《Precision Agriculture》：Towards high-spatial-resolution, multi-depth soil water content estimation via SAR data and multimodal deep learning
编辑推荐：
本文介绍了一项创新性研究，为解决当前土壤水分含量（SWC）估计方法空间分辨率低、未考虑周边空间影响且多局限于表层测量的技术瓶颈，研究人员提出并验证了一种基于合成孔径雷达（SAR）数据与多模态深度学习的高分辨率、多深度（根区）SWC估算方法。该方法综合应用空间特征提取（U-Net）、时序建模（TCN）与上下文信息处理（FNN），并通过引入相对土壤水分含量（RSWC）参数缓解地面实测数据稀缺的难题。在两个农田案例中，该方法的均方误差（MSE）低至1.54%和2.01%，显著优于点基深度学习方法与数值模型。研究成果为精准农业中实现大范围、高精度的土壤水分制图与管理提供了切实可行的概念验证方案。
在精准农业和环境管理中，准确掌握土壤水分含量（Soil Water Content， SWC）是决策的关键。它不仅直接关乎作物健康、灌溉计划的制定与土地管理效率，还对水文循环、洪水干旱等环境现象的预测至关重要。然而，长期以来，SWC的估计面临着几大挑战。传统野外实地测量方法虽然精度高，但覆盖范围有限且成本高昂。数值模型需要详尽的数据输入和精确校准，往往难以捕捉农田内部（intra-field）细微的空间变异性。而基于遥感的技术，特别是合成孔径雷达（Synthetic Aperture Radar， SAR），虽然能提供大范围、高时空分辨率的观测，且不受云层和昼夜限制，但传统方法（如土壤水分指数SMI）通常只能提供相对湿度指标，且多局限于表层（1-10厘米）土壤水分的反演，无法满足对作物根系层（根区）水分的监测需求。此外，多数现有方法采用“点基”（point-based）分析思路，即独立评估每个区域，忽略了地形、周边植被覆盖等因素带来的空间依赖性，这在高分辨率农田尺度的应用中尤为受限。因此，开发一种能够综合多源信息、实现高空间分辨率（<50米）、多深度（特别是根区）的SWC估算方法，对于推动精准农业从理论走向大规模应用，具有迫切的现实意义。
本研究旨在评估一种为精准农业应用定制的高分辨率、多深度SWC估算方法的可行性。为此，研究人员设计并验证了一个多模态深度学习框架。该框架的核心思想是将遥感数据与多种辅助数据源深度融合，以计算机视觉任务而非点基分析的方式处理问题，从而捕捉空间上下文信息。模型架构巧妙融合了三个模块：用于从空间数据中提取特征的U-Net卷积神经网络、用于处理时间序列数据的时序卷积网络（Temporal Convolutional Network， TCN），以及用于整合上下文信息的全连接前馈网络（Feed-Forward Neural Network， FNN）。为了应对地面实测数据（ground truth）稀缺的核心挑战，研究创新性地提出了“相对土壤水分含量”（Relative Soil Water Content， RSWC）参数。RSWC通过利用历史SAR数据和单个测量点的实测数据，为整个农田区域的地表SWC估算提供了一个增强的、可比的训练目标，从而在弱监督学习（weakly supervised learning）场景下有效提升了模型性能。
研究采用了来自丹麦Skjern河流域水文观测站（HOBE）两个测量点（Point 1.09 和 Point 3.01）及其周围农田的数据。数据模态丰富，包括：作为模型输入的空间数据（Sentinel-1 SAR的VV和VH极化后向散射σ°VV和σ°VH、基于SAR的双极化雷达植被指数DpRVIc、高分辨率土壤质地图、数字高程模型DEM）、时间序列数据（降水、温度、全球辐射、风速的历史记录）以及上下文数据（地下水位、作物类型、测量时间）。地面真值则来自HOBE网络安装在三个深度（0-5厘米， 20-25厘米， 50-55厘米）的传感器数据。研究将提出的多模态深度学习方法与两种先进方法进行了对比：一种是结构相同但仅使用测量点像素值（即忽略空间上下文）的点基深度学习方法；另一种是名为DAISY的机制性数值模拟模型。
研究结果
定量结果
在两个测试点的所有土壤深度上，本研究提出的多模态方法在估算SWC方面均优于对比方法。如图5所示，该方法能更好地捕捉各深度SWC的变化趋势，而点基方法虽能反映总体趋势，却难以捕捉更精细的波动，这很可能是因为其无法考虑周边区域的影响。DAISY模型在2018年等特定干旱日期出现了显著误差，因其未考虑人工灌溉的影响。表1的定量指标（平均绝对误差MAE和均方根误差RMSE）进一步证实了本方法的优越性。对于两个农田，本方法在所有深度上的平均MSE分别为1.54%和2.01%，远低于点基方法的2.69%和3.37%，以及DAISY模型的3.82%和6.21%。一个明显的规律是，表层SWC的误差高于深层，这符合表层水分受短期因素（降雨、蒸发）影响更大、变异性更强的自然规律。
定性结果
研究展示了模型为整个农田生成的高分辨率、多深度SWC地图（图6）。结果表明，模型估算的地表SWC空间分布与引入的RSWC参数高度一致，且空间变化更为平滑，更符合田间土壤水分自然变化的预期。这从定性层面支持了模型不仅能在测量点提供准确估计，还能为整个农田生成合理的空间分布图。尽管由于缺乏其他位置的地面真值，无法直接验证20厘米和50厘米深度图在空间上的绝对精度，但基于训练时采用的随机增强（random augmentation）技术以及推断时模型不具备位置感知能力这两点，研究推断模型在农田其他位置的估计精度有望与测量点保持一致。
结论与讨论
本研究成功提出了一个集成SAR数据与多模态深度学习的高分辨率、多深度SWC估算框架。通过融合空间、时序和上下文信息，并引入RSWC参数以增强训练数据，该方法能够在仅依赖有限实地测量的情况下，为整个农田生成高精度的SWC地图。研究证明，该方法在精度上超越了传统的点基深度学习模型和机制性数值模型，为解决精准农业中大规模土壤水分监测的难题提供了一个切实可行的概念验证方案。
然而，研究也存在一定的局限性。首先，模型在空间和时间上的泛化能力有待进一步系统评估。由于仅依赖单个测量点的数据进行训练和测试，模型在远离测量点区域或未来未见过的时间段的性能尚不明确。未来的研究需要收集包含田间多个分布点、跨越数年的数据集，以严格评估模型的空间外推能力和时间稳健性，并确定模型是否需要以及何时需要进行微调。其次，本研究证明了方法在单个农田内的有效性，下一步自然延伸是评估其跨农田、乃至区域或国家尺度的泛化能力，这将是实现大规模应用的关键。
尽管如此，这项工作的意义是显著的。它展示了一种不依赖大量实地标定、即可实现田间尺度高分辨率土壤水分制图的新途径。这对于支持精准灌溉、耕作调度、土壤压实风险预测等农业实践具有重要价值，为实现环境可持续与农业盈利的双重目标提供了有力的技术工具。该研究已发表在《Precision Agriculture》期刊上。
