提高MCCA SMAP土壤水分产品在中国的时空空间分辨率:基于机器学习的缩放方法的比较研究

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
• 机器学习应用 机器学习应用

背景情况:

• 土壤湿度对于生态系统过程和陆地与大气相互作用至关重要.
• 目前的被动微波土壤湿度产品缺乏足够的时空分辨率用于微小规模的应用.
• 现有的产品受到不连续的时间覆盖和粗的空间分辨率 (25-55公里) 的限制.

研究的目的:

• 开发和比较机器学习模型,以缩小土壤湿度数据.
• 为了提高多任务组合主动和被动 (MCCA) SMAP土壤水分产品的时空分辨率.
• 用现场数据和三重拼接分析来评估缩小规模产品的性能.

主要方法:

• 开发了四种基于机器学习的缩放方法.
• 在土壤湿度和高分辨率表面参数 (白度,蒸发透气,降水,土壤特性) 之间建立了非线性关系.
• 利用土壤湿度和表面参数之间的尺度不变产生高分辨率地图.

主要成果:

• 所有的缩小模型都显示出与原始MCCA SMAP数据的高度一致性 (R > 0.93,RMSE < 0.033 m3 m−3).
• 随机森林 (RF) 模型的表现优于其他模型,显示出更高的相关性和较低的偏差与现场测量相比.
• 缩小规模的产品准确地捕捉了土壤湿度的时间动态和降水模式.

结论:

• 机器学习缩小规模显著提高了土壤水分产品的空间细节.
• 射频模型提供了一种可靠的方法来生成高分辨率的土壤湿度数据.
• 增强的土壤水分产品具有精细水文建模和区域环境监测的潜力.