img

官方微信

遥感技术与应用, 2020, 35(6): 1414-1425 doi: 10.11873/j.issn.1004-0323.2020.6.1414

遥感应用

基于多频被动微波遥感的土壤水分反演—以黑河上游为例

王舒,1, 蒋玲梅2, 王健2

1.国家气象信息中心,北京 100081

2.北京师范大学/中国科学院遥感与数字地球研究所遥感科学国家重点实验室,北京师范大学地理科学学部,北京 100875

收稿日期: 2019-12-09   修回日期: 2020-08-18   网络出版日期: 2021-01-25

基金资助: 国家自然科学基金青年科学基金项目.  41701411

Received: 2019-12-09   Revised: 2020-08-18   Online: 2021-01-25

作者简介 About authors

王舒(1987—),女,山西大同人,博士,高级工程师,主要从事微波土壤水分反演研究E⁃mail:wangshu@cma.gov.cn , E-mail:wangshu@cma.gov.cn

摘要

土壤水分是陆地生态系统中最重要的组成部分,如何有效地得到高精度的土壤水分产品成为当前研究最为关注的问题。被动微波遥感具有监测面积大、重访周期短、对土壤水分敏感等优点,成为反演土壤水分最有潜力的方式。基于SMOS(Soil Moisture and Ocean Salinity)和AMSR2(The Advanced Microwave Scanning Radiometer-2)数据,通过研究L波段与C波段融合亮度温度在土壤水分反演中的潜力,发展多频率土壤水分反演算法,并对黑河上游4个像元开展土壤水分反演研究。结果表明:①利用L/C组合亮温反演结果与实测数据较为吻合,长时间内变化趋势一致,相关系数为0.841,均方根误差为0.063 m3/m3。②通过与SMOS和AMSR2官方土壤水分产品比较发现,AMSR2土壤水分产品存在明显的低估,SMOS土壤水分产品缺失值较多,无法得到较为完整的土壤水分时间序列;利用L/C多频率组合反演得到的结果明显优于官方土壤水分产品。融合L与C波段亮温数据,可有效提高反演土壤水分精度,实现高精度土壤水分的获取。

关键词: 土壤水分 ; AMSR2 ; SMOS ; 黑河上游

PDF (7295KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王舒, 蒋玲梅, 王健. 基于多频被动微波遥感的土壤水分反演—以黑河上游为例. 遥感技术与应用[J], 2020, 35(6): 1414-1425 doi:10.11873/j.issn.1004-0323.2020.6.1414

1 引 言

土壤水分是陆地生态系统中最重要的组成部分,其在表层地球系统内存在的形式和传输过程是影响全球的水热和能量平衡,物质循环以及气候变化的重要因子1。土壤水分的变化直接影响陆地水的运移、地表面蒸散发以及碳循环2,同时也对区域和全球气候模式预报结果、农作物旱情监测估产以及生态环境问题有着重要的作用。因此,土壤水分成为农业、气象、生态、水文等诸多领域备受关注的参数,如何获取不同尺度、高时空分辨率的土壤水分成为影响其他陆面模型,大气模型发展的制约因素3-4

传统的土壤水分测量方法是通过地面取土样,实验室测量称重来获得,这种方法精度较高,但是耗时费力,并且难以满足大尺度上的土壤水分观测的需求。随着卫星遥感技术的发展,使得获取大范围内连续实时土壤水分数据成为可能。光学遥感通常通过建立植被指数、地表温度与土壤水分之间的关系来反演土壤水分,包括植被干旱指数方法5和热惯量方法6,这两种方法都是通过其他的参数间接地反映出土壤水分的信息。然而光学遥感容易受到云雾、阴雨、气溶胶、太阳照射等条件的影响,在土壤水分的研究中受到了较大的限制,并且光学遥感在多云多雨地区难获取有效的数据,这直接会影响到反演土壤水分的时间分辨率。因此利用光学遥感反演得到的土壤水分在精度上有一定的影响,也会造成时间和空间上的不连续性。

被动微波遥感具有监测面积大、重访周期短、对土壤水分更为敏感等优点,非常适合用来进行土壤水分的监测,也是目前利用遥感手段进行土壤水分反演的最有效的工具之一。随着微波遥感技术的迅速发展,使用微波遥感反演土壤水分越来越受到诸多研究者的关注,逐渐成为监测土壤水分的重要手段7-9。近几十年微波遥感技术,从高频率单一角度的观测向着更适合土壤水分反演的低频率多角度观测发展,比如已经停止工作的AMSR-E10传感器以及随后发射AMSR211均能够提供多频率的辐射亮温数据,其工作频率范围为6.9~89 GHz;2009年发射的SMOS12传感器首次搭载了L波段的微波载辐射计,该辐射计可同时获取0~60° 范围内的辐射亮温;以及美国最新发射的L波段SMAP13传感器。这些传感器不仅为实时有效的土壤水分监测提供了可行性,同时也对高精度的土壤水分反演算法提出了新的要求。

由于被动微波遥感的空间分辨率较低,一般为几十公里,其观测像元通常具有较强的空间异质性。通常来说,地表粗糙度和植被是影响土壤水分反演精度的最主要的因素,当前土壤水分研究也主要围绕如何能够简单有效地消除二者的影响进行14-16。复杂地表对土壤微波辐射的影响与评价以及复杂地表条件下土壤的微波辐射模拟是当前国际上微波遥感研究的重点。正确评估植被以及地表粗糙度对土壤水分反演的影响,将对被动微波遥感准确反演陆表水分提供可靠的先决条件17

本文以SMOS和AMSR2数据为基础,重点解决如何利用多频率亮温组合实现高精度土壤水分反演。研究L波段与C波段融合亮温在土壤水分反演中的潜力,并以黑河上游八宝河为试验区,结合地面土壤水分和地表温度数据,对SMOS和AMSR2多频率组合反演土壤水分的可行性进行验证。

2 数 据

2.1 AMSE-2数据

AMSR2(The Advanced Microwave Scanning Radiometer-2)传感器搭载在日本的GCOM-W1卫星上于2012年发射入轨。每天的过境时间约为当地凌晨1:30(降轨)和下午13:30(升轨),升轨和降轨数据能够在2 d内覆盖除极地以外的全球大部分地区。其观测入射角度为55°,工作频率包括14个双极化通道(6.925、7.3、10.65、18.7、23.8、36.5、89 GHz),提供多波段的地表观测亮温。AMSR2的数据可以通过https://gcom-w1.jaxa.jp/auth.html免费下载。其中AMSR2 Level-1为各频率原始分辨率的轨道亮温数据,存储的为各频率原始分辨率的轨道亮温;Level-2为降雨、土壤水分、雪深和海面温度等8种地表参数的反演结果;Level-3存储的为亮温和地表参数的重采样数据,空间分辨率包括全球10 km和25 km。所有产品存储格式均为HDF5格式。

AMSR2 L3级土壤水分产品采用日本宇航局JAXA官方的查找表算法18,利用查找表建立了卫星观测亮温(或者组合亮温指数)与待反演地表参数之间的关系,根据实测亮温,通过线性内插的方法,从查找表中估算得到。该产品包括亮温数据、土壤水分、植被含水量,采用EASE-Grid(Equal-Area Scalable Earth Grid)投影,空间分辨率为25 km。本研究选取数据的时间范围为2013年8月1日~2014年12月19日,共507景数据。

为了减少地表温度对亮温数据的影响,本文选择AMSR2降轨数据进行土壤水分反演19。与AMSR2中其他频率的亮温数据相比,6.9 GHz对应的波长相对较长,穿透力较强,受到植被和大气的影响最小,更加适合土壤水分反演。另外提取7.3 GHz和10.65 GHz的亮温数据,用于剔除无线电干扰。

2.2 SMOS数据

土壤水分和海洋盐度卫星(Soil Moisture and Ocean Salinity,SMOS)由欧空局于2009年11月成功发射。SMOS传感器首次搭载L波段合成孔径辐射计,其工作频率为1.4 GHz,卫星的过境时间为当地的6:00 am(升轨)和6:00 pm (降轨)20。其中Level-1为各频率原始分辨率的轨道亮温数据;Level-2为分轨的参数反演产品,主要为土壤水分和海水盐度产品,及一些处理过程中的辅助参数;Level-3包括亮温和土壤水分产品,投影为EASE-Grid,空间分辨率为25 km,其中L3亮温产品由L1b产品重采样获得,产品的入射角范围从2.5°到62.5°;L3级土壤水分产品采用L-MEB21正向模型模拟多个角度观测亮温,利用0~55°亮温数据使用迭代算法反演得到。产品中包括土壤水分和植被光学厚度(τnad),以及42.5°入射角下的双极化亮温数据。

为减少入射角对算法的影响,选择与AMSR2相近的入射角下的SMOS亮温,其中大的入射角(47.5°,52.5°)在刈幅的边缘,获取的有效亮温值缺失较多,通过比较确定利用42.5°入射角下的SMOS亮温数据。同时为了利用SMOS土壤水分产品与反演结果对比分析,本文最终选择SMOS L3级日值土壤水分产品。结合卫星过境时间,利用SMOS升轨数据展开研究。选取的时间范围为2013年8月1日~2014年12月19日,共507景数据。

2.3 地面实测数据

以黑河上游八宝河地区作为研究区,地理范围为37.5°~38.5° N,100°~101.25° E(图1)。该区域具有明显的高寒和干旱区域伴生特征22,其植被主要为呈片状、块状分布的灌丛和青海云杉,主要下垫面类型包括草地和森林。

图1

图1   研究区概况及像元站点分布情况

Fig.1   General situation of study area and distribution of pixel sites station


所用的地面观测数据来自“黑河流生态—水文过程综合遥感观测联合试验HiWATER”23-24。该试验在黑河上游八宝河流域布设了40个WATERNET25传感器网络节点观测数据。各节点观测频率为5 min,分3个土壤层深度(4、10、20cm)监测土壤水分以及土壤温度的值。

为了与SMOS和AMSR2空间分辨率一致,本文将研究区域重采样为0.25° 的空间格网。如图1所示,研究区内共包含15个像元,40个实验点被划分在6个像元内。为了增加反演结果的可靠性,本文选择像元内包含的实验节点数大于5的像元进行研究,即图1中表示的4个像元(WATERNET-pixel 1~4)。土壤质地分类数据由国际农粮组织(Food and Agriculture Organization FAO)提供(http://www. fao.org/soils-portal/soil-survey/soil-maps-and-data-bases/harmonized-world-soil-database-v12/en/),像元的土壤质地信息如表1所示。

表1   研究区内所选像元的土壤质地信息

Table1  The soil texture information of 4 selected pixels of study area

像元容重/(g/cm³)砂土含量/%粘土含量/%

WATER-NET1

WATER-NET2

WATER-NET3

WATER-NET4

1.46

1.52

1.52

1.43

43.12

48.70

49.13

40.11

17.14

11.50

11.81

18.10

新窗口打开| 下载CSV


本文选取实测数据时间段为2013年8月1日至2014年12月19日。土壤水分和地表温度选择4 cm数据。

2.5 数据预处理

针对实测土壤水分和地表温度数据,本文结合AMSR2卫星过境时间,对选取的站点提取卫星过境前后1 h(00:30~2:30, UTC+8)内的地面实测数据,并把该时段内数据的平均值作为该节点当天的实测数据。各个像元内包含的节点数据平均值作为该像元的当天实测数据值。其中要求当天参与运算的节点数不少于5个节点,否则认为当天该像元缺测。4个像元的实测土壤水分和地表温度在研究时段内变化如图2所示,可以明显看出研究区从每年的10月到第二年的4月份之间地表温度低于0 ℃,为了减少低温冻融对反演土壤水分精度的影响,本文剔除了地表温度小于0 ℃度的数据。另外需要指出的是通过计算发现WATERNET-Pixel 1像元内只有14、18、19、37和40节点有地表温度数据,并且从2014年开始,以上5个节点中只有3个节点(18、37、40)有地表温度和土壤水分值,为了增加算法的可靠性,该像元选择的时间段为2013年8月1日至10月22日,共83 d的数据。

图2

图2   研究区4个像元实测土壤水分和地表温度时间序列图

Fig.2   Time series of insitu soil moisture and surface temperature of four pixels in the study area


人类活动所形成的低频无线电信号会被相近频率的星载微波辐射计接收,对其观测数据造成无线电干扰(Radio Frequency Interference,RFI),从而给卫星接收到的微波辐射带来较大的误差26-27。本文根据De Nijs等27提出的AMSR2无线电剔除方法,利用7.3 GHz和10.65 GHz亮温数据的皮尔逊相关系数值来判断C波段受到较强和中等程度的RFI干扰,并进行剔除。针对L波段的RFI剔除,本文利用SMOS L3级RFI质量控制产品(RFI_Prob)进行判断,当像元的RFI_Prob>30%认为数据受到RFI严重,剔除该像元数据28

提取与实测数据时间一致的AMSR2和SMOS亮温及土壤水分产品数据,当亮温值小于150 K或者大于350 K以及为填充值时,以及在使用SMOS L3级土壤水分产品时,如果像元内的土壤水分质量控制DQX>0.06或者为填充值时,认为以上两种情况下数据结果不可靠29,剔除该数据。

3 基于多频率亮温数据反演土壤水分

本文基于τ-ω30模型展开研究,模型中不考虑大气以及植被体内多次散射的影响。卫星接收到的亮温主要包括3部分:第一部分植被直接的辐射亮温;第二部分为地表反射植被的下行辐射后,再经过植被衰减后的亮温;第三部分为经植被层衰减后的地表辐射亮温:

TBp,θ=1-ωp1-γp,θTCγp,θrGp,θ+1-ωp      1-γp,θTC+1-rGP,θγP,θTG

其中:TGTC分别为土壤和植被冠层的有效温度,rG为土壤反射率,ω为单次散射反照率,一些研究表明,在C波段,ω的值通常选择0~0.06之间714。Fernandez-Moran等31利用植被覆盖类型对L波段下 ω 的值进行校正。针对ω随时间和植被类型变化的研究很少,通常在土壤水分反演中把该参数设置成为一个固定的值,本文选择ω的值为0.0232。p和θ分别为极化方式和观测入射角。

γ 为植被衰减系数,在固定入射角θ下,γ可以利用植被光学厚度τ来计算:

γp,θ=exp-τ/cosθ

其中:粗糙地表土壤反射率rGP,θ可利用光滑地表反射率rGp,θ*、地表粗糙度参数 (HrQ Nrp p=V or p=H),)、入射角θ和极化方式p 来表示33

rGp,θ=1-QrGp,θ*+QrGq,θ*exp -HrcosNrp θ

其中:Q表示由粗糙表面而引起的正交极化能量变化10,先前研究指出随着Q值的增加会引起TB_H和TB_V不同相反的变化34,其中TB_H随着Q的增加,相反TB_V则会随之减少。Wang等35研究发现Q值会随着频率而发生改变,但整体上Q的值很小,其中在L波段的变化范围为0~0.12,而在C波段0~0.3。最近,Montpetit 等36研究发现在1.4~90 GHz频率范围内,Q值可以取0.075。为了计算方便,本文Q=0。

Hr为粗糙度参数,先前的研究37将地表粗糙度(Hr)和植被(τ)的影响看作一个整体参数,该参数直接通过AMSR-E C波段H极化和V极化亮温计算得到。并假设τ与NDVI呈线性关系,利用NDVI对植被和粗糙地表的影响进行分离,得到全球Hr值,其空间分辨为25 km,空间分布范围见图3。本文为了计算方便,忽略频率对Hr的影响,即 HrC=HrL,利用C波段的Hr值进行计算。

图3

图3   C波段全球地表粗糙度Hr图(基于AMSR-E观测)

Fig.3   Global map of the retrieved roughness parameter Hr at C-band (AMSR-E observations)


Nrp用来校正入射角度对地表粗糙度的影响38

与Lawrence等39的研究一致本文假设Nrp不受到极化方式的影响,即NrH=NrV=0rGq,θ*为菲涅尔反射率,其反射率依赖于土壤介电常数,其中土壤介电常数模型采用Mironov模型40,通过输入土壤水分、地表温度以及土壤粘土含量等土壤物理数据来获取得到土壤介电常数。

另外本文假设6:00 am时, TG=TC=T41(T为有效地表温度)。因此公式(1)可以简化为:

TBP,θ=1-ωp-rGp,θ'1-ωpexp-2τcosθ-Hr+ωpexp-τcosθ-rGp,θ'ωpexp-τcosθ-HrT

本文利用上述公式,通过构建观测亮温和模拟亮温以及待反演参数与其初始值之间的代价函数(cost function),利用最小二乘法求得代价函数的最小值,实现土壤水分(sm)以及植被光学厚度(τ)的定量反演。其中观测亮温值包括L波段C波段的双极化亮温,算法在4个亮温同时有效时才进行反演。代价函数表示为:

CF=TB(θ,p)o-TB(θ,p)s2σ2TB+iρi-ρiinitσp2

其中:TBoθ,p为观测亮温(SMOS:TB(42.5,H)o,TB(42.5,V)o,AMSR2:TB(55,H)o,TB(55,V)o);TBsθ,p为模拟亮温值;σTB为模拟亮温的标准差;ρi为待反演参数的值(sm,τ);ρiinit为待反演参数的初始值;σp为参数初值估计的标准差。其中σp越大,初始设定值对反演结果的约束性越小,其自由度越大。本文设置sm σp=0.6 m3m-3τnadσp=0.5,其中TB的标准差为σTB=2.5smτnad的初始值分别为0.2 m3m-3和0.221。另外反演过程中仅计算相关性显著区域(即p-值<0.05)。

利用皮尔逊(Pearson)相关系数(r)、偏差(bias)来统计反演土壤水分(xi)和实测土壤水分(yi)之间的关系。

r=i=1nxi-x¯yi-y¯i=1nxi-x¯2i=1nyi-y¯2

其中:x¯=1ni=1nxi,y¯=1ni=1nyi n为土壤水分的观测(反演)数量。

Bias=i=1nxi-yin

通常利用均方根误差来表示参数反演的精度:

RMSE=i=1nxi-yi2n

如果实测值或者反演值中的任何一方存在偏差或者波动的时候,RMSE的结果会受到影响。这时可使用无偏差均方根误差(ubRMSE)来统计最后的反演精度:

ubRMSE=RMSE2-Bias2 (9)

4 结果与分析

利用上节算法对黑河上游4个像元展开土壤水分反演,C波段数据选择AMSR2 L3级降轨产品。L波段数据选择SMOS L3级日值土壤水分产品中的42.5°入射角的数据。4个像元的Hr值通过C波段的全球地表粗糙度数据获取得到,如表2所示。

表2   4个像元的Hr值和反演有效数据

Table2  The value of Hr and retrieval No of the 4 pixel

像元HrL/C NAMSR2 NSMOS N

WATERNET-piexl1

WATERNET-piexl 2

WATERNET-piexl 3

WATERNET-piexl 4

0.8

0.5

0.5

0.8

9

41

43

46

9

39

40

43

1

8

3

8

新窗口打开| 下载CSV


为了与传统多频率和多角度结果比较,将反演结果与AMSR2 L3和SMOS L3级级土壤水分产品进行比较,验证和评估反演结果与产品的精度。在反演时间段内4个像元中有效的数据如表2所示。从图4结果中看出,在L和C波段亮温组合下,利用多频率方法能较好地获取到研究区的土壤水分,得到的相关系数为0.84,RMSE差为0.06 m3/m3,ubRMSE为0.05 m3/m3。AMSR2 土壤水分产品值普遍小于0.1m3/m3,明显低于实测数据,得到的均方根误差高达0.18m3/m3,ubRMSE为0.15 m3/m3;而SMOS土壤水分产在研究区缺失值较多,与实测数据无明显的相关性。该结果说明,与传统的多频率组合亮温反演土壤水分(如AMSR2官方产品)结果相比,使用更高频率的L波段亮温能明显地提高土壤水分反演精度;SMOS 土壤水分产品同时利用0~55° 亮温数据同时进行迭代反演,亮温数据在入射角较大的时候缺失值较多,造成得到的土壤水分缺失值较大。而融入C波段数据能有效地避免由于SMOS亮温数据确实造成的土壤水分缺值的问题,提高土壤水分覆盖率。

图4

图4   黑河上游的土壤水分结果

Fig.4   Retrieval SM results in the upper reaches of the Heihe River


为了对结果进行更加详细的说明,分别对4个像元展开分析。需要指出的是WATERNET-pixel1反演的时间段为2013年8月至10月。从图2中看出,WATERNET-pixel 2、3、4像元时间序列中,在11月~4月份之间的缺失部分是由于剔除温度小于0° 影响造成。图5(a)~(b)表示WATERNET-pixel1像元的反演结果,其中图5(a)表示实测土壤水分分别与L/C波段组合反演结果,AMSR2产品的线性拟合图,从该图发现实测数据与L/C波段组合反演结果差异很小,并且偏差较小(R=0.82,RMSE=0.05 m3/m3,ubRMSE=0.03 m3/m3)。该像元内AMSR2土壤水分产品与实测数据的相关性较高(0.862),但与实测值偏差较大,误差高达0.37 m3/m3,但得到的无偏差均方根误差仅为0.02 m3/m3,可以看出该像元中AMSR2产品偏差很大。SMOS土壤水分产品在该像元内仅有一个有效值,无法参与精度计算。图5(b)表示实测土壤水分与3个结果的时间序列图,从图中可以看出L/C波段组合反演结果除了在9月份存在略微的高估,其他时间均存在一些低估,特别是10月初的反演结果误差达到最大,AMSR2产品存在明显的低估。

图5

图5   黑河上游4像元土壤水分反演结果

Fig.5   WATER-NET4 pixel of the upper reaches of the Heihe River soil moisture inversion results


图5(c)~(d)为WATERNET-pixel 2像元的反演结果。L/C波段组合能很好的反演获取到该像元土壤水分的值,其相关系数为0.80,RMSE和ubRMES均为0.04 m3/m3。AMSR2 土壤水分产品与实测数相差较大(R=0.23,RMSE=0.20 m3/m3,ubRMSE=0.05 m3/m3),无法真实的得到该像元土壤水分,同样产品偏差较大。SMOS 土壤水分产品得到的结果较好,相关性达到0.58,均方根误差为0.09m3/m3,无偏差均方根误差为0.08 m3/m3,偏差较小。从图5(d)中可以看出,L/C波段组合结果和SMOS产品在2014年8~9月得到的反演结果高于实测数据。同样,AMSR2土壤水分值低于0.1m3/m3。与实测值差距较大。

图5(e)~(f)分别表示WATERNET-pixel 3和WATERNET-pixel 4的反演结果,其得到的相关系数在0.7以上,得到的均方根误差为0.07 m3/m3,而无偏差均方根误差为0.04 m3/m3和0.05 m3/m3。AMSR2和SMOS土壤水分产品误差高于0.2 m3/m3,AMSR2产品偏差大,得到ubRMES仅为RMSE的1/4,SMOS产品在WATERNET-pixel 4的偏差较大,可能是造成均方根误差较大的原因。从右侧的时间序列图中发现,两个像元内L/C波段组合与实测土壤水分的变化趋势一致,但反演值低于实测数据。AMSR2土壤水分产品变化趋势与实测数据相似,但产品存在明显的低估。

5 分析与讨论

上节结果表明,利用L/C波段组合反演精度要明显优于AMSR 2和SMOS土壤水分产品,但是还是存在一些低估,并且反演结果存在严重的缺失。从图2中可以发现,研究区每年11月到来年4月之间温度低于0°, 并在每年1月份左右温度降到最低,期间土壤水分含量也随着温度的降低在一直减少,在1月份温度回升后,土壤水分首先有一个明显的滞后,之后随着温度的升高呈明显的上升趋势,该现象说明研究区受到低温冷冻的影响较大,冬季土壤水分含量增加可能包括未冻水增多或者积雪融化造成。而本文选用的Mironov土壤介电常数模型并不适用于地表温度低于0° 的情况,所以对这些数据进行剔除,造成冬季数据缺失严重。

除此之外植被也会对数据缺失带来一定的影响。图6为黑河上游WATERNET-pixel 1~4像元实测土壤水分与反演土壤水分和植被光学厚度的时间变化曲线图。其中植被光学厚度与土壤水分同时由上节算法反演得到。图6显示,除了WATERNET-pixel 1像元,其他3个像元植被光学厚度呈现出较好的季节性变化,得到的值在0.2~0.7之间。植被的自身的辐射及对地表辐射的衰减会对降低土壤水分反演精度外,本文使用迭代算法进行反演,植被的影响会增加反演误差,使得结果的不收敛,造成数据缺失。

图6

图6   黑河上游4像元实测土壤水分反演、反演土壤水分、反演植被光学厚度时间序列曲线图

Fig. 6   Time series plots of insitu soil moisture, retrieval soil moisture and τ on upper of the Heihe river


造成L/C波段组合反演值较低可能存在以下因素:由于本文忽略频率对Hr的影响,以C波段下的Hr来计算,与已有的L波段全球Hr值相比42, 本文使用的C波段的Hr值明显高于L波段下的值,在反演过程中忽略频率对Hr值的影响,这会造成在L波段下对地表粗糙过度校正,导致反演得到的土壤水分值较小。

同时本文使用的Hr值在植被茂盛区域值偏大,由于获取得到的Hr值是基于τ与NDVI呈线性关系,利用NDVI对植被和粗糙地表的影响进行分离,但实际中由于NDVI在植被茂密区域容易出现饱和现象,而微波对水分变化的敏感,不仅能监测到植被整体的信息,同时微波信号能一定程度上的穿过植被信息。这时候NDVI与植被光学厚度不呈线性关系,而经线性拟合后得到的Hr偏大。而研究区存在大面积的云杉分布,会对植被校正不完全或者受到空间异质性的影响3743-44。另外研究区植被在秋冬季的形成落叶层,先前的研究表明,植被的枯枝落叶层会衰减地表的微波辐射,对反演结果带来很大的影响4345-46

在8~9月份之间反演结果高于实测数据,特别是WATERNET- pixel 2像元,造成该原因可能是由于黑河上游流域全年降水少,主要都集中在夏季,在8~9月份期间雨季刚过,受高原亚寒带亚干旱气候影响,地表表层土壤水分蒸发较快,但由于微波穿具有一定的穿透性,特别是L波段,可能反演得到的更深层的土壤水分,该深度土壤湿度较高,所以得到的反演结果高于实测结果。

与先前研究结果一致,AMSR2 土壤水分产品存在严重低估47-49,造成该结果可能因为AMSR2 L3级土壤水分产品基于10.65 GHz和36.5 GHz亮温组合指数查找得到,该频率穿透能力弱,受到研究区的植被的影响较大,衰减地表辐射,反演得到土壤水分值较低。另外陆峥等48之前在黑河上游对JAXA产品精度验证结果中指出,JAXA算法采用的极化指数无法完全消除温度的影响。从图2中可以看出研究区最高温度不超过288 K(15 ℃),而查找表中将温度固定在293 K,有可能是会造成土壤水分产品整体值偏低。

SMOS 土壤水分产品存在的缺失较多,造成该原因可能是由于L3级土壤水分产品同时采用0~55° 之间亮温数据使用迭代算法反演得到。由于入射角在大于50° 时处在刈幅的边缘,获取的有效亮温值缺失较多,造成迭代过程中得到的土壤水分值缺失较多。另外该算法不适用于地形起伏较大的区域,当像元内森林覆盖面积超过60%时认为该像元为森林区域,不进行土壤水分反演17。另外本文在使用SMOS L3级土壤水分产品时,当像元内的土壤水分质量控制DQX>0.06时,认为该数据不可靠,对其进行剔除29。需要注意的是,由于卫星过境时间的不同, 同一天的AMSR2 和SMOS亮温数据存在6个小时的时差。本文反演土壤水分时假设同一天同一像元在AMSR2和SMOS传感器所在卫星过境时的亮温以及土壤水分是一致的,这样的假设会给本文的土壤水分反演结果带来一定的不确定性,特别是当两颗卫星过境时间点之间有降水发生时。尽管有这样的不确定性,本文第4节的结果仍然表明结合AMSR2和SMOS两种传感器的土壤水分反演精度高于只基于其中一种传感器的反演精度。

6 结 语

本文围绕利用被动微波遥感反演土壤水分展开研究,研究L和C波段组合亮温反演土壤水分的潜能,并结合多频率的土壤水分反演方法,利用黑河上游4个像元的实验数据组合的可行性进行验证。结果表明融合L/C波段亮温能实现高精度的土壤水分反演,得到的反演结果与实测土壤水分的变化趋势一致。在4个研究像元内得到的相关系数高于0.7,WATERNET- pixel 1和WATERNET- pixel 2均方根误差为0.04 m3/m3左右,WATERNET- pixel 3和WATERNET- pixel 4均方根误差在0.07 m3/m3,另外结果存在一定的低估。造成该结果的原因可能是由于文中使用的Hr值比在L波段下的Hr值高,造成对地表粗糙度过度校正。同时Hr值本身也受到植被和空间异质性的影响。另外研究区的植被在秋冬季的掉落会形成一层枯枝落叶层,先前有研究46表明枯枝落叶层对微波辐射的衰减,使得地表接收到的辐射值减少,引起反演的土壤水分值变低。

通过与现有土壤水分产品相比表明,融合更高频率的L波段亮温能明显的提高土壤水分反演精度;同时融入C波段数据能有效地避免由于SMOS亮温数据确实造成的土壤水分缺值的问题,提高土壤水分使用率。

综上所述,利用L和C波段组合亮温,基于多频率算法能有效地提高黑河上游区域土壤水分反演精度。但是本文仍需要在全球其他地表类型下做进一步的验证。另外还需要考虑地表粗糙度在不同波段下的影响。同时时空连续的土壤水分产品对于研究历史以来的土壤水分变化、区域气候变化等都有着重要的意义。如何利用本文提出的针对多种传感器发展的土壤水分算法得到时空连续的土壤水分产品也是今后的一个重要的研究方向。

参考文献

Crow W TKoster R DReichle R Het al.

Relevance of Time-varying and Time-invariant Retrieval Error Sources on the Utility of Spaceborne Soil Moisture Products

[J]. Geophysical Research Letters, 20053224):L24405.

[本文引用: 1]

Dobriyal PQureshi ABadola Ret al.

A Review of the Methods Available for Estimating Soil Moisture and Its Implications for Water Resource Management

[J]. Journal of Hydrology (Amsterdam), 2012458-459110-117.

[本文引用: 1]

De Lannoy GReichle R HPauwels V R N.

Global Calibration of the GEOS-5 L-Band Microwave Radiative Transfer Model over Nonfrozen Land Using SMOS Observations

[J]. Journal of Hydrometeorology, 2013143):765-785.

[本文引用: 1]

Rosnay P DBalsamo GAlbergel Clément.

Initialisation of Land Surface Variables for Numerical Weather Prediction

[J]. Surveys in Geophysics, 2014353):607-621.

[本文引用: 1]

Mallick KBhattacharya B KPatel N K.

Estimating Volumetric Surface Moisture Content for Cropped Soils Using a Soil Wetness Index based on Surface Temperature and NDVI

[J]. Agricultural and Forest Meteorology, 20091498):1327-1342.

[本文引用: 1]

Stisen SSandholt IRgaard N Aet al.

Combining the Triangle Method with Thermal Inertia to Estimate Re+gional Evapotranspiration-Applied to MSG-SEVIRI Data in the Senegal River basin

[J]. Remote Sensing of Environment, 20081123):1242-1255.

[本文引用: 1]

Njoku E GJackson T JLakshmi Vet al.

Soil Moisture Retrieval from AMSR-E

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003412):215-229.

[本文引用: 2]

Wigneron J PSchmugge TChanzy Aet al.

Use of Passive Microwave Remote Sensing to Monitor Soil Moisture

[J]. Agronomie1998182743.

Jackson T JGasiewski A JOldak Aet al.

Soil Moisture Retrieval Using the C-band Polarimetric Scanning Radiometer During the Southern Great Plains 1999 Experiment

[J]. IEEE Transactions on Geosciences and Remote Sensing, 20024021512161.

[本文引用: 1]

Njoku EGLi L.

Retrieval of Land Surface Parameters Using Passive Microwave Measurements at 6~18 GHz

[J]. IEEE Transactions on Geoscience and Remote Sensing,1999 3779-93.

[本文引用: 2]

Maeda TImaoka KKachi Met al.

Status of GCOM-W1/AMSR2 Development, Algorithms, and Products

[C]∥ Spie Remote Sensing. International Society for Optics and Photonics2011.

[本文引用: 1]

Kerr Y HWaldteufel PWigneron J Pet al.

The SMOS Mission: New Tool for Monitoring Key Elements of the Global Water Cycle

[J]. Proceedings of the IEEE, 201098666-687.

[本文引用: 1]

Entekhabi DNjoku E GO'Neill P Eet al.

The Soil Moisture Active Passive (SMAP) Mission

[J]. Proceedings of the IEEE, 2010985):704-716.

[本文引用: 1]

Njoku E GChan S K.

Vegetation and Surface Roughness Effects on AMSR-E Land Observations

[J]. Remote Sensing of Environment, 2006100190-199.

[本文引用: 2]

Zhao T JZhang L XShi J Cet al.

A Physically based Statistical Methodology for Surface Soil Moisture Retrieval in the Tibet Plateau Using Microwave Vegetation Indices

[J]. Journal of Geophysical Research, 2011116185-212.

Wigneron J PCalvet J CPellarin Tet al.

Retrieving Near-surface Soil Moisture from Microwave Radiometric Observations: Current Status and Future Plans

[J]. Remote Sensing of Environment, 200385489506.

[本文引用: 1]

Al Bitar ALeroux DKerr Y Het al.

Evaluation of SMOS Soil Moisture Products over Continental U.S. Using the SCAN/SNOTEL Network

[J]. IEEE Transactions on Geoscience and Remote Sensing,20125015721586.

[本文引用: 2]

Lu HKoike TOhta Tet al.

Development of a Soil Moisture Retrieval Algorithm for Spaceborne Passive Microwave Radiometers and Its Application to AMSR-E and SSM/I

[J]. Journal of Low Frequency Noise Vibration and Active Control, 2007291177-1180.

[本文引用: 1]

Jackson T JCosh M HBindlish Ret al.

Validation of Advanced Microwave Scanning Radiometer Soil Moisture Products

[J]. IEEE Transactions on Geoscience and Remote Sensing,2010484256-4272.

[本文引用: 1]

Kerr Y HWaldteufel PRichaume Pet al.

The SMOS Soil Moisture Retrieval Algorithm

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012505):1384-1403.

[本文引用: 1]

Wigneron J PKerr YWaldteufel Pet al.

L-band Microwave Emission of the Biosphere (L-MEB) Model: Description and Calibration Against Experimental Data Sets over Crop Fields

[J]. Remote Sensing of Environment, 2007107639-655.

[本文引用: 2]

Ge YongWang JinghaoWang Jinfenget al.

Regression Kriging Model-based Sampling Optimization Design for the Ecohydrology Wireless Sensor Network

[J]. Advances in Earth Sciences,2012279):1006-1013

[本文引用: 1]

葛咏王江浩王劲峰

基于回归克里格的生态水文无线传感器网络布局优化

[J].地球科学进展, 2012279):1006-1013.

[本文引用: 1]

Li XinLiu ShaominMa Mingguoet al

.HiWATER:An Integrated Remote Sensing Experiment on Hydrological and Ecological Processes in the Heihe River Basin

[J].Advances in Earth Sciences, 2012275): 481-498.

[本文引用: 1]

李新刘绍民马明国.

黑河流域生态—水文过程综合遥感观测联合试验总体设计

[J]. 地球科学进展, 2012275): 481-498.

[本文引用: 1]

Li XCheng GLiu Set al.

Heihe Watershed Allied Telemetry Experimental Research (HiWATER): Scientific Objectives and Experimental Design

[J]. Bulletin of the American Meteorological Society, 2013948):1145-1160.

[本文引用: 1]

Jin RLi XYan Bet al

A Nested Ecohydrological Wireless Sensor Network for Capturing the Surface Heterogeneity in the Midstream Areas of the Heihe River Basin,China

[J].IEEE Geoscience & Remote Sensing Letters,20141111):205-2019.

[本文引用: 1]

Njoku E GAshcroft PChan T Ket al.

Global Survey and Statistics of Radio-frequency Interference in AMSR-E Land Observations

[J]. IEEE Transactions on Geoscience and Remote Sensing,200543938-947.

[本文引用: 1]

de Nijs A H AParinussa R Met al.

A Methodology to Determine Radio-frequency Interference in AMSR2 Observations

[J]. IEEE Transactions on Geoscience and Remote Sensing,2015535148-5159.

[本文引用: 2]

Al-Yaari AWigneron J PDucharne Aet al.

Global-scale Evaluation of Two Satellite-based Passive Microwave Soil Moisture Datasets (SMOS and AMSR-E) with Respect to Land Data Assimilation System Estimates

[J]. Remote Sensing of Environment, 2014149181-195.

[本文引用: 1]

Parrens MWigneron J PRichaume Pet al.

Considering Combined or Separated Roughness and Vegetation Effects in Soil Moisture Retrievals

[J]. International Journal of Applied Earth Observation and Geoinformation, 20175573-86.

[本文引用: 2]

Mo TChoudhury B JSchmugge T Jet al.

A Model for Microwave Emission from Vegetation-covered Fields

[J]. Journal of Geophysical Research Oceans,1982871122911237.

[本文引用: 1]

Fernandez-Moran RAl-Yaari AMialon Aet al.

SMOS-IC: An Alternative SMOS Soil Moisture and Vegetation Optical Depth Product

[J]. Remote Sensing, 201795):457. doi:10.3390/rs9050457.

[本文引用: 1]

Mladenova I EJackson T JNjoku Eet al.

Remote Monitoring of Soil Moisture Using Passive Microwave-based Techniques-Theoretical basis and Overview of Selected Algorithms for AMSR-E

[J]. Remote Sensing of Environment, 2014144197-213.

[本文引用: 1]

Choudhury B JSchmugge T JChang Aet al.

Effect of Surface Roughness on the Microwave Emission from Soil

[J]. Journal of Geophysical Research Atmospheres,1979845699-5706.

[本文引用: 1]

Shi JJiang LZhang Let al.

Physically Based Estimation of Bare-surface Soil Moisture With the Passive Radiometers

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006443145-3153.

[本文引用: 1]

Wang J RO'Neill P EJackson T JMultifrequency Measurements of the Effects of Soil MoistureTexture SoilAnd Surface Roughness[J]. IEEE Transactions on Geoscience and Remote Sensing, 19832144-51.

[本文引用: 1]

Montpetit BRoyer AWigneron J PEvaluation of Multi-frequency Bare Soil Microwave Reflectivity Models[J]. Remote Sensing of Environment, 2015162186-195.

[本文引用: 1]

Shu WJean-Pierre WLing-Mei Jet al.

Global-scale Evaluation of Roughness Effects on C-Band AMSR-E Observations

[J]. Remote Sensing, 201575):5734-5757.

[本文引用: 2]

Martens BLievens HWalker J P

An Alternative Roughness Parameterization For Soil Moisture Retrievals From Passive Microwave Observations

[C]∥ 2013 ESA Living Planet Symposium2013.

[本文引用: 1]

Lawrence HWigneron J PDemontoux Fet al.

Evaluating the Semiempirical H- Q Model Used to Calculate the L-Band Emissivity of a Rough Bare Soil

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013514075-4084.

[本文引用: 1]

Wang J RO'Neill P EJackson T Jet al.

Multifrequency Measurements of the Effects of Soil Moisture, Soil Texture, And Surface Roughness

[J]. IEEE Transactions on Geoscience and Remote Sensing,1983211): 44-51.

[本文引用: 1]

Jackson T JASCE A M.

Profile Soil Moisture from Surface Measurements

[J]. Journal of the Irrigation and Drainage Division, 198010682-92.

[本文引用: 1]

Parrens MWigneron J PRichaume Pet al.

Global-scale Surface Roughness Effects at L-band as Estimated from SMOS Observations

[J]. Remote Sensing of Environment, 2016181122-136.

[本文引用: 1]

Mo TSchmugge T J.

A Parameterization of the Effect of Surface Roughness on Microwave Emission

[J]. IEEE Transactions on Geoscience and Remote Sensing,198725481-486.

[本文引用: 2]

Wigneron J PLaguerre LKerr Y H.

A Simple Parameterization of the L-band Microwave Emission from Rough Agricultural Soils

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001391697-1707.

[本文引用: 1]

Grant J PWigneron J PGriend A A V Det al.

A Field Experiment on Microwave Forest Radiometry: L-band Signal Behaviour for Varying Conditions of Surface Wetness

[J]. Remote Sensing of Environment, 200710910-19.

[本文引用: 1]

Saleh KWigneron J PRosnay P Det al.

Impact of Rain Interception by Vegetation and Mulch on the L-band Emission of Natural Grass

[J]. Remote Sensing of Environment,2006101127-139.

[本文引用: 2]

Wu QLiu HWang Let al.

Evaluation of AMSR2 Soil Moisture Products over the Contiguous United States Using in Situ Data from the International Soil Moisture Network

[J]. International Journal of Applied Earth Observation and Geoinformation, 201645187-199.

[本文引用: 1]

Lu ZhengChai LinnaZhang Taoet alEvaluation of AMSR2

Retrievals Using Observation of Soil Moisture Network on the Upper and Middle Reaches of Heihe River Basin

[J].Remote Sensing Technology and Application, 2017322):324-337.

[本文引用: 1]

陆峥柴琳娜张涛.

AMSR2土壤水分产品在黑河流域中上游的验证

[J]. 遥感技术与应用, 2017322):324-337.

[本文引用: 1]

Lu ZhengHan MengleiLu Huiet al.

Estimating Soil Moisture in the Middle and Upper Reaches ofthe Heihe River Basin based on AMSR2 Multi-brightness Temperature

[J].Remote Sensing Technology and Applica⁃tion,2020351):33-47.

[本文引用: 1]

陆峥韩孟磊卢麾.

基于AMSR2多频亮温的黑河流域中上游土壤水分估算研究

[J].遥感技术与应用,2020351):33-47.

[本文引用: 1]

/