Un conjunto de datos global a largo plazo de humedad del suelo multicapa diaria derivado del aprendizaje automático

Área de la Ciencia:

• Ciencias de la Tierra
• Hidrología
• Ciencia de Datos

Sus antecedentes:

• La humedad del suelo es crucial para los ciclos de energía y agua de la Tierra.
• Los productos existentes de humedad del suelo a menudo carecen de datos continuos y de alta resolución para las capas más profundas del suelo.

Objetivo del estudio:

• Generar un conjunto de datos global, diario y sin fisuras de humedad del suelo multicapa (SWSM) que abarque 2002-2021.
• Proporcionar estimaciones para tres horizontes de suelo distintos (0-10 cm, 10-30 cm, 30-60 cm) con una resolución espacial de 0,05°.

Principales métodos:

• Se utilizó un enfoque de aprendizaje automático (XGBoost) para crear el conjunto de datos SWSM.
• Se aprovecharon las observaciones in situ para la validación rigurosa de los datos generados.

Principales resultados:

• El conjunto de datos SWSM demuestra una alta precisión, con coeficientes de correlación de Pearson > 0,90 y RMSE < 0,05 en todas las profundidades.
• El análisis de importancia de características confirmó la coherencia física del conjunto de datos y los patrones hidrológicos dependientes de la profundidad.

Conclusiones:

• El conjunto de datos SWSM ofrece una cobertura temporal a largo plazo, una resolución espacial fina y una estructura multicapa.
• Este conjunto de datos es un recurso valioso para la modelización hidrológica, la gestión del agua en la agricultura y los estudios sobre el cambio climático.