中国科学院生态环境研究中心傅伯杰研究团队将遥感大数据与机器学习相结合，融合多种主、被动微波遥感反演的土壤水，包括AMSR-E, WindSat, TMI, ASCAT, SMOS, FY（风云）和AMSR2等，并统一校正至最优遥感土壤水数据SMAP同等精度水平，构建了2003~2018年时间上连续、空间上全覆盖的（除冰雪）的遥感土壤水产品（空间分辨率为0.1度，时间分辨率10天）。该产品较ERA5-Land, GLDAS，ASCAT-SWI，CCI和GLEAM更准确地反映全球表层土壤水的年内变异性，年际趋势和空间异质性，有效提升了微波遥感全球土壤水数据的精度和应用价值。
研究发展的神经网络大数据分析方法具有以下四个特点：1）是结合机理的神经网络，将微波辐射传输过程的影响因子参与神经网络的训练； 2）区别于常用的全局性网络，采用区域化的神经网络精准刻画局地性的地理规律。同时发展了边界模糊处理算法，以整合全局性网络的优点；3）多轮次迭代性的神经网络，上一级神经网络模拟的输出会转化成下一轮次神经网络训练的输入-训练目标，以延伸训练目标数据的时间跨度，有效克服各微波传感器时间跨度均有限且时间范围各不相同的特点，并充分利用所有的微波传感器信息，形成长时间上连续的序列；4）是多层次且有组织的神经网络的集合。在各轮次下，有多个子步骤，而每个子步骤下又有多个独立的神经网络，最后每个独立神经网络包含很多局域性子网络，共涉及5个轮次、8个子步骤、67个独立神经网络和无数局域子网络，是一套神经网络组合系统，一定程度上扩展了基于神经网络的大数据分析的外延，且算法对于未来新型土壤水分遥感产品有包容性。
这一研究成果近期发表在国际著名数据期刊Earth System Science Data，同时数据产品发布于国际著名的地球与环境科学数据平台PANGAEA。论文第一作者是博士研究生陈永喆，通讯作者是冯晓明研究员。该研究得到了国家重点研发计划项目、国家自然科学基金项目和中国科学院项目等的资助。
论文链接：https://essd.copernicus.org/articles/13/1/2021/
数据链接：https://doi.pangaea.de/10.1594/PANGAEA.912597
图1：全球表层土壤水数据的时空格局（2003~2018年）；（a）全球表层土壤水数据的空间格局；（b）GLDAS表层土壤水空间格局；（c）表层土壤水随纬度的变化（-60°S~80°N）的对比；（d）表层土壤水分2003~2018年间年际趋势的空间分布；（e）GLEAM表层土壤水数据的年际趋势图；（f）本数据集与GLEAM数据的年际动态对比。在（a~b）中，红色圆圈表示本研究结果对比GLDAS数据在空间格局上有明显差异的地区，而在（d~e）中，红色圆圈表示表层土壤水减少的地区，蓝水圆圈是土壤水增加的地区。
图2：全球表层土壤水数据的年内变异及其与降水动态性的关系：（a）表层土壤水达到年内最大值的时间点（单位：10天）；（b）表层土壤水的年内波动幅度；（c）表层土壤水与降水的年内波动的相关系数；（d）表层土壤水对降水峰值响应的时滞，单位：10天），左下方小插图为频率分布直方图；（e）在全球不同地区，当干旱事件（连续无有效降水的情况）发生在一年中第几个十天时，表层土壤水分下降最快；（f）若干旱事件随机发生在一年中任何一个时间段，连续10天无有效降水后土壤水的减少量。
城市与区域生态国家重点实验室
2021年1月6日
