记者10日从中国科学院空天信息创新研究院（以下简称空天院）获悉，该院曾江源研究员团队提出了一种融合机器学习与插值方法的新型技术框架，有效解决了全球卫星土壤水分产品中常见的大范围数据缺失问题，显著提高了数据的完整性和实用性。相关研究成果发表于《环境遥感》杂志。

  ?

作为反映地球生态健康状况的核心指标，土壤水分对农业灌溉、干旱预警、气候变化分析等具有重要价值。目前，全球土壤水分数据主要依赖卫星遥感获取，然而受卫星轨道、地表复杂地形、人为信号干扰等多种因素影响，原始数据常出现大量缺失，限制了其在实际科研与应用中的使用效果。

“当前填补缺失数据主要有两类方法：一类是传统插值法，依赖已知数据推测缺失区域，适用于小范围缺失，但在大片空白区容易失效；另一类是基于大数据分析的机器学习方法，能够通过分析全球数据，寻找土壤水分与降雨、植被等因素间的联系来进行预测，但结果容易趋向‘平均’，难以准确反映特别干旱或湿润地区的真实情况。”曾江源介绍。

针对上述问题，研究团队创新采用“优势互补”的思路，将两类方法深度融合。他们运用“堆叠”异质集成技术，先分别利用插值和机器学习生成初步填补结果，再通过智能算法优化整合，形成同时兼顾整体准确性和局部细节的最终数据。实验表明，这一新技术在不同尺度数据缺失情况下均表现优异：既保留了机器学习对大范围缺失的预测能力，又融合了插值方法对局部特征的捕捉能力，有效避免了以往方法中常见的“过于平均”或“细节失真”问题。

曾江源表示，这项技术具备较强的通用性，未来可拓展至地表温度、植被参数、大气成分等多种遥感数据产品的修复，为农业管理、生态保护、灾害监测及气候变化研究等领域提供更高质量的数据支持。

（空天院供图）