成都山地灾祸与环境研讨所研讨员赵伟团队提出了一种依据深度学习模型的分层数据重建办法，成功添补了欧洲空间局气候均匀状况随时刻的改变建议（ESA Climate Change Initiative ，CCI）土壤水分产品的空间空白。该研讨效果不只对土壤湿度监测和环境研讨的前进做出了有期望的奉献，也为全球土壤水分数据的重建供给了一种新的技能途径，相关效果宣布在《世界使用地球观测和地舆信息杂志》上。

　　地表土壤水分监测对气象预报、水文研讨和气候改变剖析等要害范畴至关重要。但是，因为现有微波传感器观测才能、卫星轨迹掩盖和植被掩盖等许多要素影响，当时微波遥感土壤水分产品存在大面积的空值区域，严峻约束了此类产品的使用。未处理这一问题，该团队打开研讨。

　　该研讨提出的分层重建结构，结合了k-means聚类算法和自注意力深度学习填充模型，专门针对我国区域的使用进行了优化。研讨人员经过将我国划分为四个依据气候差异的子区域，然后为每个子区域独立练习了专门的深度学习模型来添补数据空白。比较于传统的将一切数据一同输入到深度学习模型中的办法，分区办法能够更好地考虑土壤水分的空间异质性，保证不同气候特征的像元被尽可能地阻隔，一起保存尽可能多的数据用于练习深度学习模型。依据自注意力机制的深度学习模型能够依据降水和植被等辅佐信息精确辨认土壤水分的动态改变特性然后完结添补。

　　研讨人员标明，经过分区练习模型，有用地保存了土壤水分的异质性信息，增强了模型在不同气候区的适应性和精度。这一办法不只提高了土壤水分数据的完整性，并且经过穿插比照和扩展三重调配剖析等多重验证办法，证明了重建数据的精确性。

　　研讨依据成果得出，重建数据在四个子区域的模仿数据缺失中显示出高相关性和低差错。进一步剖析标明，重建数据的精度与原始ESA CCI数据适当或更优，在与其他四种土壤水分产品做穿插比照时，重构数据在夏日的相关性系数（R）精确度上明显提高了约3%。此外，比较于现有的依据深度学习的土壤水分添补办法，本研讨所提出的计划极大程度降低了对地上实测数据及其他辅佐数据的依靠，增强了模型在不同地舆和气候特征情况下的普适性和灵活性。