基于深度学习方法预测缺资料区域深层土壤水分

土壤水分是陆地大气间水和能量交换的重要变量,特别是半干旱区土壤水分在植被恢复过程中扮演着关键作用.针对黄河流域土壤水分站网稀少、获取高质量时空连续的土壤水分信息较为困难的问题,为了在这种缺资料地区获取高精度的土壤水分信息,从而进一步开展黄河流域生态水文退化恢复机制解析,选取该区域内浑河流域作为试验区,同为我国北方半干旱地区呼伦贝尔草原的土壤水分实测数据集被用来驱动时空融合的卷积-循环神经网络(CNN-RNN)深度学习方法,集成多源遥感数据和表层土壤水分数据预测缺资料区域浑河流域时空连续的深层土壤水分信息,并采用多指标评估该方法的可行性.结果表明:基于深度学习方法预测的浑河流域5～80 cm土壤水分与实测数据相比存在低估现象,总体的相关系数R、均方根误差RMSE和平均绝对误差MAE分别可以达到0.67、0.029 cm3·cm-3和0.025 cm3·cm-3,其中5～10 cm土壤水分预测效果表现最好,即使对于难以预测的深层土壤水分,最低的R、RMSE和MAE也可以达到0.58、0.031 cm3·cm-3和0.027 cm3·cm-3.研究成果表明基于深度学习预测缺资料区域深层土壤水分的方法具有一定的可行性,为缺资料地区获取高精度的土壤水分提供了另一种思路.