基于机器学习和数据融合的FY-3B土壤湿度数据高分辨率重建方法研究

Soil water is a significant variable in global water cycle, and is an important medium in energy between the land surface and the atmosphere. Temporally and spatially continuous soil moisture datasets are essential for the understanding of global water cycle and climate change. Moreover, the soil moisture datasets are essential for a number of applications in hydrology, meteorology, climate changes, and water resources management. Satellite remote sensing have provided possibilities for retrieval global soil moisture at daily or hourly basis. However, the coarse spatial resolution and the data gaps have greatly reduced their potential values in large numbers of practical and regional applications. The FY-3B satellite, which is China’s second-generation polar-orbiting meteorological satellites, was launched on November 5, 2010, and the FY-3B/MWRI (Microwave Radiation Imager) daily soil moisture (0-5 cm) product includes values retrieved by measurements from ascending and descending half-orbits, which are composed separately. In this study, we will validate and evaluate the FY-3B soil moisture products based on in situ networks. Then the reconstruction model for the FY-3B daily soil moisture products is to be established by using k-NN, Random Forest, Support Vector Machine, and artificial neural network, respectively. The reconstructed soil moisture products by using different algorithms are compared and evaluated. Finally, spatially and temporally continuous soil moisture products are generated by using the best reconstruction model. The study is expected to provide references and feedback for improvements of the FY-3B soil moisture products, and is helpful for developing new data fusion algorithms for domestic meteorological remote sensing data.

时空连续的土壤湿度数据对于深刻理解全球水循环和气候变化、干旱监测、水资源管理等具有重要的科学意义和实际意义。卫星遥感是获取全球土壤湿度状况的重要途径。然而，由于卫星轨道的限制以及反演算法的缺陷，遥感土壤湿度产品存在较多数据缺失，加之较低的空间分辨率，大大降低了其在实际应用中的价值。本研究以我国自主研发的FY-3B卫星数据产品为对象，在对FY-3B土壤湿度产品验证与评价的基础上，通过融合植被指数、地表温度、反照率、土地覆盖等多源遥感产品，将遥感数据的空间重建技术与降尺度技术相结合，研究FY-3B土壤湿度数据的高分辨率重建技术。并对比几种常用机器学习算法（k邻域、随机森林、支持向量机、人工神经网络）在重建中的精度和适用性，最终形成时空连续的高分辨率土壤湿度日产品。本研究对于提升国产卫星土壤湿度产品的质量和精度，推动国产气象卫星数据融合算法具有重要的实际意义和参考价值。

时空连续的土壤湿度数据对于深刻理解全球水循环和气候变化、干旱监测、水资源管理等具有重要的科学意义和实际意义。卫星遥感是获取全球土壤湿度状况的重要途径。然而，由于卫星轨道的限制以及反演算法的缺陷，遥感土壤湿度产品存在较多数据缺失（data gaps），加之较低的空间分辨率，大大降低了其在实际应用中的价值。本研究以我国自主研发的FY-3B卫星为研究对象，在对FY-3B土壤湿度产品验证与评价的基础上，通过融合植被指数、地表温度、反照率、土地覆盖等多源遥感产品，将遥感数据的空间重建技术与降尺度技术相结合，实现FY-3B土壤湿度数据的高分辨率重建。并对比几种常用机器学习算法（k领域、随机森林、支持向量机、人工神经网络）在重建中的精度和适用性，最终形成时空连续的高分辨率土壤湿度日产品。本研究对于提升国产卫星土壤湿度产品的质量和精度，推动国产气象卫星数据融合算法具有重要的实际意义和参考价值。本项目取得主要结果如下：.1）针对国产风云卫星系列土壤水分产品质量不明确问题，设计实验对其时空序列完整性和数据精度进行评价验证。研究结果表明：最高的风云卫星土壤水分覆盖率出现在每年夏季的20–60 °N 、20–50 °S地带；经地面站实测数据验证，风云系列土壤水分产品在北半球的精度优于南半球；植被愈密集的区域，风云卫星土壤水分产品高估愈显著。.2）针对卫星土壤水分数据空值图斑普遍存在的问题，设计构建土壤水分补全重建模型，对比分析机理可解释的经典统计学算法(Triangle)和黑箱模型机器学习算法(Random Forest)在卫星土壤水分重建中的性能。结果表明：Triangle和RF重建结果均与站点实测值拟合良好，但RF与原始土壤水分的拟合度较Triangle更胜一筹，表明机器学习模型在拟合复杂非线性映射关系中的优越性。补全后的土壤水分产品数据缺失百分比下降20%；与原始数据相比，补全后的数据与地面站实测数据的取值分布更为接近。.3）针对卫星土壤水分数据空间分辨率过低问题，在全球选取四个典型区，考虑土壤水分与地表参数的关系，设计构建机器学习算法模型对其进行超分辨率重建，将土壤水分空间分辨率由25km降至1km。结果表明：基于随机森林算法的重建结果取得最优精度；各典型区之间横向对比结果表明，位于一个气候区、地势起伏缓和、植被密度适中的区域的降尺度结果较好。