[论文解读] Prolongation of SMAP to Spatio-temporally Seamless Coverage of Continental US Using a Deep Learning Neural Network

Kuai Fang, Chaopeng Shen+2 more|arXiv (Cornell University)|Jul 20, 2017

Soil Moisture and Remote Sensing被引用 9

一句话总结

本研究提出一种长短期记忆（LSTM）深度学习模型，利用大气强迫、模型模拟的土壤湿度和静态地形数据作为输入，将SMAP卫星土壤湿度数据扩展为覆盖整个美国大陆的时空无缝产品。LSTM模型对SMAP观测结果具有高保真度，测试均方根误差（RMSE）低于0.035，相关系数高于0.87，覆盖美国大陆75%以上的区域，有效纠正了陆面模型中的系统性偏差，并在常规方法之上展现出更优的泛化能力。

ABSTRACT

The Soil Moisture Active Passive (SMAP) mission has delivered valuable sensing of surface soil moisture since 2015. However, it has a short time span and irregular revisit schedule. Utilizing a state-of-the-art time-series deep learning neural network, Long Short-Term Memory (LSTM), we created a system that predicts SMAP level-3 soil moisture data with atmospheric forcing, model-simulated moisture, and static physiographic attributes as inputs. The system removes most of the bias with model simulations and improves predicted moisture climatology, achieving small test root-mean-squared error (<0.035) and high correlation coefficient >0.87 for over 75\% of Continental United States, including the forested Southeast. As the first application of LSTM in hydrology, we show the proposed network avoids overfitting and is robust for both temporal and spatial extrapolation tests. LSTM generalizes well across regions with distinct climates and physiography. With high fidelity to SMAP, LSTM shows great potential for hindcasting, data assimilation, and weather forecasting.

研究动机与目标

• 生成一个与SMAP观测高度一致的、覆盖整个美国大陆的时空无缝表层土壤湿度数据集。
• 评估LSTM在纠正陆面模型（LSM）模拟土壤湿度中系统性误差方面的能力。
• 对比LSTM与线性回归、自回归模型及单层神经网络在空间和时间外推任务中的泛化性能。
• 评估深度学习是否能够有效从多样化气候与地形区域的异构大规模水文数据中学习并实现泛化。

提出的方法

• 使用大气强迫、LSM模拟的土壤湿度和静态地形属性作为输入，训练一个长短期记忆（LSTM）循环神经网络，以预测SMAP三级土壤湿度数据。
• 模型在两年的SMAP数据上进行训练，并通过空间和时间上的留出测试，在美国大陆多样化的水文气候区域中进行验证。
• 尽管LSTM参数空间维度较高，仍采用正则化技术（如dropout）以防止过拟合。
• LSTM能够学习土壤湿度动态变化中的时间依赖性和空间模式，以及模型偏差，从而实现对训练数据之外区域的稳健外推。
• 通过与SMAP观测对比，采用均方根误差（RMSE）、相关系数和偏差减少等指标评估模型性能。
• 将该方法与线性回归、自回归模型及单层神经网络进行对比，以评估其泛化能力。

实验结果

研究问题

• RQ1 基于LSTM的深度学习模型能否有效将SMAP土壤湿度观测扩展为覆盖整个美国大陆的无缝、长期数据集？
• RQ2 LSTM在多大程度上能够纠正陆面模型模拟中存在空间差异的偏差和气候学误差？
• RQ3 LSTM在空间和时间外推任务中的泛化性能与更简单的统计模型相比如何？
• RQ4 LSTM的循环结构在捕捉土壤湿度动态和误差模式方面是否相比非循环模型具有显著优势？
• RQ5 LSTM模型是否能够在训练集中未包含所有区域组合的情况下，实现对多样化水文气候区域的有效泛化？

主要发现

• LSTM模型在覆盖美国大陆75%以上区域（包括森林茂密的东南部）的测试中，均方根误差（RMSE）低于0.035，相关系数高于0.87。
• 该模型有效消除了Noah陆面模型模拟中存在空间异质性的偏差，显著改善了土壤湿度的气候学特征和极端事件的表征。
• 尽管模型复杂度较高，LSTM在空间和时间外推任务中均表现出稳健的泛化能力，优于线性回归、自回归模型和单层神经网络。
• LSTM的性能接近SMAP仪器的精度极限，表明其对观测数据具有高度保真度。
• 该模型的成功归因于其能够学习长期时间依赖性以及在多样化区域中对物理和气候变异性内部表征的能力。
• 本研究首次展示了LSTM在水文领域的有效应用，表明其在长期土壤湿度回溯、数据同化和天气预报方面具有巨大潜力。