新框架破解高分辨率土壤水分反演難題

安徽師范大學副教授汪左聯合中國科學院空天信息創新研究院、河海大學、中國科學院青藏高原研究所等多家單位，構建了物理散射模型引導的土壤水分深度遷移學習反演框架，破解植被覆蓋地表高空間分辨率土壤水分反演關鍵難題。相關成果以《散射模型引導的土壤水分深度遷移學習反演框架》為題刊發于遙感領域頂級期刊《環境遙感》。汪左為論文第一作者，安徽師范大學為論文第一完成單位。

土壤水分是維系陸地水循環、農業生產與生態穩定的核心要素。合成孔徑雷達可實現全天時、全天候、高分辨率地表觀測，是大范圍土壤水分監測的重要手段，但現有反演技術仍存明顯短板：傳統微波散射模型物理機理清晰，但模型輸入參數如地表粗糙度與植被參數難以在大范圍內準確獲取，制約區域監測；深度學習算法擅長挖掘遙感數據復雜非線性關系，卻缺少物理規律約束，易受樣本數量與分布的影響。如何融合散射模型物理知識與深度學習非線性建模能力，擺脫實地觀測參數限制，實現物理約束的高精度土壤水分遙感反演，成為亟待破解的關鍵難題。

針對這一難題，研究團隊提出了一種物理散射模型引導的土壤水分深度遷移學習框架。研究人員首先利用AIEM+Oh散射模型，生成包含473萬組參數組合的大規模裸土微波散射模擬數據庫，將復雜的微波散射過程轉化為可學習的物理先驗知識，并以此預訓練神經網絡，從而將散射模型中的物理知識轉化為可遷移的網絡參數。然而，理想化裸土散射模擬場景和野外真實植被覆蓋地表散射特征存在顯著差異，無法直接應用。為此研究團隊創新設計整體、獨立、交叉三類特征遷移方案，搭配編碼器、DNN多層網絡凍結/解凍共四種微調策略，組合形成12套優化方案，搭建有效知識遷移通道，將學習自裸土散射模型的物理先驗知識遷移至植被覆蓋地表的衛星觀測數據，并彌合理想模擬數據與真實地表衛星觀測數據之間的偏差。這套新框架無需實地測量地表粗糙度、植被參數，就能實現植被覆蓋地表高精度土壤水分反演。

該框架在奧地利HOAL、荷蘭Twente、美國太浩湖、中國那曲等四個具有不同氣候、地形和植被條件的典型區域開展訓練測試，并在羅馬尼亞、德國、美國內華達，以及我國瑪曲、阿里等環境相近地區開展跨區域測試，全面檢驗模型性能與泛化性。結果顯示，交叉特征遷移搭配編碼器凍結為最優模型組合，既能保留散射模型的物理知識，又能夠適應真實地表條件，在反演精度和區域泛化能力方面表現最佳，均優于隨機森林、XGBoost、DNN等傳統算法。

業內評價認為，該研究為解決土壤水分遙感反演領域傳統物理模型應用受限和深度學習算法物理約束不足的問題提供了新的技術路徑，可為農業水分管理、干旱監測、水文過程模擬和生態環境評估提供重要技術支撐。

相關論文信息：https://doi.org/10.1016/j.rse.2026.115571