Field-scale soil moisture estimated from Sentinel-1 SAR data using a knowledge-guided deep learning approach
本文提出了一种知识引导的深度学习方法，该方法将水云模型原理集成到 LSTM 网络中，以改进基于 Sentinel-1 SAR 数据的田块尺度土壤湿度估算，与传统的半物理方法相比，在多种农业景观中实现了降低的不确定性和更高的相关系数。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
我们脚下土地的健康取决于一个难以察觉但又无法忽视的隐藏变量：土壤中所含的水分。这种水分充当着关键的调节器，控制着地球与上方空气之间水与热的交换。对于农民而言，准确了解地下有多少水对于管理农作物至关重要，然而在广袤的农田中测量这一数值却是一个持久的挑战。传统方法通常依赖卫星，虽然它们能观测整个星球，却缺乏区分不同农田的细节；而其他提供高细节度的工具则难以穿透云层或在夜间工作。为了解决这个问题，科学家们转向了一种特定的卫星雷达技术，这种雷达可以穿透云层和黑暗，通过向地面发射信号并接收回波来测量地表状况。然而，将这些雷达信号转化为准确的土壤湿度读数是极其困难的，因为信号会被地表上的其他事物所干扰，例如草丛、作物以及土壤本身的粗糙度。
悉尼大学和澳大利亚联邦科学与工业研究组织（CSIRO）的研究人员开发了一种新方法来解开这种信号，将物理定律的可靠性与现代人工智能的模式识别能力结合在一起。他们的工作重点位于澳大利亚东南部一个被称为扬科（Yanco）的地区，这是一个半干旱的农业景观，其地面条件变化显著。团队使用了来自 Sentinel-1 卫星的数据，该卫星携带的雷达传感器能够在不受天气影响的情况下，每隔几天捕捉一次地球表面的详细图像。他们将这种雷达数据与来自其他卫星源的植被和表面特征信息相结合。其目标是创建一个能够以单个农田规模估算土壤湿度的模型，这种分辨率对于实际农业应用而言是必不可少的。
几十年来，科学家们一直依靠一种被称为“水云模型”的方法来解读这些雷达信号。这种方法将植被视为一层吸收并散射雷达信号的水滴，试图通过数学手段分离出植物的贡献与下方的土壤。尽管这种方法有着物理理论作为基础，但研究人员发现它往往过度简化了土地的复杂现实。在测试中，传统模型在处理澳大利亚农田的多样化条件时表现挣扎，产生的估算值往往杂乱且不精确。该模型倾向于假设雷达信号与土壤湿度之间的关系是一条简单的直线，未能考虑到土壤质地、植物结构和表面粗糙度与雷达波之间复杂的非线性相互作用。
为了克服这些局限性，该团队构建了一个新系统，利用一种被称为长短期记忆网络（LSTM）的强大人工智能，并结合了与水云模型相同的物理原理来引导它。他们并没有让计算机从零开始学习一切，而是先利用既有的物理公式剥离掉植被的影响，再将处理后的雷达数据输入其中。这个过程留下了一个更清晰地代表土壤贡献的“净化”后的信号。随后，人工智能学习如何从这个净化后的信号中预测土壤湿度，但有一个关键的转折：系统被编程为必须遵守现实世界的物理边界。它被告知土壤湿度不能为负数，也不能超过土壤的总容积，从而确保结果在物理上是可能的。这种混合方法使模型能够捕捉到雷达信号与地下水之间那种复杂的、曲线式的关系，而旧有的直线模型则无法捕捉到这一点。
当研究人员将这种新方法与实地采集的地面测量数据进行对比测试时，改进效果显而易见。传统模型产生的误差波动很大，其相关性得分在研究区域的不同部分都相对较低且不稳定。相比之下，这种基于知识引导的新系统显著降低了估算的确定性偏差，实现了与现实世界数据更紧密的对齐。该模型成功预测了土壤湿度，相关系数达到了 0.64，较以往方法有了显著提升。它展示了适应不同植被覆盖和地表条件的强大能力，证明了其在多变的农业景观中具有良好的泛化能力。
这项研究表明，土壤湿度监测的未来不在于在物理学与数据之间做选择，而在于将二者交织在一起。通过将雷达与植被相互作用的已知规律嵌入到人工智能的学习过程中，研究人员创造了一个既灵活又立足于现实的工具。尽管该模型在极湿润条件下表现出轻微的低估倾向，但其整体性能为高分辨率环境监测指明了一条充满希望的道路。这种方法提供了一种以更高清晰度观察土壤中隐藏水分的方式，有望改变农民和科学家理解及管理土地的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。