用机器学习和多个地理数据缩小1公里的土壤水指数来估计100米根区的土壤湿度
Talha Mahmood1, Johannes Löw2, Julia Pöhlitz2
1Department of Geoecology, Institute of Geosciences and Geography, Martin Luther University Halle-Wittenberg, 06120, Halle (Saale), Germany. talha.mahmood@student.uni-halle.de.
Environmental monitoring and assessment
|August 19, 2024
概括
这项研究使用随机森林模型从1公里到100米的分辨率降低了根区土壤湿度 (RZSM). 增强的分辨率提高了农业水资源管理和灌应用的准确性.
科学领域:
- 地球和环境科学 地球和环境科学
- 遥感 遥感 遥感 遥感
- 农业科学 农业科学
背景情况:
- 根区土壤湿度 (RZSM) 对于农业水资源管理和土地表面过程至关重要.
- 现有的1公里土壤水指数 (SWI) 数据集在空间分辨率上有局限性,需要根区深度优化.
- 精确的RZSM估计对于优化灌和了解水文循环至关重要.
研究的目的:
- 从现有的低分辨率 (1公里) 数据集开发一种方法,以更高的空间分辨率 (100米) 来估计RZSM.
- 将特定于深度的SWI信息与地形合成光圈雷达 (SAR) 和光学数据集成,以改进RZSM估计.
- 评估不同随机森林 (RF) 模型在缩小 RZSM 的性能.
主要方法:
- 采用随机森林 (RF) 缩放技术,以在100米分辨率下估计RZSM.
- 综合科珀尼克全球陆地服务"1公里SWI数据集,包括地形SAR和光学数据.
- 开发并比较了三种射频模型:基于SAR (RF1),基于光学 (RF2) 和基于SAR和光学 (RF3) 的组合模型.
主要成果:
- 使用SAR和光学数据的RF3模型在缩小SWI方面表现出卓越的性能.
- 高分辨率RZSM预测在剩余校正后实现了强大的空间准确性 (R ≥0.94).
- 1公里和100米的产品都与夏季观察到的RZSM有很好的一致性,冬季略有高估.
结论:
- 拟议的随机森林缩放方法有效地提高了RZSM估计的100米分辨率.
- SAR和光学数据的整合提供了一个强大的方法来提高RZSM产品的空间精度.
- 缩小规模的RZSM数据对精确的本地应用具有重大潜力,例如优化灌管理.
