A deep learning approach for spatiotemporal interpolation of GNSS-R soil moisture retrievals

Abstract

In den letzten Jahren hat sich die Global Navigation Satellite System-Reflectometry (GNSS-R) als vielversprechende Technologie für die Fernerkundung der Bodenfeuchte herauskristallisiert, die einen kostengünstigen, aber noch sehr experimentellen Ansatz bietet. Ein wesentliches Problem der von GNSS-R abgeleiteten Bodenfeuchtedatenprodukte sind die erheblichen räumlich-zeitlichen Datenlücken, die für verschiedene Anwendungen problematisch sein können. Diese Lücken können durch die Verwendung spatiotemporaler Interpolationsalgorithmen gemildert oder sogar beseitigt werden. Der derzeit modernste spatiotemporale Interpolationsalgorithmus für GNSS-R-Bodenfeuchtedaten, die Previously-Observed Behavior Interpolation (POBI), beruht auf dem Training eines großen Ensembles von ortsspezifischen Regressionsmodellen, was zu Ineffizienzen bei der Informationskodierung und Parameterspeicherung führt. Um diese Einschränkung zu beheben, schlagen wir Deep Convolutional Spatiotemporal Interpolation (DCSTI) vor, eine neuartige Lösung für das Problem der spatiotemporalen Interpolation von GNSS-R Bodenfeuchtedaten. DCSTI nutzt Deep Learning, um ein einziges Regressionsmodell zu trainieren, das sowohl die allgemeinen als auch die regionsspezifischen spatiotemporalen Bodenfeuchtemuster lernen kann und somit an mehreren Orten anwendbar ist. Um diese Lösung zu bewerten, führen wir vergleichende Experimente durch, bei denen sowohl POBI als auch DCSTI verwendet werden, um spatiotemporale Lücken in Bodenfeuchtigkeitsdaten zu füllen, die von den CYGNSS-Satelliten der NASA gesammelt wurden. Unsere Ergebnisse zeigen, dass DCSTI in der Lage ist, Interpolationsfehler zu erreichen, die mit denen von POBI vergleichbar sind und dabei wesentlich weniger Parameter benötigt. Mit diesen Ergebnissen versuchen wir, einen neuen Ansatz für die Verwendung von Deep Learning bei der räumlich-zeitlichen Interpolation von GNSS-R-Daten zu entwickeln. Insbesondere erwarten wir, dass dieser Ansatz signifikante Vorteile bei der Analyse von Bodenfeuchtedaten aus zukünftigen GNSS-R Missionen wie ESA's HydroGNSS bietet, indem er Transfer-Learning-Techniken nutzt, um die Qualität zukünftiger Datenprodukte zu verbessern.