近日，我院在对地观测数据处理领域取得一项重要研究进展。学院研究生许仁炯为第一作者、魏祖帅副教授为通讯作者的研究论文《Spatiotemporal Reconstruction of FY-3B Soil Moisture Using a Hybrid Attention and Partial Convolution Neural Network》在遥感领域专业期刊《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》（IEEE JSTARS）上发表。该期刊系中科院二区TOP期刊，影响因子为5.4。
图1 Spatiotemporal Reconstruction of FY-3B Soil Moisture Using a Hybrid Attention and Partial Convolution Neural Network论文
土壤水分是地表系统的关键物理参数，在农业、气象和灾害预警等领域具有重要的应用价值。被动微波遥感是进行大范围地表土壤水分监测的主要技术手段。我国风云三号B星（FY-3B）搭载的微波成像仪所生成的土壤水分产品，在精度上已达到国际主流水平。然而，受限于卫星轨道特征和数据反演条件，现有的FY-3B土壤水分产品存在显著的时空不连续问题，这在一定程度上制约了该国产数据的深入应用。
虽然针对SMAP、AMSR2等国际卫星数据的重建算法已较为成熟，但适用于国产风云系列卫星的同类算法仍有较大提升空间。为解决这一问题，该研究团队针对我国FY-3B卫星土壤水分产品特点，提出了一种原创性时空重建方法“TransCNN”。该方法的核心在于融合了部分卷积神经网络与Transformer两种结构，部分卷积网络用于提取土壤水分的空间异质性特征，而Transformer结构则用于建模其在长时间序列上的依赖关系。为适应土壤水分数据的时空特性，模型采用了双通道输入架构，分别处理单日空间数据与长时序据，以实现多尺度特征的有效捕捉。
图2 TransCNN模型
验证结果表明，该方法成效显著。基于TransCNN模型重建生成的全球无缝土壤水分产品，与地面站点的验证数据显示，其相关系数（R）较原始产品提高了10.3%，而均方根误差（RMSE）与最大平均误差（MAE）则分别下降了约2.2%和4.9%。在空间覆盖度方面，重建产品基本消除了原始数据的空白区域，实现了全球覆盖，且时空连续性良好。
图3 土壤水分重建前后对比
本项研究成功将时空重建算法应用于国产FY-3B卫星土壤水分产品，所生成的36公里分辨率、日尺度的全球长时序无缝数据集，可为相关水文及生态领域的研究提供数据支持。该工作的开展进一步完善了从数据反演到时空重建的风云卫星土壤水分产品算法体系，为未来构建我国高质量、高分辨率的自主遥感产品奠定了技术基础。
研究工作得到了国家自然科学基金、自然资源部地理国情监测重点实验室开放基金项目及江汉大学科研基金项目的资助。