Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach

ملخص تقني: تقدير رطوبة التربة على نطاق الحقل باستخدام بيانات رادار الفتحة الاصطناعية (SAR) من القمر الصناعي Sentinel-1 عبر نهج التعلم العميق الموجه معرفياً

بيان المشكلة
يعد التقدير الدقيق وعالي الدقة لرطوبة التربة (SM) على نطاق الحقل أمراً بالغ الأهمية للدراسات الزراعية والبيئية، لكنه لا يزال يمثل تحدياً. وبينما توفر مستشعرات الموجات الميكروية السلبية استرجاعاً موثوقاً لرطوبة التربة في جميع الظروف الجوية، إلا أن دقتها المكانية الفضائية الواسعة (عشرات الكيلومترات) تحد من قابليتها للتطبيق على نطاق الحقل. وفي المقابل، توفر مستشعرات رادار الفتحة الاصطناعية (SAR) بنطاق التردد C (مثل Sentinel-1) دقة مكانية عالية (10-30 متراً)، لكنها تواجه تعقيدات متأصلة في تفسير الإشارة بسبب التفاعلات الضربيه بين الارتداد الراداري وخصائص السطح مثل الغطاء النباتي، وخشونة السطح، ونسيج التربة.

تنقسم طرق الاسترجاع الحالية عموماً إلى فئتين ذات قيود متميزة:

1. النماذج التجريبية/الفيزيائية شبه المباشرة (مثل نموذج سحابة الماء - WCM): تقوم هذه النماذج بتفكيك إجمالي الارتداد إلى مساهمات التربة والنبات بناءً على علاقات نظرية. ومع ذلك، فإنها غالباً ما تعتمد على افتراضات مبسطة (مثل العلاقات الخطية بين رطوبة التربة وارتداد التربة)، مما يحد من قدرتها على التعميم عبر المناظر الطبيعية الزراعية المتنوعة.
2. النماذج القائمة كلياً على البيانات (مثل الشبكات العصبية العميقة): رغم قدرتها على التقاط العلاقات غير الخطية المعقدة، إلا أن هذه النماذج غالتاً ما تُنتقد لافتقارها إلى التفسير والاتساق الفيزيائي.

المنهجية
يقترح هذا البحث نهج تعلم عميق موجه معرفياً يدمج المبادئ الفيزيائية لنموذج سحابة الماء (WCM) في بنية شبكة الذاكرة الطويلة قصيرة المدى (LSTM). تهدف المنهجية إلى الاستف‏ادة من قدرة الـ LSTM على التقاط التبعيات الزمانية والمكانية مع فرض قيود فيزيائية.

• مدخلات البيانات: يستخدم النموذج بيانات Sentinel-1 SAR (استقطاب VH، منتجات Ground Range Detected) ويعزل معاملات ارتداد التربة من إجمالي الارتداد باستخدام مبادئ WCM. كما يدمج معلومات نباتية بدقة لاندسات (NDVI، الانعكاسية/Albedo) المستمدة عبر دمج البيانات الزمانية والمكانية لبيانات MODIS وLandsat، جنباً إلى جنب مع الخصائص السطحية المساعدة (نسيج التربة، السعة المائية المتاحة، شبكات المناخ).
• بنية النموذج:
  • بدلاً من الانحدار الخطي القياسي المستخدم في WCM لربط ارتداد التربة برطوبة التربة، تدرس هذه الدراسة استبداله بدالة LSTM ($f_{LSTM}$).
  • تتضمن مدخلات الـ LSTM السلاسل الزمنية لارتداد التربة المعزول ($\sigma_{soil}$) ومتجه الخصائص السطحية المساعدة ($v$).
  • يتم التعامل مع عامل الارتداد النباتي ($A$) كمعلم قابل للتعلم داخل الشبكة، مع تقييده بقيم موجبة عبر تحويل أسي ($A = e^{\log A}$).
• دالة الخسارة (Loss Function): يتم استخدام دالة خسارة معدلة مكونة من جزأين لضمان الاتساق الفيزيائي:
  1. مكون التربة ($Loss_{soil}$): يقلل من متوسط مربع الخطأ بين رطوبة التربة المتوقعة من الـ LSTM والملاحظات الميدانية.
  2. تنظيم الحدود ($Loss_{boundary}$): يفرض حدوداً فيزيائية (يجب أن تكون رطوبة التربة بين 0 و1) باستخدام حد عقابي موازن بمعامل تنظيم ($\lambda$).

المساهمات الرئيسية

• إطار عمل هجين: يقدم البحث جهداً أولياً لدمج معرفة WCM مباشرة في بنية التعلم العميق، متجاوزاً النماذج التجريبية البحتة أو المعتمدة على البيانات البحتة.
• عزل إشارة التربة: يستخدم النهج صراحةً معاملات ارتداد التربة المعزولة من إجمالي الارتداد، مدمجة مع بيانات نباتية عالية الدقة، لتوجيه الـ LSTM.
• الاتساق الفيزيائي: من خلال تعديل دالة الخسارة لتشمل الشروط الحدودية والاحتفاظ بالهيكل شبه الفيزيائي لتفكيك الإشارة، يعالج النموذج طبيعة "الصندوق الأسود" للتعلم العميق القياسي بينما يتغلب في الوقت نفسه على التبسيط المفرط لنموذج WCM التقليدي.

النتائج
تم تقييم النهج المقترح باستخدام تحقق تبادلي مكاني رباعي الأوجه مقابل بيانات رطوبة التربة الميدانية من شبكة OzNet للمراقبة الهيدرولوجية في منطقة Yanco الزراعية (شبه القاحلة في جنوب شرق أستراليا).

• الأداء المرجعي (WCM القياسي): حقق نهج WCM التقليدي معاملات ارتباط ($R$) تتراوح بين 0.26 و0.34 وجذور متوسط مربعات الخطأ (RMSE) تتراوح بين 0.08 و0.10 $m^3/m^3$. أظهرت النتائج تشتتاً كبيراً، حيث تجمعت التوقعات في نطاقات رطوبة تربة متوسطة، مما يشير إلى عدم قدرة النموذج على التقاط العلاقات غير الخطية تحت ظروف سطحية متغيرة.
• أداء النهج المقترح: أدى نموذج LSTM الموجه معرفياً إلى تحسين الأداء بشكل كبير:
  • RMSE: انخفض إلى نطاق 0.06–0.08 $m^3/m^3$ (أي انخفاض في عدم اليقين بمقدار 0.02 $m^3/m^3$ تقريباً).
  • الارتباط: تحسنت قيم $R$ لتصبح بين 0.40 و0.64، مع ملاحظة أعلى أداء في التكرار الرابع.
  • الاستقرار: ظل معلم الارتداد النباتي المتعلم ($A$) مستقراً عبر التكرارات (0.0177–0.0201)، مما يشير إلى توصيف ثابت للعلاقات بين النبات والارتداد.
  • القيود: أظهر النموذج ميلاً لخفض تقدير رطوبة التربة قليلاً عند القيم المرتفعة (>0.3 $m^3/m^3$) في بعض التكرارات، وإن كان التكرار الرابع قد أظهر أداءً محسناً عبر نطاق رطوبة التربة الكامل.

الأهمية والادعاءات
يزعم المؤلفون أن هذا البحث يوضح إمكانات البنى الهجينة لمعالجة التبسيط المفرط المتأصل في تمثيل معلمات WCM التقليدية، لا سيما في المناظر الطبيعية الزراعية غير المتجانسة. ومن خلال دمج القيود الفيزيائية في عملية التعلم، يحقق هذا النهج قابلية نقل مكانية محسنة وتقليلاً في عدم يقين الاسترجاع مقارنة بـ WCM القياسي. وتضع الورقة هذه النتائج كجهود أولية، مشيرة إلى أن العمل المستقبلي مطلوب لتقييم القدرة التشغيلية لهذا النهج عبر سياقات مكانية متنوعة.