农业工程学报

作者：高心雨,蒙继华,林圳鑫,何荣鹏,

关键词：土壤水分, 模型耦合, 多源遥感, 水云模型, 随机森林

基金：42

针对农田土壤水分遥感反演中单一机理模型在复杂植被覆盖条件下泛化性不足、单一机器学习模型物理可解释性差的问题，该研究以河南省原阳县这一华北平原典型冬小麦主产区为研究对象，聚焦于植被覆盖度较高、反演挑战性强的拔节生育期，融合Sentinel-1 SAR与Sentinel-2多光谱影像，结合地面实测土壤体积含水量，系统对比了经典水云模型（water cloud model）与6种典型机器学习模型，并优选机器学习模型，并在此基础上构建了一种机理与机器学习深度级联耦合的 WC-RFM（water cloud-random forest model）模型。通过提取雷达后向散射特征、光学植被指数及水云模型物理中间变量，并进行严格的特征筛选与参数敏感性分析，优选出模型的输入变量集，采用五折交叉验证进行模型评估。结果表明：随机森林在单一机器学习模型中表现最优（italic>R/italic>su2/su为0.871，均方根误差为0.020 msu3/su/msu3/su）；耦合模型WC-RFM进一步提升了反演精度与稳定性（验证集italic>R/italic>su2/su为0.910，均方根误差为0.015 msu3/su/msu3/su），模型有效克服了中高植被覆盖下传统物理模型的局限性，同时弥补了纯数据驱动模型缺乏物理约束的缺陷，且稳健性优于单一模型（均方根误差标准差为±0.002 msu3/su/msu3/su），为实现华北平原冬小麦拔节期高精度、高空间分辨率的农田土壤水分动态监测提供了可靠方法。/

来源：2026年第4期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第4期