原創 周洋 等 氣象學家

土壤濕度是陸-氣相互作用中的一個關鍵要素，在受到天氣和氣候影響的同時還會進一步反饋大氣。因此，連續且準確的土壤濕度數據對陸-氣相互作用研究和氣候預測至關重要。然而，無論站點觀測還是衛星遙感的土壤濕度均存在時-空不連續問題，特別是在逐日尺度。為解決這一問題，近日南京信息工程大學“陸-氣相互作用團隊”聯合國家衛星氣象中心、江蘇省氣象局、江西省氣象局和浙江省氣象局等多家單位開展合作，基于深度機器學習和衛星遙感技術創建了一套生成中國東部逐日時空連續土壤濕度的方法。該成果以南京信息工程大學 副教授 周洋 為第一/通訊作者發表在國際水文學的重要期刊Journal of Hydrology（IF: 6.708 Q1）上，合作者有張艷研究員、汪如良、陳海山教授、趙起帆、劉濱碩、邵清、曹璐、孫善磊教授。該成果為國家自然科學基金面上項目“中國東部土壤濕度對盛夏西太副高次季節進程的影響機理”提供了數據支撐，也為土壤濕度數據處理方法提供了一定的參考。

圖1 卷積神經網絡結構（詳見原文）

論文指出利用多層感知器神經網絡（multi-perceptron, MLP）和卷積神經網絡可以有效地對極軌衛星遙感的土壤濕度數據進行插補和訂正，包括我國的風云3C、歐洲的SMOS和美國的SMAP衛星。首先，利用陸面和大氣再分析資料作為MLP的輸入，讓MLP學習再分析資料與衛星產品之間的聯系，再利用這一聯系對衛星產品中的缺測值進行插補。經驗證發現MLP能夠利用再分析資料較好地估計出遙感的土壤濕度。其次，利用插補后的時-空連續的衛星資料作為卷積神經網絡的輸入，讓卷積網絡學習衛星數據和站點觀測數據之間的聯系（圖1），最后完成對衛星數據的訂正。訂正后的土壤濕度數據在無偏差相關系數和均方根誤差上具有較大的提升，說明該訂正數據較衛星數據精度更高（圖2），同時該數據更好地展現出與降水空間型之間的聯系，而衛星數據在這方面表現較差。然而，由于使用的觀測站點有限，訂正后的數據在整個中國東部的平均空間分布上還存在缺陷，但是隨著觀測站點的增加該技術有能力生成平均空間分布合理的數據。

圖2 卷積網絡模型驗證（詳見原文）

文章在最后對深度學習模型輸入變量的敏感性進行了討論，并且討論了機器學習與動力和線性回歸模型的差異。當輸入變量改變時，動力模型中的物理定律不會改變，線性回歸模型中最小二乘法則不會改變；但是，在機器學習中模型為了得到“最好”的關系，會改變輸入量與目標值之間的“法則”。因此，在動力模型和線性回歸中，可以“較易”地對各變量的相對重要性進行探討。而在機器學習中，類似研究是困難且復雜的，同時隨著機器學習技術的更新換代，機器學習中的“法則”也會隨之改變。由于機器難以預測沒有“學習”過的聯系，較少的站點觀測難以生成合理的平均空間分布。

論文引用：Zhou, Y.*, Y. Zhang, R. Wang, H. Chen, Q. Zhao, B. Liu, Q. Shao, L. Cao, and S. Sun, 2023: Deep Learning for Daily Spatiotemporally Continuity of Satellite Surface Soil Moisture over Eastern China in Summer. Journal of Hydrology,619, 129308. doi: https://doi.org/10.1016/j.jhydrol.2023.129308

支撐項目：國家自然科學基金面上項目“中國東部土壤濕度對盛夏西太副高次季節進程的影響機理（42175030）”

通訊作者信息：http://faculty.nuist.edu.cn/zhouyang/zh_CN/index.htm

（周洋博士個人主頁）