ASTRA：基于深度学习的AMSR2-SMAP土壤湿度图像转换与辐射传输物理反演

《International Journal of Applied Earth Observation and Geoinformation》：ASTRA: AMSR2-to-SMAP Image-to-Image TRAnslation for soil moisture conversion and radiative transfer model-based interpretation

本研究针对AMSR2 C/X波段土壤湿度(SM)在茂密植被区存在系统性偏差的问题，提出了基于Swin-Unet的ASTRA深度学习框架，将AMSR2 LPRM SM、VOD及Ts转换为SMAP SCA-V一致的高精度SM产品。该模型在2015–2016年测试期与SMAP的相关系数达0.814，ubRMSD为0.027 m3m?3，逼近SMAP精度，并利用τ-ω RTM反演ω与h，显著改善了AMSR2原有湿偏差，为扩展L波段级SM记录提供了新方案。

　　

土壤湿度监测的“代差”难题与AI破局

土壤湿度（Soil Moisture, SM）是连接陆地水、能量和碳循环的关键变量，对于气候预测、农业管理和灾害预警至关重要。然而，不同卫星传感器之间的“代差”严重制约了长期数据的连贯性。一方面，SMAP（Soil Moisture Active Passive）卫星虽然拥有L波段（1.4 GHz）优势，穿透植被能力强、精度高，但其观测记录仅始于2015年，难以满足长期气候研究的需求。另一方面，AMSR2（Advanced Microwave Scanning Radiometer 2）虽然自2012年以来提供了连续的C/X波段观测，但其信号在茂密植被区衰减严重，且其Land Parameter Retrieval Model (LPRM)算法使用了全局固定的单次散射反照率（ω）和地表粗糙度（h）参数，导致在复杂地表条件下存在显著的系统性偏差。

传统的统计融合方法（如ESA CCI）虽然能生成长期序列，但难以从根本上消除不同传感器物理机制差异带来的误差。因此，如何利用AI技术，将AMSR2的长期记录“升级”为SMAP级别的精度，并保持物理意义的可解释性，成为了当前遥感领域的前沿挑战。

技术路径：Swin-Unet架构与物理约束反演

针对上述问题，研究团队构建了ASTRA（AMSR2-to-SMAP image-to-image translation）框架，其核心技术路径可概括为两点：

1. 1.
   深度学习映射：利用Swin-Unet架构，以AMSR2 LPRM反演的SM、植被光学深度（VOD）及皮肤温度（T_s）为输入，学习其到SMAP SCA-V（Single-Channel Algorithm at Vertical Polarization）土壤湿度产品的复杂非线性映射关系。该模型在全球尺度（EASE2 36 km网格）进行训练，有效利用了图像的局部与全局上下文信息。
2. 2.
   物理机制反演：在生成高精度SM的基础上，将其作为约束条件，反向代入τ-ω辐射传输模型（RTM），求解出更符合实际的时间动态的ω和h参数，从而揭示AI模型背后的物理含义，并用于改进原始AMSR2的反演算法。

数据方面，研究利用了2012–2023年的全球陆地观测数据，并基于International Soil Moisture Network (ISMN)的现场观测数据进行了严格验证。

---

主要研究结果

1. 模型架构与性能表现

ASTRA模型在2015–2016年的独立测试集上表现优异。与SMAP参考数据相比，其相关系数（R）达到0.814，无偏均方根误差（ubRMSD）低至0.027 m³m^?3，偏差（Bias）仅为0.005 m³m^?3。这表明ASTRA成功地将AMSR2的观测信息转换为了与L波段精度高度一致的SM产品。在与ESA CCI被动微波产品（CCI-P）和基于人工神经网络（ANN）的NNsm产品的对比中，ASTRA在多种土地覆盖类型下均显示出更优的准确性和稳定性。

2. ISMN现场验证

为了检验模型在真实地面的表现，研究利用ISMN网络中的REMEDHUS（西班牙）、OzNet（澳大利亚）和TxSON（美国）等密集站点数据进行了验证。结果显示，ASTRA生成的SM与现场观测的相关系数显著高于原始AMSR2产品，并且在大多数站点达到了与SMAP相当的精度水平，特别是在植被茂密区域，其克服AMSR2原有湿偏差的效果明显。

3. 物理参数反演与改进

研究最突出的亮点在于其物理可解释性。利用ASTRA输出的高精度SM作为约束，团队反演了时间变化的ω和h参数。结果显示，这些动态参数显著改善了原始AMSR2 C波段亮温数据的拟合效果，有效减少了原有算法因使用固定参数而产生的湿偏差。这一过程不仅验证了AI输出的物理合理性，还为改进传统物理反演算法提供了具体的参数化方案。

结论与展望

ASTRA研究证实了深度学习图像转换技术在遥感数据协同与提升方面的巨大潜力。它不仅在统计上生成了与SMAP高度一致的长期土壤湿度记录（可追溯至2012年），更通过辐射传输模型反演，为“黑箱”AI模型提供了物理层面的解释，实现了数据驱动与物理机制的深度融合。

这项发表于《International Journal of Applied Earth Observation and Geoinformation》的研究，为构建高精度、长时序的全球土壤湿度气候数据记录（CDR）提供了可靠的技术路径，对于深化理解全球变化背景下的水循环与能量收支具有重要的科学价值。