多模态地球观测数据用于土壤湿度估计的比较评估
计算机视觉与模式识别
2026-02-23 v1 机器学习
摘要
准确的土壤湿度 (SM) 估计对精密农业、水资源管理和气候监测至关重要。然而，现有的卫星 SM 产品分辨率过粗（>1km），不适用于农场层面的应用。我们提出了一个分辨率为 10m 的植被区域土壤湿度估计框架，结合 Sentinel-1 SAR、Sentinel-2 光学遥感图像和 ERA-5 再分析数据，通过机器学习实现。使用 113 个国际土壤湿度网络 (ISMN) 站点覆盖各类植被区域，比较不同数据模态组合的时间参数化，使用空间交叉验证确保地理泛化。我们还评估了来自 IBM-NASA Prithvi 模型的 foundation model 嵌入是否优于传统手工特征。结果表明，混合时间匹配——将 Sentinel-2 当天获取的数据与 Sentinel-1 下降轨道相匹配——实现 R^2=0.514，10 天 ERA5 回溯窗口将性能提升至 R^2=0.518。Foundation model (Prithvi) 嵌入对手工特征的改进微乎其微（R^2=0.515 vs. 0.514），表明传统特征工程在稀疏数据回归任务中仍然高度具竞争力。我们的发现表明，领域特定的光谱指数结合基于树的集成方法为实现全欧洲场地尺度土壤湿度监测提供了实用且计算效率高的解决方案。
引用
@article{arxiv.2602.18083,
title = {Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation},
author = {Ioannis Kontogiorgakis and Athanasios Askitopoulos and Iason Tsardanidis and Dimitrios Bormpoudakis and Ilias Tsoumas and Fotios Balampanis and Charalampos Kontoes},
journal= {arXiv preprint arXiv:2602.18083},
year = {2026}
}
备注
This paper has been submitted to IEEE IGARSS 2026