近日，中国科学院空天信息创新研究所研究员曾江源团队在发展、比较和验证全球遥感土壤水分产品时空填充方法方面取得了进展。

该团队围绕传统的偏差校正方法和机器学习方法，在全球范围内填充主被动微波土壤水分卫星(SMAP)与原始SMAP数据的准确性、环境变量对土壤水分数据填充精度的影响等三个方面相比，土壤水分产品缺失数据的有效性、全球实测数据验证填充后的土壤水分的发展，从而开发适用于不同场景的填充方法，为利用环境变量提高基于机器学习的SMAP产品精度提供依据，如随机森林方法。

研究发现，全球填充精度由低逐渐提高，最大最小校正、累积分布函数匹配、线性重缩、一元一次、一元二次线性方程和随机森林方法，但空间分布相似。随机森林方法在训练阶段的精度优于其他方法，但验证阶段的精度明显降低。

为了进一步提高验证阶段随机森林方法的精度和稳定性，本研究基于随机森林方法，结合12种与土壤水分相关的辅助数据，整合多源信息，提高机器学习方法的预测能力和泛化性能。结果表明，添加辅助数据后，填充土壤水分的结果误差降低，与原值的相关性提高，随机森林方法的填充效果提高。

为了测试添加辅助数据的随机森林方法在补充SMAP数据方面的准确性，该研究利用1071个覆盖全球不同地表情况的网站的实测数据来验证补充结果。结果表明，在整体精度上，补充的SMAP数据优于原始SMAP数据。

同时，研究分析了归一化差分植被指数、土壤质地、气候类型、地表类型及其异质性、数字高程模型及其异质性等9种不同的环境变量，对SMAP填充精度的影响。结果表明，不同的归一化差分植被指数、地表类型及其异质性和气候类型对填充精度有很大影响，填充精度随着植被覆盖率、土壤水分和地表类型异质性的增加而降低。

Globalalobal相关研究成果-scale gap filling of satellite soil moisture products: methods and 以《水文学杂志》为题的validation发表在《水文学杂志》(Journal of Hydrology)上面。研究工作得到了国家自然科学基金、中国科学院青年创新促进会优秀会员项目等的支持。