耦合物理模型和机器学习的微波遥感土壤湿度降尺度研究

20250108

农、林、牧、渔业

本课题的研究目标为建立耦合物理模型和机器学习的微波遥感土壤湿度降尺度方法，为农业生产、干旱监测、以及水资源管理等领域提供多种空间尺度的土壤湿度信息。围绕这一目标，本课题开展了三个方面研究内容，一是微波遥感土壤湿度降尺度因子的提取技术，即为微波遥感土壤湿度降尺度提供基础必须的降尺度因子；二是物理模型和机器学习降尺度方法的耦合策略；三是微波遥感土壤湿度降尺度结果在干旱监测、生态环境监测与评价等领域的应用模型。 研究已在农业干旱监测、生态环境评估等领域展开应用，且取得了初步成果。具体来说，我们首次全面评价了植被绿度类、湿度类、荧光类和温度类遥感信号对植被的干旱胁迫探测的敏感性，发现了不同遥感信号的响应规律及其随气候环境的变化，还提出了一种集成的LST填补与降尺度技术（CPMF），旨在通过结合物理模型、机器学习和时空融合模型，生成每日30米分辨率的全天候LST数据，为微波遥感土壤湿度降尺度因子的提取奠定了坚实的理论与算法基础；基于先进的物理建模和机器学习技术，已提出并验证了多种有效的降尺度方法，如物理模型与机器学习耦合的微波土壤湿度降尺度策略（PH-ML串联模式）和结合物理规则的深度学习模型（PhySoilNet），这些技术已通过各种验证数据集（如SMAP数据集、实测站点数据等）的验证，确保了模型的稳定性和高效性；生成的面向中国大陆区域的高分辨率的土壤湿度产品数据集，已被用于中国大陆农业干旱的时空演变分析，并与实地监测数据进行比对，具有高精度和高实用性，为农业水资源管理部门提供了宝贵的决策依据；通过将物理模型、机器学习算法与时空融合技术进行系统集成，我们开发的局域尺度的植被的干旱监测模型广泛应用于精准农业、灾害预警和水资源管理等领域。这些技术和数据产品在全球范围内的应用已得到广泛认可，为相关领域的技术转化和产业化奠定了坚实基础。

本项目在微波遥感土壤湿度降尺度技术方面取得了一系列创新成果，并在农业水资源管理、干旱监测和生态环境保护等领域具有广泛的应用潜力。为了进一步推动研究成果的转化与应用，建议在以下几个方面进行合作：一是基于本项目开发的微波遥感土壤湿度降尺度方法，能够提供高时空分辨率的土壤湿度数据产品。这一数据产品可广泛应用于精准农业、干旱监测、水资源管理等领域，通过与农业科技公司、环境监测企业、遥感数据处理平台等单位的合作，将该数据产品推广到实际应用中，推动农业灌溉、水资源优化配置等领域的智能化管理。二是针对高分辨率土壤湿度数据，期望开发针对土壤湿度数据处理与分析的专业工具和平台，帮助农业、水利等领域的用户实现数据的高效应用和决策支持，并与相关产业合作伙伴、科技公司等共同推动技术的产品化与市场化。三是本项目已发布的土壤湿度相关数据集在国内外获得广泛使用，希望进一步推动数据共享平台的建设，开展标准化工作，为国家农业气象、水资源管理等领域提供高质量的土壤湿度数据服务。 本项目的研究成果具备较强的市场应用价值和技术领先性，期待通过与各类合作伙伴的深度合作，将研究成果转化为具有实际经济效益的产品，推动科技进步与社会发展。

可国（境）内外转让

本项目面向微波遥感土壤湿度降尺度需求，提出了降尺度因子土壤蒸发效率的逐像元计算方法，建立了串联式和并联式两大类5种物理模型和机器学习算法的融合策略，填补了微波遥感SM降尺度领域相关研究空白，取得了显著的科研成果。随着技术的成熟和应用需求的明确，技术转化的预期效益可以从以下几个方面进行展望：一是经济效益，利用土壤湿度遥感数据和干旱监测模型，可以在农业生产中实现精准化灌溉，优化水资源配置，减少水资源浪费。通过科学的灌溉调度，不仅可以提高农业产量，还能在干旱等极端气候条件下保障粮食安全；植被的干旱监测模型可以为生态环境保护和恢复提供科学支持，尤其在我国干旱灾害频发地区，实时监测植被状况与干旱，可以帮助决策者采取及时有效的应对措施，减轻干旱对生态环境的负面影响；高精度土壤湿度与地表温度等气候变量的精准监测可以为气候变化研究提供关键数据支持，通过气候变化影响评估与预测，能够提前采取有效的减缓与适应措施，减少气候变化带来的潜在损失。二是科技发展效益，随着遥感数据处理技术的不断提升，尤其是遥感数据的高效降尺度与实时分析能力，相关技术的商业化和应用场景将逐步扩展。结合物理模型与机器学习的降尺度方法，能够进一步提高遥感数据的空间精度和应用可靠性，推动遥感技术在农业、水资源、环境等领域的深度应用。 基于现有技术基础和创新成果，研究有助于推动农业、环境保护、气候变化等领域的发展，并为全球气候治理、精准农业和资源管理提供解决方案。未来，通过与政府、企业和科研机构的深度合作，能够充分发挥这些技术的经济、社会和环境效益并促进科研成果的广泛应用。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

局域尺度上的农业水资源高效利用，亟需较高空间分辨率的土壤湿度（SM）数据，微波遥感SM降尺度是实现这一需求的重要途径。本研究首次引入光学/热红外领域的两阶段梯形模式，构建了微波遥感SM降尺度因子的提取技术；其次，率先构建了面向微波遥感SM降尺度的物理模型和机器学习方法的耦合策略；最后，研制了若干微波遥感SM降尺度结果在干旱监测、生态环境监测与评价等领域的应用模型。项目主要创新点是面向微波土遥感SM降尺度需求，提出了降尺度因子土壤蒸发效率的逐像元计算方法，建立了串联式和并联式两大类5种物理模型和机器学习算法的融合策略，填补了微波遥感SM降尺度领域相关研究空白，保持了我国学者在该领域的引领作用。依托本项目资助，在Remote Sensing of Environment、Journal of Hydrology、IEEE Transactions on Geoscience and Remote Sensing等国际著名期刊上发表学术论文16篇，其中SCI文章12篇，EI论文2篇，中文核心论文2篇，本项目第一资助论文12篇；已培养毕业博士研究生2名毕业、硕士研究生14名，已毕业学生中3人获中级职称、多人荣获北京市优秀毕业生、北京市优秀本科毕业设计与国家奖学金；已授权国家发明专利1项、已荣获中国煤炭工业科学技术奖一等奖1项、中国地理信息科技进步奖一等奖1项，已发布科学数据集1套，已转化国家发明专利1项；已衍生出国家级科研项目1项（国家自然科学基金面上项目）；超额完成了本项目的预期考核指标。