地表土壤水分监测对气象预报、水文研究和气候变化分析等至关重要。然而，由于现有的微波传感器观测能力以及卫星轨道覆盖和植被覆盖等因素的影响，微波遥感土壤水分产品存在大面积的空值区域，限制了此类产品的应用。为了解决这一问题，中国科学院成都山地灾害与环境研究所研究员赵伟团队提出了基于深度学习模型的分层数据重建方法。这一方法填补了欧洲航天局（ESA）气候变化倡议（CCI）土壤水分产品的空间空白。分层重建框架结合k-means聚类算法和自注意力深度学习填充模型，针对中国区域的应用进行了优化。该框架将中国划分为四个基于气候差异的子区域，为每个子区域独立训练了专门的深度学习模型来填补数据空白。相比于传统的将所有数据一起输入到深度学习模型中的方法，该分区方法可以更好地考虑土壤水分的空间异质性，确保不同气候特征的像元被尽可能地隔离，并保留尽可能多的数据用于训练深度学习模型。基于自注意力机制的深度学习模型，能够根据降水和植被等辅助信息准确识别土壤水分的动态变化特性以完成填补。分区训练模型保留了土壤水分的异质性信息，增强了模型在不同气候区的适应性和精度。这一方法提高了土壤水分数据的完整性，并通过交叉对比和扩展三重搭配分析等多重验证方法证明了重建数据的准确性。研究表明，重建数据在四个子区域的模拟数据缺失中显示出高相关性和低误差。进一步，分析表明，重建数据的精度与原始ESA CCI数据相当或更优；与其他四种土壤水分产品做交叉对比时，重构数据在夏季的相关性系数准确度提高了约3%。此外，相比于现有的基于深度学习的土壤水分填补方法，该方案降低了对地面实测数据及其他辅助数据的依赖性，增强了模型在不同地理和气候条件下的普适性和灵活性。上述工作推进了土壤湿度监测和环境研究的发展，并为全球土壤水分数据的重建提供了新的技术途径。相关研究成果以Addressing spatial gaps in ESA CCI soil moisture product: A hierarchical reconstruction approach using deep learning model为题，发表在International Journal of Applied Earth Observation and Geoinformation上。论文链接深度学习填补模型流程示意图