Changzhi Yang, Kebiao Mao, Jiancheng Shi, Zhonghua Guo, Sayed M. Bateni, A Time-Constrained and Spatially Explicit AI Model for Soil Moisture Inversion Using CYGNSS Data, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025, 18, 5100-5119.

PDF下载：https://ieeexplore.ieee.org/document/10845082

   基于CYGNSS数据的时空约束人工智能模型用于土壤湿度反演

主要内容：

1. 研究目标： 本研究的主要目标是开发一种时空约束的人工智能模型，用于利用 CYGNSS（Cyclone Global Navigation Satellite System）数据进行土壤湿度的反演。CYGNSS 是一种新型的微波遥感系统，能够为土壤湿度监测提供高时空分辨率的数据。

2. 时空约束模型： 该方法设计了一个时空约束的 AI 模型，能够更好地处理土壤湿度反演中的时空变化问题。模型通过引入时间和空间上的约束条件，确保在不同时间和空间尺度下，土壤湿度的反演结果更加准确和一致。

3. 数据来源与处理： 研究利用 CYGNSS 提供的微波数据，该数据具有较高的时间分辨率和空间覆盖能力，适合用于动态监测土壤湿度。通过对 CYGNSS 数据进行深度学习处理，模型能够从中提取重要特征，并进行高效的土壤湿度反演。

4. 实验与验证： 通过与其他遥感数据源（如卫星观测数据）进行比较，实验结果表明，该时空约束 AI 模型在土壤湿度反演的准确性和稳定性上均表现优异，尤其是在动态变化的区域具有更好的适应性。

创新点：

1. 时空约束的引入： 该研究创新性地提出了时空约束的概念，在反演模型中加入了时间和空间的约束条件。这样可以更精确地捕捉土壤湿度的时空变化特性，从而提高反演结果的可靠性。

2. AI与CYGNSS数据的结合： 研究充分利用了 CYGNSS 数据的高时空分辨率，通过深度学习模型对其进行处理，挖掘出数据中的重要信息。这为基于微波遥感的土壤湿度反演提供了一个新的思路。

3. 深度学习与时空特征建模： 在传统的遥感数据处理方法中，通常较少考虑时空特性，而本研究通过深度学习技术建模时空特征，使得反演模型能够在不同时间和空间尺度上都能保持较高的准确性。

4. 动态适应性强： 该模型能够更好地应对土壤湿度的动态变化，尤其是在受气候变化或不同土壤类型影响较大的区域，表现出较强的适应性和稳定性。

总结：

这篇论文提出了一种基于人工智能的时空约束土壤湿度反演模型，充分利用 CYGNSS 数据的优势，创新性地引入时空约束和深度学习技术，提高了土壤湿度反演的准确性与时效性。该方法具有较强的应用潜力，尤其适用于需要高时空分辨率和动态监测的土壤湿度研究。