人民网北京10月11日电（记者赵竹青）记者从中国科学院空天信息创新研究院获悉，近日，该院曾江源研究员团队在填补卫星土壤水分产品缺失值方面取得重要进展。研究团队创新性地提出了协作机器学习和插值技术的新框架。这有效改善了全球土壤湿度卫星产品大规模数据普遍缺乏的问题，显着提高了数据的完整性和可用性。研究成果将为精准农业、水资源管理、干旱监测和气候变化研究提供更可靠的数据。近期发表在遥感领域国际学术期刊《Remote Sensing of Environmental》上。土壤湿度是地球生态系统健康的关键指标，是影响地球生态系统健康的关键指标。cal用于气候预测、作物生长、水旱灾害预警等研究。目前，卫星遥感是获取全球土壤湿度信息最有效的手段。然而，受卫星轨道设计、传感器性能限制、复杂地形、人为射频干扰等多种因素影响，卫星土壤湿度产品往往缺乏大规模数据，极大限制了其在现实科学研究和应用中的有效性。曾江源先生介绍，目前填补这些缺失数据的方式主要有两种。感兴趣的方法一类是基于空间相关性的传统插值法，即根据已知数据补全未知数据。这种方法在数据缺失程度不是很高的情况下是有效的，但当面对大片连续空白区域时，很容易“模糊填充”甚至“根本不填充”。另一种是流行的机器新的学习方法，更加数据驱动。这意味着分析大量的全球数据，揭示土壤湿度与其他环境因素（降水、植被等）之间的复杂关系，并进行大规模预测来补充它们。然而，结果往往是“平均”，并且对极度干燥或潮湿区域的详细表征被削弱。针对上述问题，研究团队创新性地采用了“优势互补”的策略，将之前的两种主流填充方式深度融合，采用了“堆叠式”异构集成技术。首先，两种方法独立生成一阶填充结果，然后通过元模型智能优化权重，最终形成具有全局合理性和局部改进的填充数据。研究团队利用全球卫星土壤湿度产品进行了一系列实验验证。实验表明，这种新w 方法在处理各种尺度的缺失数据方面具有优越性。这种新方法既保持了机器学习方法对大规模缺失区域的整体预测能力，又融合了插值方法对局部区域细节特征的敏感性，有效避免了传统方法中常见的“平均”误差和“细节失真”现象。与单一方法相比，全局验证显着提高了填充精度。曾江源表示，这一技术框架通用性很强，可以扩展用于修复地表温度、植被参数、大气参数等各种遥感产品中的缺失值。提高各类卫星观测数据质量，可以为地球系统科学研究、农业生产与粮食安全、生态保护与可持续发展、自然灾害等提供更可靠的数据支撑危险监测和预警等应用。