渐进尺度卷积网络用于土壤湿度时空下采样：基于西藏高原的案例研究
机器学习
2025-10-14 v1
摘要
土壤湿度在水文和气象过程中发挥着关键作用。通过将粗糙的被动微波数据与细尺度的辅助变量相结合，可获得高分辨率的土壤湿度数据。然而，由于表面辅助因素的 incomplete，土壤湿度在时序尺度上的反演受到阻碍。为此，本文首先引入经验证的高时序分辨率 ERA5-Land 数据，以改进低分辨率 SMAP 土壤湿度产品的下采样过程。随后，我们设计了渐进尺度卷积网络（PSCNet），其核心包含两个创新组件：用于捕捉时序动态的多频率时序融合模块（MFTF），以及专门用于保留细粒度空间细节的 squeeze-and-excitation（SE）模块。通过该方法，我们获得了西藏高原（TP）2016-2018 年间在 10 km 空间分辨率和 3 小时时序分辨率的无缝土壤湿度产品。实验结果表明：1）在卫星产品验证中，PSCNet 表现出与其他方法相当的准确性和更低的误差，平均 R 值为 0.881，优于其他方法。2）在现场站点验证中，PSCNet 在所有站点的 R 指标中始终排名前三，并在整体误差降低方面表现出优异。3）在时序泛化验证中，确认了使用高时序分辨率 ERA5-Land 数据进行下采样的可行性，所有方法在 R 指标的平均相对误差保持在 6% 以内，ubRMSE 指标的误差保持在 2% 以内。4）在时序动态和可视化验证中，PSCNet 显示出卓越的时序灵敏度和鲜明的空间细节。总体而言，PSCNet 通过有效地建模土壤湿度数据的复杂时空关系，为时空下采样提供了一个有前景的解决方案。
引用
@article{arxiv.2510.10244,
title = {Progressive Scale Convolutional Network for Spatio-Temporal Downscaling of Soil Moisture: A Case Study Over the Tibetan Plateau},
author = {Ziyu Zhou and Keyan Hu and Ling Zhang and Zhaohui Xue and Yutian Fang and Yusha Zheng},
journal= {arXiv preprint arXiv:2510.10244},
year = {2025}
}