基于微波辐射传输引导学习的全球9公里日尺度遥感土壤湿度数据（2015–2025）

为何地表湿润程度重要

表层几厘米土壤的湿润或干燥程度看似细微，却无声地影响着天气、农业、供水，甚至野火风险。然而，要实现对地球上每处地点每天都准确测量土壤湿度却相当困难。本研究描述了一个新的全球数据集，该数据集结合卫星观测与物理感知的人工智能方法，提供2015年至2025年高分辨率的日尺度土壤湿度，勾勒出水在陆表流动的更清晰图景。

从太空观测全球土壤

传统的土壤测量依赖埋入地下的仪器，这类观测精确但分布稀疏且维护成本高。为弥补空白，各国航天机构发射卫星，探测来自地表的天然微波信号。某些频段，尤其被称为L波段的频率，对土壤表层含水量非常敏感。像NASA的SMAP和欧洲的SMOS等任务已将这些信号转化为全球土壤湿度图。不过，在茂密森林、复杂地形或快速变化的农作物区，植被和地表粗糙度会掩盖或扭曲土壤信号，使得估计不那么可靠。

融合物理与机器学习

作者采用一种称为过程引导机器学习的框架来应对这些弱点。他们没有让算法盲目从数据中学习，而是在模型中引入微波与土壤、植被相互作用的科学理解。首先使用一种成熟的辐射传输模型——类似于卫星反演系统中使用的模型——模拟大量土壤湿度、植被、土壤类型和温度的组合，以及由此产生的微波信号。然后用这个合成档案对神经网络进行预训练，使其内部层学习反映物理因果关系的模式，而不仅仅是统计巧合。

用真实观测教会模型

在第二步中，团队用来自全球监测网络的大量真实土壤湿度测量数据，以及实际的卫星观测和降雨、蒸发、土地覆盖和气候分区等气候数据，对预训练网络进行微调。他们还设计了特殊的训练目标，既奖励模型匹配土壤湿度的平均水平，也奖励捕捉日常波动，同时对超出物理允许范围的不可能值给予温和惩罚。这种分阶段训练使模型既能保留从基本物理中学到的知识，又能适应真实景观和仪器的特性与噪声。

更清晰的地图与更可靠的干旱信号

训练完成后，作者运行模型生成了2015年4月至2025年6月期间、约9公里网格的每日全球土壤湿度记录。他们以多种方式检验其精度。与独立的地面测量直接比较时，该新产品表现出高度吻合且误差较小。在与七种主流卫星与模式产品的对比中，该数据在与地面数据的相关性和误差方面通常更优，尤其在森林和强度管理的农田等挑战性环境中更为明显。该数据集还能重现2018年欧洲严重干旱的时序与强度，不仅捕捉到广泛的干旱范围，也比一种常用的多传感器产品更好地描绘了各个站点条件的详细演变。

这张新地图对人类与地球的意义

对非专业读者而言，最重要的成果是提供了一个更可靠的逐日地图，显示世界表层土壤的湿润或干燥状况，其分辨率足以对区域水资源管理者、农户和气候科学家产生实际意义。通过在单一学习系统中融合卫星观测、地面测量与微波辐射物理，本研究展示了受指导的人工智能如何将复杂信号转化为实用的环境信息。所得的十年数据集可用于改进干旱监测、作物评估以及研究变暖气候如何重塑全球水循环，同时也为在地球科学中更具物理意识的机器学习应用指明了方向。

引用: 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

关键词: 土壤湿度, 卫星遥感, 机器学习, 干旱监测, 水文气候