Comparative Assessment of Multimodal Earth Observation Data for Soil Moisture Estimation

📄 arXiv: 2602.18083v1 📥 PDF

作者: Ioannis Kontogiorgakis, Athanasios Askitopoulos, Iason Tsardanidis, Dimitrios Bormpoudakis, Ilias Tsoumas, Fotios Balampanis, Charalampos Kontoes

分类: cs.CV, cs.LG

发布日期: 2026-02-20

备注: This paper has been submitted to IEEE IGARSS 2026

💡 一句话要点

结合多模态遥感数据，提出一种高分辨率土壤湿度估计框架，适用于欧洲农田监测。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 土壤湿度估计 多模态遥感 机器学习 Sentinel-1 Sentinel-2 ERA-5 特征工程

📋 核心要点

  1. 现有卫星土壤湿度产品分辨率不足，无法满足农田级别的应用需求，限制了其在精准农业等领域的应用。
  2. 该论文提出了一种结合Sentinel-1、Sentinel-2和ERA-5数据的高分辨率土壤湿度估计框架，利用机器学习方法提升估计精度。
  3. 实验结果表明，混合时间匹配方法效果最佳，且传统特征工程在稀疏数据回归任务中仍具有竞争力。

📝 摘要（中文）

精确的土壤湿度(SM)估计对于精准农业、水资源管理和气候监测至关重要。然而，现有的卫星SM产品分辨率过低(>1km)，无法满足农场级别的应用需求。本文提出了一种针对欧洲植被区域的高分辨率(10m)SM估计框架，该框架结合了Sentinel-1 SAR、Sentinel-2光学影像和ERA-5再分析数据，并通过机器学习方法实现。利用覆盖不同植被区域的113个国际土壤湿度网络(ISMN)站点，我们比较了不同模态组合和时间参数化方法，并采用空间交叉验证来确保地理泛化能力。我们还评估了IBM-NASA的Prithvi模型中的基础模型嵌入是否能改进传统的手工设计的频谱特征。结果表明，混合时间匹配方法——Sentinel-2当日数据与Sentinel-1降轨数据——实现了R^2=0.514，而10天的ERA5回顾窗口将性能提高到R^2=0.518。基础模型(Prithvi)嵌入对人工特征的改进可以忽略不计(R^2=0.515 vs. 0.514)，表明传统特征工程在稀疏数据回归任务中仍然具有很强的竞争力。我们的研究结果表明，特定领域的频谱指数与基于树的集成方法相结合，为欧洲范围内田间尺度的土壤湿度监测提供了一种实用且计算高效的解决方案。

🔬 方法详解

问题定义：论文旨在解决现有卫星土壤湿度产品分辨率低的问题，使其无法满足农田级别的应用需求。现有方法难以提供足够精细的土壤湿度信息，限制了在精准农业、水资源管理等领域的应用。

核心思路：论文的核心思路是融合多源遥感数据，包括Sentinel-1 SAR数据、Sentinel-2光学影像和ERA-5再分析数据，利用机器学习方法建立土壤湿度估计模型。通过结合不同数据源的优势，提高土壤湿度估计的精度和分辨率。

技术框架：该框架主要包括数据预处理、特征提取、模型训练和验证四个阶段。首先，对Sentinel-1、Sentinel-2和ERA-5数据进行预处理，包括几何校正、辐射校正等。然后，从预处理后的数据中提取特征，包括光谱指数、雷达后向散射系数等。接着，利用机器学习算法（如随机森林、梯度提升树等）训练土壤湿度估计模型。最后，利用ISMN站点数据对模型进行验证和评估。

关键创新：该论文的关键创新在于：1) 提出了一种多源遥感数据融合的土壤湿度估计框架，充分利用了不同数据源的互补信息；2) 比较了不同模态组合和时间参数化方法，找到了最佳的数据融合方案；3) 评估了基础模型嵌入在土壤湿度估计中的作用，发现传统特征工程在稀疏数据回归任务中仍然具有竞争力。

关键设计：论文中一个关键的设计是混合时间匹配方法，即结合Sentinel-2当日数据与Sentinel-1降轨数据，并利用10天的ERA5回顾窗口来提高估计精度。此外，论文还采用了空间交叉验证方法，以确保模型的地理泛化能力。具体使用的机器学习模型是树模型的集成方法，例如随机森林或者梯度提升树。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，混合时间匹配方法（Sentinel-2当日数据与Sentinel-1降轨数据）实现了R^2=0.514，而10天的ERA5回顾窗口将性能提高到R^2=0.518。此外，研究发现，基础模型(Prithvi)嵌入对人工特征的改进可以忽略不计(R^2=0.515 vs. 0.514)，表明传统特征工程在稀疏数据回归任务中仍然具有竞争力。

🎯 应用场景

该研究成果可应用于精准农业，帮助农民优化灌溉策略，提高作物产量和水资源利用效率。此外，该方法还可用于水资源管理、干旱监测和气候变化研究，为相关决策提供科学依据。未来，该方法有望推广到全球范围，实现更大范围的土壤湿度监测。

📄 摘要（原文）

Accurate soil moisture (SM) estimation is critical for precision agriculture, water resources management and climate monitoring. Yet, existing satellite SM products are too coarse (>1km) for farm-level applications. We present a high-resolution (10m) SM estimation framework for vegetated areas across Europe, combining Sentinel-1 SAR, Sentinel-2 optical imagery and ERA-5 reanalysis data through machine learning. Using 113 International Soil Moisture Network (ISMN) stations spanning diverse vegetated areas, we compare modality combinations with temporal parameterizations, using spatial cross-validation, to ensure geographic generalization. We also evaluate whether foundation model embeddings from IBM-NASA's Prithvi model improve upon traditional hand-crafted spectral features. Results demonstrate that hybrid temporal matching - Sentinel-2 current-day acquisitions with Sentinel-1 descending orbit - achieves R^2=0.514, with 10-day ERA5 lookback window improving performance to R^2=0.518. Foundation model (Prithvi) embeddings provide negligible improvement over hand-crafted features (R^2=0.515 vs. 0.514), indicating traditional feature engineering remains highly competitive for sparse-data regression tasks. Our findings suggest that domain-specific spectral indices combined with tree-based ensemble methods offer a practical and computationally efficient solution for operational pan-European field-scale soil moisture monitoring.