土壤水分是全球水循環(huán)系統(tǒng)的關(guān)鍵組成要素，是陸地植被的生命源泉。氣候變暖背景下，全球土壤水分時空趨勢發(fā)生顯著變化，海量多源多模態(tài)土壤水分數(shù)據(jù)廣泛應(yīng)用于研判干旱格局、植被演化等地球表層關(guān)鍵過程的發(fā)展規(guī)律。然而，由于多元異構(gòu)土壤水分數(shù)據(jù)的穩(wěn)定性、代表性有限，土壤水分數(shù)據(jù)存在不同程度的時空精度差異。當前研究通常簡單計算多類數(shù)據(jù)的集合平均值表征土壤水分時空分布，但面臨被偏差最大數(shù)據(jù)所主導的風險，亟需以多源信息互補和優(yōu)化組合建模獲取高精度數(shù)據(jù)。針對以上問題，本書重點聚焦"氣候變暖背景下的地表水文水資源格局演化”這一前沿領(lǐng)域，圍繞遙感土壤水分多時空融合與分析，合理搭配土壤水分數(shù)據(jù)、對應(yīng)的誤差參數(shù)空間分布數(shù)據(jù)及地理背景數(shù)據(jù)，利用的人工智能技術(shù)優(yōu)勢，捕捉多源土壤水分、土壤屬性及下墊面性質(zhì)等數(shù)據(jù)集的信息依賴關(guān)系，準確擬合土壤水分的時空紋理動態(tài)特征，實現(xiàn)土壤水分的高精度重構(gòu)，研制高精度土壤水分數(shù)據(jù)產(chǎn)品，促進對土壤水分的時空分布及演化格局的精準把握。 具體來說，本書結(jié)合地理大數(shù)據(jù)與空間智能技術(shù)，充分發(fā)揮多源多模態(tài)數(shù)據(jù)的優(yōu)勢，研究構(gòu)建精度高、遷移擴展性強、實用性佳、具有可解釋性的融合方法，推動土壤水分融合模型的發(fā)展。這不僅對于提高未來情景土壤水分數(shù)據(jù)的質(zhì)量和精度、推進土壤水分數(shù)據(jù)融合算法構(gòu)建和理解具有重要的參考價值，而且對于應(yīng)對土壤水分未來變化研究、植被生產(chǎn)力響應(yīng)研究具有重要的科學意義。
劉楊曉月，中國科學院地理科學與資源研究所地理信息科學與技術(shù)全國重點實驗室副研究員、碩士生導師。博士后創(chuàng)新人才支持計劃獲得者，主持國家自然科學基金青年項目、面上項目、國家重點研發(fā)子課題等多項國家級任務(wù)，主要從事地理大數(shù)據(jù)與空間智能在水文水資源領(lǐng)域的研究，擔任Nature旗下中科院一區(qū)期刊Communications?Earth?&?Environment編委（Editorial Board Member）、美國地球物理學會AGU旗下期刊JGR: Machine Learning and Computation 副編輯（Associate Editor），在Water Resources Research、Journal of Hydrology、Advances in Water Research等水文水資源領(lǐng)域主流SCI期刊發(fā)表文章40余篇，授權(quán)發(fā)明專利10余項，主編專著3部，獲地理信息科技進步特等獎1項。
目 錄
第1章 緒論 001
1.1 研究背景與意義 002
1.1.1 CMIP6土壤水分數(shù)據(jù) 003
1.1.2 經(jīng)典多源多模態(tài)土壤水分數(shù)據(jù) 005
1.2 國內(nèi)外研究現(xiàn)狀 007
1.2.1 多源多模態(tài)土壤水分融合方法 007
1.2.2 CMIP6 土壤水分數(shù)據(jù)誤差來源和表達研究 010
1.2.3 基于微波遙感融合的土壤水分數(shù)據(jù)產(chǎn)品 012
1.2.4 水文氣象要素對植被生產(chǎn)力的影響 013
1.2.5 科學問題的提出及研究意義 016
第2章 未來多情景土壤 水分數(shù)據(jù)集評價 019
2.1 數(shù)據(jù)來源 020
2.1.1 CMIP土壤水分數(shù)據(jù)產(chǎn)品 020
2.1.2 土壤水分地面網(wǎng)絡(luò)實測數(shù)據(jù) 022
2.1.3 遙感與再分析土壤水分數(shù)據(jù)集 024
2.1.4 輔助數(shù)據(jù)集 025
2.2 評價方法 028
2.2.1 站點驗證 028
2.2.2 ETC驗證 029
2.2.3 CSD時序分解 031
2.3 評價結(jié)果 032
2.3.1 站點評價結(jié)果 032
2.3.2 ETC評價結(jié)果 040
2.4 本章小結(jié) 058
2.4.1 站點驗證與ETC驗證的特點 058
2.4.2 誤差分析 059
2.4.3 結(jié)論 064
第3章 未來多情景土壤水分數(shù)據(jù)融合 067
3.1 數(shù)據(jù)來源 068
3.1.1 CMIP6土壤水分數(shù)據(jù)集 068
3.1.2 SMAP土壤水分數(shù)據(jù)集 068
3.1.3 ERA5-Land土壤水分數(shù)據(jù)集 069
3.1.4 輔助數(shù)據(jù)集 069
3.2 融合方法 071
3.2.1 總體技術(shù)流程 071
3.2.2 樣本庫構(gòu)建 073
3.2.3 CSMSNet模型結(jié)構(gòu) 073
3.2.4 TSMSNet模型結(jié)構(gòu) 074
3.2.5 實驗設(shè)置 076
3.3 融合結(jié)果 078
3.3.1 CMIP6土壤水分評價結(jié)果 078
3.3.2 融合土壤水分數(shù)據(jù)集評價結(jié)果 082
3.3.3 土壤水分時空演化趨勢 087
3.4 本章小結(jié) 093
3.4.1 土壤水分融合模型的優(yōu)勢 093
3.4.2 未來土壤水分演化趨勢 094
3.4.3 結(jié)論 095
第4章 土壤水分數(shù)據(jù)降尺度融合 097
4.1 數(shù)據(jù)來源 098
4.1.3 SMAP土壤水分數(shù)據(jù)產(chǎn)品 099
4.1.2 站點觀測土壤水分數(shù)據(jù) 099
4.1.3 解釋變量數(shù)據(jù)集 100
4.2 融合方法 102
4.2.1 采樣方法 102
4.2.2 土壤水分融合過程 103
4.2.3 評價方法 107
4.3 融合結(jié)果 110
4.3.1 重建結(jié)果 110
4.3.2 補空值結(jié)果 114
4.3.3 降尺度結(jié)果 117
4.4 本章小結(jié) 120
4.4.1 與傳統(tǒng)土壤水分融合算法對比 120
4.4.2 數(shù)據(jù)集不確定性分析 122
4.4.3 深度學習黑盒模型可解釋性的未來方向 122
4.4.4 結(jié)論 123
第5章 土壤水分及相關(guān)水文氣象要素對植被生產(chǎn)力影響分析 125
5.1 數(shù)據(jù)來源 126
5.1.1 植被生產(chǎn)力代用指標 126
5.1.2 水文氣象數(shù)據(jù)集 127
5.2 分析方法 128
5.2.1 預(yù)處理 129
5.2.2 突變點檢測 129
5.2.3 隨機森林要素重要性指數(shù) 130
5.2.4 皮爾遜相關(guān)系數(shù) 131
5.2.5 偏相關(guān)系數(shù) 131
5.3 分析結(jié)果 132
5.3.1 時空演化特征 132
5.3.2 水文氣象與控制植被生產(chǎn)力的耦合分析 134
5.3.3 水文氣象控制對植被生產(chǎn)力的解耦分析 139
5.4 本章小結(jié) 141
5.4.1 LAI與GPP相關(guān)性 141
5.4.2 LAI、GPP對水文氣象要素的響應(yīng) 142
5.4.3 其他影響LAI、GPP的要素 143
5.4.4 結(jié)論 143
第6章 討論與結(jié)論 145
6.1 討論 146
6.2 結(jié)論 146
參考文獻 147
書單推薦
