土壤水是連結大氣系統和陸地生態系統的重要參量，全球尺度長時間序列土壤水及其變化特征為理解氣候變化下地-氣相互作用機制提供重要依據。微波遙感是目前獲取大尺度表層土壤水的最佳方式，但是傳感器更新快，單個傳感器覆蓋的時間范圍較短，且部分地區存在數據缺失，重建全球尺度微波遙感土壤水分時間序列是當務之急。

　　中國科學院生態環境研究中心傅伯杰研究團隊將遙感大數據與機器學習相結合，融合多種主、被動微波遙感反演的土壤水，包括AMSR-E, WindSat, TMI, ASCAT, SMOS, FY（風云）和AMSR2等，并統一校正至最優遙感土壤水數據SMAP同等精度水平，構建了2003~2018年時間上連續、空間上全覆蓋的（除冰雪）的遙感土壤水產品（空間分辨率為0.1度，時間分辨率10天）。該產品較ERA5-Land, GLDAS，ASCAT-SWI，CCI和GLEAM更準確地反映全球表層土壤水的年內變異性，年際趨勢和空間異質性，有效提升了微波遙感全球土壤水數據的精度和應用價值。

　　研究發展的神經網絡大數據分析方法具有以下四個特點：1）是結合機理的神經網絡，將微波輻射傳輸過程的影響因子參與神經網絡的訓練； 2）區別于常用的全局性網絡，采用區域化的神經網絡精準刻畫局地性的地理規律。同時發展了邊界模糊處理算法，以整合全局性網絡的優點；3）多輪次迭代性的神經網絡，上一級神經網絡模擬的輸出會轉化成下一輪次神經網絡訓練的輸入-訓練目標，以延伸訓練目標數據的時間跨度，有效克服各微波傳感器時間跨度均有限且時間范圍各不相同的特點，并充分利用所有的微波傳感器信息，形成長時間上連續的序列；4）是多層次且有組織的神經網絡的集合。在各輪次下，有多個子步驟，而每個子步驟下又有多個獨立的神經網絡，最后每個獨立神經網絡包含很多局域性子網絡，共涉及5個輪次、8個子步驟、67個獨立神經網絡和無數局域子網絡，是一套神經網絡組合系統，一定程度上擴展了基于神經網絡的大數據分析的外延，且算法對于未來新型土壤水分遙感產品有包容性。

　　這一研究成果近期發表在國際著名數據期刊Earth System Science Data，同時數據產品發布于國際著名的地球與環境科學數據平臺PANGAEA。論文第一作者是博士研究生陳永喆，通訊作者是馮曉明研究員。該研究得到了國家重點研發計劃項目、國家自然科學基金項目和中國科學院項目等的資助。

論文鏈接：https://essd.copernicus.org/articles/13/1/2021/

數據鏈接：https://doi.pangaea.de/10.1594/PANGAEA.912597

圖1：全球表層土壤水數據的時空格局（2003~2018年）；（a）全球表層土壤水數據的空間格局；（b）GLDAS表層土壤水空間格局；（c）表層土壤水隨緯度的變化（-60°S~80°N）的對比；（d）表層土壤水分2003~2018年間年際趨勢的空間分布；（e）GLEAM表層土壤水數據的年際趨勢圖；（f）本數據集與GLEAM數據的年際動態對比。在（a~b）中，紅色圓圈表示本研究結果對比GLDAS數據在空間格局上有明顯差異的地區，而在（d~e）中，紅色圓圈表示表層土壤水減少的地區，藍水圓圈是土壤水增加的地區。

圖2：全球表層土壤水數據的年內變異及其與降水動態性的關系：（a）表層土壤水達到年內最大值的時間點（單位：10天）；（b）表層土壤水的年內波動幅度；（c）表層土壤水與降水的年內波動的相關系數；（d）表層土壤水對降水峰值響應的時滯，單位：10天），左下方小插圖為頻率分布直方圖；（e）在全球不同地區，當干旱事件（連續無有效降水的情況）發生在一年中第幾個十天時，表層土壤水分下降最快；（f）若干旱事件隨機發生在一年中任何一個時間段，連續10天無有效降水后土壤水的減少量。

城市與區域生態國家重點實驗室

 2021年1月6日