Downscaling of SMAP Soil Moisture Based on the Transformer Algorithm in Anhui Province
Yuyang Fan · Jianwei Ma · Mengmeng Li 等 6 人
基于Transformer及变体融合多源卫星与地下水数据，将SMAP土壤湿度降尺度至1km日尺度。
Transformer、PatchTST、iTransformer，融合多源卫星
Transformer降尺度产品精度最优（ubRMSE=0.0372），保留原产品时空格局并响应降水
可探索Transformer降尺度产品在区域干旱监测、灌溉决策及作物估产中的耦合应用。
基于Transformer的SMAP土壤水分1km降尺度研究，方法新颖、验证充分，对区域农业旱情监测有实用价值。
土壤水分（SM）对气候、水资源和农业至关重要，但土壤水分主动被动（SMAP）被动微波产品分辨率较粗，限制了区域应用。本研究构建了一个基于Transformer及其变体（PatchTST和iTransformer）的土壤水分降尺度框架，融合多源卫星和地下水数据，生成1 km日尺度土壤水分产品（2015—2022年）。与随机森林（RF）、长短期记忆网络（LSTM）和卷积神经网络—长短期记忆网络（CNN-LSTM）相比，Transformer及其变体取得了更高的精度和泛化能力。利用站点实测数据和SMCI1.0进行验证，Transformer降尺度土壤水分产品精度最优，ubRMSE = 0.0372 m³/m³，RMSE = 0.0591 m³/m³。降尺度土壤水分数据集不仅捕捉到了更精细的空间细节，还保留了原始SMAP产品的空间格局和季节动态，并对降水事件表现出良好的响应。特征重要性分析表明，除降水外，昼夜地表温差对土壤水分的影响大于单独的白天或夜间地表温度，其重要性仅次于植被指数和土壤质地因子，而地下水埋深的重要性高于高程和地表温度。本研究证实了基于Transformer的模型在土壤水分空间降尺度中的有效性，为融合遥感和深层水文信息生成准确的1 km土壤水分产品提供了一种新框架。