[論文レビュー] A Machine Learning Data Fusion Model for Soil Moisture Retrieval

Vishal Batchu, Grey Nearing+1 more|arXiv (Cornell University)|Jun 20, 2022

Soil Moisture and Remote Sensing被引用数 5

ひとこと要約

本論文では、マルチソースの衛星データ—Sentinel-1（レーダー）、Sentinel-2（光学）、SMAP（受動レーダー）、および補助的地物理的およびモデル化された土壌水分データ—を統合するディープラーニングベースのデータ統合モデルを提示する。このモデルは、320 m解像度の表層土壌（0–5 cm）体積水分含量を推定することを目的としている。2015年から2021年までの1,300か所のグローバルな地上観測センサーを用いて訓練されたモデルは、1センサーあたりの相関係数0.727およびubRMSE 0.054を達成し、13のベンチマーク研究を上回る性能を示した。

ABSTRACT

We develop a deep learning based convolutional-regression model that estimates the volumetric soil moisture content in the top ~5 cm of soil. Input predictors include Sentinel-1 (active radar), Sentinel-2 (optical imagery), and SMAP (passive radar) as well as geophysical variables from SoilGrids and modelled soil moisture fields from GLDAS. The model was trained and evaluated on data from ~1300 in-situ sensors globally over the period 2015 - 2021 and obtained an average per-sensor correlation of 0.727 and ubRMSE of 0.054, and can be used to produce a soil moisture map at a nominal 320m resolution. These results are benchmarked against 13 other soil moisture works at different locations, and an ablation study was used to identify important predictors.

研究の動機と目的

• マルチソースの衛星データおよび地上観測データを統合することで、表層土壌水分の推定精度と空間解像度を向上させること。
• 多様なグローバルな気候および土壌条件に一般化可能な機械学習モデルの開発。
• 異なる地域で13の既存の土壌水分推定手法と比較して、本モデルの性能をベンチマーク化すること。
• アブレーションスタディを通じて、最も影響力のある入力予測変数を同定すること。

提案手法

• 畳み込み-回帰ニューラルネットワークを用いて、マルチセンサー入力データを土壌の上部5 cmにおける体積水分にマッピングする。
• 入力特徴量には、Sentinel-1（Cバンドレーダー後方散乱）、Sentinel-2（多波長反射率）、SMAP（Lバンド放射計）、およびSoilGridsとGLDASからの派生変数が含まれる。
• モデルは、2015年から2021年までの期間をカバーする約1,300か所のグローバルな地上観測土壌水分センサーからなるデータセットで訓練された。
• マルチソースデータの空間的および時間的整合性は、共通の320 m解像度グリッドと時間一致手順を用いて実施された。
• 個々の入力ソースがモデル性能に与える寄与度を評価するためにアブレーションスタディが実施された。
• モデル評価には、1センサーあたりの相関係数と不偏平均二乗誤差（ubRMSE）が用いられ、空間的および時間的一般化性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、多様なグローバル環境において、マルチソースの衛星データおよび補助データを統合して表層土壌水分をどれほど正確に推定できるか？
• RQ2 どの入力データソース（例：Sentinel-1、SMAP、Sentinel-2、GLDAS、SoilGrids）がモデルの精度に最も顕著な寄与をしているか？
• RQ3 本モデルは、さまざまな地理的場所における13の既存の土壌水分推定手法と比較して、性能でどのように差をつけるか？
• RQ4 本モデルは、異なる土壌タイプ、気候、および土地被覆条件において、効果的に一般化できるか？

主な発見

• 1,300か所のグローバルな地上観測センサーを用いた評価において、モデルは1センサーあたりの相関係数0.727および不偏平均二乗誤差（ubRMSE）0.054を達成した。
• モデルは、世界中で一貫性のある320 m解像度の土壌水分マップを生成でき、高い空間的詳細性を実現した。
• アブレーションスタディの結果、SMAPおよびSentinel-1データが最も影響力のある予測変数であり、次いでSentinel-2およびGLDASが続くことが判明した。
• 本モデルは、さまざまな地域的および気候的条件下で13のベンチマーク土壌水分推定手法を上回る性能を示した。
• SoilGridsから得られる土壌の粒度および密度のデータは、地上観測データが少ない地域でモデルの性能を顕著に向上させた。
• GLDASでモデル化された土壌水分場の組み込みにより、特にデータが乏しい地域において予測精度が向上した。