新发布！基于AVHRR卫星数据和深度学习模型的全球土壤湿度数据集，覆盖1982至2021年
长时间尺度的土壤湿度（SM）数据集对气候变化研究和农业水资源管理具有重要价值。然而，现有的全球土壤湿度数据集往往存在较大的偏差、较低的空间分辨率或时间空间不完整等问题。为了解决这一挑战，Yufang Zhang等学者在Earth System Science Data期刊上发布了1982至2021年全球每日5公里分辨率的土壤湿度产品。该产品利用了四十年来的AVHRR卫星数据，结合多源数据和基于注意力机制的深度学习模型，开创了一个无缝的全球土壤湿度估算方法。
英文题目：A seamless global daily 5 km soil moisture product from 1982 to 2021 using AVHRR satellite data and an attention-based deep learning model
中文译名：使用AVHRR卫星数据和基于注意力机制的深度学习模型，无缝构建1982年至2021年全球每日5公里土壤湿度产品
发布时间：2025年1月16日
发表期刊：Earth System Science Data
第一作者：Yufang Zhang et al
第一单位：西北工业大学
DOI：10.5194/essd-2024-553
研究目标：构建一个全球范围、空间分辨率为5公里的土壤湿度数据集，涵盖1982年至2021年，并利用深度学习（DL）方法提高土壤湿度估算的准确性。
研究方法：通过集成AVHRR卫星的反照率和地表温度产品，结合多源数据，采用长短时记忆（LSTM）模型、双向LSTM（Bi-LSTM）、基于注意力机制的LSTM（AtLSTM）和Transformer模型，对土壤湿度进行估算。最终确定AtLSTM模型为最佳模型。
研究成果：该研究构建的GLASS-AVHRR土壤湿度产品，具有较高的时空一致性，能够有效捕捉全球范围内的土壤湿度变化，并且克服了传统ERA5-Land数据产品存在的湿偏差。
💡 深度学习模型的优势
研究表明，所有四种深度学习（DL）模型均优于基准的XGBoost模型，尤其是在高土壤湿度水平（> 0.4 m³ m⁻³）下，AtLSTM模型表现最佳，R²值为0.987，均方根误差（RMSE）为0.011 m³ m⁻³。
AtLSTM模型通过加入注意力机制，能够有效捕捉输入序列的时序信息，从而显著提升了土壤湿度估算的精度。
🌐 长时间尺度与高空间分辨率
该土壤湿度数据集的空间分辨率为5公里，覆盖1982至2021年，具有完整的空间覆盖和低偏差，使其成为全球土壤湿度监测的重要工具。
与1公里分辨率的GLASS-MODIS SM数据集相比，GLASS-AVHRR土壤湿度产品在时空一致性方面表现出色，并提供了比传统的ERA5-Land SM和ESA Climate Change Initiative（CCI）产品更丰富的空间细节。
📊 模型验证与产品性能
使用45个国际土壤湿度网络（ISMN）站点对GLASS-AVHRR SM产品进行验证，结果表明，产品的中位相关系数（R）为0.73，未偏差RMSE（ubRMSE）为0.041 m³ m⁻³。
在后2000年的COSMOS网络验证中，中位相关系数为0.63至0.79，ubRMSE值为0.044至0.065 m³ m⁻³，表明该产品能够较好地捕捉土壤湿度的时变特征。
【数据可用性】
1982 年至 2021 年的每日尺度无缝全球 5 公里 SM 产品 (GLASS-AVHRR SM) 可免费访问：
https://glass.hku.hk/casual/GLASS_AVHRR_SM/
本研究成功构建了全球范围内的长期、无缝土壤湿度产品（GLASS-AVHRR SM），并通过结合AVHRR卫星数据和深度学习技术，显著提升了土壤湿度估算的精度。AtLSTM模型凭借其优秀的性能，成为该数据集的核心估算模型。验证结果表明，GLASS-AVHRR SM产品能够有效地捕捉全球范围内土壤湿度的变化，并在时空一致性和偏差修正方面优于传统的土壤湿度产品。该数据集为气候变化研究、农业水资源管理及生态监测等领域提供了极为宝贵的数据支持。
图1. 拟议的长期全球GLASS-AVHRR SM估计框架流程图。
图2. 本研究中使用的五种模型的示意图：
(a)LSTM,(b)Bi-LSTM,(c)AtLSTM,(d)Transformer和(e)XGBoost。
图3.测试集上的(a)XGBoost,(b)LSTM,(c)Bi-LSTM,(d)AtLSTM
(e)Transformer模型的目标SM和预测SM之间的散点图。
图4. (a)具有两种不同架构(MTO和MTM)的LSTM模型和(b)使用测试集上不同长度的输入序列进行训练的具有MTM架构的AtLSTM模型的性能指标。
图5. 使用(a)AtLSTM和(b)Transformer模型在测试集(40,608 个样本)上计算的平均注意力权重热图。
图6. GLASS-AVHRR SM产品在不同ISMN站点组和三个现场规模COSMOS网络中的R、偏差和ubRMSE箱线图，并与GLASS-MODIS和ERA5-Land SM产品进行比较。
图7. 在每个SMAP核心验证站点，放大的原位SM与来自GLASS -AVHRR或ERA5-Land产品的相应估计SM之间的散点图。
图8. 1982年至2021年期间，六个CVS的GLASS-AVHRR(聚合在10公里处)、GLASS-MODIS(聚合在9公里处)、ERA5-Land(水平分辨率约9公里)和原位SM(放大到9公里处)的时间序列图，其中CVS具有不同的土地覆盖类型。
图9. 2016年1月和7月，(a–b)0.25°ESA CCI组合、(c–d)0.1°ERA5-Land、(e–f)1公里GLASS-MODIS和(g–h)5公里 GLASS-AVHRR SM产品的平均全球SM地图。
图10. 2016年7月青藏高原上(a)5公里GLASS-AVHRR、(b)1公里 GLASS-MODIS、(c)0.1°ERA5-Land和(d)0.25°ESA CCI组合SM产品的放大比较。
表1. 目前可用的长期(>30年)全球SM产品的主要特征。
表2. 用于开发长期SM产品的多源数据集摘要。
表3. 本研究中使用的三类原位SM数据集在不同空间尺度下的特征。
表4. 为本研究中使用的DL模型配置的关键超参数。
表5. 基于XGBoost模型和四个DL模型分别在训练集、验证集和两类测试集上的性能指标。
表6. 22个升级版9公里SMAP核心验证站点的GLASS-AVHRR和ERA5-Land SM产品的验证指标。
E N D
获取方式：关注我们的微信公众号“地学韦丰吉司长”。后台回复关键字“20250117-3”，即可直接获取原文PDF。（提示：关键字要完整）
免责申明
本推送文章（数据）来源于公开渠道，我们已注明相关信息来源，版权归原作者或出处所有。本推文仅用于学术交流和信息分享。欢迎广大学者们转发本号发布的内容，可留言或后台私信韦丰小编进行授权，转载请注明出处，侵删。
