美国大陆地区统一集成土壤湿度数据集：解锁土壤水分奥秘，助力多领域发展

《Scientific Data》：A unified ensemble soil moisture dataset across the continental United States

目前土壤湿度数据存在时空覆盖和分辨率不一致、监测标准缺乏等问题。研究人员开展美国大陆地区统一集成土壤湿度（SM）的研究，整合 19 种不同来源产品，分析其时空变异性。该研究为相关领域提供了全面数据及分析框架，意义重大。

　　在地球的生态系统中，土壤湿度就像一个隐藏的 “幕后英雄”，看似不起眼，却在众多关键环节发挥着不可替代的作用。它不仅影响着植物的 “吃喝拉撒”—— 蒸腾和光合作用，还深度参与水、能量以及生物地球化学循环，对降水和辐射异常也有贡献。在碳循环和陆地 - 大气相互作用中，土壤湿度更是扮演着关键角色，在区域气候变化的舞台上有着举足轻重的影响力。

然而，这个 “英雄” 却面临着诸多困境。在全球范围内，土壤湿度数据存在着严重的缺陷。时间和空间上，数据的覆盖范围十分有限，分辨率也参差不齐，就像一幅拼凑起来的、模糊不清的拼图。而且，监测标准也缺乏一致性，这使得科学家们在利用这些数据进行农业规划、水资源管理、应对气候变化以及保护生态系统时，困难重重。不同来源的土壤湿度数据，如同性格各异的 “选手”，各有优缺点。原位土壤湿度传感器能提供实时数据，但空间覆盖范围小得可怜；遥感产品虽然能进行全球监测，可部分产品的时空分辨率较低，而且在茂密植被覆盖下还会 “失灵”；数值模型和再分析数据集虽能提供长期数据，却又存在不小的不确定性；机器学习模型虽能捕捉土壤湿度的时空变化，但其数据准确性又受采样密度的制约。这些问题就像一道道关卡，阻碍着人们对土壤湿度的深入了解和有效利用。

为了突破这些困境，来自太平洋西北国家实验室（Pacific Northwest National Laboratory）等多个机构的研究人员挺身而出，开展了一项极具意义的研究。他们将目光聚焦在美国大陆地区（CONUS），旨在打造一个全面、统一的土壤湿度数据集，深入探索不同土壤湿度产品之间的差异，评估数据的准确性和可靠性。这项研究成果发表在《Scientific Data》上，为相关领域带来了新的曙光。

研究人员在这场探索之旅中，运用了多种关键技术方法。首先，他们广泛收集数据，从国际土壤湿度网络（ISMN）获取原位土壤湿度测量数据，同时收集了包括土地表面模型（LSM）、遥感（RS）、再分析（RE）和机器学习（ML）产品在内的 19 种网格化土壤湿度数据产品。然后，针对这些数据时空分辨率不同的问题，他们采用了最近邻法和平均法进行重映射，将所有数据统一到 0.25 度的空间分辨率，并处理为月和日时间尺度。为了探究土壤湿度的影响因素，研究人员运用了可解释机器学习（XML）框架，其中极端梯度提升（XGBoost）算法发挥了重要作用，结合 SHapley Additive exPlanations（SHAP）进行深入解读。此外，他们还利用小波分析来研究土壤湿度的频域特征，从不同角度全面剖析土壤湿度数据。

数据记录

研究人员将重新编译的土壤湿度数据统一为 0.25 度和月时空分辨率，命名为 Ensemble Unified Soil Moisture（EnUSM）。2016 - 2020 年的数据可从 Zenodo 获取，数据包含网格化数据（NetCDF 格式）、原位土壤湿度及共定位网格化数据（CSV 格式，用于小波分析），还有用于数据处理和分析的 Python 和 NCAR Command Language（NCL）脚本。此外，部分数据还被重新编译为 0.25 度和日时空分辨率，整个数据包大小为 39GB，日数据可向研究团队申请获取。

技术验证

1. 跨 K?ppen-Geiger 气候分类（KGCCs）的统计验证：研究人员对 19 个数据集在 2016 - 2018 年的地表土壤湿度（0 - 5cm）进行比较和评估。结果发现，从西向东，土壤湿度呈现从干到湿的变化趋势，这与 KGCC 的干湿过渡空间模式相似。不同数据源在不同 KGCCs 中表现出不同的土壤湿度特征，RS 产品相对干燥，RE 数据集通常更湿润，LSM 和 ML 产品的土壤湿度幅度处于中间水平。不同数据类型在不同 KGCCs 中的变异性也有所不同，在 “干旱” 类 KGCCs 中，所有数据类型的变异性相对较小；在 “无干” 和 “干夏” 类 KGCCs 中，RS、RE 和 ML 产品的数据集内变异性更大，不确定性更高。从季节变化来看，“干夏” 类 KGCCs 的土壤湿度季节性变化最大，“干旱沙漠” 和 “温带无干” 类 KGCCs 的季节性变化最小。通过核密度估计（KDE）分析发现，LSM 数据的土壤湿度值在统计上更一致，RS 中 SMAP 和 SMOS 的土壤湿度统计均匀性更高，MCCA 的土壤湿度值更集中，RE 和 ML 数据类型的土壤湿度均值 KDE 呈现高密度值，且空间变异性较大123。
2. 环境因素对土壤湿度的影响：利用可解释机器学习（XML）评估环境因素对不同土壤湿度产品类型空间特征的重要性。结果表明，降水、叶面积指数（LAI）、地表气温和沙含量百分比是决定 19 个数据均值空间分布的主要因素，对土壤湿度空间变异性的总贡献约为 80%。不同数据类型中，各因素的影响存在差异。例如，沙含量百分比对 LSM 土壤湿度特征起着重要作用，而坡度、海拔标准差（SD_elv）和距海岸距离（Dist）等因素对不同数据类型土壤湿度的影响方向和程度也有所不同。此外，研究还发现不同数据类型产品的标准差在西部 CONUS 比东部小，LSM 产品标准差较小，ML 产品在东部沿海地区标准差较大456。
3. 时间小波分析 - 与原位观测比较：通过对不同气候区域的土壤湿度时间序列进行小波功率谱分析，发现不同数据源和气候条件下的小波功率存在差异，这表明不同产品捕捉土壤湿度变异性的能力不同。RS 产品在高频段（对应较小时间周期）系统低估小波功率，LSM 产品在低频段（对应较大时间周期）常高估功率，ML 产品的小波功率谱与选定站点观测值较为接近，其中 ML - GSSM 与站点数据光谱相似性最高，但在不同区域也存在差异，如在干旱沙漠地区高估季节性变异性、低估年际变异性，在温带和 “冷无干” 区域表现最佳78。

研究结论和讨论

这项研究成果意义非凡。它首次对 19 种土壤湿度产品进行了全面评估，深入剖析了美国大陆地区土壤湿度的特征，包括其一致性和不同区域的表现差异。研究提供的土壤湿度数据包，为从事土壤湿度科学相关测量和建模的研究人员提供了宝贵的数据支持，有助于他们更深入地研究土壤湿度动态。同时，研究建立的数据分析框架，为其他地理区域甚至全球范围内的类似研究提供了重要参考，有助于人们更广泛地理解土壤湿度在环境过程中的作用，为深入研究深层土壤湿度动态奠定了基础，这对于表征碳和水相互作用以及水文和农业应用至关重要。

然而，研究也存在一定的局限性。由于不同区域地面实况数据的缺乏，很难确定在某一区域表现最佳的产品在其他区域是否同样出色。这也提示后续研究需要进一步完善标准化协议，提高土壤湿度数据的时空覆盖范围和质量。总体而言，该研究为地球、能源和环境系统相关的短期决策、长期规划以及早期系统认知实践提供了重要依据，帮助相关人员更好地选择合适的数据产品，或根据不同时间尺度的变化有效组合使用这些产品，推动相关领域的发展。