第九届青年地学论坛

干旱是全球影响范围最广、造成经济损失最严重的自然灾害之一，直接威胁人类粮食安全和社会经济发展，对土壤墒情的监测预测有利于精细农业降低生产成本，提高人类防旱减灾增产能力。土壤水分主被动监测任务（SMAP）提供了全球范围内的36km，9km的粗分辨率的土壤湿度数据产品。基于机器学习的土壤水分降尺度方法通常是将较高分辨率的光学遥感或微波遥感与SMAP数据进行数据融合建模，从而获得降尺度的效果。这些方法在一定条件和范围内取得了实质性的效果，但是通常缺乏对土壤特性对遥感数据在物理机制上影响的考虑，可解释性差，而且反演精度受到天气情况、植被覆盖度的影响。为了解决上述问题，本实验提出了基于湿润土的广义折射混合介质模型（GRMDM）与机器学习算法的复合模型在美国区域进行了建模，并在9km和1km分辨率下用观测站数据进行降尺度效果检验，具有较好的反演精度。在9km分辨率下，混合模型比SMAP数据集的反演精度更高,在323观测站上相关系数为0.77，提升了23.89%。均方根误差为0.050,降低了39.40%。平均绝对百分比误差为26.36%，降低了38.30%。1km分辨率的数据在另外的40个观测站上进行了验证，混和模型的结果均方根误差为0.058,降低了27.58%。平均绝对百分比误差为24.90%，增加了0.62%。结果显示，结合物理机制的机器学习模型能够高分辨率和高准确性估计近地表土壤湿度。
 

土壤湿度反演,多源数据融合,机器学习,干旱监测