土壤水分是全球水循环系统的关键组成要素，是陆地植被的生命源泉。气候变暖背景下，全球土壤水分时空趋势发生显著变化，海量多源多模态土壤水分数据广泛应用于研判干旱格局、植被演化等地球表层关键过程的发展规律。然而，由于多元异构土壤水分数据的稳定性、代表性有限，土壤水分数据存在不同程度的时空精度差异。当前研究通常简单计算多类数据的集合平均值表征土壤水分时空分布，但面临被偏差最大数据所主导的风险，亟需以多源信息互补和优化组合建模获取高精度数据。针对以上问题，本书重点聚焦"气候变暖背景下的地表水文水资源格局演化”这一前沿领域，围绕遥感土壤水分多时空融合与分析，合理搭配土壤水分数据、对应的误差参数空间分布数据及地理背景数据，利用的人工智能技术优势，捕捉多源土壤水分、土壤属性及下垫面性质等数据集的信息依赖关系，准确拟合土壤水分的时空纹理动态特征，实现土壤水分的高精度重构，研制高精度土壤水分数据产品，促进对土壤水分的时空分布及演化格局的精准把握。 具体来说，本书结合地理大数据与空间智能技术，充分发挥多源多模态数据的优势，研究构建精度高、迁移扩展性强、实用性佳、具有可解释性的融合方法，推动土壤水分融合模型的发展。这不仅对于提高未来情景土壤水分数据的质量和精度、推进土壤水分数据融合算法构建和理解具有重要的参考价值，而且对于应对土壤水分未来变化研究、植被生产力响应研究具有重要的科学意义。
刘杨晓月，中国科学院地理科学与资源研究所地理信息科学与技术全国重点实验室副研究员、硕士生导师。博士后创新人才支持计划获得者，主持国家自然科学基金青年项目、面上项目、国家重点研发子课题等多项国家级任务，主要从事地理大数据与空间智能在水文水资源领域的研究，担任Nature旗下中科院一区期刊Communications?Earth?&?Environment编委（Editorial Board Member）、美国地球物理学会AGU旗下期刊JGR: Machine Learning and Computation 副编辑（Associate Editor），在Water Resources Research、Journal of Hydrology、Advances in Water Research等水文水资源领域主流SCI期刊发表文章40余篇，授权发明专利10余项，主编专著3部，获地理信息科技进步特等奖1项。
目 录
第1章 绪论 001
1.1 研究背景与意义 002
1.1.1 CMIP6土壤水分数据 003
1.1.2 经典多源多模态土壤水分数据 005
1.2 国内外研究现状 007
1.2.1 多源多模态土壤水分融合方法 007
1.2.2 CMIP6 土壤水分数据误差来源和表达研究 010
1.2.3 基于微波遥感融合的土壤水分数据产品 012
1.2.4 水文气象要素对植被生产力的影响 013
1.2.5 科学问题的提出及研究意义 016
第2章 未来多情景土壤 水分数据集评价 019
2.1 数据来源 020
2.1.1 CMIP土壤水分数据产品 020
2.1.2 土壤水分地面网络实测数据 022
2.1.3 遥感与再分析土壤水分数据集 024
2.1.4 辅助数据集 025
2.2 评价方法 028
2.2.1 站点验证 028
2.2.2 ETC验证 029
2.2.3 CSD时序分解 031
2.3 评价结果 032
2.3.1 站点评价结果 032
2.3.2 ETC评价结果 040
2.4 本章小结 058
2.4.1 站点验证与ETC验证的特点 058
2.4.2 误差分析 059
2.4.3 结论 064
第3章 未来多情景土壤水分数据融合 067
3.1 数据来源 068
3.1.1 CMIP6土壤水分数据集 068
3.1.2 SMAP土壤水分数据集 068
3.1.3 ERA5-Land土壤水分数据集 069
3.1.4 辅助数据集 069
3.2 融合方法 071
3.2.1 总体技术流程 071
3.2.2 样本库构建 073
3.2.3 CSMSNet模型结构 073
3.2.4 TSMSNet模型结构 074
3.2.5 实验设置 076
3.3 融合结果 078
3.3.1 CMIP6土壤水分评价结果 078
3.3.2 融合土壤水分数据集评价结果 082
3.3.3 土壤水分时空演化趋势 087
3.4 本章小结 093
3.4.1 土壤水分融合模型的优势 093
3.4.2 未来土壤水分演化趋势 094
3.4.3 结论 095
第4章 土壤水分数据降尺度融合 097
4.1 数据来源 098
4.1.3 SMAP土壤水分数据产品 099
4.1.2 站点观测土壤水分数据 099
4.1.3 解释变量数据集 100
4.2 融合方法 102
4.2.1 采样方法 102
4.2.2 土壤水分融合过程 103
4.2.3 评价方法 107
4.3 融合结果 110
4.3.1 重建结果 110
4.3.2 补空值结果 114
4.3.3 降尺度结果 117
4.4 本章小结 120
4.4.1 与传统土壤水分融合算法对比 120
4.4.2 数据集不确定性分析 122
4.4.3 深度学习黑盒模型可解释性的未来方向 122
4.4.4 结论 123
第5章 土壤水分及相关水文气象要素对植被生产力影响分析 125
5.1 数据来源 126
5.1.1 植被生产力代用指标 126
5.1.2 水文气象数据集 127
5.2 分析方法 128
5.2.1 预处理 129
5.2.2 突变点检测 129
5.2.3 随机森林要素重要性指数 130
5.2.4 皮尔逊相关系数 131
5.2.5 偏相关系数 131
5.3 分析结果 132
5.3.1 时空演化特征 132
5.3.2 水文气象与控制植被生产力的耦合分析 134
5.3.3 水文气象控制对植被生产力的解耦分析 139
5.4 本章小结 141
5.4.1 LAI与GPP相关性 141
5.4.2 LAI、GPP对水文气象要素的响应 142
5.4.3 其他影响LAI、GPP的要素 143
5.4.4 结论 143
第6章 讨论与结论 145
6.1 讨论 146
6.2 结论 146
参考文献 147
书单推荐
