Redução Espacial de Produtos de Umidade do Solo Baseados em Satélite Usando Técnicas de Aprendizado de Máquina: Uma Revisão

A umidade do solo (SM) é uma variável chave que impulsiona processos hidrológicos, climáticos e ecológicos. Embora seja altamente variável, tanto espacial quanto temporalmente, há disponibilidade limitada de dados para informar sobre as condições de SM em escalas espaciais e temporais adequadas em grandes regiões. As recuperações de SM por satélite, especialmente a detecção remota por micro-ondas na faixa L, emergiram como uma solução viável para oferecer informações de SM em escala global de forma espacialmente contínua. No entanto, a resolução espacial grosseira dessas recuperações de SM por micro-ondas na faixa L gera incertezas em muitas aplicações de SM em escalas regional e local que requerem uma grande quantidade de detalhes espaciais. Vários estudos foram realizados para desenvolver algoritmos de redução que aprimoram a resolução espacial de conjuntos de dados de SM derivados de satélites com baixa resolução. Modelos de redução baseados em Aprendizado de Máquina (ML) ganharam destaque recentemente devido à sua capacidade de capturar relacionamentos não lineares e complexos entre SM e seus fatores impulsionadores, como vegetação, temperatura da superfície, topografia e condições climáticas. Este artigo de revisão apresenta uma revisão abrangente das abordagens baseadas em ML utilizadas na redução de SM. O uso de métodos clássicos, conjuntos, redes neurais e aprendizado profundo para reduzir produtos de SM e a comparação de múltiplos algoritmos são detalhados neste artigo. Também são discutidas as percepções sobre a importância de variáveis auxiliares de superfície para a precisão do modelo e as melhorias feitas nas abordagens de redução de SM baseadas em ML. No geral, este artigo fornece percepções úteis para estudos futuros sobre o desenvolvimento de conjuntos de dados de SM confiáveis e de alta resolução espacial usando algoritmos baseados em ML.