Study on spatio-temporal simulation and prediction of regional deep soil moisture using machine learning
基于机器学习的区域深层土壤水分时空模拟与预测研究
作者：阿膺兰，北京师范大学，水科学研究院
深层土壤水分在植被恢复中起着至关重要的作用，特别是在半干旱地区。然而，目前的土壤水分产品具有有限的可获得性，并且不满足生态水文研究中的时空尺度和土壤深度要求。因此，本研究基于国际土壤水分网络数据集，通过识别驱动因素和量化垂直土壤水分的相关效应，构建了不同深度土壤水分的随机森林预测模型。随后，将SMAP产品集成到模型中，以将土壤水分从点尺度扩展到区域尺度，从而产生具有合适尺度和连续时间和空间的土壤水分数据产品。结果表明，随着深度的增加，降水与土壤水分的相关性转变为相邻土壤水分层之间的相互作用。浅层(0-3cm)土壤水分对降水的滞后时间为1天，3种下垫面类型的3-20 cm层在日尺度上没有滞后。农田和草地中50 cm土壤水分对20 cm土壤水分的反应时间为1-2天，森林中为2天。坡度、土地利用类型、黏粒比例、叶面积指数、潜在蒸散量和地表温度是闪电河流域土壤水分的主要驱动因子。本研究建立的随机森林模型在立地和区域尺度上均表现出良好的预测性能。得到的日产品比CLDAS产品具有更高的空间精细度，能够描述不同下垫面的土壤水分特征。该研究为中国北方干旱半干旱地区获取深部土壤水分数据提供了新的思路和技术支持。
大规模生态恢复已被证明能有效遏制土地退化和改善生态系统服务。但也可能导致区域水资源压力过大。自20世纪80年代出现用于大规模植被监测的卫星技术以来，全球植被绿色度一直在上升。这进一步影响了水文循环，并对区域水资源平衡产生了重大影响，特别是在供水有限的干旱和半干旱地区。生态恢复努力可能会增加蒸散、减少径流和降低土壤湿度，从而加剧这些地区的缺水和水压力。这可能会扰乱生态和水文之间的平衡，并对生态恢复的可持续性构成威胁。
土壤水分是调节水循环、能量循环和碳循环的关键因素。它是连接陆地和大气的重要气候变量，也是影响降雨径流关系的水文变量。作为植被的主要水源，土壤水分决定了植物根系可获得的水量。这在干旱和半干旱地区尤其重要，在这些地区，有限的水资源是各种生态系统水平上植被生产力和抗旱能力的主要制约因素。因此，干旱半干旱地区生态恢复背景下土壤微生物动态的研究已成为一个重要的研究领域。
然而，由于土壤水分观测方法的限制，在不同的时空尺度上获取高精度的土壤水分数据仍然非常困难。以定点探针为工具的监测方法和通过物理模型模拟获取土壤水分的方法大多适用于样点尺度土壤水分值的获取，但存在一定的时空局限性，不能满足区域和流域尺度的生态水文研究。此外，基于遥感技术难以探测深层土壤水分的分布。由于植被冠层的影响，在大尺度裸土区往往只能反演0 ~ 5 cm的表层土壤水分。虽然常用的陆面模型可以模拟土壤水分同化产品，但土壤水分产品的精度随着土壤深度的增加而急剧下降。这是由于陆面模型对土壤水分垂直扩散的非线性关系进行了线性化。因此，由于目前的数据限制，在生态水文退化和恢复的背景下分析深层土壤水分的影响具有挑战性。为了解决这一问题，有必要探索有效的方法来研究现有多源遥感数据和有限的实测土壤水分数据之间的关系。这可以帮助整合垂直土壤水分之间的相关效应，并在适当的尺度上获得深层土壤水分数据。机器学习是数据挖掘中的一个有价值的工具，它可以自动识别现有数据中的趋势和模式，并相应地优化认知。其强大的计算分析能力使其成为许多学科的常用方法。此外，最大似然法正越来越多地用于准确预测水文变量，如蒸散、降雨和径流，从而实现生态水文过程的长期和大规模预测。
总之，在大规模生态恢复的背景下，在数据有限或缺失的干旱和半干旱地区，使用机器学习方法对于获得高质量的深层土壤水分数据至关重要。本研究集中在中国内蒙古北部的闪电河地区，那里有一个土壤水分现场观测网络。本研究收集多源遥感数据，建立随机森林模型预测区域深部土壤水分分布。这旨在获得在时间和空间上连续且具有适当比例的土壤水分数据集。本研究的主要目的是:(1)利用相关分析和互相关分析，分析区域土壤水分的纵向相关特征和时滞效应；(2)基于相关分析识别区域供应链管理的关键驱动因素；(3)利用SMAP地表土壤水分遥感产品和随机森林模型放大深层土壤水分数据。
闪电河地区位于内蒙古自治区和河北省的交界处，是典型的干旱和半干旱地区(见图1)。该地区的植被呈斑块状分布，下垫面复杂。闪电河流域的地形多样，南部有丘陵，中部和北部有低丘、河谷平原和洪泛平原。闪电河流域的地形特点是西南高东北低，平均海拔从1060米到2028米不等。该地区包含一个多站点和时间连续的土壤湿度监测站网络,覆盖面积约为10000 km2。
图 1 闪电河地区地理位置、高程及水系图。
本研究选取ASTER 30 m基础高程数据计算SDRR中的坡度。使用的土地利用类型数据是常用的GlobeLand30 数据集，空间分辨率为30 m。土壤数据是通过从联合国粮食及农业组织提供的土壤类型图中剪切得出的，以确定沙子、壤土和粘土的比例。数据集的分辨率约为 1 km。叶面积指数数据和潜在蒸散量数据分别从MOD15A2H Version6.1和MOD16A2 Version6.1数据集收集，时间分辨率为8天，空间分辨率为500 m。地表温度信息来自MOD11A2 Version6.1数据集，时间分辨率为8天，空间分辨率为1 km。保证随机森林模型训练和预测数据集的一致性，气象数据使用中国土地数据同化系统数据，时间分辨率为1天，空间分辨率约为6 km。使用的土壤水分产品是有源和无源微波遥感卫星提供的SMAP_L4数据集。实测立点土壤水分数据与SMAP表面土壤水分数据之间的相关系数达到0.83，证明了SMAP数据集的准确性。对上述遥感和同化产物数据进行均匀重采样，分辨率为1 km。
本研究中使用的实测土壤湿度数据来自国际土壤湿度观测网络。该数据集包括闪电河流域 30个站点的土壤湿度、土壤温度和降水的实地测量数据。对于每个地点，设置了三个采样尺度(大、中、小)，统一测量了五个深度(3、5、10、20和50厘米)的数据。一旦测量数据稳定，定期从每个地点的每一层采集土壤样本，以修正原始数据。表1总结了主要数据及其来源。
表1 数据来源
图2总结了本研究涉及的方法，包括相关分析、互相关分析和随机森林模型。下面详细描述这些方法。
（1）相关性分析
图 2 研究方案图
相关性分析是一种统计方法，用于确定两个或多个变量之间的关系。这种分析通常用于确定不同数据集的趋势是否一致。当数据符合正态分布时，皮尔逊系数(r)，也称为线性相关系数，通常用于评估变量之间的关系。r值越高，变量之间的相关性越强。而且，P值是用来检验变量之间是否存在显著差异的。小于0.05的P值表示数据集之间的关系显著。本研究采用相关分析方法确定土壤水分的垂直相关特征和驱动因子。
式中：Xi和Yi是比较相关性的两个变量，`X和`Y是两个变量的平均值。
(2)互相关分析
互相关是一种信号处理方法，用于基于一个信号的时间滞后函数来测量两个信号之间的相似性。互相关系数(CCF)是一种度量标准，用于量化两个信号相对移动时的相关程度。这种方法对于识别时间序列数据中的周期性和重复模式是有用的。本研究利用这种方法来调查不同深度和下垫面类型的土壤水分的时滞。本研究采用互相关分析来识别土壤水分的层间滞后效应。
式中：i是序列长度，N是总时间，τ是滞后时间，Xt是某一时刻的土壤湿度，Yt+τ是在某一滞后时间的较低土壤湿度，`X和`Y分别是某一层土壤水分及其下层土壤水分的平均值。
(3)随机森林算法
随机森林(RF)是一种集成学习方法，用于通过多个决策树的组合来解决分类和回归问题。与神经网络或支持向量机等其他机器学习方法不同，RF建立了几个模型并将它们集成在一起，而不是从原始数据建立一个单一的全局模型。这种方法对于处理复杂的非线性问题特别有用。RF有几个优点，包括1.模型实现相对容易；2.训练的并行性，导致更快的处理时间；3.方差低，泛化能力强；4.在一定程度上减轻过度拟合的能力。在本研究中，我们建立了五个射频模型来分别预测3厘米、5厘米、10厘米、20厘米和50厘米的标准物质。在建立每个模型时，上层土壤水分的预测结果作为输入数据之一。例如，在预测5 cm土壤湿度时，RF模型模拟的3 cm土壤湿度被用作输入数据之一。
(4)准确性评价指标
在这项研究中，常用的评估指标被用来评估土壤水分预测的准确性，包括平均绝对误差(MAE)，均方根误差(RMSE)和决定系数(R2)。较低的MAE表明模型预测的准确性较高，而较小的RMSE反映了预测的和实际的土壤水分值之间的差异较小，表明模型更精确。R2表示模型所解释的数据中方差的比例，范围从0到1。R2值越高，表明模型的模拟效果越好。这些评估指标的计算公式如下:
式中：Oi和Pi分别是土壤湿度的测量值和预测值。
1.降水与土壤水分的相关效应：
图3(a)显示了2019年研究区生长季(5-9月)SM与降水的关系。该地区的SM在生长季节主要表现为三种类型的变化。0-10 cm土层的SM随时间呈现剧烈波动。20–50 cm土层土壤水分波动逐渐减弱，50cm土层土壤水分变化曲线相对稳定。进一步计算了不同深度的变异系数和SM范围。SM在3 cm深度的CV为0.17，峰谷差为0.12 m3/m3。5 cm和10 cm的CV分别为0.14和0.11，峰谷值之差为0.10 m3/m3和0.09 m3/m3。20 cm SM的变异系数为0.08，极差值为0.06 m3/m3。50 cm SM的范围为0.05 m3/m3。可以看出，生长季SM的变异程度随着土壤深度的增加而显著降低。
生长季内两次SM峰值的出现对应着该地区两次不同特征的强降水事件。5月19日，出现了35.22毫米的一次性降水，这是闪电河流域生长季最大的一次降水。这次降水导致该地区SM急剧增加，不同深度的SM达到峰值。8月20日的SM峰值是由于两次降水事件的累积效应，其中8月19日的降水量为14.26毫米，8月20日的降水量为7.38毫米。累计降水量超过20 mm，区域SM再次达到峰值。可见，半干旱地区SM对降水的响应时间取决于降水强度。当一次降水量足够大时，SM对降水的响应时间可能在小时尺度。当普通降水或累积降水未达到30 mm时，SM可能对降水产生日滞后效应。同时，随着土壤深度的增加，SM对降水的敏感性减弱，深50 cm的SM对普通降水的响应不敏感，峰值也较平缓。
研究区生长季不同滞后时间的降水与SM的相关图(图3(b))也表明，降水对SM的影响随深度逐渐减弱。随着土壤深度的增加，SM对降水的响应关系逐渐转化为SM层间的相互作用关系，为利用上层SM信息模拟和预测深层SM提供了理论依据。
图 3 闪电河流域生长季降水与SM的相关分析:(1)降水和SM随时间的变化曲线；(b)降水和SM之间的相关分析图。
2. 不同下垫面SM的垂直相关效应：
为了进一步探讨不同深度土壤有机质之间的垂直相关效应，本研究提取了研究区各立地的下垫面信息，并将其划分为农田、草地和森林。通过相关分析，研究了闪电河流域不同下垫面土壤水分之间的垂直连通性。总体而言，不同下垫面类型下的SM表现出较强的层间相关性，SM之间的垂直连通性随着深度的增加而降低。对于耕地类型(图4(a))，上层和下层土壤水分之间的相关系数(r)大于0.91，调整后的R2大于0.84，5 cm和10 cm土层之间的相关性最高。对于草地类型的SM(图4(b))，相邻两层SM之间的总体0.90，调整后的R2 > 0.81，最高相关性在3 cm和5 cm层之间。对于森林类型(图4(c))，相邻两层SM之间的相关系数大于0.76，调整后的R2大于0.59，5 cm和10 cm SM之间的相关性最高。
然而，随着土壤深度的增加，20 cm和50 cm土层之间的连通性显著降低。这可能是由于森林样点数量有限，深SM的关系很难出现。另一方面，可能是土壤根区50 cm处的地下生物量和土壤有机质对水分的运输有一定的交织作用。但总的来说，以上结果证明了利用SM上层获得深层SM的方法在理论上是可行的。
图 4 SM在不同下垫面上的垂直相关效应:(a)农田；(b)草原；(c)森林。
3. 不同下垫面上SM的时滞效应：
我们首先分析了SM对不同下垫面浅表层(0-3 cm)降水的时滞效应(图5)。互相关检验结果表明，不同下垫面类型SM的互相关因子(CCF)均在滞后一天左右出现转折点。因此，农田、草地和森林的浅层土壤水分对降水的响应有一天的滞后时间。
图 5 不同下垫面浅表层(3 cm)降水的滞后效应分析。
为了进一步探索深层SM的时间相关性特征，本研究使用互相关检验来确定不同下垫面上3 cm以下SM的层间滞后效应(图6)。结果表明，20 cm以下的SM对上层SM没有明显的滞后响应。对于SM的变化，下级SM可能在一个小时尺度内及时响应。不同下垫面上50 cm SM到20 cm SM的滞后反应显示出一些差异(图6(d))。农田和草地的SM反应滞后约1天，而森林的SM反应滞后约2天。同时，森林的CCF低于农田和草地，这可能是由于不同植被类型的根系深度不同造成的。
图 6 不同下垫面土壤水分层滞后效应分析。
基于以上分析，不同下垫面浅3 cm层SM对降水的响应存在一天的滞后时间。20 cm深度以下的SM之间可能没有每日滞后，表现为对上层SM变化的及时反应。50 cm SM的滞后时间为1-2天，这可能是由于半干旱地区本身潜在的水分胁迫，当水分垂直传输到20 cm深度时，很难有多余的水分影响更深SM的变化。值得注意的是，由于河谷平原部分站点的分布，河流对深层SM的补给以及根系的多重外部作用可能对50 cm内深层SM滞后时间的识别产生一定干扰。
4. SM的时间驱动因素：
通过对降水与SM相关效应的分析，确定了上层SM在预测深层SM中的作用。为了进一步筛选模型模拟的预测变量，本研究确定了SM的时间驱动因子，并探讨了时间变量，即叶面积指数、潜在蒸散量和地表温度与不同下垫面垂直SM之间的关系。通过相关系数的计算，发现这三个要素在时间尺度上与垂直SM有显著的正相关关系。对于农田(表2)，10-20 cm深度的SM对这三个因素最敏感。对于草地(表3)和森林(表4)，20-50 cm深度的SM对这三个因素最敏感。在三种下垫面类型中，草地的SM与LAI、PET和LST的协同效应最好。
表 2 闪电河流域农田类型土壤水分时空驱动因子的识别。
表 3 闪电河流域草地类型土壤水分时间驱动因子的识别。
表 4 闪电河流域森林类型SM时间驱动因素的识别。
5. 空间管理的空间驱动因素：
要获得时空连续的深层SM信息，空间稳定性要素的输入是必不可少的。在本研究中，利用从土壤水分监测站提取的各种时空因子信息，通过相关分析来识别土壤水分空间变化的关键驱动因子。图7中的结果表明，随着土壤深度的增加，垂直SM对空间稳定性因子的敏感性增加，而对时间变异性因子的敏感性降低。坡度与SM呈负相关，表明研究区坡度越大，SM越小。这可能是因为大斜率区域的SM容易收敛到小斜率区域。沙子、淤泥和粘土对SM的影响是不同的。粉粒比例与SM之间没有显著的相关性。土壤中砂粒的比例与SM呈负相关，且随着土壤深度的增加，相关性逐渐减弱。黏粒比例与SM呈显著正相关，且这种关系随着土层深度的增加而增强。这可能是因为沙子粒径比较大(0.05-1 mm)，土壤对水的渗透性好，土壤松软，使水易于运输。LAI、PET和LST在空间尺度上也与SM呈正相关，尤其是5-10cm SM。相邻层的SM之间仍然有很高的相关性，这是利用浅层SM预测深层SM的基础。
图 7 闪电河流域 SM与各种时空要素的互相关图。
根据各种驱动因素的相关系数图(图7)，在选择土壤水分预测的关键驱动因素时考虑了两个因素。首先，考虑了除土壤水分外所有因子相关系数的总体分布。其次，考虑了土壤水分模拟的不确定性和空间稳定因子在预测深层土壤水分中的重要性，特别是50 cm和20 cm土壤水分之间的低相关性带来的挑战。因此，坡度、土地利用类型、黏粒比例、叶面积指数、潜在蒸散量和地表温度被确定为土壤水分预测的关键驱动因素。
6. 模型的构建：
通过确定第3.2节中SM的驱动因子，选择模型的预测协变量，包括坡度、土地利用类型、粘土比例、叶面积指数、潜在蒸散量和地表温度。此外，虽然降水与浅地表下SM的相关性不高，但降水也被作为物理机制的协变量之一输入到RF模型中，以避免一次性强降雨信息对SM的影响被忽略。值得注意的是，根据3.1节中确定的滞后效应，在模型中输入了滞后一天的降水信息。对于土壤有机质的空间变异，土壤性质无疑是重要的影响因素之一。对于土壤有机质的空间变异，粘粒含量是影响因素之一。同时，考虑到实现空间扩展的需要，本研究还在模型中加入了沙土比例信息，以提高模型提取空间信息的能力。因此，本研究使用地表SM、降水、坡度、土地利用类型、黏粒比例、砂粒比例、LAI、PET和LST作为特征变量，不同深度的SM作为目标变量来训练RF模型。
在闪电河流域的30个SM观测点中，有7个农田点、22个草地点和1个林地点。将28个站点的观测数据作为RF模型的训练集，保留草原M8站和农田S1站用于后续验证RF时空模拟效果。M8场地位于闪电河流域北部草地，可将其他植被类型的潜在影响降至最低。S1样地位于闪电河流域中部农田区，是所有农田样地中最不容易受到草地干扰的样地。S1站和M8站之间的距离很远。两个保留遗址在空间上具有一定的代表性，时间变化特征差异较大。一方面，这种方法可以评估模型捕捉各种土壤湿度水平的时间变化的能力。另一方面，可以验证模型在提取不同下垫面空间信息方面的有效性。应当指出，没有关于M8和S1位点的信息被用作模型的输入，以这种方式测试了RF模型对于未知非线性问题的计算能力和尺度扩展过程中的空间外推能力。
7. 随机森林模型准确性的验证：
为了验证随机森林模型对分层土壤水分的模拟性能，本研究选择了美国气象研究所、RMSE和R2作为评价指标，评估其模拟精度。评估结果如表5所示。RF模型在模拟所有层的土壤水分方面表现出色，R2值超过0.98，MAE误差小于0.005 m3/m3，RMSE误差小于0.01 m3/m3。然而，随着土壤深度的增加，RF对土壤水分的模拟性能随着精度的提高而提高，对深层50 cm土壤水分的模拟性能最好，而对5 cm土壤水分的预测精度较差。
表 5 分层土壤水分RF模型的预测精度。
8. 样点尺度深层SM预测结果分析：
训练好的RF模型用于预测保留草地M8站(从2019年1月1日至2019年12月31日)和耕地S1站(从2019年1月1日至2019年8月12日)的每日表层土壤水分和深层土壤水分(深度为10 cm、20 cm和50 cm)。如图8所示，预测结果表明，RF模型在预测M8站的土壤湿度方面具有良好的性能，对于所有土壤深度，预测值和测量值之间的相关系数高于0.9，RMSE低于0.03 m3/m3，平均降水量低于0.02 m3/m3。这表明模拟值和测量值之间有很好的一致性。模拟误差随着M8站土壤深度的增加而增加，但仍在可接受的范围内。该模型对S1站土壤湿度的模拟性能略低，在模拟20 cm和50 cm土壤湿度的早期高估了土壤湿度。在夏季，随着土壤深度的增加，S1站的模拟误差也增加。然而，RF模型捕获了S1站全年土壤水分的时间变异性(R2 > 0.8，RMSE<0.03 m3/m3，平均降水量< 0.03 m3/m3)，表明RF模型在站尺度上具有良好的预测能力。
图 8 草地站M8和耕地站S1土壤水分时间预测结果。
9. 区域尺度上SM膨胀预测结果分析：
上述分析证明了使用表层土壤水分和协变量来模拟和预测现场尺度深层土壤水分的可行性。为了获取空间尺度的土壤水分信息，本研究结合区域SMAP L4表层土壤水分产品和稳定的空间协变量，利用RF模型将点尺度的土壤水分数据扩展到区域尺度，实现了深层土壤水分的时空模拟和预测。经过模型扩展和预测，本研究在2019年获得了深度(10-50厘米)土壤水分的空间分布数据集，空间分辨率约为1公里。以2019年8月1日土壤湿度的空间扩展结果为例，本研究将该结果与公开可用的数据集进行了比较。图9、图10表明，基于SMAP地表土壤水分的RF模型有效地提取了遥感产品的空间特征信息，与目前主流的土壤水分同化产品CLDAS相比，本研究所建立的RF模型更精细地刻画了区域土壤水分的空间特征。RF模型预测了区域垂直土壤水分之间显著的相关特征，反映了上层土壤水分信息向下层的传递效应。此外，将扩展结果与实测土壤水分的空间分布特征进行比较，发现预测的深层土壤水分空间分布格局与实测土壤水分格局一致，表明本研究建立的RF模型能够有效捕捉土壤水分的空间异质性格局。此外，结合各种遥感产品数据，如地形、植被和地温，可以有效地提高土壤水分预测模型的性能。
图 9 CLDAS 深层土壤水分同化产品的效果。
图 10 闪电河流域深层土壤水分的扩展预测效果。
评价土壤水分的空间预测性能是检验土壤水分模型可靠性和稳健性的重要任务。本研究首先根据观测站相应的时间数值提取RF输出的土壤水分空间产品，然后根据观测站的下垫面类型将其分为草地和农田模拟值，最后使用决定系数(R2)评价不同土地类型土壤水分预测结果的可靠性。结果表明，基于随机森林的土壤水分预测模型具有良好的整体空间扩展性能。如图11所示，对于草地，10 cm、20 cm和50 cm深度土壤水分的预测值与测量值之间的决定系数分别为0.60、0.69和0.54；对于农田，它们分别为0.62、0.91和0.80。虽然农田预测结果具有较高的决定系数，但总体预测结果较小，这可能是由于没有考虑山店河地区农业管理措施等人类活动的影响。上述结果表明，本研究所建立的RF模型具有良好的精度和稳健性，能够实现高分辨率的土壤水分精确预测。
图 11 基于RF模型扩展的草地和农田深层土壤水分空间验证结果。
本研究基于国际土壤水分网络数据集，分析了中国北方半干旱地区闪电河流域土壤水分的垂直相关特征和时滞效应。利用互相关分析，分析了驱动该区域不同深度土壤水分变化的关键因素。然后，将发现的模式和关键因素引入土壤水分模拟过程。以时空相关的多因子作为预测集，以不同深度的实测土壤水分数据作为目标集，构建了基于随机森林算法的土壤水分预测模型。借助广泛使用的SMAP表层土壤水分产品，将土壤水分从点尺度扩展到区域尺度，获得了适用于时空尺度的高质量深层土壤水分。这项研究的主要结论如下：
(1)随着土壤深度的增加，降水与土壤水分的相关关系逐渐向土壤水分的层间关系转变，在草原地区观测到的层间相关效应最高。农田、草地和林地浅层土壤水分(0-3 cm)对降水响应的滞后时间为1天。然而，在3-20 cm土壤水分层的日尺度上没有观察到滞后效应。农田和草地50 cm土壤水分对20 cm土壤水分的响应时间为1-2天，而林地为2天。
(2)确定了闪电河流域土壤水分的关键驱动因子。坡度与土壤水分呈负相关，与50 cm土壤水分关系最密切。砂粒比例与土壤水分呈负相关，且相关性随着土壤深度的增加而减弱。黏粒比例与土壤水分呈正相关，且相关性随着土壤深度的增加而增加。叶面积指数、潜在蒸散量和地表温度在时空尺度上与土壤水分呈正相关，与5-10 cm土壤水分的相关性最高。
(3)本研究构建的RF模型再现了两个保留地多层土壤水分的时间变化趋势，在立地尺度上表现出良好的应用性能。此外，利用SMAP L4表层土壤水分产品对土壤水分进行了空间扩展，获得了研究区时空连续的深层土壤水分数据集。与常用的CLDAS土壤水分同化数据集相比，本研究获得的土壤水分产品在空间上更加精细，能够表征不同下垫面的土壤水分特征。
作者 | 子涵
编辑 | 回毅滢
