近日，我校地理与旅游学院汪左副教授联合中国科学院空天信息创新研究院曾江源研究员与河海大学朱榴骏副教授等，在遥感领域顶级学术期刊《Remote Sensing of Environment》上发表题为“A scattering model-informed deep transfer learning framework for surface soil moisture retrieval”的研究论文。地理与旅游学院汪左副教授为论文第一作者，中国科学院空天信息创新研究院曾江源研究员和河海大学朱榴骏副教授为论文通讯作者，2023级地图学与地理信息系统专业硕士生陈建辉、安徽师范大学黄昌教授和宋立生教授、中国科学院青藏高原研究所陈莹莹研究员为论文合作作者。安徽师范大学为论文第一署名单位。

地表土壤水分是农业生产、水文循环和生态环境监测的重要参数。合成孔径雷达具备全天时、全天候和高空间分辨率等优势，为大范围土壤水分监测提供了重要手段。传统微波散射模型具有较明确的物理基础，但模型要求的输入参数如地表粗糙度与植被参数难以在大范围内准确获取；深度学习方法虽具备较强的非线性拟合能力，但缺乏物理机制约束。因此，在不依赖实测地表粗糙度和植被参数的条件下，如何将散射模型的物理知识与深度学习的非线性建模能力有效结合，实现物理约束的高精度土壤水分遥感反演，是目前该领域面临的重要挑战。

针对上述挑战，研究团队利用提出了一种物理散射模型引导的土壤水分深度迁移学习框架。该框架首先利用AIEM+Oh散射模型生成大规模裸土表面散射模拟数据库，将复杂的微波散射过程转化为可学习的物理先验知识，引导神经网络学习土壤水分、地表粗糙度、雷达入射角与微波后向散射之间的物理规律。然而，建立在理想化裸土假设基础上AIEM+Oh散射模型与真实植被覆盖地表的散射过程存在差异，难以直接适用于真实复杂地表环境，需要建立有效的知识迁移机制，实现物理先验与真实观测特征的协同融合。因此，研究团队进一步设计了多种特征迁移与参数微调策略，将学习自裸土散射模型的物理先验知识迁移至植被覆盖地表的卫星观测数据，并减少理想模拟环境与真实地表环境之间的偏差。从而在不依赖实测地表粗糙度和植被参数的条件下，实现物理约束的高精度土壤水分遥感反演。结果表明，交叉特征迁移与编码器冻结策略下的模型为最优迁移模型，既能够保留散射模型的物理知识，又能够适应复杂地表条件，在反演精度和区域泛化能力方面表现最佳。该研究为解决传统物理模型应用受限和深度学习物理约束不足的问题提供了新的研究思路，为土壤水分反演领域散射模型与数据驱动方法的深度融合开辟了新路径，可为农业水分管理、干旱监测、水文过程模拟和生态环境评估提供重要技术支撑。

论文链接：https://www.sciencedirect.com/science/article/pii/S003442572600341X

关键图表：

图1 植被覆盖地表微波散射过程示意图

图2 物理散射模型引导的深度迁移学习方法框架

图3 特征迁移和参数微调策略

图4 独立站点测试下最优迁移模型的精度表现