软件介绍:
中新网北京10月10日电(记者孙自法)土壤水分是衡量地球生态系统健康与否的关键指标，对气候预测、农作物生长、洪旱灾害预警等具有重要意义。卫星遥感是目前获取全球范围土壤水分信息最有效的手段，因此备受关注。
中国科学院空天信息创新研究院(空天院)10月10日向媒体发布信息说，该院曾江源研究员团队创新提出一种协同机器学习和插值方法的新框架，可有效改善全球卫星土壤水分遥感产品中普遍存在的大范围数据缺失状况，显著提升遥感数据的完整性和可用性。
这项空天信息领域重要应用研究的成果论文，近日已在国际专业学术期刊《环境遥感》(RemoteSensingofEnvironment)发表，将为精准农业、水资源管理、干旱监测和气候变化研究等提供更可靠的数据支撑。
优势互补深度融合
论文通讯作者曾江源研究员介绍，受卫星轨道设计和传感器性能限制、地表复杂地形、人为射频干扰等多种因素影响，目前卫星遥感获取的土壤水分产品常存在大范围数据缺失，严重制约了其在实际科研与应用中的使用效能。
填补这些缺失数据主要有两类方法：一类是以空间关联性为基础的传统的插值方法，即根据已知数据填补未知数据，此方法在数据缺失程度不高的情况下效果很好，但面对连续大片的空白区域时容易“填不准”，甚至出现“填不上”的情况。
另一类是热门的机器学习方法，它偏于数据驱动，即通过分析全球海量数据找出土壤水分与降水、植被等其他环境因素的复杂关系，从而进行大范围预测填补，但结果容易趋于“平均”，削弱了极端干湿区域的细节特征。
曾江源指出，针对这一两难问题，研究团队创新采用优势互补策略，将上述两类主流填补方法进行深度融合，采用“堆叠”(Stacking)异质集成技术，首先通过两种方法独立生成初级填补结果，再通过元模型智能优化权重，最终获得兼具全局合理性与局部精细度的填补数据。
技术拓展应用广泛
论文第一作者、中国科学院空天院硕士研究生荣家明说，研究团队利用全球卫星土壤水分遥感产品进行了大量实验验证。结果表明，优势互补、深度融合的新方法，在应对不同尺度的卫星遥感数据缺失时均表现出优越性：既保留机器学习方法对大范围缺失区的整体预测能力，又融合插值法对局部区域细节特征的敏感度，还有效避免传统方法中常见的“平均化”误差或“细节失真”现象。特别是在全球尺度的验证中，新方法填补精度显著优于单一方法。
曾江源表示，这次研发的技术框架具备较强的通用性，可拓展至地表温度、植被参数、大气参数等多种遥感产品的缺失值修复，通过提升各类卫星观测数据质量，可为地球系统科学研究、农业生产与粮食安全、生态保护与可持续发展、自然灾害监测预警等应用提供更可靠的数据支撑。(完)
