基于2D Triple-Collocation和机器学习方法的多源遥感土壤湿度融合与降尺度研究

作者：刘兴文; 李巧玲^*; 宋淑红

来源：遥感技术与应用, 2023, 38(06): 1317-1327.

• 2D Triple-Collocation
• 机器学习
• 土壤湿度
• 多源融合
• 降尺度

为提高卫星遥感土壤湿度产品精度及空间分辨率，支撑水文过程的高精度模拟与预报，首先基于SMOS、SMAP、ASCAT 3种遥感土壤湿度产品，采用2D Triple-Collocation(2D TC)从时空两方面分析不同产品精度并基于最小二乘框架融合。而后分析支持向量机（SVM）、随机森林（RF）、极端梯度提升机（XGBoost）3种机器学习方法的降尺度效果及适用性，并对融合成果降尺度。研究结果表明：多源遥感融合成果较单一卫星遥感产品RMSE更小（RMSE=0.04 m3/m3），且优化了单一卫星监测数据缺失及高估的问题。3种基于融合成果的降尺度模型均有较好的抗过拟合能力，其中以XGBoost表现最优，其测试集R2较RF、SVM测试集分别提高了4.5%、36.6%,RMSE分别降低了15%、46.9%。以CLDAS产品为参考，XGBoost降尺度成果较融合成果R值提高了16.53%,RMSE降低了17.50%。融合与降尺度方法组合能有效提高遥感土壤湿度产品空间分辨率及精度，适用性更好。

• 单位
  河海大学