本文内容转载自微信公众号：定量遥感+，版权归原作者及刊载媒体所有，所刊载内容仅供交流参考使用，不代表本刊立场。
遥感领域国际权威期刊Remote Sensing of Environment （RSE）发表了袁强强教授研究团队的最新研究成果: “Differentiable modeling to retrieve soil moisture by unifying deep neural networks and the water cloud model”， 测绘学院博士研究生李正昊为第一作者，袁强强教授为通讯作者。参与本研究的还有武汉大学李杰副教授、中国科学院空天信息创新研究院赵天杰研究员和香港浸会大学杨倩倩博士。RSE是遥感领域国际权威期刊，最新影响因子11.1，为中科院一区Top期刊。本项研究得到了国家重点研发计划（2022YFB3903403）等项目资助。
论文简介：
高精度高空间分辨率土壤湿度数据可以为农业和水资源管理提供有效支撑。近年来，合成孔径雷达卫星（SAR）技术的进步为获取高分辨率土壤湿度数据提供了有效途径。目前，机器学习模型已广泛应用于基于SAR数据的土壤湿度反演研究，但这种纯粹数据驱动的方法由于缺乏可解释性和泛化能力而备受争议；基于辐射传输理论的物理反演模型遵循物理定律，但其反演精度常受到不准确的参数输入和复杂的模型结构的影响。探索在高分辨率土壤湿度反演研究中耦合物理机理与机器学习模型的方法，以最大限度地综合两类模型在反演研究中的优势，对于土壤湿度反演及其他地学环境参量遥感反演研究都具有重要意义。
论文提出了一种用于地表土壤湿度反演的可微分模型，该模型通过可微分建模的方式成功耦合了水云模型与神经网络，实现了10米分辨率的高精度土壤湿度区域反演。如图1所示，模型框架由两部分组成，分别是机器学习参数化模块和可微分物理模型模块。在反演框架“端到端”的工作流程中，使用神经网络进行模型的参数化，训练并输出物理模型需要的静态与动态参数，然后将物理参数馈送到可微分辐射传输方程中，最后将模型输出与观测值进行比较从而构建损失函数，使用梯度下降的方法同时完成模型中各神经网络的训练。可微分建模有效地将物理模型参数校准问题转变为神经网络的训练问题，在使反演模型具有物理性的同时，允许模型使用反向传播和梯度下降在所有站点进行同时训练，获得更精确的反演结果。
图1.论文提出的可微分反演模型框架
图2.各土壤湿度反演模型时序分析对比结果
在同其他物理模型与机器学习反演模型（水云模型（WCM）、RF、XGBoost、GRNN和FNN模型）的对比评估中，可微分反演模型在反演精度、空间外推能力、泛化能力等方面都更胜一筹。此外，可微分反演模型可以很好地捕捉土壤湿度变化（如图2），并且在高植被覆盖度、稀疏样本区域都展现出色的反演能力。可微分反演模型有效结合了物理和机器学习模型的优势，在研究区域内提供了高精度高分辨率的地表土壤湿度估计（如图3），同时，其强大的泛化能力也为全球尺度的高空间分辨率地学参量反演提供了借鉴。
图3.滦河研究区可微分模型10m分辨率土壤湿度反演与1km分辨率土壤湿度产品的空间分布、时间序列与反演精度对比图
初审：张艳玲 复审：宋启凡
终审：金 君
往期推荐
资讯
○ 哈尔滨工程大学程建华教授：附加自适应短时高程变化率约束的PPP/INS紧组合增强模型|《测绘学报》2024年53卷第9期
○ 协会通知丨关于举办2024测绘地理信息质量管理及不动产地籍测量与成果应用专题培训班的通知
