⚡ electrical engineering

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

Este artículo presenta un enfoque de aprendizaje profundo guiado por el conocimiento que integra los principios del Modelo de Nube de Agua en una red LSTM para mejorar la estimación de la humedad del suelo a escala de campo a partir de datos de Sentinel-1 SAR, logrando una reducción de las incertidumbres y coeficientes de correlación más altos en diversos paisajes agrícolas en comparación con los métodos semifísicos tradicionales.

Autores originales: Yi Yu, Patrick Filippi, Thomas F. A. Bishop

Publicado 2026-08-18

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yi Yu, Patrick Filippi, Thomas F. A. Bishop

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La salud de la tierra bajo nuestros pies depende de una variable oculta que es difícil de ver pero imposible de ignorar: la cantidad de agua retenida en el suelo. Esta humedad actúa como un regulador crítico, controlando cómo la Tierra intercambia agua y calor con el aire que tiene encima. Para los agricultores, saber exactamente cuánta agua hay en el suelo es esencial para gestionar los cultivos, pero medirlo a través de vastos campos es un desafío persistente. Los métodos tradicionales suelen depender de satélites que pueden ver todo el planeta pero carecen del detalle para distinguir un campo de otro, mientras que otras herramientas que ofrecen un alto detalle luchan por penetrar las nubes o funcionar durante la noche. Para resolver esto, los científicos han recurrido a un tipo específico de radar satelital que puede ver a través de las nubes y la oscuridad, rebotando señales contra el suelo para medir las condiciones de la superficie. Sin embargo, traducir esas señales de radar en una lectura precisa de la humedad del suelo es notoriamente difícil porque la señal se ve empañada por todo lo demás en la superficie, como la hierba, los cultivos y la rugosidad de la propia tierra.

Investigadores de la Universidad de Sídney y el CSIRO han desarrollado una nueva forma de desenredar esta señal, combinando la fiabilidad de las leyes físicas con el poder de reconocimiento de patrones de la inteligencia artificial moderna. Su trabajo se centra en una región del sureste de Australia conocida como Yanco, un paisaje agrícola semiárido donde las condiciones del terreno varían significamente. El equipo utilizó datos del satélite Sentinel-1, que porta un sensor de radar capaz de capturar imágenes detalladas de la superficie terrestre cada pocos días, independientemente del clima. Combinaron estos datos de radar con información sobre la vegetación y las características de la superficie derivada de otras fuentes satelitales. El objetivo era crear un modelo que pudiera estimar la humedad del suelo a la escala de campos agrícolas individuales, una resolución necesaria para el uso agrícola práctico.

Durante décadas, los científicos han dependido de un método llamado modelo de la nube de agua para interpretar estas señales de radar. Este enfoque trata a la vegetación como una capa de gotas de agua que absorbe y dispersa la señal de radar, intentando separar matemáticamente la contribción de las plantas de la del suelo subyacente. Aunque este método está fundamentado en la teoría física, los investigadores descubrieron que a menudo simplifica demasiado la compleja realidad de la tierra. En sus pruebas, el modelo tradicional tuvo dificultades para manejar las diversas condiciones de los campos australianos, produciendo estimaciones que a menudo eran dispersas e imprecisas. El modelo tendía a asumir que la relación entre la señal de radar y la humedad del suelo era una línea recta y simple, sin tener en cuenta las formas desordenadas y no lineales en que la textura del suelo, la estructura de las plantas y la rugosidad de la superficie interactúan con las ondas de radar.

Para superar estas limitaciones, el equipo construyó un nuevo sistema que guía un tipo potente de inteligencia artificial conocido como red de memoria a largo plazo (long short-term memory) con los mismos principios físicos utilizados en el modelo de la nube de agua. En lugar de dejar que la computadora aprenda todo desde cero, le suministraron los datos de radar tras eliminar primero la influencia de la vegetación utilizando las fórmulas físicas establecidas. Este proceso dejó atrás una señal "limpia" que representaba la contribcción del suelo de manera más clara. La inteligencia artificial aprendió entonces a predecir la humedad del suelo a partir de esta señal limpia, pero con un giro crucial: el sistema fue programado para respetar los límites físicos del mundo real. Se le enseñó que la humedad del suelo no puede ser negativa y no puede exceder el volumen total del suelo, asegurando que los resultados siguieran siendo físicamente posibles. Este enfoque híbrido permitió al modelo capturar las relaciones complejas y curvas entre la señal de radar y el agua en el suelo que los modelos antiguos de línea recta pasaban por alto.

Cuando los investigadores probaron este nuevo enfoque frente a mediciones reales tomadas directamente del terreno, la mejora fue evidente. El modelo tradicional producía errores que variaban ampliamente, con puntuaciones de correlación que eran relativamente bajas e inconsistentes en diferentes partes del área de estudio. En contraste, el nuevo sistema guiado por el conocimiento redujo la incertidumbre en sus estimaciones por un margen mensurable, logrando una alineación mucho más estrecha con los datos del mundo real. El modelo predijo con éxito la humedad del suelo con un coeficiente de correlación que alcanzó hasta 0,64, una mejora significativa respecto a los métodos anteriores. Demostró una fuerte capacidad para adaptarse a diferentes coberturas vegetales y condiciones de superficie, probando que podía generalizar bien a través de los variados paisajes de la región agrícola.

El estudio sugiere que el futuro del monitoreo de la humedad del suelo no reside en elegir entre la física y los datos, sino en entrelazarlos. Al integrar las leyes conocidas de cómo el radar interactúa con la vegetación en el proceso de aprendizaje de una inteligencia artificial, los investigadores crearon una herramienta que es tanto flexible como fundamentada en la realidad. Si bien el modelo mostró una ligera tendencia a subestimar la humedad en las condiciones más húmedas, su rendimiento general indica un camino prometedor hacia el monitoreo ambiental de alta resolución. Este enfoque ofrece una forma de ver el agua oculta en el suelo con mayor claridad, transformando potencialmente la manera en que los agricultores y los científicos entienden y gestionan la tierra.

Resumen Técnico: Estimación de la Humedad del Suelo a Escala de Campo a partir de Datos SAR de Sentinel-1 mediante un Enfoque de Aprendizaje Profundo Guiado por el Conocimiento

Planteamiento del Problema
La estimación precisa y de alta resolución de la humedad del suelo (SM, por sus siglas en inglés) a escala de campo es crítica para los estudios agrícolas y ambientales, pero sigue siendo un desafío. Si bien los sensores de microondas pasivos ofrecen una recuperación de la SM fiable y para todo tipo de clima, su resolución espacial gruesa (decenas de kilómetros) limita su aplicabilidad a la escala de campo. Por el contrario, los sensores de radar de apertura sintética (SAR) de banda C, como Sentinel-1, proporcionan una alta resolución espacial (10–30 m), pero enfrentan complejidades inherentes en la interpretación de la señal debido a las interacciones multiplicativas entre la retrodispersión de radar y las características de la superficie, como la cubierta vegetal, la rugosidad de la superficie y la textura del suelo.

Los métodos de recuperación existentes generalmente se dividen en dos categorías con distintas limitaciones:

Modelos Empíricos/Semifísicos (p. ej., Modelo de Nube de Agua - WCM): Estos descomponen la retrodispersión total en contribuciones del suelo y la vegetación basándose en relaciones teóricas. Sin embargo, a menudo dependen de supuestos simplificados (p. ej., relaciones lineales entre la SM y la retrodispersión del suelo) y de una parametrización específica del sitio, lo que restringe su capacidad de generalización en paisajes agrícolas diversos.
Modelos Puramente Basados en Datos (p. ej., Redes Neuronales Profundas): Aunque son capaces de capturar relaciones no lineales complejas, estos modelos son frecuentemente criticados por su falta de interpretabilidad y consistencia física.

Metodología
Esta investigación propone un enfoque de aprendizaje profundo guiado por el conocimiento que integra los principios físicos del Modelo de Nube de Agua (WCM) en una arquitectura de red de Memoria a Largo Corto Plazo (LSTM). La metodología tiene como objetivo aprovechar la capacidad de la LSTM para capturar dependencias espaciotemporales mientras se imponen restricciones físicas.

Entradas de Datos: El modelo utiliza datos SAR de Sentinel-1 (polarización VH, productos de Rango de Distancia Detectado) y aísla los coeficientes de retrodispersión del suelo a partir de la retrodispersión total utilizando los principios del WCM. Incorpora información de la vegetación con resolución de Landsat (NDVI, albedo) derivada mediante la fusión espaciotemporal de datos de MODIS y Landsat, junto con características superficiales auxiliares (textura del suelo, capacidad de agua disponible, cuadrículas climáticas).
Arquitectura del Modelo:
- En lugar de la regresión lineal estándar utilizada en el WCM para relacionar la retrodispersión del suelo con la SM, este estudio reemplaza esto con una función LSTM ( $f_{LSTM}$ ).
- La entrada para la LSTM incluye la serie temporal de la retrodispersión del suelo aislada ( $\sigma_{soil}$ ) y un vector de características superficiales auxiliares ( $v$ ).
- El factor de retrodispersión de la vegetación ( $A$ ) se trata como un parámetro aprendible dentro de la red, restringido a valores positivos mediante una transformación exponencial ( $A = e^{\log A}$ ).
Función de Pérdida: Se emplea una función de pérdida modificada de dos componentes para asegurar la consistencia física:
1. Componente del Suelo ( $Loss_{soil}$ ): Minimiza el error cuadrático medio entre la SM predicha por la LSTM y las observaciones in situ.
2. Regularización de Frontera ( $Loss_{boundary}$ ): Impone límites físicos (la SM debe estar entre 0 y 1) utilizando un término de penalización escalado por un factor de regularización ( $\lambda$ ).

Contribuciones Clave

Marco Híbrido: El artículo presenta un esfuerzo preliminar para integrar el conocimiento del WCM directamente en una arquitectura de aprendizaje profundo, yendo más allá de los paradigmas puramente empíricos o puramente basados en datos.
Aislamiento de la Señal del Suelo: El enfoque utiliza explícitamente coeficientes de retrodispersión del suelo aislados de la retrodispersión total, combinados con datos de vegetación de alta resolución, para impulsar la LSTM.
Consistencia Física: Al modificar la función de pérdida para incluir condiciones de frontera y mantener la estructura semifísica de la descomposición de la señal, el modelo aborda la naturaleza de "caja negra" de las redes neuronales estándar, superando al mismo tiempo la sobre-simplificación del WCM tradicional.

Resultados
El enfoque propuesto fue evaluado utilizando una validación cruzada espacial de cuatro pliegues contra datos de SM in situ de la Red de Monitoreo Hidrológico OzNet en la región agrícola de Yanco (zona semiárida del sureste de Australia).

Desempeño de Referencia (WCM Estándar): El enfoque WCM tradicional produjo coeficientes de correlación ( $R$ ) entre 0.26 y 0.34 y errores cuadráticos medios (RMSE) que oscilaron entre 0.08 y 0.10 $m^3/m^3$ . Los resultados mostraron una dispersión sustancial, con predicciones agrupadas en rangos de SM intermedios, lo que indica la incapacidad del modelo para capturar relaciones no lineales bajo condiciones superficiales variables.
Desempeño del Enfoque Propuesto: La LSTM guiada por el conocimiento mejoró significativamente el desempeño:
- RMSE: Se redujo a un rango de 0.06–0.08 $m^3/m^3$ (una reducción de la incertidumbre de aproximadamente 0.02 $m^3/m^3$ ).
- Correlación: Los valores de $R$ mejoraron a un rango de entre 0.40 y 0.64, observándose el mayor desempeño en la cuarta iteración.
- Estabilidad: El parámetro aprendido de retrodispersión de la vegetación ( $A$ ) se mantuvo estable a través de las iteraciones (0.0177–0.0201), lo que sugiere una caracterización consistente de las relaciones entre la vegetación y la retrodispersión.
- Limitaciones: El modelo mostró una tendencia a subestimar ligeramente la SM en valores altos (>0.3 $m^3/m^3$ ) en algunas iteraciones, aunque la cuarta iteración mostró un desempeño mejorado en todo el rango de SM.

Significancia y Reivindicaciones
Los autores afirman que esta investigación demuestra el potencial de las arquitecturas híbridas para abordar la sobre-simplificación inherente a la parametrización del WCM tradicional, particularmente en paisajes agrícolas heterogéneos. Al integrar restricciones físicas en el proceso de aprendizaje, el enfoque logra una mejor transferibilidad espacial y una reducción de la incertididad de recuperación en comparación con el WCM estándar. El artículo posiciona estos hallazgos como esfuerzos preliminares, señalando que se requiere trabajo futuro para evaluar la capacidad operativa de este enfoque en diversos contextos espaciales.

Resumen Técnico: Estimación de la Humedad del Suelo a Escala de Campo a partir de Datos SAR de Sentinel-1 mediante un Enfoque de Aprendizaje Profundo Guiado por el Conocimiento

Más como este