Глобальная ежедневная 9 км дистанционно определяемая влажность почвы (2015–2025) с обучением под руководством микроволновой модели переноса излучения

Почему влажность почвы важна

Насколько влажны или сухи верхние несколько сантиметров почвы может показаться мелочью, но это тихо формирует погоду, сельское хозяйство, водоснабжение и даже риск лесных пожаров. Однако измерить влажность почвы повсеместно и ежедневно оказалось удивительно сложно. В этом исследовании описан новый глобальный набор данных, который использует спутники и физически осведомлённую форму искусственного интеллекта для отслеживания ежедневной влажности почвы с высоким разрешением с 2015 по 2025 год, предлагая более чёткое представление о перемещении воды по поверхности суши.

Наблюдение за почвой Земли из космоса

Традиционные измерения почвы опираются на приборы, зарытые в землю, которые точны, но редки и дорогие в обслуживании. Чтобы заполнить пробелы, космические агентства запускают спутники, улавливающие естественные микроволновые сигналы, исходящие от поверхности Земли. Некоторые частоты, особенно так называемая L‑полоса, сильно зависят от того, сколько воды в верхнем слое почвы. Миссии, такие как SMAP (NASA) и SMOS (Европа), уже переводят эти сигналы в глобальные карты влажности почвы. Однако их оценки становятся менее надёжными в местах с плотными лесами, сложным рельефом или быстро меняющимися посевами, где растительность и шероховатость поверхности маскируют или искажают почвенный сигнал.

Слияние физики и машинного обучения

Авторы решают эти недостатки с помощью подхода, который они называют машинным обучением, управляемым процессом. Вместо того чтобы позволять алгоритму слепо учиться на данных, они встраивают научное понимание того, как микроволны взаимодействуют с почвой и растениями. Сначала они используют хорошо зарекомендовавшую себя модель переноса излучения — ту, которая уже применяется в спутниковых системах извлечения параметров — чтобы смоделировать множество сочетаний влажности почвы, растительности, типа почвы и температуры, а также соответствующие микроволновые сигналы. Нейронная сеть предварительно обучается на этом синтетическом архиве, чтобы её внутренние слои усвоили закономерности, отражающие физическую причинно‑следственную связь, а не только статистические совпадения.

Обучение модели на данных из реального мира

На втором этапе команда дообучает эту предварительно обученную сеть, используя большую коллекцию реальных измерений влажности почвы из сетей мониторинга по всему миру, а также реальные спутниковые наблюдения и климатические данные, такие как осадки, испарение, покрытие земли и климатическая зона. Они также разрабатывают особую функцию цели обучения, которая поощряет модель не только за соответствие среднему уровню влажности почвы, но и за её суточные колебания, мягко штрафуя физически невозможные значения вне допустимого диапазона. Такое поэтапное обучение позволяет модели сохранить то, что она узнала из базовой физики, и одновременно адаптироваться к особенностям и шуму реальных ландшафтов и приборов.

Более чёткие карты и улучшенные сигналы засухи

После обучения авторы запускают модель для создания ежедневной глобальной записи влажности почвы на сетке примерно 9 километров с апреля 2015 по июнь 2025 года. Затем они проверяют её точность разными способами. При прямом сравнении с независимыми наземными измерениями новый продукт демонстрирует сильное соответствие и небольшие ошибки. В очных сравнениях с семью ведущими спутниковыми и модельными продуктами он, как правило, показывает более высокую корреляцию с наземными данными и меньшую ошибку, особенно в сложных условиях, таких как леса и интенсивно обрабатываемые сельскохозяйственные угодья. Набор данных также воспроизводит время и тяжесть серьёзной европейской засухи 2018 года, фиксируя как широкую сухость, так и детальную эволюцию условий на отдельных площадках лучше, чем популярный мульти‑датчиковый продукт.

Что эта новая карта значит для людей и планеты

Для неспециалистов ключевой результат — более надёжная по дням карта того, насколько влажны или сухи поверхностные почвы мира, с разрешением, достаточным для региональных водных менеджеров, фермеров и климатологов. Сочетая спутниковые наблюдения, наземные измерения и физику микроволнового излучения в единой системе обучения, исследование демонстрирует, как управляемый искусственный интеллект может превращать сложные сигналы в практическую экологическую информацию. Получившийся десятилетний набор данных может поддерживать более эффективный мониторинг засухи, оценку урожаев и исследования того, как потепление климата перестраивает глобальный водный цикл, а также указывает путь к более физически осмысленному применению машинного обучения в науках о Земле.

Цитирование: Feng, S., Li, A., Zhou, R. et al. Global daily 9 km remotely sensed soil moisture (2015–2025) with microwave radiative transfer-guided learning. Sci Data 13, 435 (2026). https://doi.org/10.1038/s41597-026-06721-6

Ключевые слова: влажность почвы, спутниковая дистанционная съемка, машинное обучение, мониторинг засухи, гидроклимат