江 淵,王 文,邊增淦

(河海大學(xué) 水文水資源與水利工程科學(xué)國家重點實驗室，江蘇 南京 210098)

1 研究背景

土壤濕度是地球生態(tài)系統(tǒng)中非常重要的組成部分，與地表-大氣的熱量交換過程有著非常密切的關(guān)系，對陸地表面水分蒸散和循環(huán)有很強的調(diào)節(jié)作用，是許多水文模型、氣候模型中重要的輸入?yún)?shù)[1]。隨著遙感技術(shù)的發(fā)展，微波遙感現(xiàn)已被廣泛用于獲取大尺度的地表土壤濕度信息。主動微波遙感的重訪周期短且不受云雨影響，但受地表粗糙度和植被覆蓋的影響嚴重[2]；被動微波遙感對近地表土壤濕度的敏感度較高，受到大氣和云層的影響小，但受地表溫度變化的影響嚴重，時間分辨率高，空間分辨率低[3]。目前已經(jīng)有一系列的主、被動微波衛(wèi)星傳感器應(yīng)用于全球土壤濕度的監(jiān)測。例如：氣象業(yè)務(wù)衛(wèi)星計劃MetOp系列衛(wèi)星搭載的ASCAT傳感器(2006-)[4]，地球觀測系統(tǒng)Aqua衛(wèi)星搭載的AMSR-E傳感器(2002-2011)[5]，地球水文變化觀測計劃GCOM-W1衛(wèi)星搭載的AMSR2傳感器(2012-)[6]，歐洲空間局土壤濕度和海洋鹽度衛(wèi)星SMOS (2009-)[7]，美國宇航局土壤濕度主動被動衛(wèi)星SMAP等[8]。主、被微波遙感在不同的植被密度區(qū)域反演土壤濕度各有優(yōu)劣。已有研究表明：被動微波土壤濕度產(chǎn)品在裸土或稀疏植被覆蓋下具有較高的反演精度，隨著植被密度的增加，土壤濕度的精度會降低[9]；主動微波土壤濕度產(chǎn)品在中等植被覆蓋下，尤其在植被變化有明顯季節(jié)性的地區(qū)反演精度較高[10]；在高植被密度下，由于植被冠層使得雷達后向散射或地表微波散射大幅衰減，主、被動微波土壤濕度產(chǎn)品在高植被密度下的精度較低[11]。除了遙感衛(wèi)星觀測外，土壤濕度還可以用陸面模型來模擬。陸面模型通過同化大量的地面實測數(shù)據(jù)，模擬出的地表土壤濕度在絕對數(shù)值上較為合理，但陸面模式模擬土壤濕度數(shù)據(jù)受模型參數(shù)化方案、同化方法、土壤參數(shù)、大氣強迫、地面觀測數(shù)據(jù)等不確定因素的影響[12]，在缺少觀測資料的地區(qū)不能很好地模擬出土壤濕度的動態(tài)變化。微波遙感的優(yōu)勢則是對土壤水分的變化較為敏感，但微波遙感會受到地表粗糙度和植被覆蓋等因素的影響，存在不穩(wěn)定性[1]。因此以模型模擬土壤濕度數(shù)據(jù)為基準，對遙感土壤濕度數(shù)據(jù)進行偏差校正，再將多源遙感數(shù)據(jù)進行融合，能夠得到精度更高、時空連續(xù)的遙感土壤濕度融合數(shù)據(jù)。許多學(xué)者已經(jīng)進行了相關(guān)研究：Reichle等[13]以全球陸面數(shù)據(jù)同化系統(tǒng)(GLDAS)模擬土壤濕度數(shù)據(jù)為基準，利用累積分布函數(shù)(cumulative distribution function,CDF)匹配方法對SMMR衛(wèi)星土壤濕度數(shù)據(jù)進行偏差校正，然后將校正后的衛(wèi)星土壤濕度數(shù)據(jù)與陸面同化數(shù)據(jù)進行融合。2009年Liu等[14]以AMSR-E為基準，將AMSR-E和TMI、SMMR、SSM數(shù)據(jù)做CDF匹配，將匹配后的數(shù)據(jù)融合得到長時間序列的被動微波土壤濕度融合數(shù)據(jù)。2011年Liu[15]以GLDAS土壤濕度數(shù)據(jù)為基準，對AMSR-E和ASCAT進行CDF匹配，并根據(jù)AMSR-E反演的植被光學(xué)厚度(VOD)，在全球不同的植被覆蓋度區(qū)域?qū)χ?、被動微波土壤濕度?shù)據(jù)賦以不同的融合權(quán)重，并進行加權(quán)平均。

三重組合(triple collocation)分析(下文簡稱為TC分析)可以用來估計大尺度衛(wèi)星遙感土壤濕度觀測的隨機誤差方差和信噪比，已成為評價土壤濕度產(chǎn)品的重要方法[16]。Scipal等[17]通過TC分析估算ASCAT、AMSR-E土壤濕度數(shù)據(jù)、ERA-Interim土壤濕度再分析數(shù)據(jù)各自的誤差方差，證實TC分析結(jié)果能夠客觀反映ASCAT和AMSR-E數(shù)據(jù)的誤差特征。Leroux等[18]采用TC分析對SMOS、AMSR-E和ASCAT土壤濕度數(shù)據(jù)誤差進行估計。吳凱等[19]利用ASCAT、AMSR-E土壤濕度數(shù)據(jù)以及ERA-Interim土壤濕度再分析數(shù)據(jù)，通過TC分析得到了3種土壤濕度數(shù)據(jù)的誤差方差和信噪比，并結(jié)合MODIS土地覆蓋類型數(shù)據(jù)進行分析，發(fā)現(xiàn)TC分析能夠在草原、農(nóng)田和裸地得到較為客觀的土壤濕度誤差方差。Gruber等[20]基于TC分析計算ASCAT和AMSR2數(shù)據(jù)的誤差方差，通過誤差方差計算融合權(quán)重，并提出基于相關(guān)顯著性水平檢驗將像元分類的融合方案，該方法也作為歐洲空間局氣候變化倡議(climate change initiative，CCI)項目中土壤濕度數(shù)據(jù)集ESA-CCI SM3.x版本融合算法的基礎(chǔ)。

目前能夠在線發(fā)布的土壤濕度數(shù)據(jù)產(chǎn)品均來自ASCAT、AMSR2、SMOS、SMAP、FY3B/C等遙感衛(wèi)星(或傳感器)。從現(xiàn)有對這些數(shù)據(jù)產(chǎn)品的評估結(jié)果來看，ASCAT產(chǎn)品質(zhì)量最好，F(xiàn)Y3B次之，SMOS產(chǎn)品質(zhì)量較差[21-22]。由于不同遙感觀測數(shù)據(jù)之間存在系統(tǒng)性誤差，在數(shù)據(jù)融合前要先進行偏差校正。常用的偏差校正基準為GLDAS表層土壤濕度(例如ESA-CCI融合產(chǎn)品和NOAA/NESDIS發(fā)布的SMOPS融合產(chǎn)品[23])。然而中國陸面同化系統(tǒng)(CLDAS)在模擬中國區(qū)域土壤濕度方面比GLDAS具有更高的精度，CLDAS與實測數(shù)據(jù)相比，具有較高的相關(guān)系數(shù)，偏差在-0.04～0.04 m3/m3之間，在青藏高原地區(qū)也具有較高的精度[24]。因此本文以CLDAS表層土壤濕度產(chǎn)品為基準，對主、被動微波土壤濕度產(chǎn)品進行偏差校正，同時為了便于與ESA-CCI融合產(chǎn)品進行對比，選用與ESA-CCI融合產(chǎn)品近年來一致的數(shù)據(jù)源，即主動微波土壤濕度產(chǎn)品(ASCAT-A/B)、被動微波土壤濕度產(chǎn)品(AMSR2，SMOS)采用以TC分析為核心的誤差分析方法計算主、被動微波土壤濕度數(shù)據(jù)的權(quán)重，進而采用加權(quán)平均的方法實現(xiàn)多源微波土壤濕度數(shù)據(jù)融合，在一定程度上提高了中國陸地區(qū)域微波遙感土壤濕度產(chǎn)品的精確度。

2 數(shù)據(jù)來源與研究方法

2.1 數(shù)據(jù)來源

本文中使用的數(shù)據(jù)有微波遙感土壤濕度產(chǎn)品(ASCAT-A/B，AMSR2，SMOS)、校正基準數(shù)據(jù)，即CLDAS表層土壤濕度數(shù)據(jù)、驗證數(shù)據(jù)，即土壤墑情站實測土壤體積含水量數(shù)據(jù)。另外采用ESA-CCI土壤濕度融合產(chǎn)品和ERA-Interim土壤濕度再分析資料進行精度對比分析。時間范圍為2017年3月-2018年12月，空間范圍為中國陸地區(qū)域。

(1)微波遙感土壤濕度產(chǎn)品。ASCAT-A/B L2主動微波土壤濕度產(chǎn)品由歐洲氣象衛(wèi)星應(yīng)用組織(EUMETSAT)(http://hsaf.meteoam.it/)發(fā)布，該產(chǎn)品采用TU Wien water retrieval package (TU WARP)[25]算法反演土壤表層(0～2cm)的土壤濕度飽和度(數(shù)值范圍0～100%)，空間分辨率為25km；AMSR2 L3被動微波土壤濕度產(chǎn)品是由日本宇宙航空研究開發(fā)機構(gòu)(JAXA)發(fā)布[26](https://gportal.jaxa.jp/)，該產(chǎn)品以地表參數(shù)反演模型(land parameter retrieval model，LPRM)為反演算法得到地表土壤體積含水量，空間分辨率25 km；SMOS土壤濕度數(shù)據(jù)產(chǎn)品包括L2和L3產(chǎn)品。SMOS L2產(chǎn)品采用L-band microwave emission of the biosphere (L-MEB)模型反演得到0～5 cm土壤體積含水量，空間分辨率為35～50 km[27]。L3產(chǎn)品是在L2產(chǎn)品的基礎(chǔ)上通過加權(quán)平均和最優(yōu)插值得到，其空間分辨率為25 km。本文采用的是SMOS L3產(chǎn)品，由西班牙巴塞羅那專家中心(BEC)發(fā)布(http://bec.icm.csic.es/)。

(2)參考數(shù)據(jù)與驗證數(shù)據(jù)。CLDAS近實時逐日土壤體積含水量分析產(chǎn)品v2.0，由國家氣象信息中心發(fā)布(http://data.cma.cn)，包含5層土壤體積含水量數(shù)據(jù)，空間分辨率為0.0625°×0.0625°。該數(shù)據(jù)主要應(yīng)用Noah-MP等3種陸面模式，利用大氣驅(qū)動數(shù)據(jù)和初始場信息驅(qū)動陸面模式得到土壤體積含水量[28]。本文中使用土壤表層(0～5 cm)土壤體積含水量數(shù)據(jù)。為了與遙感數(shù)據(jù)匹配，將其每4×4網(wǎng)格求平均得到0.25°×0.25°數(shù)據(jù)；ESA-CCI土壤濕度融合產(chǎn)品(http://cci.esa.int/)，以GLDAS v2.1陸面模式土壤濕度為基準對兩種主動微波土壤濕度產(chǎn)品(ERS和ASCAT)以及5種被動微波遙感土壤濕度產(chǎn)品(SMMR、SSM/I、TMI、WINDSAT及AMSR-E/AMSR2)進行偏差校正，通過融合算法得到1978-2018年6月、空間分辨率為0.25°×0.25°的逐日土壤濕度融合產(chǎn)品[29]；ERA-Interim是歐洲中期天氣預(yù)報中心(ECMWF)第三代土壤濕度再分析資料(https://apps.ecmwf.int/)。它采用了四維變分分析(4D-Var)實現(xiàn)了再分析資料質(zhì)量的提升[30]。ERA-Interim土壤濕度再分析資料經(jīng)過許多研究者檢驗，在不同季節(jié)均可以穩(wěn)定地重現(xiàn)觀測數(shù)據(jù)變化的空間分布特征[31]。本文中使用了表層0～7cm ERA-Interim土壤濕度再分析數(shù)據(jù)。

(3)地面實測數(shù)據(jù)。實測土壤濕度數(shù)據(jù)來源于云南、河南、浙江、拉薩土壤墑情數(shù)據(jù)庫以及黑河計劃數(shù)據(jù)管理中心。本文使用了36個測站的5～10 cm處土壤濕度。河南、云南、浙江的站點采樣時間均為2017-2018年，拉薩采樣時間均為2017-2018年4月，黑河流域采樣時間為2017年。土壤體積含水量正常值范圍為0～50%，將小于0或大于50%的觀測值按無效值處理。由于主、被動微波遙感反演的土壤濕度數(shù)據(jù)為表層土壤濕度，但關(guān)于表層的具體深度并沒有嚴格的定義，通常認為微波遙感土壤濕度有效范圍為地表0～5 cm[29]，而本文所選的CLDAS數(shù)據(jù)為地表0～5 cm土壤濕度，ERA-Interim數(shù)據(jù)為地表0～7 cm土壤濕度，實測數(shù)據(jù)均選擇地表5～10 cm處的土壤體積含水量。由于觀測深度的不一致，在偏差校正和驗證評估時會帶來一定誤差，但地表0～10 cm土壤濕度間通常存在密切的關(guān)系，垂直變化差異較小[32]，因此本文忽略了由于數(shù)據(jù)觀測深度的不一致所帶來的誤差。

2.2 研究方法

本文融合多種遙感土壤濕度產(chǎn)品的總體過程是：在基于CLDAS表層土壤濕度數(shù)據(jù)對多種微波土壤濕度數(shù)據(jù)進行偏差校正的基礎(chǔ)上，對遙感數(shù)據(jù)與模型數(shù)據(jù)進行皮爾遜相關(guān)分析和TC分析來獲取遙感數(shù)據(jù)的權(quán)重，然后對多種遙感土壤濕度產(chǎn)品進行加權(quán)平均。所有數(shù)據(jù)統(tǒng)一采用WGS84地理坐標系統(tǒng)，空間分辨率為0.25°×0.25°，流程如圖1所示。

2.2.1 偏差校正 由于主動微波數(shù)據(jù)表示土壤濕度的飽和度百分比(數(shù)值范圍0～100%)，被動微波以及模型數(shù)據(jù)表示土壤體積含水量百分比(數(shù)值范圍通常為0～50%)。除了數(shù)據(jù)范圍不同，遙感數(shù)據(jù)也存在著一定的系統(tǒng)性偏差，因此在數(shù)據(jù)融合前必須將多種來源的遙感數(shù)據(jù)調(diào)整到統(tǒng)一的數(shù)值范圍，并進行偏差校正。累積分布函數(shù)(cumulative distribution function,CDF)匹配方法是一種分段線性匹配技術(shù)，可以校正不同數(shù)據(jù)之間的系統(tǒng)性偏差，已經(jīng)被廣泛地應(yīng)用于遙感數(shù)據(jù)融合領(lǐng)域[33]。本文中以經(jīng)過重采樣為0.25°×0.25°的CLDAS表層(0～5 cm)土壤濕度為基準，將ASCAT-A、ASCAT-B、AMSR2、SMOS進行逐網(wǎng)格CDF匹配。

圖1 多源微波遙感土壤濕度數(shù)據(jù)融合流程

2.2.2 三重組合分析 三重組合(triple collocation,TC)分析是估計數(shù)據(jù)隨機誤差方差的方法，需要3個誤差相互獨立的數(shù)據(jù)。本文中將使用主動微波數(shù)據(jù)(即ASCAT-A與ASCAT-B的算術(shù)平均值，下文中用下標A表示),被動微波數(shù)據(jù)(即AMSR2、SMOS的算術(shù)平均值，下文中用下標P表示)，以及模型模擬數(shù)據(jù)(即CLDAS表層土壤濕度數(shù)據(jù)，下文中用下標M表示)組成TC分析的3組數(shù)據(jù)。TC分析中誤差模型表示為[34]：

總的來看，“三師”工作重點解決了大學(xué)生在校學(xué)習(xí)期間學(xué)習(xí)、生活和思想上中遇到的突出問題。一是解開思想疙瘩，針對一部分文化知識學(xué)習(xí)基礎(chǔ)差的學(xué)生，認真做好心理輔導(dǎo)工作，為其鼓勁打氣，幫助樹立信心。二是解決生活中的實際問題，針對大學(xué)生擇友、交友、同學(xué)間和睦相處、互幫互助等問題，通過談心談話發(fā)現(xiàn)問題后予以協(xié)調(diào)解決。三是解開疑惑，及時了解學(xué)生思想政治上的各種疑惑，特別是針對反響較為強烈的評優(yōu)、助困等方面疑惑，嚴格按照國家相關(guān)政策給予解釋和答復(fù)。

i=αi+βiΘ+εi

(1)

式中：i為土壤濕度的觀測值；Θ為土壤濕度真值；αi和βi為觀測數(shù)據(jù)i關(guān)于真值Θ的系統(tǒng)誤差；εi為數(shù)據(jù)i均值為0的隨機誤差。

誤差模型有以下4個基本假設(shè)[35-36]：(1)觀測值與真值之間為線性關(guān)系；(2)觀測數(shù)據(jù)的誤差具有穩(wěn)定性；(3)3個數(shù)據(jù)的隨機誤差相互獨立(不同數(shù)據(jù)的隨機誤差之間的協(xié)方差為零)；(4)同種數(shù)據(jù)的隨機誤差與真值相互獨立(隨機誤差與真值之間的協(xié)方差為零)。在TC分析中，3個數(shù)據(jù)的隨機誤差方差表示為[36]：

(2)

(3)

主、被動微波數(shù)據(jù)的權(quán)重則采用其均方誤差比計算得到，計算公式如下：

(4)

2.2.3 基于相關(guān)顯著性的融合方案 主、被動微波土壤濕度產(chǎn)品在植被密度不同的地區(qū)精確度差異較大，將主、被動微波土壤濕度產(chǎn)品精確度相近的地區(qū)進行加權(quán)平均，可以增加這些地區(qū)的觀測次數(shù)，減少隨機誤差；精確度差異較大地區(qū)單獨使用主動或被動微波數(shù)據(jù)，可以結(jié)合主、被動微波土壤濕度產(chǎn)品優(yōu)勢。根據(jù)Gruber等[20]提出的方法，選用模型數(shù)據(jù)為參考，對主動微波數(shù)據(jù)和被動微波數(shù)據(jù)進行逐網(wǎng)格皮爾遜相關(guān)分析，判斷遙感數(shù)據(jù)與模型數(shù)據(jù)以及遙感數(shù)據(jù)之間是否顯著相關(guān)(p值是否小于0.05)，是則標記為1，否則標記為0。根據(jù)3種數(shù)據(jù)之間的相關(guān)情況，將研究區(qū)域劃分為5種融合方案：(1)加權(quán)平均；(2)算術(shù)平均；(3)只使用主動微波數(shù)據(jù)；(4)只使用被動微波數(shù)據(jù)；(5)忽略像元。具體分類標準如表1所示。

表1 基于相關(guān)顯著性的融合方案

注：A為主動微波數(shù)據(jù)；P為被動微波數(shù)據(jù)；M為模型模擬數(shù)據(jù)。

2.2.4 評估指標 本文中對遙感數(shù)據(jù)的精度分析采用的評估指標包括相關(guān)系數(shù)(r)、平均偏差(MBE)、均方根誤差(RMSE)。各指標的具體計算公式如下：

(5)

(6)

(7)

式中：xi和yi分別為不同的土壤濕度數(shù)據(jù)；n為統(tǒng)計樣本數(shù)。

3 結(jié)果分析與討論

3.1 土壤濕度融合結(jié)果

對主、被動微波數(shù)據(jù)進行加權(quán)平均得到2017年3月-2018年12月的逐日融合土壤濕度數(shù)據(jù)。對融合后的逐日數(shù)據(jù)取平均值得到逐月土壤濕度融合數(shù)據(jù)并計算中國7大氣候分區(qū)的面平均值，繪制不同氣候區(qū)逐月變化過程線。從圖2可以看出，7大分區(qū)的土壤濕度大致可分為4個梯隊。濕潤區(qū)和熱帶區(qū)土壤濕度最大，全年土壤濕度在0.3 m3/m3左右浮動；東北區(qū)和半濕潤區(qū)土壤濕度數(shù)值相近，在0.12～0.28 m3/m3變化且隨季節(jié)變化最為明顯；半干旱區(qū)和青藏區(qū)位于第3梯隊，均在0.1～0.2 m3/m3波動，土壤濕度也呈現(xiàn)季節(jié)變化特征；干旱區(qū)的土壤濕度最小，全年均在0.11 m3/m3以下且隨季節(jié)變化幅度很小。

經(jīng)過融合的遙感土壤濕度數(shù)據(jù)能夠合理的體現(xiàn)出中國陸地土壤濕度的空間分布特征和隨季節(jié)變化的氣候特征，下文將通過多種數(shù)據(jù)進一步定量分析融合數(shù)據(jù)的精度。

圖2 2017-2018年融合土壤濕度數(shù)據(jù)不同氣候區(qū)逐月平均值變化過程線

3.2 融合土壤濕度數(shù)據(jù)與多種土壤濕度產(chǎn)品的對比分析

3.2.1 融合土壤濕度數(shù)據(jù)與CLDAS數(shù)據(jù)對比分析 以CLDAS數(shù)據(jù)作為基準進行偏差校正和TC分析，為了對比基準數(shù)據(jù)和融合土壤濕度數(shù)據(jù)的差異性，將融合數(shù)據(jù)與CLDAS數(shù)據(jù)進行對比分析。首先將融合土壤濕度、CLDAS土壤濕度逐日數(shù)據(jù)求面平均值并繪制逐日變化過程線，見圖3。由圖3(a)可以看出，融合數(shù)據(jù)和CLDAS數(shù)據(jù)的總體變化趨勢基本一致，均表現(xiàn)出明顯的季節(jié)特征，但逐日間的波動有所差別。圖3(b)展示了兩者之間良好的相關(guān)關(guān)系，決定系數(shù)R2=0.94。為進一步驗證融合數(shù)據(jù)與CLDAS數(shù)據(jù)的差異，計算融合數(shù)據(jù)與CLDAS數(shù)據(jù)之間逐網(wǎng)格的相關(guān)系數(shù)(r)、平均偏差(MBE)和均方根誤差(RMSE)并繪制像元統(tǒng)計直方圖，如圖4所示。

圖3 2017-2018年融合土壤濕度和CLDAS土壤濕度全國面平均值逐日變化過程線和相關(guān)性散點圖

圖4 融合土壤濕度數(shù)據(jù)與CLDAS的相關(guān)系數(shù)、平均偏差、均方根誤差像元統(tǒng)計直方圖

從圖4(a)可以看出，大部分地區(qū)的相關(guān)系數(shù)集中在0.3和0.7附近，最大相關(guān)系數(shù)為0.95，最小為-0.63，平均相關(guān)系數(shù)0.56；圖4(b)表示融合數(shù)據(jù)與CLDAS數(shù)據(jù)的平均偏差，由于偏差校正時以CLDAS數(shù)據(jù)為基準，融合數(shù)據(jù)與CLDAS數(shù)據(jù)的平均偏差較小，大部分像元的平均偏差在0附近，平均值僅為0.001 m3/m3。偏差校正消除了遙感土壤濕度產(chǎn)品的系統(tǒng)性誤差，再通過加權(quán)平均得到的多源遙感融合土壤濕度數(shù)據(jù)與CLDAS土壤濕度數(shù)據(jù)的全國平均值隨季節(jié)變化趨勢基本一致，但在日尺度上的小范圍波動特征不同。為了進一步驗證融合數(shù)據(jù)的精度，下文將融合數(shù)據(jù)與其他土壤濕度產(chǎn)品進行對比分析。

3.2.2 融合土壤濕度數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)對比分析 本文所用的遙感數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)在研究時間內(nèi)所用數(shù)據(jù)是一致的，因此將融合土壤濕度數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)(數(shù)據(jù)重疊期2017年3月-2018年6月)進行評估分析，計算融合數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)之間的相關(guān)系數(shù)(r)、平均偏差(MBE)、均方根誤差(RMSE)并繪制像元統(tǒng)計直方圖，如圖5所示。從圖5(a)可以看出，相關(guān)系數(shù)主要分布在0.75左右，最大值為0.98，最小值為-0.97，全國平均值為0.62。由此可以認為融合土壤濕度與ESA-CCI融合數(shù)據(jù)在全國大部分地區(qū)有良好的相關(guān)性；由圖5(b)可以看出，平均偏差主要集中在-0.1～0.1 m3/m3之間，最大值為0.14 m3/m3，最小為-0.36 m3/m3，全國平均偏差為-0.023 m3/m3，說明融合數(shù)據(jù)總體略小于ESA-CCI融合數(shù)據(jù)。融合數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)的均方根誤差基本接近于0，平均值僅為0.004 m3/m3，說明融合土壤濕度數(shù)據(jù)與ESA-CCI融合數(shù)據(jù)之間變化差異較小。

3.2.3 融合土壤濕度數(shù)據(jù)與ERA-Interim再分析土壤濕度對比分析 為了檢驗融合數(shù)據(jù)的精確度，選用不同與CLDAS的模型同化土壤濕度數(shù)據(jù)進行驗證。計算融合數(shù)據(jù)與ERA-Interim數(shù)據(jù)之間的逐網(wǎng)格相關(guān)系數(shù)(r)、平均偏差(MBE)、均方根誤差(RMSE)并繪制像元統(tǒng)計直方圖，如圖6所示。由圖6(a)可以看出，正相關(guān)像元數(shù)量大于負相關(guān)像元數(shù)量，相關(guān)系數(shù)最大為0.92，最小為-0.71，平均相關(guān)系數(shù)為0.42；圖6(b)表明大部分地區(qū)平均偏差值在-0.2～0.1 m3/m3之間，最大偏差為0.31 m3/m3，最小偏差為-0.40 m3/m3，全國平均偏差為-0.01 m3/m3，說明從全國平均來看融合數(shù)據(jù)比ERA-Interim數(shù)據(jù)偏小。圖6(c)顯示融合數(shù)據(jù)與ERA-Interim數(shù)據(jù)均方根誤差，最大均方根誤差為0.07 m3/m3，平均值為0.012 m3/m3。

3.3 不同產(chǎn)品與實測數(shù)據(jù)的對比分析

為了進一步驗證融合土壤濕度數(shù)據(jù)的精確度，將融合數(shù)據(jù)、ESA-CCI融合數(shù)據(jù)、CLDAS數(shù)據(jù)與36個站點的實測土壤濕度進行對比分析，表2為每個站點的實測數(shù)據(jù)與站點所在位置網(wǎng)格的不同產(chǎn)品在相同觀測時間內(nèi)的相關(guān)系數(shù)(r)，平均偏差(MBE)和均方根誤差(RMSE)，并將表中的數(shù)據(jù)繪制為箱線圖，如圖7所示。在圖7的箱線圖中，柱狀體表示數(shù)據(jù)的上、下四分位數(shù)范圍，柱狀體中的橫線表示中位數(shù)，×表示平均數(shù)，兩端橫線表示數(shù)據(jù)的上、下限，橫線以外的圓點為離群點。

圖5 融合土壤濕度數(shù)據(jù)與ESA-CCI SM融合數(shù)據(jù)的相關(guān)系數(shù)、平均偏差、均方根誤差像元統(tǒng)計直方圖

圖6 融合土壤濕度數(shù)據(jù)與ERA-Interim再分析土壤濕度相關(guān)系數(shù)、平均偏差、均方根誤差像元統(tǒng)計直方圖

由圖7(a)可以看出，融合數(shù)據(jù)、CLDAS數(shù)據(jù)與站點實測土壤濕度都表現(xiàn)出較好的相關(guān)關(guān)系。除了一個離群點以外，融合數(shù)據(jù)與實測數(shù)據(jù)的相關(guān)系數(shù)為0.30～0.88，平均相關(guān)系數(shù)大于0.5，相關(guān)系數(shù)總體上高于ESA-CCI融合數(shù)據(jù)和CLDAS數(shù)據(jù)。由圖7(b) 可以看出，3種數(shù)據(jù)與實測數(shù)據(jù)相比，大部分站點均表現(xiàn)出正偏差，其中融合數(shù)據(jù)的平均偏差更接近0，數(shù)據(jù)較為集中，沒有出現(xiàn)異常值，上、下四分位數(shù)約在-0.01～0.06 m3/m3之間，CLDAS數(shù)據(jù)和ESA-CCI融合數(shù)據(jù)的平均偏差較大，出現(xiàn)了異常值。從圖7(c)為不同產(chǎn)品與實測數(shù)據(jù)的均方根誤差來看，除了少量異常點外，均方根誤差均在0～0.03 m3/m3之間，滿足目前全球氣候觀測系統(tǒng)(GCOS)對遙感觀測土壤體積含水量與站點實測值的均方根誤差小于0.04 m3/m3的精度要求[29]。融合數(shù)據(jù)的均方根誤差平均值和中位數(shù)都更接近于0，且異常值較少，說明融合數(shù)據(jù)與實測數(shù)據(jù)的離散程度較小，穩(wěn)定性更好。綜上所述，通過與實測土壤濕度對比可以發(fā)現(xiàn)，融合數(shù)據(jù)比ESA-CCI融合數(shù)據(jù)和CLDAS數(shù)據(jù)具有更高的相關(guān)系數(shù)，較小的平均偏差和均方根誤差，總體上精度高于ESA-CCI融合數(shù)據(jù)和CLDAS數(shù)據(jù)。

3.4 討 論

由于主動微波數(shù)據(jù)與模型數(shù)據(jù)土壤濕度代表的物理含義不同，即使具有同樣的物理含義的數(shù)據(jù)(如被動微波數(shù)據(jù)與模型數(shù)據(jù))也可能具有不同的數(shù)值范圍，因此在融合不同產(chǎn)品之前必須進行校正，使不同遙感產(chǎn)品具有相同的物理含義與數(shù)值范圍。目前最常用的校正方法是選取一個數(shù)據(jù)基準進行CDF匹配，本文也采用了這種方法。多源微波遙感數(shù)據(jù)逐日面平均值在偏差校正前后的CDF圖如圖8所示。

表2 融合數(shù)據(jù)、ESA-CCI融合數(shù)據(jù)、CLDAS數(shù)據(jù)與實測土壤濕度對比分析

圖7 融合數(shù)據(jù)、ESA-CCI融合數(shù)據(jù)、CLDAS數(shù)據(jù)與實測數(shù)據(jù)相關(guān)系數(shù)、平均偏差、均方根誤差箱線圖

由圖8可看出，對于被動微波數(shù)據(jù)來說，未校正前AMSR2和SMOS數(shù)據(jù)整體偏小，尤其AMSR2數(shù)據(jù)范圍分布在0～0.15 m3/m3之間，大幅低于中國區(qū)域土壤濕度的實際值。偏差校正消除了遙感數(shù)據(jù)的整體性偏差，使微波遙感土壤濕度數(shù)據(jù)與CLDAS數(shù)據(jù)在時間序列上具有相同的數(shù)值范圍和相似的累計概率分布。但CDF匹配可能對誤差分析結(jié)果產(chǎn)生影響，CDF匹配是在時間序列上逐網(wǎng)格地對數(shù)據(jù)進行分段線性拉升，匹配過程會將模型數(shù)據(jù)的分布特征加入到遙感數(shù)據(jù)中[15]，因此可能對TC分析結(jié)果造成影響。

TC分析中假設(shè)3個數(shù)據(jù)集的誤差互不相關(guān)。由于主、被動微波土壤濕度反演模型的反演機理存在很大差異，因此主動微波數(shù)據(jù)(ASCAT)與被動微波數(shù)據(jù)(AMSR2、SMOS)之間的誤差互不相關(guān)。對于模型數(shù)據(jù)而言，主要誤差來自于模型物理機制和驅(qū)動數(shù)據(jù)的誤差，因此原始主、被動微波數(shù)據(jù)和CLDAS數(shù)據(jù)三者之間誤差互不相關(guān)，滿足TC方法的假設(shè)條件。但是CDF匹配會改變原始數(shù)據(jù)的誤差特征，使不同數(shù)據(jù)之間的誤差可能存在相關(guān)關(guān)系。在這種情況下，TC分析只考慮數(shù)據(jù)自身的誤差方差對分析結(jié)果造成的影響。

圖8 多種土壤濕度產(chǎn)品的累積分布函數(shù)(CDF)圖

4 結(jié) 論

通過對多源微波遙感土壤濕度數(shù)據(jù)進行偏差校正、TC誤差分析、加權(quán)平均可以增加同一像元內(nèi)的觀測頻次，減少觀測誤差。土壤濕度數(shù)據(jù)融合結(jié)合了主、被動微波產(chǎn)品在不同植被覆蓋度下的優(yōu)勢，將融合數(shù)據(jù)與CLDAS數(shù)據(jù)、ESA-CCI融合數(shù)據(jù)、ERA-Interim數(shù)據(jù)、實測土壤濕度進行對比，可以發(fā)現(xiàn)雖然多源遙感數(shù)據(jù)以CLDAS數(shù)據(jù)為基準進行了偏差校正，使融合數(shù)據(jù)與CLDAS數(shù)據(jù)偏差很小，但逐日的土壤濕度波動存在差異。融合數(shù)據(jù)比ESA-CCI融合數(shù)據(jù)和ERA-Interim數(shù)據(jù)略有偏小，與實測數(shù)據(jù)的相關(guān)系數(shù)更大，平均偏差和均方根誤差更小。本文雖參考ESA-CCI的融合方法，但由于所用的偏差校正基準不同，使得融合土壤濕度數(shù)據(jù)在中國地區(qū)的精確度上優(yōu)于ESA-CCI融合數(shù)據(jù)，因此本文的研究可以認為是對ESA-CCI融合數(shù)據(jù)在中國區(qū)域的改進。