[论文解读] 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 14

一句话总结

本论文提出 SoMo.ml，一个基于超过1,000个地面观测站、利用长短期记忆（LSTM）神经网络生成的全球性、多层（0–10、10–30、30–50 cm）、每日0.25°分辨率的土壤湿度数据集（2000–2019年）。通过在调整为匹配ERA5平均值和变异性的同时保留本地时间动态的地面观测数据上进行训练，SoMo.ml在时间相关性方面优于现有卫星和模型数据集，为水文与气候研究提供了新颖且独立的数据源。

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.

研究动机与目标

• 利用地面观测与机器学习方法，生成全球一致、长期、多层的土壤湿度数据集。
• 克服地面网络稀疏、卫星反演（仅限表层土壤）以及模型模拟（因参数化导致高不确定性）的局限性。
• 生成一种数据驱动的土壤湿度产品，既保留本地时间动态，又通过基于ERA5的标准化实现空间一致性。
• 提供一种与现有卫星和模型驱动土壤湿度产品互补的独立、高时间分辨率数据集。
• 为大规模水文、气象与生态分析提供更高时间保真度的支持。

提出的方法

• 使用再分析与遥感数据提供的气象预测因子和静态特征，训练长短期记忆（LSTM）神经网络，以0.25°空间分辨率和每日时间分辨率预测土壤湿度。
• 对来自ISMN和CEMADEN的地面观测土壤湿度数据进行质量筛选，并调整其均值与标准差，使其与重叠时间段和网格单元内ERA5土壤湿度保持一致。
• 通过深度加权平均法，将ERA5土壤湿度（0–7、7–28、28–100 cm）插值至目标层（0–10、10–30、30–50 cm）。
• 对于拥有多个地面观测站的网格单元，使用同一深度处地面观测值的平均值作为训练目标。
• LSTM模型从地面观测数据中学习时空模式，同时通过标准化继承ERA5的大尺度气候特征。
• 通过交叉验证与参考数据集（如ERA5、ESA-CCI、GLEAM）的对比，利用偏差、相关性及时间异常相关性等指标对最终数据集进行验证。

实验结果

研究问题

• RQ1 在稀疏地面观测基础上训练的机器学习模型，能否生成具有高时间保真度的全球一致、多层土壤湿度数据集？
• RQ2 基于数据驱动的LSTM土壤湿度产品在时间动态方面，与现有卫星和模型数据集相比表现如何？
• RQ3 利用ERA5统计量对地面观测数据进行标准化，在多大程度上提升了所生成土壤湿度数据集的空间一致性与气候现实性？
• RQ4 SoMo.ml数据集中最大的不确定性出现在何处？这些不确定性与训练数据的局限性有何关联？
• RQ5 SoMo.ml能否作为评估陆面模型与遥感反演产品时可靠的独立基准？

主要发现

• 在所有评估数据集中，SoMo.ml与地面观测的时间异常相关性最高，表明其在捕捉每日土壤湿度动态方面表现更优。
• 该数据集在全球空间分布模式上与参考数据集保持高度一致，包括热带与高纬度地区土壤湿度较高、干旱区较低的特征。
• 在15°N–25°N区域，SoMo.ml显示比参考数据更湿润的状况，尤其在深层土壤中，可能由于干旱地区训练数据有限，且模型对水文气候多样性的敏感性所致。
• SoMo.ml在时间动态方面表现尤为出色，适用于异常检测与气候水文研究中的记忆分析等应用。
• 在高纬度与干旱地区，数据集存在显著差异，这些差异与训练数据稀疏性有关，且与其他数据集的不确定性模式一致。
• 尽管存在这些不确定性，SoMo.ml仍提供了一项宝贵、独立且高分辨率的土壤湿度数据集，可有效补充现有卫星与模型产品。