青藏高原1km逐日土壤水分数据集（2001-2020）

土壤水分是陆表水分和能量循环的关键参数，但长时序、高空间分辨率、高质量的土壤水分数据集在青藏高原地区仍然比较稀缺。因此我们提供了1km、无缝、逐日、高质量青藏高原土壤水分数据集BTCH。首先，利用植被指数（NDVI、EVI）、地表温度（LST）、蒸散发（ET）、降水、地形（DEM、坡度、坡向、TWI）、土壤属性（soil properties）和土壤水分相关指数（SWCI、SIWSI、VSDI）等辅助因子，使用人工神经网络（ANN）、卷积神经网络（CNN）、残差神经网络（ResNet）、长短时记忆网络（LSTM）和XGBoost等5种机器/深度学习方法对ESA CCI土壤水分数据进行降尺度。然后使用基于贝叶斯广义三角帽法（Bayesian three-cornered hat method）对降尺度得到的土壤水分数据进行融合得到本产品。由4个地面观测网的验证结果表明该数据产品具有较高的精度，其站点尺度和观测网尺度无偏RMSE的均值分别为0.048 m³/m³和0.034 m³/m³。该数据产品可用于各种区域水文、气象、生态分析和建模。Soil moisture is a key parameter of land surface water and energy cycles. However, long-term time series, high spatial resolution and high-quality soil moisture datasets remain scarce in the Qinghai-Tibet Plateau. Therefore, we present the 1 km, seamless, daily and high-quality Qinghai-Tibet Plateau soil moisture dataset BTCH. First, we downscaled the ESA CCI soil moisture dataset via five machine/deep learning approaches, namely Artificial Neural Network (ANN), Convolutional Neural Network (CNN), Residual Neural Network (ResNet), Long Short-Term Memory (LSTM) network and XGBoost, using a suite of auxiliary factors including vegetation indices (NDVI, EVI), land surface temperature (LST), evapotranspiration (ET), precipitation, topographic variables (DEM, slope, aspect, TWI), soil properties and soil moisture-associated indices (SWCI, SIWSI, VSDI). Subsequently, the downscaled soil moisture data were fused via the Bayesian three-cornered hat method to generate this dataset product. Validation results from four ground observation networks demonstrate that this dataset product has high accuracy, with mean unbiased RMSE values of 0.048 m³/m³ at the site scale and 0.034 m³/m³ at the network scale, respectively. This dataset product can be applied to various regional hydrological, meteorological and ecological analyses and modeling.

搜集汇总

背景与挑战

背景概述

该数据集是青藏高原地区2001年至2020年的1公里逐日土壤水分数据，通过融合多种机器学习和深度学习方法对ESA CCI数据进行降尺度生成，具有高精度（无偏RMSE均值为0.048 m³/m³和0.034 m³/m³），适用于水文、气象和生态分析。数据以TIFF格式存储，开放获取，大小为52.71 GB。