第七届青年地学论坛

土壤水分作为一种典型地表要素，在不仅是气象、水文和生态等诸多研究领域的核心变量之一，也是支撑国家发展智慧农业、构建重大灾害监测预警系统和建立高精度气象预报系统等诸多实际应用领域的重要数据。截至目前，土壤水分的感知主要包括多源卫星遥感数据反演、地面实测站点监测，以及无人机等空中平台的机动化感知，形成了一个空天地多尺度的土壤水分感知网络。然而，受到各种感知手段本身的限制，目前针对高精度、高分辨率且时空连续的土壤水分感知仍是一个被不断探索的科学问题以及前沿研究方向。例如，卫星遥感平台可以提供面域大范围的土壤水分和关联变量的监测，但由于受到大气环境以及传感器本身的的限制，土壤水分数据的时空分辨率以及连续性无法完全保证。而地面土壤水分监测网络虽然可以提供高精度与时间分辨率的土壤水分数据，但是其空间覆盖范围有限且布设成本较高。
以往针对高精度土壤水分感知的研究主要关注单一或者同质监测能力进行融合（Bai等，2019；Vergopolan 等, 2020）。由于受到观测条件（比如云）和关联观测变量等的限制，土壤水分的融合感知尺度大多都在1km或者更低分辨率（Abbaszadeh等，2019；Wei等，2019）。
基于此，为了突破当前土壤水分融合感知的痛点与难点，本研究将卫星遥感和地面站点这两种异质监测能力的优势进行融合互补，结合目前在数据融合领域具有较强优势的深度学习技术，构建了一种新型的能够生成高分辨率且时空连续的土壤水分感知方法。具体上，首先通过引入遥感数据、再分析数据等多源数据集，结合一种增强型自适应反射率时空融合模型（ESTARFM；Zhu等2010），生成30m高分辨率土壤水分关联变量数据。之后，结合土壤水分背景场数据以及关联变量，构建土壤水分点面深度学习降尺度模型，生成30m高分辨率且时空连续的土壤水分数据。本研究的方法在奥地利的密集分布土壤水分传感网络HOAL进行了验证，结果表明该方法生成的30m×30m土壤水分数据在时间与空间分布上相对于传统的土壤水分数据具有更好的表现力。总体来说，本研究提出的30m高分辨率且时空连续土壤水分感知方法对于精准农业监测以及水文等领域的研究具有重要的价值，并且该方法可以适用于其他的环境变量或者空间尺度。
 

土壤水分,点面融合,深度学习