Downscaling SMAP Soil Moisture to 1 km with Machine Learning and MODIS Data for Agricultural Drought Assessment in Békés County, Hungary
Mahrokh Shafiei · István Waltner · Z. Vekerdy 等 4 人
用机器学习将SMAP土壤水分降尺度至1km，评估匈牙利农业干旱。
比较RF、XGBoost、GBM，结合MODIS植被指数、地表温度等预测变量。
RF精度最高，白天LST最重要，成功捕捉2022年7月严重干旱。
可探索将降尺度方法应用于其他区域或作物，结合更高分辨率遥感或气象数据提升精度。
研究利用机器学习将SMAP土壤水分降尺度至1km，提升农业干旱监测精度，方法新颖，数据详实，对区域农业管理有参考价值。
土壤水分（SM）的精确制图对于有效监测农业干旱至关重要。然而，被动微波产品（包括9公里分辨率的土壤水分主动被动（SMAP）反演数据）空间分辨率较粗，限制了其在区域和地方尺度上的有效性。为解决这一局限，本研究比较了三种基于机器学习的降尺度框架，旨在将匈牙利贝凯什县的SMAP土壤水分分辨率从9公里提升至1公里。研究时段覆盖2020年至2023年的生长季（4月至10月）。研究中将一组多时相MODIS衍生变量——包括植被指数（NDVI、EVI）、白天和夜间地表温度、蒸散量——以及土地覆盖分类和地形高程作为辅助预测变量。三种机器学习算法，即随机森林（RF）、极限梯度提升（XGBoost）和梯度提升机（GBM），被训练和评估。结果表明：（1）RF模型在测试阶段（R² = 0.71，RMSE = 0.0295 m³/m³）精度最高，且经四个原位监测站验证，确认其在小尺度上具有可靠的土壤水分估算能力；（2）白天地表温度是所有模型中最重要的预测变量，凸显了控制地表土壤水分动态的强烈热-湿耦合关系；（3）经过验证的RF模型生成的1公里标准化土壤水分指数（SSI）图有效捕捉了年际干旱变率，识别出2022年7月的严重干旱事件。总体而言，本研究提出了一种适用于中欧农业环境的降尺度方法，用于生成高分辨率土壤水分数据。所得到的1公里土壤水分和SSI产品为决策者在干旱期加强规划、通过改进灌溉调度减少农业损失提供了有价值的工具。