Global daglig 9 km fjärrmätt markfuktighet (2015–2025) med mikrovågsradiativ transfer‑styrd inlärning

Varför jordens fuktighet spelar roll

Hur vått eller torrt de översta centimetrarna av marken är kan verka som en liten detalj, men det påverkar tyst väder, jordbruk, vattentillgångar och till och med risken för skogsbränder. Ändå är det förvånansvärt svårt att mäta markfuktighet överallt på jorden, varje dag. Denna studie beskriver en ny global datamängd som använder satelliter och en fysikmedveten form av artificiell intelligens för att följa daglig markfuktighet med hög upplösning från 2015 till 2025, vilket ger en tydligare bild av hur vatten rör sig över markytan.

Att iaktta jordens mark från rymden

Traditionella markmätningar bygger på instrument nedgrävda i marken, vilka är noggranna men glesa och dyra att underhålla. För att fylla luckorna flyger rymdorganisationer satelliter som känner av naturliga mikrovågssignaler från jordens yta. Vissa frekvenser, särskilt så kallad L‑band, påverkas starkt av hur mycket vatten det finns i det översta jordlagret. Uppdrag som NASAs SMAP och Europas SMOS omvandlar redan dessa signaler till globala kartor över markfuktighet. Deras uppskattningar blir dock mindre tillförlitliga på platser med tät skog, komplex terräng eller snabbt förändrade grödor, där vegetation och ytstruktur skymmer eller förvränger marksignalen.

Att blanda fysik och maskininlärning

Författarna tar itu med dessa svagheter med ett ramverk de kallar processstyrd maskininlärning. I stället för att låta en algoritm lära sig blint från data bygger de in vetenskaplig förståelse för hur mikrovågor interagerar med mark och växter. Först använder de en väl etablerad radiativ transfer‑modell—av den typ som redan används i satellitretrievalsystem—för att simulera många kombinationer av markfuktighet, vegetation, jordtyp och temperatur, och de mikrovågssignaler som skulle uppstå. Ett neuralt nätverk förtränas på detta syntetiska arkiv så att dess interna lager lär sig mönster som speglar fysisk orsak och verkan, inte bara statistiska tillfälligheter.

Att lära modellen med verkliga mätningar

I ett andra steg finjusterar teamet detta förtränade nätverk med en stor samling verkliga markfuktighetsmätningar från övervakningsnät runt om i världen, tillsammans med faktiska satellitobservationer och klimatdata såsom nederbörd, avdunstning, markanvändning och klimatzon. De utformar också ett särskilt träningsmål som belönar modellen för att matcha inte bara den genomsnittliga nivån av markfuktighet utan även dess dag‑till‑dag‑svängningar, samtidigt som det varsamt straffar omöjliga värden utanför det fysiskt tillåtna intervallet. Denna stegvisa träning gör att modellen kan behålla det den lärde sig från grundläggande fysik, men anpassa sig till egenheter och brus i verkliga landskap och instrument.

Skarpare kartor och bättre torkindikatorer

Efter träning kör författarna sin modell för att skapa en daglig global tidsserie av markfuktighet på ett ungefär 9‑kilometers nät från april 2015 till juni 2025. De testar sedan dess noggrannhet på flera sätt. Jämfört direkt med oberoende markmätningar visar den nya produkten en stark överensstämmelse och små fel. I huvud‑till‑huvud‑jämförelser med sju ledande satellit‑ och modellbaserade produkter har den generellt högre korrelation med markdata och lägre fel, särskilt i utmanande miljöer som skogar och intensivt brukade åkermarker. Datasetet återger också tidpunkten och svårighetsgraden av den allvarliga europeiska torkan 2018, och fångar både den utbredda torkan och den detaljerade utvecklingen av förhållanden på enskilda platser bättre än en populär multisensorprodukt.

Vad denna nya karta betyder för människor och planeten

För icke‑specialister är huvudsakliga resultatet en mer pålitlig dag‑för‑dag‑karta över hur våta eller torra jordytorna är, i en skala som är tillräckligt detaljerad för regionala vattenförvaltare, bönder och klimatforskare. Genom att blanda satellitobservationer, markmätningar och mikrovågsradiationens fysik i ett enda inlärningssystem visar studien hur styrd artificiell intelligens kan omvandla komplexa signaler till praktisk miljöinformation. Den resulterande decennielånga datamängden kan stödja bättre torkövervakning, grödbedömningar och studier av hur ett varmare klimat omformar den globala vattenkretsloppet, samtidigt som den pekar mot mer fysikmedvetna användningar av maskininlärning inom jordvetenskap.»

Citering: 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

Nyckelord: markfuktighet, satellitfjärranalys, maskininlärning, torkövervakning, hydroklimat