JAG2026
基于RTE的AMSR2被动微波土壤水分反演专家混合框架
针对日本宇宙航空研究开发机构（JAXA）AMSR2卫星土壤水分产品在植被茂密区和干旱区存在系统性反演偏差，以及植被覆盖、地表粗糙度与土壤微波辐射之间复杂非线性耦合关系难以准确建模等问题，提出一种辐射传输方程（Radiative Transfer Equation，RTE）引导的混合专家网络（Mixture-of-Experts，MoE）土壤水分反演框架。该方法将微波辐射传输物理先验与数据驱动深度学习相结合，首先构建迭代式代理标签优化机制，以现有土壤水分产品为初始参考，通过逐步优化训练标签，降低原始产品系统性偏差对模型学习的影响；其次，设计基于门控机制的端到端混合专家网络，利用AMSR2卫星14通道微波亮温观测数据，学习不同地表环境下亮温与土壤水分之间的非线性映射关系，并通过门控网络自适应融合不同专家模型的预测结果，增强模型对植被覆盖、土壤粗糙度及地表环境差异的适应能力。该方法通过物理先验约束、代理标签迭代优化与多专家协同学习，有效缓解复杂下垫面条件下微波土壤水分反演的系统性偏差，提高反演结果的准确性、稳定性及跨季节适应能力，为多通道被动微波遥感土壤水分反演及复杂地表环境下的全球土壤水分监测提供了新的技术途径。