2003-2020 年期间利用机器学习获取的高分辨率欧洲日均土壤湿度
摘要：使用机器学习生成大规模陆地表面数据是近年来出现的一种新型工具。机器学习可以学习输入和目标之间的关系，例如气象变量和原位土壤湿度，并独立于先前的基于物理知识的先验知识估计土壤湿度的空间和时间分布。本文利用经过原位测量训练的长短时记忆网络，开发了一个高分辨率（0.1°）的欧洲日土壤湿度数据集（SoMo.ml-EU）。得到的数据集覆盖了三个垂直层以及2003年至2020年的时段。与先前分辨率较低（0.25°）的版本相比，它在时间变异方面与独立的原位数据显示出更接近的一致性，表明处理与高分辨率气象数据联合的原位观测数据的增强用途。与其他网格数据集的区域比较还证明了SoMo.ml-EU在描述土壤湿度变异性，包括干旱条件方面的能力。因此，我们的新数据集将有利于需要高分辨率基于观测的土壤湿度的区域研究，如水文和农业分析。SoMo.ml-EU可在figshare上获取。
作者：Sungmin O, Rene Orth, Ulrich Weber, and Seon Ki Park
论文ID：2205.10753
分类：Atmospheric and Oceanic Physics
分类简称：physics.ao-ph
提交时间：2022-05-24