研究核心观点 - 中国科学院空天信息创新研究院团队提出融合机器学习与插值方法的新型技术框架，有效解决全球卫星土壤水分遥感数据产品的大范围数据缺失问题，显著提高数据完整性和实用性[1] 技术背景与挑战 - 土壤水分是反映地球生态健康状况的核心指标，对农业灌溉、干旱预警、气候变化分析具有重要价值[1] - 全球土壤水分数据主要依赖卫星遥感获取，但受卫星轨道、地表复杂地形、人为信号干扰等因素影响，原始数据常出现大量缺失，限制其科研与应用效果[1] - 当前填补缺失数据的两类方法各有局限：传统插值法依赖已知数据推测，适用于小范围缺失但在大片空白区容易失效；基于大数据分析的机器学习方法能通过分析全球数据预测，但结果易趋向“平均”，难以准确反映特别干旱或湿润地区的真实情况[1] 技术创新与优势 - 研究团队采用“优势互补”思路，将两类方法深度融合，运用堆叠异质集成技术[2] - 技术流程为先分别利用插值和机器学习方法生成初步填补结果，再通过智能算法优化整合，形成同时兼顾整体准确性和局部细节的最终数据[2] - 实验表明该技术在不同尺度数据缺失情况下均表现优异，既保留机器学习对大范围缺失的预测能力，又融合插值方法对局部特征的捕捉能力，有效避免以往方法中常见的“过于平均”或“细节失真”问题[2] 应用前景与通用性 - 该技术具备较强通用性，未来可拓展至地表温度、植被参数、大气成分等多种遥感数据产品的修复[2] - 技术将为农业管理、生态保护、灾害监测及气候变化研究等领域提供更高质量的数据支持[2]