利用人工神经网络技术重建ESA CCI卫星导出的土壤湿度( Reconstruction of ESA CCI satellite-derived soil moisture using an artificial neural network technology )

L Zhang Y Liu L Ren AJ Teuling L Zheng

土壤水分(SM)是控制大气与地表之间水热交换的重要变量。大规模气象和水文应用迫切需要时空连续的卫星SM信息。本文提出了一种利用人工神经网络(ANN)进行空间填补的方法,重建中国1982-2015年欧空局气候变化倡议计划（ESA CCI）的地表日SM缺失记录。其中包括气象强迫、地理和地形特征、植被状况和土壤质地等十个环境变量。利用地面观测值和三个全球再分析SM数据集对人工神经网络重建SM和射频重建SM进行了验证。在三种模拟情景下,即去除带的SM图像、不同植被密度和不同的数据缺口百分比,比较了人工神经网络模型和原始kriging模型的缺口填补结果。在不同的模拟情景下,人工神经网络模型的缺口填补结果与原始kriging模型的缺口填补结果进行了比较,结果表明,人工神经网络模型的缺口填补结果与原始kriging模型的缺口填补结果是一致的。结果表明,人工神经网络重建的SM与现场SM观测结果吻合较好,西北和东部地区的CC大于0.607,RMSE小于0.074m/m。与原始的ESA CCI SM模型相比,ANN模型在无植被带、植被密集区和稀疏区重建SM时的性能优于OK模型。具体而言，人工神经网络重建的SM在低密度植被区域比在高密度植被区域提供了更高的估计精度。较弱的表现可能是由于地表SM与茂密植被下各种环境变量之间的复杂相互作用。此外，当数据缺口的百分比达到40%时，ANN模型通过精确估计SM而显著优于OK模型。本文的研究为星源SM的重构提供了一个可供选择的参考，同时也凸显了人工神经网络模型的应用潜力。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate