Machine Learning-Based Prediction of Soil Moisture in Sikkim's High-Rainfall Zones Using Multimodal Remote Sensing Data

土壤水分是影响农业生产力、水文过程和土地管理的重要变量，尤其是在印度东北丘陵邦（NEH）等高降雨地区。尽管传统土壤水分测量技术能够提供可靠的观测数据，但其耗时、费力且空间覆盖有限，限制了其在区域尺度监测中的适用性。遥感与机器学习相结合，为生成空间连续且及时的土壤水分估算提供了一种有前景的替代方案。本研究旨在利用多模态遥感数据和机器学习技术，预测印度锡金邦拉尼普尔-鲁姆特克行政区的表层土壤水分。采用重量法在85个位置测量了土壤水分，并将这些位置作为地面验证点。对Landsat-8和Sentinel-2的多时相影像进行处理，以提取植被和水分相关指数，即归一化差异植被指数（NDVI）、归一化差异水体指数（NDWI）、归一化差异水分指数（NDMI）、归一化短波红外差异土壤水分指数（NSDSI3）、地表温度（LST）、水分胁迫指数（MSI）和植被供水指数（VSWI）。这些指数被用作预测变量，以构建人工神经网络（ANN）、支持向量机（SVM）和多元线性回归（MLR）模型。结果表明，使用Sentinel-2衍生指数构建的ANN模型预测精度最高，决定系数（R²）达到0.82，均方根误差（RMSE）为6%，平均绝对误差（MAE）为4.6%。Sentinel-2衍生的ANN模型性能优于基于Landsat-8的ANN模型以及使用Sentinel-2数据构建的SVM和MLR模型。较强的预测性能表明，将高分辨率Sentinel-2影像数据与ANN相结合，能够在地形起伏大、数据稀疏的环境中实现准确、可扩展且高效的土壤水分估算。所提出的方法为支持精准农业、灌溉调度、水文建模以及旱涝监测提供了一个稳健的框架。