通过次日估算重建方法探索土壤湿度的日变化

《Journal of Hydrology》：Exploring diurnal variation in soil moisture via sub-daily estimates reconstruction

基于生成对抗网络的三维时空土壤湿度数据重建方法及其区域日变化规律研究。

　　本文介绍了一种基于生成对抗网络（GANs）的土壤水分数据重建方法，旨在解决由卫星轨道覆盖和传感器能力限制导致的数据缺失问题。该方法利用深度学习技术优化生成器和判别器网络，从而构建出一个稳健的土壤水分重建模型。通过对NASA的Soil Moisture Active Passive（SMAP）卫星数据进行处理，研究人员成功生成了2015年至2022年间全球范围内的无缝子日土壤水分估计值。验证结果显示，重建后的数据在空间连续性和时间动态性方面均表现优异，尤其是在数据缺失区域，平均无偏均方根误差（ubRMSD）仅为0.052 m3/m3，相关系数（R）达到了0.543，超过了原始数据的性能。这些结果表明，该模型在处理土壤水分的非线性变化和捕捉其时空变异性方面具有显著优势。

土壤水分是陆地水循环中的关键因子，对能量交换和水循环起着重要作用。近年来，卫星遥感技术因其大范围和连续监测的优势，成为研究土壤水分变化的重要手段。当前，用于土壤水分监测的主要遥感波段包括可见光、近红外、热红外和微波。其中，被动微波遥感因其不受地面物体形状和结构的影响，具有较短的重访周期、较长的时间序列和广泛的覆盖范围，成为大规模土壤水分监测的主要方法。尽管现有的土壤水分遥感产品大多基于被动微波遥感，但卫星轨道的限制和载荷探测能力的不足导致了数据在日尺度上的缺失，这阻碍了对土壤水分的无缝监测。这种高比例的缺失数据不仅影响了土壤水分的连续性和完整性，还严重限制了这些产品的下游应用。

为了解决这一问题，重建缺失的卫星土壤水分数据成为一项关键任务。在这一领域，已有诸多研究取得了显著进展。传统的插值方法，如线性插值和样条插值，因其简单且计算效率高，常被用于小规模缺失数据的填充。然而，这些方法在捕捉土壤水分的复杂时空动态方面存在局限，往往导致输出过于平滑，无法反映实际的水分变化细节。为了克服这一问题，研究人员开发了多种改进方法。例如，离散余弦变换（DCT）结合惩罚最小二乘回归的方法被广泛用于填充数据缺失，该方法利用土壤水分数据的三维时空信息进行预测。然而，这种方法依赖于线性关系，难以捕捉数据中的非线性模式。此外，地统计方法，如克里金插值法，通过考虑空间自相关性来提高填充精度。但其性能受到空间同质性假设的限制，这种假设在高空间异质性区域往往不成立，从而降低了其对多样化生态系统中土壤水分变化的准确捕捉能力。

近年来，机器学习方法，如随机森林和支持向量机，进一步提升了数据填充的精度，尤其是在结合辅助数据的情况下。然而，由于土壤水分的时空变化具有高度的非线性和动态性，这些方法在填充严重缺失数据或应对复杂环境条件时仍面临挑战。因此，研究者开始关注深度学习技术在解决此类问题中的潜力。深度学习技术因其在处理复杂非线性问题方面的独特优势而受到广泛关注。例如，卷积神经网络（CNNs）和长短期记忆网络（LSTMs）在数据重建任务中表现出色。CNNs通过其局部感受野能够有效捕捉空间依赖性，适用于具有空间模式的数据。CNNs与自编码器结合使用时，可以通过无监督学习提取低维特征，从而实现对缺失数据的有效重建。LSTMs则专门设计用于处理时间序列数据，能够捕捉长期依赖关系，因此在填充具有时间动态性的数据时表现出色。

在这一背景下，研究人员提出了一种新的深度学习方法，即基于生成对抗网络（GANs）的三维时空重建模型（3DGANs）。GANs作为一种重要的深度学习分支，在自然图像修复领域取得了显著成功，并为重建缺失的遥感图像开辟了新的途径。GANs由生成器（G）和判别器（D）组成，二者通过竞争训练不断优化。生成器负责生成与真实数据相似的数据，而判别器则试图区分生成的数据与真实数据。这种对抗机制能够捕捉复杂的数据分布和特征关系，从而生成高质量的重建结果。此外，GANs在多个领域得到了广泛应用，例如Dong等人（2020）利用条件GANs结合阴影几何约束来重建Shuttle Radar Topography Mission（SRTM）数据。Yang等人（2021）则结合时空特征学习和双向注意力机制，开发了一种有效的GANs模型，用于填补交通数据中的缺失值。这些成功案例表明，GANs在处理复杂数据缺失问题方面具有广阔的应用前景。

在本研究中，研究人员首次将GANs应用于土壤水分重建，提出了一种新的三维时空GANs模型。该模型能够有效重建SMAP土壤水分产品，生成全球范围内的无缝子日土壤水分估计值。通过将该模型应用于SMAP卫星的升轨和降轨数据，研究人员成功填补了数据缺失，生成了2015年至2022年的连续土壤水分数据。这一成果为全球土壤水分监测提供了更加完整和准确的数据支持，有助于更好地理解土壤水分的时空变化规律。

为了评估该模型的性能，研究人员进行了全面的验证。首先，他们对原始和重建后的土壤水分数据进行了时空模式分析，以评估模型在空间分布和时间动态性方面的表现。随后，他们利用现场观测数据对重建结果进行了验证，确保数据在空间上的连续性和时间上的准确性。此外，研究人员还对模拟缺失区域的数据进行了验证，进一步证明了模型在处理严重数据缺失情况下的有效性。最后，他们分析了土壤水分的昼夜变化趋势，发现不同地区呈现出显著的差异。例如，亚马逊和刚果盆地的土壤水分呈现持续下降趋势，而青藏高原、撒哈拉沙漠和澳大利亚中西部则观察到水分增加的现象。在北半球的高纬度地区，春季和夏季的土壤水分变化相对平衡，而秋季和冬季则表现出下降趋势。总体而言，土壤水分的昼夜变化在春季和秋季更为显著，而在夏季和冬季则相对较小。

该研究的结构如下：第二部分介绍了本研究中使用的土壤水分数据产品；第三部分详细描述了所提出的三维时空GANs方法；第四部分对模型的性能进行了全面评估，包括重建结果、现场验证、模拟缺失区域的验证以及对土壤水分昼夜变化的分析；最后，第五部分总结了本研究的关键发现。通过这一系统的分析和验证，研究人员展示了3DGANs模型在填补土壤水分数据缺失方面的强大能力，为全球土壤水分监测提供了新的解决方案。

本研究的创新点在于将GANs技术引入土壤水分重建领域，并开发了一种三维时空模型，以更好地捕捉土壤水分的复杂变化。与传统的插值和机器学习方法相比，3DGANs模型在处理非线性和动态变化方面表现出更强的适应性。通过对抗训练机制，生成器能够不断优化，以生成更接近真实数据的输出，而判别器则通过不断反馈来提升模型的判别能力。这种相互竞争的过程使得模型能够更全面地理解和再现土壤水分的时空特征。此外，该模型还结合了三维时空信息，使其能够同时考虑空间和时间维度的变化，从而在重建过程中保持更高的准确性和连续性。

研究人员还对SMAP土壤水分数据进行了详细分析，揭示了其在全球范围内的分布特点。原始数据在空间分布上存在明显的不均衡性，特别是在北半球的高纬度地区，土壤水分数据的覆盖密度较高，而其他区域则相对稀疏。这种不均衡的分布限制了对全球土壤水分变化的全面理解，尤其是在数据缺失较多的区域。通过应用3DGANs模型，研究人员成功填补了这些缺失数据，生成了更加完整的土壤水分估计值。这一成果不仅提高了数据的可用性，还为相关研究提供了更丰富的数据支持。

在实际应用中，土壤水分数据的完整性对于多种研究领域至关重要。例如，在气候研究中，土壤水分的变化能够影响地表能量平衡和水循环过程，从而对全球气候模式产生重要影响。在农业管理中，土壤水分的准确监测能够帮助农民优化灌溉策略，提高作物产量。在生态学研究中，土壤水分的变化与植被生长、碳循环等生态过程密切相关，对生态系统健康评估具有重要意义。因此，提高土壤水分数据的完整性和准确性对于推动相关领域的研究具有重要价值。

本研究的结果表明，3DGANs模型在填补土壤水分数据缺失方面具有显著优势。其不仅能够有效处理数据中的非线性特征，还能够在空间和时间维度上保持较高的连续性。通过与现场观测数据的对比，研究人员发现重建后的数据在空间分布和时间动态性方面均与实际观测结果高度一致，尤其是在数据缺失较多的区域，模型的性能表现尤为突出。这一成果为全球土壤水分监测提供了新的方法和工具，有助于提高对土壤水分变化的理解和应用。

此外，该研究还揭示了土壤水分在不同地区的昼夜变化趋势。研究人员发现，亚马逊和刚果盆地的土壤水分在昼夜之间呈现持续下降的趋势，这可能与这些地区的植被覆盖和降水模式有关。而在青藏高原、撒哈拉沙漠和澳大利亚中西部，土壤水分则表现出增加的趋势，这可能与这些地区的降水特征和地表特征有关。在北半球的高纬度地区，春季和夏季的土壤水分变化相对平衡，而秋季和冬季则表现出下降趋势，这可能与季节性降水和温度变化有关。总体而言，土壤水分的昼夜变化在春季和秋季更为显著，而在夏季和冬季则相对较小。这些发现不仅有助于理解全球土壤水分的时空变化规律，还为相关领域的研究提供了重要的参考依据。

本研究的成果具有重要的科学价值和实际应用意义。一方面，它为全球土壤水分监测提供了更加完整和准确的数据支持，有助于更全面地理解土壤水分的时空变化特征。另一方面，该模型的成功应用也为其他领域的数据缺失问题提供了新的解决方案。例如，在遥感数据处理、气象预测、生态建模等领域，GANs技术同样具有广阔的应用前景。此外，该研究还展示了深度学习技术在处理复杂非线性问题方面的强大能力，为未来的研究提供了新的思路和方法。

综上所述，本文提出了一种基于生成对抗网络的三维时空土壤水分重建模型，成功填补了SMAP土壤水分数据中的缺失部分，生成了全球范围内的无缝子日土壤水分估计值。该模型在空间连续性和时间动态性方面表现出色，其重建结果与现场观测数据高度一致，特别是在数据缺失较多的区域，模型的性能显著优于原始数据。此外，该研究还揭示了土壤水分在全球范围内的昼夜变化趋势，为相关领域的研究提供了重要的参考依据。这些成果不仅推动了土壤水分监测技术的发展，也为其他领域的数据缺失问题提供了新的解决方案。