基于GEE平台与多源遥感数据融合的60米分辨率农业土壤水分自动反演方法
《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:An Automated Method for Regional-Scale Agricultural Soil Moisture Retrieval Using ISMN Measurements and Sentinel Data in Google Earth Engine
【字体:
大
中
小
】
时间:2025年12月11日
来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 5.4
编辑推荐:
本研究针对现有土壤水分(SM)产品空间分辨率低、模型泛化能力有限的问题,开发了一种基于Google Earth Engine(GEE)平台、融合ISMN原位测量与Sentinel-1/2多源遥感数据的自动化区域尺度农业土壤水分反演框架。通过MIMICS模型理论指导特征选择,并应用随机森林(RF)机器学习算法,构建了60米高空间分辨率SM估算模型。在河南农田区域的验证表明,该方法在低至中等湿度区间(<0.36 cm3/cm3)表现稳健(Bias<0.05 cm3/cm3),为全球尺度高分辨率SM监测提供了可迁移的范例,尤其适用于低矮作物环境。
土壤水分是调控陆地-大气相互作用的關鍵地球物理參數,對全球水循環、能量交換以及農業生態系統至關重要。然而,傳統的地面觀測方法受限于其時空覆蓋範圍,難以實現大範圍、高頻率的監測。儘管衛星遙感技術提供了獲取土壤水分信息的有效手段,但現有的全球土壤水分產品普遍面臨空間分辨率粗(通常為公里級)的瓶頸,限制了其在精細化農業管理、區域水文模擬等實際應用中的價值。此外,基於微波遙感的土壤水分反演模型往往受到地表粗糙度、植被覆蓋等多種因素的幹擾,導致模型泛化能力不足,難以直接應用於大區域尺度。
為了解決這些挑戰,張兆旭、錢磊、邱雨辰、史振偉、孫元恒和徐偉等研究人員在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》上發表了他們的研究成果。他們提出了一個創新的自動化框架,該框架協同利用國際土壤水分網絡的現場測量數據和Sentinel系列衛星的高分辨率遙感數據,並借助Google Earth Engine的雲計算能力,旨在實現區域尺度的高空間分辨率農業土壤水分反演。
研究人員為開展此項研究,主要應用了以下幾個關鍵技術方法:首先,利用簡化的兩層Michigan微波冠層散射模型進行理論模擬,指導後續遙感特徵變量的選擇;其次,通過GEE平台高效獲取並預處理全球範圍的ISMN站點數據、Sentinel-1 C波段SAR後向散射係數(VV、VH極化)和入射角數據、Sentinel-2多光譜反射率數據(B1-B12波段)以及SoilGrids提供的土壤質地(黏土和砂土含量)數據;接著,構建並訓練隨機森林回歸模型,用於建立上述多源特徵變量與地表土壤水分之間的非線性關係;最後,將訓練好的模型與GEE平台集成,實現了對大區域(如河南省)的高分辨率土壤水分產品的自動化生產流程,包括數據獲取、模型計算、單元拼接和農田掩膜等步驟。
研究首先對ISMN網絡中與農作物相關的站點數據進行篩選和處理,最終獲得了50,671條有效的數據記錄及其對應的特徵數據。這些數據隨機分為訓練集(80%)和測試集1(20%)。此外,還在河南省漯河市進行了實地觀測,獲取了兩期共57個採樣點的土壤水分數據,作為測試集2,用於評估模型在不同區域的適用性。數據分析顯示,用於建模的土壤水分值主要集中分布在0-0.6 cm3/cm3範圍內,峰值在0.2 cm3/cm3附近。
使用測試集1對初始隨機森林模型進行評估,結果顯示模型具有很高的預測精度,決定係數R2達到90.47%,均方根誤差和無偏均方根誤差均為4.77%。然而,分析也發現模型在土壤水分較高(>0.4 cm3/cm3)時存在系統性低估的現象。通過特徵重要性分析發現,土壤黏土含量和砂土含量是模型中最主要的預測變量,重要性分別高達32.98%和28.25%,遠超其他光學和雷達特徵。據此,研究移除了五個重要性最低的特徵變量(B7, B6, B8, B9, B8A),在幾乎不損失精度的情況下實現了模型優化。誤差分析進一步表明,模型在土壤水分低於0.36 cm3/cm3時精度最高,偏差大多小於0.05 cm3/cm3。
使用來自河南省漯河市的獨立實地觀測數據(測試集2)對優化後的模型進行驗證。結果表明,模型在該區域的精度雖較測試集1有所下降,但在土壤水分為0.20-0.35 cm3/cm3的區間內仍能提供較為可靠的估算,確認了模型在不同農田區域的遷移適用性。精度下降可能與實地測量誤差、植被物候變化(如小麥收穫)以及遙感數據與地面測量時間不匹配等因素有關。
研究成功應用該自動化流程生成了河南省2018年4月農田區域的60米分辨率月度土壤水分合成圖。結果清晰顯示了河南省土壤水分由北向南遞增的空間格局,這與該地區降水量的空間分布趨勢一致,驗證了反演結果的合理性。同時,也發現了由於土壤質地數據與Sentinel影像之間配準誤差導致的局部異常值問題。
本研究成功構建了一個數據驅動的高空間分辨率土壤水分估算模型。該模型通過協同利用全球ISMN站點測量數據、Sentinel-1/2遙感數據以及SoilGrids土壤屬性數據,並基於隨機森林算法實現。理論分析和實證研究表明,土壤質地參數(黏土和砂土含量)對於提高反演精度至關重要,但必須與Sentinel-1和Sentinel-2數據結合使用。模型在低中等濕度條件下表現優異,但在高濕度條件下存在低估傾向。通過與GEE平台的集成,研究展示了自動化生產大區域高分辨率土壤水分產品的能力,並以河南省為例進行了驗證。該研究推進了微波-光學-土壤屬性數據融合的協同應用,為全球尺度,特別是低矮作物環境下的高分辨率土壤水分監測提供了可遷移的範式和重要的技術見解。未來的研究方向包括整合更多樣化的數據源、評估土壤水分時空變化趨勢的精度,以及將該模型應用於國家乃至全球尺度的土壤水分產品生產。
生物通微信公众号
生物通新浪微博
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