王春梅 韓樂然 謝秋霞 余濤 占玉林

摘? 要：如何獲取能夠代表衛(wèi)星觀測(cè)尺度、并揭示空間異質(zhì)性的土壤水分?jǐn)?shù)字地圖，是被動(dòng)微波土壤水分產(chǎn)品真實(shí)性檢驗(yàn)研究的關(guān)鍵問題。本研究選取河北省深州市為研究區(qū)域，首先基于MODIS長時(shí)間序列的NDVI、LST和Albedo產(chǎn)品數(shù)據(jù)集，綜合利用HANT重構(gòu)方法和降尺度模型優(yōu)選，獲取1km分辨率的土壤水分估算結(jié)果。其次，為保證檢驗(yàn)真值的高精度要求，本研究基于地面實(shí)測(cè)數(shù)據(jù)的空間異質(zhì)性和空間相關(guān)性規(guī)律，構(gòu)建了研究區(qū)域的土壤水分分層優(yōu)化采樣模型，制作了高精度土壤水分?jǐn)?shù)字地圖。結(jié)果表明，聯(lián)合應(yīng)用降尺度和分層優(yōu)化采樣方法，土壤水分制圖精度大大提高，其中絕對(duì)誤差減少了一倍，均控制在7.5%以內(nèi)，相關(guān)系數(shù)也大大提高。

關(guān)鍵詞：土壤水分? 真實(shí)性檢驗(yàn)? 降尺度? 采樣

中圖分類號(hào)：P333 ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2021）01（b）-0094-05

Surface Soil Moisture Mapping Based on Downscaling and Stratified Optimal Sampling Methods

WANG Chunmei1，2*? HAN Leran1，3? XIE Qiuxia1，3? YU Tao1，2? ZHAN Yulin1，2

（1. Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing， 100101 China; 2. National Engineering Laboratory for Remote Sensing and Satellite Application， Beijing， 100101 China; 3. University of Chinese Academy of Sciences， Beijing， 100049 China）

Abstract： It is a key to obtain the digital map of soil moisture， which can represent the observation scale of satellite remote sensing sensor and reveal the spatial heterogeneity of soil moisture. This study collaborated the downscaling and stratified optimal sampling methods to construct the digital map of soil moisture with high accuracy using FY-3B soil moisture product， MODIS products and in-situ soil moisture measurement data in 2016 in Shenzhou city， Hebei province. First， the soil moisture data with 1km spatial resolution were estimated based on the HANT reconstruction method and downscaling optimization model from NDVI， LST and Albedo products of MODIS. Then， the stratified optimal sampling model was built in this study area according to spatial heterogeneity and spatial correlation rules of in-situ soil moisture measurement data to ensure the high accuracy of the “truth” values. Results showed that combination algorithm of downscaling and stratified optimal sampling methods could improve the accuracy of soil moisture further， reduce the absolute error within 7.5% and increase the correlation coefficient.

Key Words： Soil moisture; Validation; Downscale; Sampling

隨著全球氣候變化和陸面數(shù)據(jù)同化研究對(duì)土壤水分反演的精度要求不斷提高，被動(dòng)微波土壤水分產(chǎn)品的真實(shí)性檢驗(yàn)變得極為重要。因此，如何獲取能夠代表衛(wèi)星觀測(cè)尺度、并揭示空間異質(zhì)性的土壤水分?jǐn)?shù)字地圖，是被動(dòng)微波土壤水分產(chǎn)品真實(shí)性檢驗(yàn)研究的關(guān)鍵問題。高精度土壤水分制圖方法一直是真實(shí)性檢驗(yàn)遙感學(xué)科的熱點(diǎn)問題和挑戰(zhàn)性問題，主要與四類數(shù)據(jù)密切相關(guān)：實(shí)測(cè)樣本數(shù)據(jù)、影像數(shù)據(jù)、模擬數(shù)據(jù)和先驗(yàn)知識(shí)數(shù)據(jù)[1-6]。

本研究基于實(shí)測(cè)數(shù)據(jù)和遙感影像數(shù)據(jù)，聯(lián)合利用土壤水分產(chǎn)品降尺度和優(yōu)化采樣方法，構(gòu)建高精度土壤水分?jǐn)?shù)字地圖。該研究不但對(duì)豐富遙感真實(shí)性檢驗(yàn)學(xué)科理論和技術(shù)具有重要意義，而且能夠降低大尺度土壤水分產(chǎn)品誤差，提高在相關(guān)行業(yè)領(lǐng)域的應(yīng)用價(jià)值，同時(shí)也為其他低分辨率遙感產(chǎn)品的真實(shí)性檢驗(yàn)提供借鑒。

1? 研究區(qū)

本文選取河北省衡水市深州市為研究區(qū)，中心經(jīng)緯度為38.05°N，115.47°E。在深州研究區(qū)共開展了4次野外試驗(yàn)，玉米生長期主要集中在6～9月份，4次野外實(shí)驗(yàn)包含了玉米整個(gè)生長周期（2016/6/27，2016/7/21，2016/8/14，2016/9/07）：苗期階段，穗期階段和花粒階段。根據(jù)研究區(qū)范圍和農(nóng)作物的長勢(shì)情況，共選取23個(gè)樣區(qū)，每個(gè)樣區(qū)包含3個(gè)采樣點(diǎn)，共獲得69個(gè)采樣點(diǎn)信息。采用烘干稱重法測(cè)量地表0～5cm內(nèi)的土壤含水量，烘干稱重法獲得每個(gè)采樣點(diǎn)土壤濕重、干重以及土壤容重，獲得土壤體積含水量（縮寫SMC）。

2? 研究方法

2.1 降尺度

本研究使用FY3-B土壤水分產(chǎn)品獲取指定區(qū)域、指定日期的土壤水分?jǐn)?shù)據(jù);并對(duì)FY3-B土壤水分?jǐn)?shù)據(jù)進(jìn)行降尺度處理，通過使用回歸模型將25km分辨率FY3-B 土壤水分?jǐn)?shù)據(jù)空間分辨率提高為1km分辨率土壤水分?jǐn)?shù)據(jù)：

（1）

其中A25為反照率（A）的25km平均值，V25為植被指數(shù)NDVI（V）的25km平均值，T25為地表溫度LST（T）的25km平均值，m和n分別是FY3-B像素中第i行和第j列中1km像素的數(shù)量;Aij是FY3-B中第i行和第j列中1Km像素的反照率值，Vij是FY3-B中第i行和第j列中1Km像素的NDVI值、Tij是FY3-B中第i行和第j列中1Km像素的地表溫度LST值;

本研究分布采用了三種不同的回歸統(tǒng)計(jì)模型， 其中，方程（2）和（3）分別引用了國外專家（choi等，2012;Kim等，2012）[7-8]和國內(nèi)專家王安琪[9]等提出的統(tǒng)計(jì)模型，方程（4）是本文作者提出的統(tǒng)計(jì)模型。

SMC=a1+a2A+a3V+a4T+a5AV+a6AT+a7VT? ? ? ? ? ? ?（2）

SMC=a8+a9A*V*T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

SMC=a10+a11A+a12V+a12T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中，SMC是土壤水分;a1、a2、……、a12是回歸系數(shù);A為反照率、V為植被指數(shù)、T為地表溫度。

首先，將公式（1）計(jì)算的A25、V25和T25分別帶入公式（2）～（4），根據(jù)對(duì)應(yīng)像元尺度25km分辨率的FY3-B土壤水分?jǐn)?shù)據(jù)SM25，通過回歸分析計(jì)算模型中的回歸系數(shù)。

其次，將MODIS產(chǎn)品1km分辨率的反照率（A），植被指數(shù)NDVI（V）和地表溫度LST（T）帶入模型公式（2）～（4），相應(yīng)計(jì)算得到了1km分辨率的土壤水分值SMC。

2.2 地面優(yōu)化采樣

無論是土壤水分反演算法模型的構(gòu)建，還是土壤水分產(chǎn)品的真實(shí)性檢驗(yàn)，都需要土壤水分地面實(shí)測(cè)數(shù)據(jù)的支持。土壤水分具有較大的時(shí)空變異，尤其是表層土壤水分，實(shí)測(cè)數(shù)據(jù)的合理采樣布局，對(duì)非均質(zhì)土壤水分制圖研究有很大影響[10-11]。

在像元土壤含水量分層采樣中，將像元大小為M的總體分成L個(gè)不相重疊的層，它們的大小分別為M1，M2，…，ML。第q（q=1，2，…，L）層的權(quán)重為Wq=Mq / M，可認(rèn)為是第q層面積占整個(gè)像元面積的比例[19]。分層采樣的總體估計(jì)均值是L個(gè)樣本均值的加權(quán)平均，。和的方差分別為：

（5）

（6）

式中：σq，nq和fq=nq/Mq分別為第q層的標(biāo)準(zhǔn)差、樣本數(shù)目和抽樣比。若數(shù)據(jù)滿足正態(tài)分布，在1—α的置信水平下，可代替式（5）中的，則所有層的合理取樣數(shù)目可表示為

（7）

分層采樣除了能確定像元內(nèi)總的合理取樣數(shù)目（n0）外，還能進(jìn)一步估計(jì)像元內(nèi)各單元層的取樣數(shù)目。第q層的取樣數(shù)目np為

（8）

最后，各層采樣數(shù)目確定后，就需要利用隨機(jī)組合方法確定各層中的抽樣點(diǎn)位置，具體思路如下：

（1）從各層的實(shí)測(cè)數(shù)據(jù)n中分別隨機(jī)選出m個(gè)數(shù)據(jù)（m=np），每次的選擇需要隨機(jī)重復(fù)s（s=）次。

（2）計(jì)算每次選擇得到的np個(gè)樣本集，共獲得組的采樣布局，以此作為地面優(yōu)化抽樣數(shù)據(jù)點(diǎn)。

3? 結(jié)果與討論

3.1 土壤水分降尺度

選取研究區(qū)內(nèi)待檢驗(yàn)的長時(shí)間序列被動(dòng)微波土壤水分產(chǎn)品，根據(jù)過境時(shí)間下載MODIS數(shù)據(jù)產(chǎn)品，包括16d合成NDVI、日LST和8d合成Albedo產(chǎn)品。

研究中引入Hants時(shí)間序列重構(gòu)方法，將16d合成NDVI進(jìn)行重構(gòu)成單日NDVI。基于MODIS單日數(shù)據(jù)產(chǎn)品，構(gòu)建單日時(shí)間尺度上的被動(dòng)微波土壤水分值與NDVI、LST和Albedo的相關(guān)性顯著的擬合方程。結(jié)果表明，不同擬合方程中FY-3B土壤水分與各先驗(yàn)參量的相關(guān)性都表現(xiàn)顯著，其中本研究提出的擬合方程相關(guān)性也極為顯著（R=0.54，Significance F =0.0000**），如表1。

進(jìn)一步利用構(gòu)建的擬合方程對(duì)空間分辨率為25km的被動(dòng)微波土壤水分?jǐn)?shù)據(jù)進(jìn)行降尺度，以獲取單日的1km尺度土壤水分?jǐn)?shù)字地圖（圖1）。從圖上看出，2016/6/27苗期，土壤水分均值都低于10%，而2016/7/21穗期，土壤水分相對(duì)都較高，大多都高于16%。

3.2 地面優(yōu)化采樣分析

單一遙感手段通常難以刻畫地表土壤水分的時(shí)空動(dòng)態(tài)，如果想提高空間精度，必須補(bǔ)充觀測(cè)數(shù)據(jù)。為進(jìn)一步提高土壤水分估計(jì)值的精度，本研究利用地面實(shí)測(cè)數(shù)據(jù)的優(yōu)化采樣對(duì)土壤水分降尺度進(jìn)行優(yōu)化改進(jìn)。

考慮到在1km區(qū)域尺度上大量收集高質(zhì)量且具有表征性的地面樣本觀測(cè)數(shù)據(jù)費(fèi)時(shí)費(fèi)力，因此，本研究基于1km土壤水分信息的空間異質(zhì)性和空間相關(guān)性規(guī)律，采取空間概率分布的優(yōu)化分層策略，構(gòu)建土壤水分預(yù)先采樣模型。

對(duì)單日的1km尺度被動(dòng)微波土壤水分?jǐn)?shù)字地圖進(jìn)行空間異質(zhì)性和空間相關(guān)性分析，根據(jù)公式（5）～（8），得到研究區(qū)土壤水分預(yù)采樣結(jié)果。如表2所示，當(dāng)DOY=178，202，226和249時(shí)，研究區(qū)內(nèi)分別至少需要15、5、10和34個(gè)樣點(diǎn)。地面樣點(diǎn)的空間布局如圖1所示，這是進(jìn)行精度改進(jìn)的地面合理采樣布局。需要說明的是，圖1中的d，從示意圖中只顯示了23個(gè)樣點(diǎn)，但實(shí)際上應(yīng)該是包含了34個(gè)樣點(diǎn)，這其中的11個(gè)樣點(diǎn)，由于地面采樣間距比較近，所以在這個(gè)比例尺下的示意圖中無法全部顯示。

3.3 土壤水分精度評(píng)價(jià)

根據(jù)預(yù)采樣模型的地面樣點(diǎn)布局，開展被動(dòng)微波降尺度土壤水分信息精度改進(jìn)。為進(jìn)行精度評(píng)價(jià)，本研究采用四次野外同步的69個(gè)地面實(shí)測(cè)數(shù)據(jù)集作為真值驗(yàn)證數(shù)據(jù)。

表3是土壤水分產(chǎn)品精度改進(jìn)前后的對(duì)比分析結(jié)果。結(jié)果表明，通過土壤預(yù)采樣方法，精度大大提高，其中絕對(duì)誤差減少了一倍，均控制在7.5%以內(nèi)，相關(guān)系數(shù)也大大提高，表現(xiàn)更為顯著。

4? 結(jié)語

針對(duì)被動(dòng)微波低分辨率像元內(nèi)的異質(zhì)性給土壤水分產(chǎn)品的真實(shí)性檢驗(yàn)帶來的難題，本研究的目的在于獲取能夠代表衛(wèi)星觀測(cè)尺度、并揭示空間異質(zhì)性的土壤水分?jǐn)?shù)字地圖，這是被動(dòng)微波土壤水分產(chǎn)品真實(shí)性檢驗(yàn)研究的關(guān)鍵問題。為了實(shí)現(xiàn)上述目的，本研究利用降尺度方法和分層優(yōu)化采樣方法，構(gòu)建了高精度土壤水分?jǐn)?shù)字地圖，實(shí)現(xiàn)了融合多源數(shù)據(jù)類型的土壤水分制圖研究。

參考文獻(xiàn)

[1] C. Cui， J. Xu， J. Zeng， et al. Soil Moisture Mapping from Satellites： An Intercomparison of SMAP， SMOS， FY3B， AMSR2， and ESA CCI over Two Dense Network Regions at Different Spatial Scales[J]. Remote Sensing， 2018， 10（1）：33-52.

[2] Chenyang X ， John Q ， Xianjun H ， et al. Downscaling of Surface Soil Moisture Retrieval by Combining MODIS/Landsat and In Situ Measurements[J]. Remote Sensing， 2018， 10（2）：210-226.

[3] Karthikeyan L， Pan M， Wanders N ， et al. Four decades of microwave satellite soil moisture observations： Part 2. Product validation and inter-satellite comparisons[J]. Advances in Water Resources， 2017， 109：236-252.

[4] Yee M S ， Walker J P ， Rüdiger， Christoph， et al. A comparison of SMOS and AMSR2 soil moisture using representative sites of the OzNet monitoring network[J]. Remote Sensing of Environment， 2017， 195：297-312.

[5] 楊鐸.基于天地圖的農(nóng)業(yè)一張圖系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].科技資訊，2020（1）：5-6.

[6] 程葛鑒，于歡，孔博，等.面向?qū)ο筮b感影像分析技術(shù)應(yīng)用現(xiàn)狀與展望[J].科技資訊，2020（16）：12-13.

[7] Choi M ， Hur Y . A microwave-optical/infrared disaggregation for improving spatial representation of soil moisture using AMSR-E and MODIS products[J]. Remote Sensing of Environment， 2012， 124：259-269.

[8] Kim， J.， and T. S. Hogue. Improving Spatial Soil Moisture Representation through Integration of AMSR-E and MODIS Products[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50 （2）： 446-460.

[9] 王安琪，施建成，宮輝力，等.降尺度土壤水分信息與植被生長參量的時(shí)空關(guān)系[J].農(nóng)業(yè)工程學(xué)報(bào)，2012， 28（1）：164-169.

[10] Orlóci L. Community organization： recent advances in numerical methods[J].Canadian Journal of Botany-Revue Canadienne de Botanique， 1988，66： 2626-2633.

[11] Brus DJ， Sp?tjens LEEM， de Gruijter JJ. A sampling scheme for estimating the mean extractable phosphorus concentration of fields for environmental regulation[J]. Geoderma， 1999， 89： 129-148.