内蒙古农业大学李瑞平教授团队提出一种新型自适应土壤水分反演方法,破解了土壤水分反演和预测的一个重要难题

近日，内蒙古农业大学旱区水工程生态环境全国重点实验室李瑞平教授团队在水文学与水资源领域国际期刊《Journal of Hydrology》（中科院1区Top）发表题为“A novel adaptive soil moisture retrieval method via stacked ensemble learning and a local Bayesian dynamic algorithm”的研究论文。李瑞平教授为通讯作者，内蒙古农业大学为第一完成单位。

高时空分辨率和高精度多层土壤水分是农业生产、水资源管理及全球气候至关重要的参数。然而土壤水分估算受当前卫星传感器时空分辨率和土壤类型、气候和地形等多因素制约，对土壤水分反演算法要求不断提升。同时，近年来随着降水胁迫、畜牧业和灌木入侵增加，锡林郭勒草原地区出现水资源利用不合理、生态退化和土壤水分不足等严重草原问题。

科学问题

首先，堆叠集成学习算法皆在通过组合多个单模型来获得更好预测性能，可以综合不同单模型优势有效降低对特定数据特征过拟合风险，却忽略了数据集复杂变化动态特性，导致模型局部区域反演值和实测值出现较大偏差。此外，元学习以固定不变的权重整合基学习器预测结果，未考虑样本差异性，掩盖其他基学习器正确判断，导致集成结果偏向错误基学习器。其次，贝叶斯模型平均（BMA）以静态进行加权，对气候-下垫面条件的差异缺乏局部自适应性，导致权重出现偏差。贝叶斯优化以代理模型与采集函数在权重空间中自适应寻优，对气候和土地利用类型差异性更敏感。因此，本研究考虑到土壤水分控制因子的空间异质性和不同气候-下垫面组合下的性能差异，借鉴了BO的超参数优化思路，采用贝叶斯动态优化算法对模型进行自适应加权，是具有明确的方法学意义。针对上述问题，李瑞平教授课题组提出了一种局部贝叶斯动态加权堆叠集成学习多层土壤水分反演方法，并集成对象级时空融合模型和多层级特征筛选方法构建多层高空间分辨率土壤水分估算框架。

Highlights

·提出了一种局部贝叶斯动态加权堆叠集成学习多层土壤水分反演方法

·引入OL-ESTARFM时空融合和多层级特征筛选方法提高估算精度

·开发了一种多因素和高精度多层土壤水分估算框架

·不同土层深度Stacking-BO模型反演性能彰显潜在应用价值

图1 研究区地理位置、草原类型和采样点。

图2 土壤水分反演整体框架。

堆叠集成模型融合不同单模型在非线性建模和样本子空间上互补优势，降低了土壤水分反演中系统偏差和随机误差。引入贝叶斯优化后，模型权重能够依据不同土层深度与数据分布自适应调整，保证训练集性能的同时提升验证集的稳定性和泛化能力。

图3 研究区不同土壤深度土壤水分空间分布特征。

本研究的主要优势是：不同于基于后验模型概率的BMA全局加权，Stacking-BO模型将样本级加权视作待优化变量，在样本局部领域内联合考虑预测误差、模型复杂度与3个Stacking模型输出方差的稳定性项组成目标函数，以贝叶斯优化在连续权重空间中自适应搜索每个样本最优权重组合。因此，当跨越不同气候分区、不同土壤质地和土地利用类型时，Stacking-BO模型按照样本与场景自适应为Stacking1、Stacking2、Stacking3分配权重，解决了土壤水分输入数据集动态变化问题，提升了堆叠集成模型在下垫面异质与跨尺度非平稳性下的适应能力。引入优化的时空融合模型与多层级特征筛选技术，提出一种高精度和高时空分辨率多层土壤水分反演范式框架。

本研究提出的局部贝叶斯动态加权堆叠集成学习模型，结合对象级处理策略增强型时空自适应反射融合模型和多层级特征筛选方法构建的框架可以显著提高多层土壤水分反演精度，能够实现盟或市域尺度土壤水分精细化监测，为干旱半干旱地区水资源管理和干旱预防治理提供参考。

发表信息

合著单位包括中国水利水电科学研究院牧区水利科学研究所、中国科学院新疆生态与地理研究所、中国农业大学和西北农林科技大学资源环境学院等单位。本研究得到了国家自然科学基金项目（52269004、U2443210）、内蒙古农业大学旱区水工程生态环境全国重点实验室（SQ2024SKL08048）、内蒙古自治区水利科技专项（NSLKJ2024002-03）和内蒙古自治区科技计划项目（2025YFHH0166）的联合资助。

原文链接：https://doi.org/10.1016/j.jhydrol.2026.135335