《AgriEngineering》：Downscaling SMAP Soil Moisture to 1 km with Machine Learning and MODIS Data for Agricultural Drought Assessment in Békés County, Hungary
编辑推荐：
土壤水分（Soil Moisture, SM）的精确制图对于有效监测农业干旱至关重要。然而，被动微波产品的粗空间分辨率，包括9 km的土壤水分主动被动（Soil Moisture Active Passive, SMAP）反演产品，限制了其在区域和地方尺度上的
土壤水分（Soil Moisture, SM）的精确制图对于有效监测农业干旱至关重要。然而，被动微波产品的粗空间分辨率，包括9 km的土壤水分主动被动（Soil Moisture Active Passive, SMAP）反演产品，限制了其在区域和地方尺度上的有效性。为解决这一局限，研究人员比较了三种基于机器学习的降尺度框架，以将匈牙利Békés县的SMAP SM分辨率从9 km提升至1 km。研究期覆盖2020年至2023年的生长季（4月至10月）。研究人员将一组多时相MODIS派生变量，包括植被指数（NDVI、EVI）、昼间和夜间地表温度（Land Surface Temperature, LST）及蒸散发（Evapotranspiration, ET），连同土地覆盖分类和地形高程，作为辅助预测变量。三种机器学习算法，即随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和梯度提升机（Gradient Boosting Machine, GBM），被训练并评估。结果表明：（1）RF模型在测试阶段（R2 = 0.71，RMSE = 0.0295 m3/m3）及与四个原位监测站验证中具有最高精度，证实了其在当地尺度上可靠的SM估算能力；（2）昼间LST是所有模型中最重要的预测因子，凸显了控制地表SM动态的强烈热-湿耦合作用；（3）经过验证的RF模型生成的1 km标准化土壤水分指数（Standardized Soil Moisture Index, SSI）图有效捕捉了年际干旱变率，识别出2022年7月的严重干旱。总体而言，本研究提出了一种适用于中欧农业环境的高分辨率SM数据降尺度方法。所生成的1 km SM和SSI产品为决策者在干旱期增强规划、通过改进灌溉调度减少农业损失提供了有价值的工具。
**基于机器学习与MODIS数据的SMAP土壤水分降尺度及其在匈牙利Békés县农业干旱评估中的应用**
**一、研究背景与科学问题**
土壤水分（Soil Moisture, SM）是连接地表与大气交互的关键气候变量，对农业生产力和干旱管理具有决定性作用。在中欧地区，包括捷克、斯洛伐克、匈牙利和罗马尼亚，气候变化已显著改变降水格局并增加蒸散发（Evapotranspiration, ET）需求，导致表层土壤水分亏缺和农业干旱频发。传统原位测量虽精度较高，但仅限于点尺度，难以捕捉连续的大范围SM空间格局。被动微波遥感因能穿透云层且不依赖太阳光照，成为大尺度SM监测的首选技术。然而，土壤水分主动被动（Soil Moisture Active Passive, SMAP）任务提供的9 km粗分辨率产品在异质性农业景观中存在明显局限——每个像元平均了大面积内不同作物和土壤类型的信号，丢失了田间管理细节。Békés县地块平均面积仅8至10公顷，9 km分辨率远不能满足田间尺度干旱监测需求。因此，发展有效的降尺度方法以生成1 km高分辨率SM数据，对当地农业干旱评估和灌溉调度具有重要现实意义。
**二、研究目标与总体结论**
本研究旨在：（1）利用MODIS光学/热红外数据及地形、土地覆盖等多源辅助变量，将SMAP 9 km SM产品降尺度至1 km；（2）评估随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和梯度提升机（Gradient Boosting Machine, GBM）三种机器学习算法的预测性能；（3）基于最优模型计算标准化土壤水分指数（Standardized Soil Moisture Index, SSI）用于精细尺度农业干旱监测。研究结果表明，RF模型在测试阶段（R2 = 0.711，RMSE = 0.030 m3/m3）和原位验证中均表现最优；昼间地表温度（Land Surface Temperature, LST）是所有模型中最具影响力的预测因子；基于RF生成的1 km SSI图有效捕捉了年际干旱变率，准确识别出2022年7月的严重干旱事件。该研究发表于《AgriEngineering》。
**三、关键技术方法**
研究人员利用Google Earth Engine（GEE）云平台获取并预处理多源卫星数据。目标变量为SMAP L3增强产品（SPL3SMP_E V5，9 km，仅用清晨降轨数据），预测变量包括MOD13A1（NDVI、EVI，500 m）、MOD11A2（昼/夜LST，1 km）、MOD16A2GF（ET，500 m）、MCD12Q1土地覆盖类型（IGBP方案）及GTOPO30高程数据。所有变量按月份合成，研究期2020至2023年生长季（4—10月）共28个月。预测变量被重采样至10 km（训练）和1 km（预测）两种分辨率，构成约538,061条时空观测样本，按80%/20%随机划分训练与测试集。三种机器学习模型（RF、XGBoost、GBM）经超参数调优后进行精度比较，并以四个OVF农业监测站（Békés、Szeghalom、Nagybánhegyes、Battonya）10 cm深度原位数据进行验证。
**四、研究结果**
**4.1 土壤水分模式**
四个站点的箱线图显示SM变化存在显著的空间异质性。Battonya站呈明显干旱化趋势，SM从2020年约27%降至2022年约20%；Békés站2022年达峰值约26%后2023年降至约21%；Nagybánhegyes站2021年最高（约29%）；Szeghalom站波动最大，2021年最低（约22%）而2023年最高（约30%）。该结果强调Békés县内SM变化模式的复杂性。
**4.2 特征重要性分析**
基于平均杂质减少（Mean Decrease Impurity, MDI）方法，昼间LST（LST_Day_1km）在所有模型中均排名第一（RF：0.428；XGBoost：0.352；GBM：0.718）。ET在RF和GBM中位居第二，夜间LST稳定排名第三。EVI在所有模型中重要性均高于NDVI，而土地覆盖类型在RF和GBM中贡献最低。
**4.3 机器学习模型精度比较**
RF模型取得最优整体性能（R2 = 0.711，RMSE = 0.030 m3/m3，ubRMSE = 0.030 m3/m3，MAE = 0.021 m3/m3），XGBoost次之（R2 = 0.692），GBM表现相对较弱（R2 = 0.507）。RF和XGBoost均满足SMAP任务ubRMSE ≤ 0.04 m3/m3的精度目标。密度散点图显示所有模型的回归斜率均小于1，表明预测SM范围较观测值更窄，这是集成回归模型的常见特征。
**4.4 降尺度SM的空间分布**
对比2022年6—8月月均SM空间分布，RF降尺度1 km产品与原始SMAP 9 km产品均呈现6月至8月的干旱化趋势，且空间格局一致（南部Battonya附近较干、北部Szeghalom附近较湿）。1 km产品提供了更精细的空间细节，反映土地覆盖和地形差异引起的局地SM变化。
**4.5 原位验证**
在四个OVF站点中，RF降尺度产品在三个站点表现优于原始SMAP。Nagybánhegyes站改进最为显著（R从0.419提升至0.520，RMSE从0.096降至0.085 m3/m3）；Battonya站略有改善；Békés站变化不大。Szeghalom是唯一RF表现不及SMAP的站点，可能与该站位于浅地下水影响区、SM动态受毛细上升控制有关。所有站点均存在系统性负偏差，ubRMSE范围为0.0285—0.053 m3/m3，处于SMAP产品可接受范围内。经简单加性偏差校正后，RMSE降低40%至55%。
**4.6 农业干旱指数**
利用训练好的RF模型重建2004—2023年1 km分辨率月SM时间序列，计算生长季平均SSI。结果表明2012年（SSI = ?0.75）和2022年（SSI = ?0.66）为最干旱年份，与匈牙利历史严重干旱记录一致。2022年峰值月份（6月SSI = ?1.87，7月SSI = ?1.88，8月SSI = ?1.38）的空间分布揭示了突发性极端干旱的空间特征，这种精细尺度的旱情格局在原始9 km分辨率下无法识别。
**五、讨论与结论**
本研究中RF的优越性能与其并行集成策略有关——对数据子集构建独立决策树并平均结果，可有效降低卫星输入噪声的影响；而XGBoost和GBM的序列纠错机制在噪声环境下更易过拟合。昼间LST的主导地位反映了SM与地表能量平衡之间的强物理耦合。Szeghalom站的反常表现揭示了降尺度模型的基本假设——SM变异主要由地表能量和植被通量驱动——在浅地下水影响区不成立。研究存在云覆盖导致数据缺失、月时间分辨率无法捕捉短期SM动态等局限，未来将引入Sentinel-1 SAR数据并扩展验证网络。本研究结论如下：研究人员开发了一个融合SMAP 9 km被动微波数据与MODIS光学/热红外多源辅助变量的机器学习降尺度框架，成功生成匈牙利Békés县2020—2023年生长季1 km分辨率SM产品。三种算法中RF精度最高，昼间LST为最关键预测因子。四个原位站验证表明RF降尺度产品总体优于原SMAP 9 km数据。生成的1 km SSI图揭示了粗分辨率无法显现的年际干旱变率，并准确识别出2022年7月为研究期最严重干旱时段，为中欧农业环境下的精细尺度干旱监测和灌溉决策提供了有效工具。
