土壤水分作为衡量地球生态系统健康的关键指标，对气候预测、农作物生长及洪旱灾害预警等具有重要作用。卫星遥感是获取全球土壤水分信息最有效的手段。
中国科学院空天信息创新研究院曾江源研究员团队近日创新提出一种协同机器学习和插值方法的新框架。该框架有效解决了全球卫星土壤水分产品普遍存在的大范围数据缺失问题，显著提升了遥感数据的完整性和可用性。相关成果已发表于国际学术期刊《环境遥感》。
卫星遥感全球土壤水分数据填补前后对比图
曾江源研究员指出，现有卫星土壤水分产品受轨道设计、地形干扰等因素影响常出现数据缺失。传统插值方法在连续大片缺失区域效果有限，而机器学习方法虽能大范围预测却易弱化极端干湿区域的细节特征。团队采用"堆叠"异质集成技术，将两类方法深度融合：先由两种方法独立生成初级填补结果，再通过元模型智能优化权重，最终获得兼具全局合理性与局部精细度的数据。
实验验证表明，新方法在应对不同尺度数据缺失时均表现优越。其既保留机器学习对大范围缺失区的预测能力，又融合插值法对局部细节的敏感性，有效避免传统方法的"平均化"误差。该技术框架可拓展至地表温度、植被参数等多种遥感产品的缺失值修复，为农业生产、水资源管理、灾害监测及气候变化研究提供更可靠数据支撑。
