空天院科研团队深度融合机器学习与插值方法 提升全球卫星土壤水分数据可用性

近日，中国科学院空天信息创新研究院（空天院）研究员曾江源团队在卫星土壤水分产品缺失值填补方面取得重要进展。研究团队创新性地提出一种协同机器学习和插值方法的新框架，有效改善了全球卫星土壤水分产品中普遍存在的大范围数据缺失状况，显著提升了数据的完整性和可用性。该研究成果为精准农业、水资源管理、干旱监测和气候变化研究等提供了更可靠的数据支撑，已于近期发表于遥感领域国际学术期刊《环境遥感》（Remote Sensing of Environment）。

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、洪旱灾害预警等研究具有重要意义。目前，卫星遥感是获取全球范围土壤水分信息最有效的手段，但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，卫星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。

曾江源介绍，目前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。该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其他环境因素（如降水、植被等）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。

针对上述难题，研究团队创新性地采用“优势互补”的策略，将上述两类主流填补方法进行深度融合，采用“Stacking（堆叠）”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，最终形成兼具全局合理性与局部精细度的填补数据。

填补前后土壤水分与实测数据在全球不同观测网对比

研究团队利用全球卫星土壤水分产品进行了大量实验验证。实验表明，新方法在应对不同尺度的数据缺失时均表现出优越性：既保留了机器学习方法对大范围缺失区的整体预测能力，又融合了插值法对局部区域细节特征的敏感度，有效避免了传统方法中常见的“平均化”误差或“细节失真”现象。在全球尺度的验证中，其填补精度显著优于单一方法。

该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，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。

空天院硕士研究生荣家明为论文第一作者，曾江源为论文通讯作者。研究得到了国家自然科学优秀青年科学基金、中国科学院青年创新促进会优秀会员项目及空天院自主部署项目等多方资助。