[論文レビュー] Global soil moisture from in-situ measurements using machine learning -- SoMo.ml

O Sungmin, René Orth|arXiv (Cornell University)|Oct 5, 2020

Soil Moisture and Remote Sensing被引用数 14

ひとこと要約

本論文では、1,000を超える地上観測局のデータを用い、LSTMニューラルネットワークを用いて生成された、全球的でマルチレイヤー（0–10、10–30、30–50 cm）、1日ごとの0.25°解像度の土壌水分データセットSoMo.ml（2000–2019年）を提示する。地上観測データを、ERA5の平均値と変動性に合わせて補正しながらも、局所的な時間的ダイナミクスを保持することで、既存の衛星やモデルベースのデータセットと比較して、観測データとの時間的相関が優れている。本データセットは、水文的および気象学的研究のための新規で独立したデータソースを提供する。

ABSTRACT

While soil moisture information is essential for a wide range of hydrologic and climate applications, spatially-continuous soil moisture data is only available from satellite observations or model simulations. Here we present a global, long-term dataset of soil moisture generated from in-situ measurements using machine learning, SoMo.ml. We train a Long Short-Term Memory (LSTM) model to extrapolate daily soil moisture dynamics in space and in time, based on in-situ data collected from more than 1,000 stations across the globe. SoMo.ml provides multi-layer soil moisture data (0-10 cm, 10-30 cm, and 30-50 cm) at 0.25° spatial and daily temporal resolution over the period 2000-2019. The performance of the resulting dataset is evaluated through cross validation and inter-comparison with existing soil moisture datasets. SoMo.ml performs especially well in terms of temporal dynamics, making it particularly useful for applications requiring time-varying soil moisture, such as anomaly detection and memory analyses. SoMo.ml complements the existing suite of modelled and satellite-based datasets given its independent and novel derivation, to support large-scale hydrological, meteorological, and ecological analyses.

研究の動機と目的

• 地上観測データと機械学習を用いて、グローバルに一貫性があり、長期的でマルチレイヤーの土壌水分データセットを生成すること。
• 地上観測網の疎らさ、衛星リモートセンシング（表面土壌に限局）、モデルシミュレーション（パラメータ化に起因する高い不確実性）といった制限を克服すること。
• 局所的な時間的ダイナミクスを保持しつつ、ERA5に基づく正規化によって空間的一致性を達成するデータ駆動型土壌水分製品を生成すること。
• 既存の衛星およびモデルベースの土壌水分製品と補完的である、独立的で高時間分解能のデータセットを提供すること。
• 時間分解能の向上を伴う、大規模な水文的・気象的・生態的分析を支援すること。

提案手法

• メテオロジカル予測子および再解析およびリモートセンシングからの静的特徴を用い、LSTMニューラルネットワークを訓練することで、0.25°空間解像度および1日時間解像度の土壌水分を予測する。
• ISMNおよびCEMADENの地上土壌水分データを品質フィルタリングし、重複する期間およびグリッドセル内でのERA5土壌水分の平均値と標準偏差に合わせて補正する。
• ERA5土壌水分（0–7、7–28、28–100 cm）を深さ加重平均を用いて、目的のレイヤー（0–10、10–30、30–50 cm）に垂直補間する。
• 複数の地上観測局があるグリッドセルでは、同じ深さの地上観測値の平均値を訓練のターゲットとして使用する。
• LSTMモデルは、地上観測データから空間的・時間的パターンを学習し、正規化を通じてERA5の大規模な気候的特徴を引き継ぐ。
• 最終的なデータセットは、交差検証および参照データセット（例：ERA5、ESA-CCI、GLEAM）との比較を通じて検証され、バイアス、相関、時間的アノマリー相関などの指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 希薄な地上観測データに基づいて訓練された機械学習モデルは、時間的分解能に優れたグローバルに一貫性のあるマルチレイヤー土壌水分データセットを生成可能か？
• RQ2 データ駆動型LSTMベースの土壌水分製品は、既存の衛星およびモデルベースのデータセットと比較して、時間的ダイナミクスの面でどの程度優れているか？
• RQ3 ERA5統計を用いた地上観測データの正規化は、導出された土壌水分データセットの空間的一致性および気候的リアリズムをどの程度向上させるか？
• RQ4 SoMo.mlデータセットにおける最大の不確実性はどこにあり、それらは訓練データの制限とどのように関連しているか？
• RQ5 SoMo.mlは、陸面モデルやリモートセンシングリトライーブの評価に用いる信頼性のある独立したベンチマークとして機能可能か？

主な発見

• SoMo.mlは、評価済みのすべてのデータセットの中で、地上観測データとの時間的アノマリー相関が最も高く、1日ごとの土壌水分ダイナミクスを捉える性能が優れていることを示している。
• 本データセットは、グローバルな空間パターンにおいて、参照データセットと強い一貫性を示しており、特に熱帯および高緯度地域で高い土壌水分値、乾燥地域で低い値を示している。
• 15°N–25°N地域では、特に深層で参照データセットよりも湿潤な状態を示しており、乾燥地域における訓練データの不足とモデルの水文気象的多様性への感受性が原因である可能性がある。
• SoMo.mlは特に時間的ダイナミクスに優れており、気象学・水文学分野におけるアノマリー検出や記憶解析などの応用に最適である。
• 高緯度および乾燥地域では顕著な乖離が見られ、これは訓練データの不足に起因しており、他のデータセットの不確実性とも一致する。
• これらの不確実性にもかかわらず、SoMo.mlは、既存の衛星およびモデルベース製品と補完的である、価値ある独立的で高解像度の土壌水分データセットを提供している。