近日，中国地质大学（武汉）国家地理信息系统工程技术研究中心张翔、陈能成教授团队在水文学顶级期刊《Water Resources Research》（SCI一区TOP，IF=5.240）上发表了题为《A Novel Fusion Method for Generating Surface Soil Moisture Data with High Accuracy, High Spatial Resolution, and High Spatio-Temporal Continuity》的研究成果，提出了一种结合点面融合和深度学习生成高精度、高时空分辨率（每日30m）且时空连续的土壤水分数据的方法（Generate high Resolution, Accurate, Seamless data using Point-Surface fusion，GRASPS）。GRASPS方法在高精度高分辨率及时空连续土壤水分数据降尺度中展现出较好的效果，平均PCC、RMSE、ubRMSE、bias和MAE达到了0.78, 0.048m³m^-3, 0.033m³m^-3, -0.001m³m^-3和 0.041m³m^-3。与现有SMAP L4土壤水分产品相比，PCC、RMSE提高了12.5%和8.7%，与ERA5土壤水分产品相比，PCC和RMSE分别提高了20.9%和36.4%。该研究属于2016年提出的星地数据融合SICR方法（Satellite and In-situ sensor Collaboration Reconstruction）的进一步升级改进。

论文第一作者为武汉大学测绘遥感信息工程国家重点实验室黄舒哲，通讯作者为中国地质大学（武汉）国家地理信息系统工程技术研究中心张翔教授，论文合作者包括中国地质大学（武汉）陈能成教授、顾西辉教授、天津大学董建志教授、韩国韩京国立大学大学Won-Ho Nam副教授、美国哈里斯堡大学付鹏助理教授和德州大学奥斯汀分校Dev Niyogi教授等。

论文信息： Huang, S. et al., 2022. A Novel Fusion Method for Generating Surface Soil Moisture Data with High Accuracy, High Spatial Resolution, and High Spatio-Temporal Continuity. Water Resources Research, e2021WR030827. DOI: https://doi.org/10.1029/2021WR030827

论文链接：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021WR030827

图1. 论文封面

本研究的总体方法框架如图2所示，主要包括四个部分。首先，针对收集到的多源数据集进行必要的数据预处理（如投影、裁剪、重采样等）操作。然后，为了提供高分辨率且时空连续的深度学习输入数据，本研究采用ESTARFM模型对地表温度以及地表反射率进行降尺度，生成30m时空连续的地表温度及反射率数据。之后，本研究采用DBN模型拟合多源土壤水分关联数据与地面实测土壤水分数据之间的非线性关系，生成30m每日且时空连续土壤水分数据。最后，本研究提出一种基于像元分类的误差校正方案，对土壤水分数据的精度进行进一步提升，最终生成高精度30m每日且时空连续土壤水分数据。

图2. GRASPS土壤水分融合框架

结果与讨论

首先，基于ESTARFM对地表温度和地表反射率进行降尺度，并进一步计算得到NDVI和Albedo（图3）。相比于原始的粗分辨率地表温度、NDVI和Albedo，降尺度得到的结果在空间分布上的细节更丰富。通过与Landsat 8计算得到的结果相比较，ESTARFM降尺度的地表温度、NDVI和Albedo的相关系数分别达到了0.91、0.93和0.94。

图3. NDVI、Albedo和LST降尺度结果与精度分析

之后，采用DBN深度学习算法结合多源土壤水分关联输入数据，生成30m每日且时空连续的土壤水分数据。在验证站点上，土壤水分的相关系数、均方根误差以及偏差分别达到0.56-0.96, 0.019-0.076 , and -0.056-0.050 （图4）。

图4. 降尺度土壤水分精度验证散点图

在时间角度，相较于SMAP和ERA5土壤水分数据，降尺度土壤水分能够更好地拟合实测土壤水分数据，并且土壤水分的变化也与降雨事件的分布比较吻合（图5）

图5. 降尺度土壤水分时间分布

在空间角度，比较了降尺度土壤水分与与其关联的地表温度、NDVI和Albedo的空间分布（图6）。图中，土壤水分值的范围为0.2 m³m^-3至0.4 m³m^-3 。可以看到，降尺度土壤水分的空间分布细节与关联变量的空间分布有一定的相似性。较低的土壤水分的空间位置往往具有较高的地表温度。同时，有较高土壤水分值的日期往往对应着较低的NDVI和地表温度。通过计算空间标准差（SSD），降尺度土壤水分在空间分布上的表现明显优于原始的SMAP和ERA5土壤水分。

图6. 降尺度NDVI、Albedo、LST和土壤水分空间分布

为了进一步提高降尺度土壤水分的精度，采用了基于像元分类的误差校正方案。结果显示，经过误差校正，RMSE、ubRMSE、bias以及MAE相比校正前分别降低了13%、7%、22%和18%（图7）。

图7. 误差校正前后降尺度土壤水分精度评估

第一作者

黄舒哲，武汉大学测绘遥感信息工程国家重点实验室2020级硕博连读生（2022级博士），研究方向为多源时空数据融合与干旱灾害应用。

E-mail: szhuang@whu.edu.cn

指导老师

陈能成，中国地质大学二级教授、博士生导师，国家地理信息系统工程技术研究中心主任，入选国家级高层次人才和教育部新世纪优秀人才，科技部“对地观测传感网与智慧城市”重点领域创新团队负责人，ITU-T国际标准主编、《IET Smart Cities》编委。曾任武汉大学二级教授、武汉大学测绘遥感信息工程国家重点实验室主任助理与GIS研究室主任。主要从事对地观测传感网、时空大数据智能、地理仿真决策、数字孪生、智慧城市及智慧流域等研究，主持国家重点研发计划项目、973课题、863项目和国家自然科学基金等科研项目多项，获国家科技进步奖2项，牵头获省部级一等奖3项，发表SCI论文百余篇。

E-mail: chennengcheng@cug.edu.cn

http://grzy.cug.edu.cn/chennengcheng/zh_CN/index.htm

通讯作者

张翔，中国地质大学特任教授，博士生导师，“地大学者”青年拔尖人才，国家地理信息系统工程技术研究中心时空过程预测研究所所长。主要从事时空融合、过程模拟、数字孪生和干旱灾害等理论方法研究工作。

E-mail: zhangxiang76@cug.edu.cn

http://grzy.cug.edu.cn/zhangxiang/zh_CN/index.htm