HA.124 [深度学习-土壤水] 结合卫星数据和站点数据的土壤水分多尺度深度学习模型研究

联系方式：liujiangtao3@gmail.com

个人主页：https://scholar.google.com/citations?user=raNrs0gAAAAJ&hl=en&oi=ao

Liu, J., Rahmani, F., Lawson, K., & Shen, C. (2022). A Multiscale Deep Learning Model for Soil Moisture Integrating Satellite and In Situ Data. Geophysical Research Letters, 49(7), e2021GL096847. https://doi.org/10.1029/2021GL096847

多尺度模型，深度学习，卫星数据，站点数据

高分辨率和广覆盖的土壤水分数据具有十分重要的应用价值，比如干旱监测、作物灌溉管理、虫害的防治等。目前的一些土壤水分产品有不同的限制。例如，站点数据观测比较准确，但在空间覆盖范围上受限；卫星数据具有较高的空间覆盖范围，但是它的分辨率往往较粗，难以在农业尺度进行应用。为此可以使用陆面模型、卫星数据降尺度和机器学习等方法获取高分辨率土壤水分数据。其中，深度学习模型是一个重要的方法，它在土壤水分模拟、径流模拟和模型参数学习等方面都有较好的表现。

当前，数据驱动模型往往从单个数据源中学习，它的准确性和分辨率受限于这个单源数据。因此建立多尺度、多来源的混合数据集驱动模型可以克服单源数据的限制，让模型具有更好的表现。这种多尺度方案可以广泛应用于环境科学的多个研究领域（如图1）。简单的说，多尺度方案包括以下四步：

1. 在细尺度上运行长短期记忆网络（Long Short-Term Memory，LSTM）模型，其中模型在每个细格点上具有相同的权重；

2. 在粗尺度的格点上对预测值进行平均，计算卫星数据的损失项（loss term）值；

3. 在细尺度上计算站点数据的loss值；

4. 合并两个loss值，其中w是站点数据loss值的权重，（1-w）是卫星数据loss值的权重。

图1：多尺度方案示意图。（i）4个粗分辨率网格覆盖64个高分辨率网格；（ii）示例包含64个并行运算的9km LSTM模型，且每个模型有各自的输入，但每组细网格模型权重一致；（iii）通过少数位置（a11, b6, c12, d16）的9km LSTM模型输出结果与观测值来计算站点的loss值。

使用空间交叉验证（spatial cross-validation）的方法将模型的预测结果与美国本土（Contiguous United States，CONUS）站点观测数据进行比较。结果上，多尺度方案在USCRN（US Climate Reference Network）站点上得到的相关系数为0.901 (median)，均方根偏差为0.034m³/m³ (median)。它的表现优于SMAP产品、仅根据站点数据训练的深度学习模型以及Noah模型等（如图2）。

图2：多尺度方案的结果与SMAP，Noah以及36km的LSTM模型比较。（a）多尺度方案（w=0.5）结果和观测站点的RMSE；（b）和（a）相似，但表示的是相关性；（c）根据USCRN站点评估模型和产品；（d）和（c）相似，但是对SCAN（Soil Climate Analysis Network）站点进行评估。

使用多尺度方案对多源数据学习可以让模型摆脱单一数据源限制，从而获得更好的表现。从结果上看，大部分的有用信息来自于站点数据，尤其是USCRN这样的高质量站点，而粗尺度的卫星数据loss项本身似乎无法约束高分辨率的模型。但是当它与站点数据结合使用时，会给模型带来更多有价值的信息。

数据链接

https://github.com/mhpi/hydroDL

[1] Tsai, W. P., Feng, D., Pan, M., Beck, H., Lawson, K., Yang, Y., & Shen, C. (2021). From calibration to parameter learning: Harnessing the scaling effects of big data in geoscientific modeling. Nature communications, 12(1), 1-13. https://doi.org/10.1038/s41467-021-26107-z

[2] Feng, D., Liu, J., Lawson, K., & Shen, C. (2022). Differentiable, learnable, regionalized process-based models with multiphysical outputs can approach state-of-the-art hydrologic prediction accuracy. Water Resources Research, 58, e2022WR032404. https://doi.org/10.1029/2022WR032404

[3] Liu, J., Hughes, D., Rahmani, F., Lawson, K., & Shen, C. (2022). Evaluating a Global Soil Moisture dataset from a Multitask Model (GSM3 v1.0) for current and emerging threats to crops. Geoscientific Model Development Discussions, 1-23. https://doi.org/10.5194/gmd-2022-211