????地表土壤水分監測對氣象預報、水文研究和氣候變化分析等關鍵領域至關重要。然而，由于現有微波傳感器觀測能力、衛星軌道覆蓋和植被覆蓋等諸多因素影響，當前微波遙感土壤水分產品存在大面積的空值區域，嚴重限制了此類產品的應用。為了解決這一問題，成都山地所趙偉研究員團隊，提出了一種基于深度學習模型的分層數據重建方法，成功填補了歐洲空間局氣候變化倡議（ESA Climate Change Initiative ，CCI）土壤水分產品的空間空白。
????該研究提出的分層重建框架，結合了k-means聚類算法和自注意力深度學習填充模型，專門針對中國區域的應用進行了優化。通過將中國劃分為四個基于氣候差異的子區域，從而為每個子區域獨立訓練了專門的深度學習模型來填補數據空白，相比于傳統的將所有數據一起輸入到深度學習模型中的方法，分區方法可以更好地考慮土壤水分的空間異質性，確保不同氣候特征的像元被盡可能地隔離，同時保留盡可能多的數據用于訓練深度學習模型?；谧宰⒁饬C制的深度學習模型能夠根據降水和植被等輔助信息準確識別土壤水分的動態變化特性從而完成填補。通過分區訓練模型，有效地保留了土壤水分的異質性信息，增強了模型在不同氣候區的適應性和精度。這一方法不僅提高了土壤水分數據的完整性，而且通過交叉對比和擴展三重搭配分析等多重驗證方法，證明了重建數據的準確性。
????研究結果表明，重建數據在四個子區域的模擬數據缺失中顯示出高相關性（相關系數R > 0.90）和低誤差（均方根誤差RMSE < 0.026 m3/m3）。進一步分析表明，重建數據的精度與原始ESA CCI數據相當或更優，在與其他四種土壤水分產品做交叉對比時，重構數據在夏季的相關性系數（R）準確度上顯著提高了約3%。此外，相比于現有的基于深度學習的土壤水分填補方法，本研究所提出的方案極大程度降低了對地面實測數據及其他輔助數據的依賴，增強了模型在不同地理和氣候條件下的普適性和靈活性。
????該研究成果不僅對土壤濕度監測和環境研究的進步做出了有希望的貢獻，也為全球土壤水分數據的重建提供了一種新的技術途徑，并以“Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model”為題，發表在遙感領域1區TOP期刊International Journal of Applied Earth Observation and Geoinformation上。
????論文鏈接：https://doi.org/10.1016/j.jag.2024.104003
深度學習填補模型流程示意圖
土壤水分產品數據重構對比結果