DOI: https://doi.org/10.5194/hess-30-1261-2026
تاريخ النشر: 2026-03-03
المؤلف: Yonghwan Kwon وآخرون
الموضوع الرئيسي: رطوبة التربة والاستشعار عن بعد
نظرة عامة
تدرس هذه الدراسة التأثيرات التآزرية لدمج بيانات رطوبة التربة من مصدرين فضائيين، ASCAT (مقياس تشتت متقدم) و SMAP (رطوبة التربة النشطة السلبية)، في النموذج الكوري المتكامل (KIM) باستخدام إطار عمل ضعيف الربط لدمج البيانات (DA) يعتمد على نظام معلومات الأراضي التابع لناسا (LIS). تقيم الأبحاث تأثير كل من دمج بيانات رطوبة التربة من مستشعر واحد ومستشعرات متعددة على تحليل رطوبة التربة العالمية وأداء التنبؤات الجوية. تشير النتائج إلى أن دمج بيانات ASCAT و SMAP بشكل فردي يحسن دقة تحليل رطوبة التربة بنسبة 4.0% و 10.5% على التوالي، مع ملاحظة أكبر التحسينات في المناطق الزراعية. علاوة على ذلك، يؤدي الدمج المشترك لكلا مجموعتي البيانات إلى تحسينات متوازنة في تحليلات الرطوبة النسبية ودرجات حرارة الهواء، مما يعزز بشكل خاص توقعات درجة حرارة الهواء على ارتفاع 2 متر.
تسلط النتائج الضوء على مزايا دمج البيانات من مستشعرات متعددة، مما يظهر أن الدمج المتزامن لبيانات ASCAT و SMAP يمكن أن يستفيد من نقاط قوتهما التكميلية، مما يؤدي إلى تحسين مهارات توقعات الهطول عبر عتبات شدة مختلفة. ومع ذلك، تعترف الدراسة بالقيود، مثل الحاجة إلى تحسين مراقبة جودة بيانات ASCAT في الظروف الجافة واستكشاف طرق تصحيح الانحياز البديلة. يجب أن تتناول الأبحاث المستقبلية هذه القضايا وتعزز قوة أطر دمج البيانات من مستشعرات متعددة، بهدف تحسين قدرات التنبؤ الجوي التشغيلية. بشكل عام، تؤكد الدراسة على إمكانية دمج ملاحظات رطوبة التربة المتعددة لتعزيز توقعات المتغيرات الجوية في أنظمة الأرض-الغلاف الجوي المترابطة.
مقدمة
تؤكد المقدمة على الدور الحاسم لرطوبة التربة في التفاعلات بين الأرض والغلاف الجوي، وتأثيرها على دورات المياه والطاقة، وديناميات المياه السطحية، وتوقعات الطقس العددية (NWP). المعرفة الدقيقة بتغيرات رطوبة التربة ضرورية للتطبيقات الهيدرومناخية، وتأثير ذاكرتها الطويلة يتطلب تهيئة فعالة في نماذج NWP. لقد برز دمج بيانات رطوبة التربة المستندة إلى الأقمار الصناعية في نماذج سطح الأرض (LSMs) كطريقة واعدة لتعزيز تقديرات رطوبة التربة من خلال دمج الملاحظات عن بُعد مع البيانات النموذجية بشكل مثالي، مما يحسن توقعات الفيضانات والجفاف وغيرها من العمليات الهيدرولوجية.
تركز هذه الدراسة على دمج منتجات رطوبة التربة من مستشعرات مقياس تشتت متقدم (ASCAT) ورطوبة التربة النشطة السلبية (SMAP) داخل النموذج الكوري المتكامل (KIM) ونظام معلومات الأراضي التابع لناسا (LIS) المترابط. تهدف الأبحاث إلى تقييم فعالية هذه المنتجات بشكل فردي ومشترك في تعزيز تحليل رطوبة التربة العالمية وتوقعات الغلاف الجوي. من خلال دمج بيانات ASCAT و SMAP بشكل مستقل، تسعى الدراسة للاستفادة من نقاط قوتهما التكميلية – دقة ASCAT المكانية الأعلى وحساسية SMAP لرطوبة التربة – مع معالجة قيود كل مستشعر. من المتوقع أن تسهم النتائج في تحسين قدرات NWP التشغيلية من خلال إظهار جدوى وفوائد دمج مصادر رطوبة التربة المتعددة في نظام دمج البيانات المترابط.
طرق
تستعرض قسم طرق دمج البيانات (DA) تقنيات مختلفة مستخدمة لتعزيز تنوع مجموعات بيانات التدريب، مما يحسن من قوة وعمومية نماذج التعلم الآلي. تشمل الاستراتيجيات الرئيسية التحولات الهندسية مثل الدوران، والتغيير في الحجم، والانعكاس، التي تعدل الخصائص المكانية للبيانات. بالإضافة إلى ذلك، يتم استخدام تعديلات مساحة اللون وإدخال الضوضاء لإنشاء تباينات تحاكي السيناريوهات الواقعية، مما يغني مجموعة البيانات دون الحاجة إلى جمع بيانات إضافية.
يتم تقييم فعالية هذه الطرق من خلال تجارب تجريبية، مما يظهر تحسينات كبيرة في أداء النموذج عبر مهام مختلفة. تشير النتائج إلى أن النماذج المدربة باستخدام بيانات معززة تظهر دقة أعلى ومرونة أكبر ضد الإفراط في التكيف، مما يبرز أهمية تنوع البيانات في تطبيقات التعلم الآلي. بشكل عام، يؤكد القسم على الدور الحاسم لتقنيات دمج البيانات في تعزيز تدريب النموذج وأدائه.
نتائج
في هذا القسم، يتم تقييم أداء نظام KIM-LIS المترابط من حيث قدرته على تعزيز تقديرات رطوبة التربة العالمية من خلال دمج استرجاعات رطوبة التربة المستندة إلى الأقمار الصناعية من ASCAT و SMAP. تشير النتائج إلى أن دمج هذه المجموعات من البيانات يحسن بشكل كبير دقة تقديرات رطوبة التربة.
علاوة على ذلك، تقيم الدراسة تأثيرات دمج بيانات رطوبة التربة من ASCAT و SMAP، سواء بشكل فردي أو مجتمعة، على التحليلات الجوية والتوقعات. تظهر النتائج أن الدمج المتزامن لكلا مجموعتي البيانات يؤدي إلى توقعات جوية أفضل مقارنة باستخدام كل منهما بشكل فردي. أخيرًا، يتم تحليل المهارة المضافة لنظام KIM-LIS في توقع الهطول، مما يكشف أن تهيئة ظروف رطوبة التربة من دمج بيانات مستشعرات متعددة تعزز توقعات الهطول.
مناقشة
نظام KIM-LIS، وهو إطار عمل ضعيف الربط لدمج البيانات (DA)، يدمج تحليلات مستقلة للأرض والغلاف الجوي لتعزيز تقدير رطوبة التربة وتوقعات الطقس. باستخدام إصدار KIM 3.9 وإصدار LIS 7.4، يستخدم النظام نماذج سطح الأرض (LSMs) المنفصلة لنموذج Noah لكل من KIM و LIS، مما يضمن التناسق من خلال التعديلات على المعلمات الفيزيائية. تحدث دورة دمج البيانات كل ست ساعات، حيث يعمل KIM و LIS على نوافذ زمنية مختلفة، مما يسمح بدمج تقديرات رطوبة التربة المستمدة من الحقول الجوية. يتم استخدام طريقة فلتر كالمان الجماعي (EnKF) لدمج بيانات رطوبة التربة المستشعرة عن بُعد مع تقديرات النموذج، مما يحسن دقة تحليلات رطوبة التربة.
تقوم الدراسة بدمج استرجاعات رطوبة التربة المستندة إلى الأقمار الصناعية من ASCAT و SMAP، وتطبق طرق تصحيح انحياز متميزة: مطابقة دالة التوزيع التراكمي (CDF) لـ ASCAT وتصحيح الشذوذ لـ SMAP. تعالج هذه الطرق التباينات النظامية بين رطوبة التربة النموذجية والملاحظة، مما يعزز أداء نظام دمج البيانات. يتم تنفيذ تدابير مراقبة الجودة لتصفية الملاحظات غير الموثوقة، مما يضمن أن تساهم البيانات الدقيقة فقط في عملية الدمج. تظهر التجارب التي تم إجراؤها فعالية نظام KIM-LIS في تحسين تقديرات رطوبة التربة وتوقعات الغلاف الجوي، مما يبرز مزايا الاستفادة من وظائف دمج البيانات الحالية ضمن إطار عمل LIS.
DOI: https://doi.org/10.5194/hess-30-1261-2026
Publication Date: 2026-03-03
Author(s): Yonghwan Kwon et al.
Primary Topic: Soil Moisture and Remote Sensing
Overview
This study investigates the synergistic effects of assimilating soil moisture data from two satellite sources, ASCAT (Advanced SCATterometer) and SMAP (Soil Moisture Active Passive), into the Korean Integrated Model (KIM) using a weakly coupled data assimilation (DA) framework based on NASA’s Land Information System (LIS). The research evaluates the impact of both single-sensor and multi-sensor soil moisture DA on global soil moisture analysis and atmospheric forecasting performance. Results indicate that assimilating ASCAT and SMAP individually improves soil moisture analysis accuracy by 4.0% and 10.5%, respectively, with the most significant enhancements observed in cropland areas. Furthermore, the joint assimilation of both datasets leads to balanced improvements in specific humidity and air temperature analyses, particularly enhancing 2 m air temperature forecasts.
The findings highlight the advantages of multi-sensor DA, demonstrating that simultaneous assimilation of ASCAT and SMAP data can leverage their complementary strengths, resulting in improved precipitation forecast skills across various intensity thresholds. However, the study acknowledges limitations, such as the need for better quality control of ASCAT data under dry conditions and the exploration of alternative bias correction methods. Future research should address these issues and enhance the robustness of multi-sensor DA frameworks, ultimately aiming to improve operational weather forecasting capabilities. Overall, the study underscores the potential of integrating multiple soil moisture observations to enhance atmospheric variable predictions in coupled land-atmosphere systems.
Introduction
The introduction emphasizes the critical role of soil moisture in land-atmosphere interactions, influencing water and energy cycles, surface water dynamics, and numerical weather prediction (NWP). Accurate knowledge of soil moisture variability is essential for hydrometeorological applications, and its long memory effect necessitates effective initialization in NWP models. The assimilation of satellite-based soil moisture data into land surface models (LSMs) has emerged as a promising method to enhance soil moisture estimates by optimally merging remote observations with modeled data, thereby improving forecasts of floods, droughts, and other hydrological processes.
This study focuses on the assimilation of soil moisture products from the Advanced SCATterometer (ASCAT) and Soil Moisture Active Passive (SMAP) sensors within the Korean Integrated Model (KIM) and NASA Land Information System (LIS) coupled system. The research aims to evaluate the individual and combined effectiveness of these products in enhancing global soil moisture analysis and atmospheric forecasts. By independently assimilating ASCAT and SMAP data, the study seeks to leverage their complementary strengths—ASCAT’s finer spatial resolution and SMAP’s sensitivity to soil moisture—while addressing the limitations of each sensor. The findings are expected to contribute to improved operational NWP capabilities by demonstrating the feasibility and benefits of integrating multiple soil moisture sources in a coupled DA system.
Methods
The section on DA (Data Augmentation) methods outlines various techniques employed to enhance the diversity of training datasets, thereby improving the robustness and generalization of machine learning models. Key strategies include geometric transformations such as rotation, scaling, and flipping, which modify the spatial characteristics of the data. Additionally, color space adjustments and noise injection are utilized to create variations that mimic real-world scenarios, thus enriching the dataset without the need for additional data collection.
The effectiveness of these DA methods is evaluated through empirical experiments, demonstrating significant improvements in model performance across various tasks. The findings indicate that models trained with augmented data exhibit higher accuracy and resilience to overfitting, underscoring the importance of data diversity in machine learning applications. Overall, the section emphasizes the critical role of DA techniques in enhancing model training and performance.
Results
In this section, the performance of the KIM-LIS coupled system is evaluated in terms of its ability to enhance global soil moisture estimates through the assimilation of satellite-based soil moisture retrievals from ASCAT and SMAP. The results indicate that the assimilation of these datasets significantly improves the accuracy of soil moisture estimates.
Furthermore, the study assesses the impacts of assimilating ASCAT and SMAP soil moisture data, both individually and in combination, on atmospheric analyses and forecasts. The findings demonstrate that the simultaneous assimilation of both datasets yields superior atmospheric predictions compared to their individual use. Lastly, the added skill of the KIM-LIS system in forecasting precipitation is analyzed, revealing that initializing soil moisture conditions from multi-sensor data assimilation enhances precipitation forecasts.
Discussion
The KIM-LIS system, a weakly coupled data assimilation (DA) framework, integrates independent land and atmospheric analyses to enhance soil moisture estimation and weather forecasting. Utilizing KIM version 3.9 and LIS version 7.4, the system employs separate Noah land surface models (LSMs) for KIM and LIS, ensuring consistency through modifications to physical parameterizations. The DA cycle occurs every six hours, with KIM and LIS operating on different time windows, allowing for the assimilation of soil moisture estimates derived from atmospheric fields. The ensemble Kalman filter (EnKF) method is employed to merge remotely-sensed soil moisture data with model estimates, improving the accuracy of soil moisture analyses.
The study assimilates satellite-based soil moisture retrievals from ASCAT and SMAP, applying distinct bias correction methods: cumulative distribution function (CDF) matching for ASCAT and anomaly correction for SMAP. These methods address systematic discrepancies between modeled and observed soil moisture, enhancing the DA system’s performance. Quality control measures are implemented to filter out unreliable observations, ensuring that only accurate data contribute to the assimilation process. The experiments conducted demonstrate the efficacy of the KIM-LIS system in improving soil moisture estimates and atmospheric forecasts, highlighting the advantages of leveraging existing DA functions within the LIS framework.