XGBoost和DSCGAN模型协同的SMAP土壤水分降尺度方法

卫星微波遥感的SMAP土壤水分产品可以用于大陆和全球尺度,但因为空间分辨率低,难以满足中小尺度的应用。经验性降尺度方法是空间降尺度常用方法,但因为需要依赖于光学遥感获取降尺度因子,所以易受云雾影响导致无法获得时间连续的高空间分辨率土壤水分。为了解决这个问题,我们结合机器学习和深度学习方法进行了降尺度研究。首先,获取地表温度、植被指数、反照率、土地覆盖、地形数据、土壤质地等降尺度因子。然后,利用机器学习模型(Random Forest、LightGBM、XGBoost)建立SMAP土壤水分产品数据与降尺度因子的经验降尺度模型。选择其中精度较好的XGBoost模型将SMAP-L4土壤水分产品的空间分辨率由9 km降尺度至1 km。最后,基于9 km和1 km土壤水分数据对训练DSCGAN超分辨率模型,并利用该模型获取研究区域时空连续的土壤水分数据。结果表明,降尺度得到的土壤水分与SMAP原数据之间的相关性系数R为0.96,均方根误差RMSE为0.034 m^(3)/m^(3),偏置bias为0.011 m^(3)/m^(3),无偏均方根误差ubRMSE为0.034 m^(3)/m^(3)。与实测站点之间的相关性系数R为0.696,均方根误差RMSE为0.192 m^(3)/m^(3),偏置bias为-0.171 m^(3)/m^(3),无偏均方根误差ubRMSE为0.089 m^(3)/m^(3)。本文方法为生产时空连续的更高空间分辨率的地表土壤水分提供了一个框架,可以满足区域水分调查和农业干旱监测等小尺度应用需求。