

4.2 不同降尺度模型的性能比较：将CNN-LSTM与CNN-only和LSTM-only对比，CNN-LSTM整体最优，与原始ESA CCI相比R=0.797，MSE=0.0017 m³/m³，站点验证中位R约0.6，误差最低。

4.3 不同降尺度分辨率的性能评估：比较12.5、5、2.5和1 km分辨率，发现2.5 km与5 km精度差异不显著（p>0.05），而1 km误差增大、相关性降低，表明过细降尺度会引入不可靠的空间变率，最终选择5 km作为生产分辨率。

4.4 不同输入因子组合下的建模性能：逐项剔除变量实验显示，去除坡度、NDVI或4天累积降水导致性能显著下降，而去除相对湿度、日照时数或最低温度在MSE上略有改善，说明部分气象变量存在冗余。

4.5 降尺度土壤水分数据集的精度评估：最终5 km产品再现了淮河流域西北至东南的土壤水分梯度和春夏秋旱情特征；ETC评估显示其中位相关性为0.91，中位RMSE为0.018 m³/m³，优于ERA5和SMAP。

讨论部分围绕三个问题展开：环境预测因子中，降水主要控制干湿转换，NDVI和坡度提供空间约束，各因子贡献互补；尺度效应表明，降尺度并非越细越好，需与输入数据有效信息尺度匹配，5 km是兼顾细节与可靠性的实际选择；CNN-LSTM框架的优越性来自空间与时间特征的联合学习，且双约束训练增强了稳定性。研究也指出，输入数据误差、5 km分辨率对复杂地形的局限性以及深度学习可解释性不足等不确定性仍然存在。

研究结论可概括为：研究人员开发了一种优化的双约束CNN-LSTM框架，通过整合多源环境预测因子、卫星产品和密集原位观测，在淮河流域成功降尺度ESA CCI土壤水分产品。多日累积降水体现了前期降水记忆，主要控制时间上的干湿转变，NDVI和坡度提供空间水分再分配信息。CNN-LSTM优于单一结构网络，并显示出明显的分辨率依赖性，5 km产品比1 km产品误差更低、相关性更高，平衡了空间细节与估计可靠性。最终生成的每日5 km数据集再现了流域尺度水分梯度和季节干旱特征，ETC评估证实其精度优于ERA5和SMAP。该研究强调，可靠的降尺度需要综合考虑环境控制、观测约束、模型结构和目标尺度。