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、陈能成教授团队在农林科学顶级期刊《Agricultural and Forest Meteorology》（SCI一区TOP，IF= 6.424）上发表了题为《Generating high-accuracy and cloud-free surface soil moisture at 1 km resolution by point-surface data fusion over the Southwestern U.S.》的研究成果，提出了一种结合点面融合和深度学习生成大范围高精度、高时空分辨率（每日1 km）且时空连续的土壤水分数据的方法。该方法生成的大范围1 km时空连续土壤水分数据具有较高的精度，平均PCC、ubRMSE和MAE达到了0.89, 0.034m³m^-3和0.032m³m^-3。与现有SMAP L4土壤水分产品相比，PCC、ubRMSE和MAE提高了7.2%、27.7%和37.3%，与ERA5土壤水分产品相比，提高了1.3%、24.4%和63.6%。该研究属于前序WRR论文中提出的GRASPS方法的改进升级，克服了仅采用ESTARFM方法在大范围时空连续地表温度生成时难以获取合格输入参考影像的问题，极大提高了GRASPS方法降尺度的空间范围（从田间尺度到州尺度），使得降尺度土壤水分数据更适用于大范围干旱监测、精准农业和生态水文分析等研究。

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、地理与信息工程学院张翔教授，论文合作者包括中国地质大学（武汉）陈能成教授、武汉大学马宏亮博士、中科院空天信息创新研究院曾江源副研究员、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. Generating high-accuracy and cloud-free surface soil moisture at 1 km resolution by point-surface data fusion over the Southwestern U.S. Agricultural and Forest Meteorology, 321: 108985. DOI:10.1016/j.agrformet.2022.108985

论文链接：https://www.sciencedirect.com/science/article/pii/S0168192322001757

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，本研究首先采用SG滤波迭代法对地表反射率进行插值填补。同时，本研究结合地表温度时空重建技术和ESTARFM模型生成1km每日时空连续地表温度数据。之后，在使用ETC算法筛选可信站点来削减尺度差异带来误差的基础之上，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，生成大范围1km每日且时空连续土壤水分数据。最后，本研究还探讨了该土壤水分降尺度框架对于不同空间尺度的敏感性，并针对误差时空分布进行了综合分析。

图2. 土壤水分融合框架

结果与讨论

首先，基于多变量时空重建技术和ESTARFM模型对地表温度进行降尺度以及空值填补（图3）。该方法弥补了GRASPS框架中仅采用ESTARFM模型在大空间范围下无法筛选输入参考影像（大面积数据缺失）的问题。从图中可以看到，原始MODIS地表温度的空值均被该方法填补。精度验证结果显示，填补后平均PCC、RMSE和MAE分别达到了0.91、3.79 K和2.85 K，证明了该方法的有效性。

  图3. LST空值填补结果与精度分析

之后，在ETC算法筛选可信站点的基础之上，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1 km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PCC、RMSE以及MAE分别达到0.71-0.96, 0.017-0.062m³m^-3和0.010-0.064 m³m^-3（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至0.33 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。

图6. 降尺度NDVI、Albedo、LST和土壤水分空间分布

为了验证ETC可信站点筛选方法对于降尺度土壤水分精度的提高效果，本研究设置并对比分析了不同筛选阈值下降尺度土壤水分的精度（图7）。可以看到，当设置ETC阈值为0.7时，得到的土壤水分精度最高。相比于不采用ETC算法，降尺度土壤水分的PCC从0.878提高到0.89，RMSE和MAE分别降低了15%和18%。

图7.不同ETC阈值下的降尺度土壤水分精度

此外，本研究通过对比1 km、3 km和5 km降尺度结果，探讨了土壤水分降尺度框架对于不同空间尺度的敏感性（图8）。结果显示，随着空间尺度的增大，降尺度的精度呈现上升的趋势。这主要是因为空间尺度的增加降低了土壤水分关联变量在输入到降尺度算法前的降尺度和重采样误差。

图8. 不同空间尺度下的降尺度土壤水分精度对比

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，男，特任教授、博导、时空过程预测研究所所长，主要从事灾害地理与环境遥感方向研究，特别是干旱灾害的监测、分析和预测研究工作。共获得国家级和省部级等项目资助7项，出版专著1部，发表学术论文74篇（一作/通讯40篇），包括ESR（IF=12.413）和RSE（IF=10.164）等领域顶级期刊论文12篇，申请/授权国家发明专利7项。成果入选ESI高被引论文和2017年地球科学TOP100论文，提出的PADI干旱指数作为国际干旱监测分析领域的最新典型进展，并获得国家自然科学基金委报道、哈佛大学和美国NSF时空创新中心等单位学者正面评价。担任国家科技专家库专家、SCI期刊特刊编辑、主题编辑和RSE等期刊审稿人，获得RSE突出审稿贡献证书、中国水运科技进步二等奖等奖励荣誉。

E-mail: zhangxiang76@cug.edu.cn

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