“AI+插值"，提升全球衛星土壤水分數據可用性

記者近日從中國科學院空天信息創新研究院（空天院）獲悉，該院曾江源研究員團隊創新性地提出一種協同機器學習和插值方法的新框架，有效改善了全球衛星土壤水分產品中普遍存在的大範圍數據缺失狀況，顯著提升了數據的完整性和可用性。

該研究成果爲精準農業、水資源管理、乾旱監測和氣候變化研究等提供了更可靠的數據支撐，已於近期發表於遙感領域國際學術期刊《環境遙感》（Remote Sensing of Environment）。

土壤水分是衡量地球生態系統健康與否的關鍵指標，對氣候預測、農作物生長、洪旱災害預警等研究具有重要意義。目前，衛星遙感是獲取全球範圍土壤水分信息最有效的手段，但受衛星軌道設計和傳感器性能限制、地表複雜地形、人爲射頻干擾等多種因素影響，衛星獲取的土壤水分產品常存在大範圍數據缺失，嚴重製約了其在實際科研與應用中的使用效能。

曾江源介紹，目前填補這些缺失數據主要有兩類方法。一類是以空間關聯性爲基礎的傳統的插值方法，即根據已知數據填補未知數據。該方法在數據缺失程度不高的情況下效果很好，但面對連續大片的空白區域時容易“填不準”，甚至出現“填不上”的情況。另一類是熱門的機器學習方法，它偏於數據驅動，即通過分析全球海量數據找出土壤水分與其他環境因素（如降水、植被等）的複雜關係，從而進行大範圍預測填補，但結果容易趨於“平均”，削弱了極端乾溼區域的細節特徵。

針對上述難題，研究團隊創新性地採用“優勢互補”的策略，將上述兩類主流填補方法進行深度融合，採用“Stacking（堆疊）”異質集成技術，首先通過兩種方法獨立生成初級填補結果，再通過元模型智能優化權重，最終形成兼具全局合理性與局部精細度的填補數據。

研究團隊利用全球衛星土壤水分產品進行了大量實驗驗證。實驗表明，新方法在應對不同尺度的數據缺失時均表現出優越性：既保留了機器學習方法對大範圍缺失區的整體預測能力，又融合了插值法對局部區域細節特徵的敏感度，有效避免了傳統方法中常見的“平均化”誤差或“細節失真”現象。在全球尺度的驗證中，其填補精度顯著優於單一方法。

該技術框架具備較強的通用性，可拓展至地表溫度、植被參數、大氣參數等多種遙感產品的缺失值修復，通過提升各類衛星觀測數據質量，爲地球系統科學研究、農業生產與糧食安全、生態保護與可持續發展、自然災害監測預警等應用提供更可靠的數據支撐。