基于多源衛星遙感產品的土壤濕度融合與降尺度研究

何涯舟，張 珂，晁麗君，王 晟

(1.河海大學水文水資源與水利工程科學國家重點實驗室，江蘇 南京 210098；2.河海大學水文水資源學院，江蘇 南京 210098)

土壤濕度(即土壤含水量，通常以體積含水量來度量)可通過控制地表能量通量、土壤熱容量等途徑影響水文過程，在大氣與陸地的能量交換中發揮著重要的作用，更是地表產匯流過程的關鍵控制因子[1-4]，也是干旱監測、水文情勢預測研究中的關鍵影響因素。

自20世紀70年代末以來，全球范圍內已有多個機構針對不同的傳感器發布了多種微波衛星遙感土壤濕度數據產品[5]，如歐洲太空局于2009年11月發射的土壤濕度與海水鹽度(soil moisture and ocean salinity，SMOS)衛星[6]，其利用L波段相干輻射計獲得地表微波輻射，使其能每隔3 d獲得全球范圍內的土壤濕度觀測數據；日本宇航局(Japan Aerospace Exploration Agency，JAXA)發射的地球水環境變動監測衛星上搭載的AMSR2(Advanced Microwave Scanning Radiometer 2)衛星[7-8]；NASA于2015年發射的土壤濕度主被動觀測(Soil Moisture Active and Passive，SMAP)衛星[9-10]，采用L波段主動、被動微波輻射計與合成孔徑雷達來探測地球表層的土壤濕度；中國發射的風云三號系列衛星(FY3B及FY3C)[11]等。

Ray等[12]對AMSR-E、AMSR2、SMOS、SMAP等4種衛星遙感土壤濕度產品在美國德克薩斯州的適用性進行了驗證，結果表明，SMAP數據的相關系數介于0.37～0.92之間，其反演效果最好。Mishra等[13]利用基于SMAP土壤濕度數據的土壤濕度虧缺指數，結合土壤特征信息對農業干旱進行了量化，結果表明，SMAP土壤濕度數據很好地捕捉到了原位土壤濕度的動態變化。Kumar等[14]對AMSR-E、ASCAT、SMOS、AMSR2、SMAP等5種衛星遙感土壤濕度產品采用基于信息理論的評價方法，對產品的時間序列、測量誤差、數據的隨機性和規律性進行了綜合分析，結果表明，除了SMAP以外的其他4種產品對土壤濕度的反演都存在低估的情況。綜上所述，若直接采用某種遙感土壤濕度產品進行適用性評價會存在一定的誤差。

由于各種衛星的工作方式及數據處理方式不同，且受地面地理環境與植被覆蓋的影響，導致單一衛星產品無法準確反映某一確定區域的實際土壤濕度狀態及空間分布情況。若采用某種方式將多種衛星產品各自優勢互補，則可以在單一衛星無法準確探測相關數據的情況下，綜合尋求某一確定研究區域的最佳估計值。本文在秦淮河流域開展了多源衛星遙感土壤濕度產品的融合研究，并對融合土壤濕度進行降尺度處理。

1 研究區及數據

1.1 研究區概況

秦淮河流域(圖1)面積約為2 631 km2，長寬各約50 km，位于118°43′E～119°18′E、31°35′N～32°07′N之間。流域地形呈鍋形，四周丘陵山區占流域總面積的80%；中間腹部為低洼圩區和河湖水面，占流域總面積的20%。地勢從南向北傾斜，上游坡度和扇面大，中下游坡度較緩。秦淮河流域共有大小16條支河匯入，是一個典型的一干多支樹狀型河道，且大都為山丘河道，具有源短、坡陡、流急、匯流快的特點，出口處受江潮頂托，排水不暢，歷史上洪澇災害不斷。

圖1 研究區位置和DEM空間分布Fig.1 Location of study area and spatial distribution of DEM

1.2 數據

秦淮河流域墑情站點較少，橋頭站位于南京市溧水區方便水庫附近，在研究區范圍內數據情況較好。本文采用橋頭站2016年3月15日至2017年11月29日的逐日土壤濕度數據。

采用SMOS、SMAP、AMSR2衛星于2016年1月至2018年12月共同觀測期作為研究時段。衛星遙感土壤濕度產品分別為：SMOS衛星L2級MIR_SMUDP2土壤濕度產品，數據格式為NetCDF；SMAP衛星L3級土壤濕度產品，數據格式為HDF5；AMSR-2衛星L3級土壤濕度產品，數據格式為HDF5。

表1 3種衛星遙感土壤濕度產品相關信息

由于衛星遙感土壤濕度產品空間分辨率不一致，因此先采用雙線性插值法，將空間分辨率為36 km×36 km的SMAP數據插值成與SMOS、AMSR2數據一致的25 km×25 km分辨率，同時將3種衛星遙感土壤濕度產品的地理坐標統一投影到WGS1984坐標。用于融合的SMAP、SMOS、AMSR2數據的時間段為2016年1月至2018年12月，空間分辨率為25 km×25 km，數據空間范圍為118°50′E～119°50′E、31°50′N～32°50′N。

2 研 究 方 法

2.1 融合方法

由于缺少SMOS、SMAP、AMSR2等3種衛星遙感土壤濕度產品在中國地區應用的誤差信息，因此在計算時給予三者相同的權重。在進行加權平均過程中，由于各衛星運行軌道與繞地周期不同，且相對于空間尺度較小的秦淮河流域，土壤濕度遙感數據存在不同程度的缺測。對于3種衛星均無觀測數據的時段，融合產品中作為空值處理；對于僅有一種衛星觀測數據的網格，取該衛星觀測數據值；對于兩者及以上的衛星均有觀測數據的網格，對多衛星觀測數據進行加權平均。綜合來說，對具有多衛星同步觀測條件的時段觀測數據，采用加權平均的方式生成融合土壤濕度產品。

2.2 基于地形濕度指數降尺度方法

目前，大多數衛星遙感土壤濕度產品的空間分辨率較低，運用于中小型流域水文模型和災害預測研究的適用性較差，因此采用降尺度的方法，將低空間分辨率的數據轉化成高空間分辨率的數據。比較常用的降尺度方法是將低分辨率的微波產品與高分辨率的傳感器相結合，如合成孔徑雷達(SAR)及光學/熱紅外產品[15]，或采用基于模型、地理信息的方法進行衛星遙感土壤濕度數據的降尺度處理[16-18]，或采用基于研究區域下墊面條件，如植被覆蓋和土壤質地等因素，建立下墊面條件與土壤濕度之間的關系以得到高空間分辨率的產品[19]。

本文采用基于下墊面條件因素的地形濕度指數(topographic wetness index，I)作為低空間分辨率遙感觀測數據與高空間分辨率下墊面條件數據之間的聯系。定義濕度系數Kw作為土壤濕度和地形濕度指數間的轉換參數，濕度系數初值由土壤濕度與其面上均值的比值確定：

(1)

定義系數C為Kw的函數，對于不同的地形坡面形態采用不同的公式計算：

(2)

其中Ka=(1-Keα)/(1-Keα0)

式中：A為坡向；Ka為坡度和坡向的函數；α為坡度；α0為區域平均坡度；Ke為與坡向相關的系數，對于西向坡面Ke=-0.003，對于南向坡面Ke=0.005，對于東向坡面Ke=0.002，對于北向坡面Ke=-0.01；?為曲率。

根據不同的地形坡面形態采用不同公式計算C，再建立C25與I25之間的關系，采用線性回歸方式對兩者進行擬合，得到系數ρ和q的值：

C25=ρI25+q

(3)

利用I90(I90表示90 m×90 m空間分辨率條件下的地形濕度指數值)計算C90，結合式(2)計算高分辨率下的Kw，將高分辨率Kw值帶入：

Si,m,90=Kw,i,m,90×Si,m,25

(4)

式中：Si,m,90為第m個25 km×25 km分辨率網格內所包含的所有90 m×90 m分辨率網格中的第i個土壤濕度值，m3/m3；Si,m,25為第m個25 km×25 km分辨率網格內采用距離平方倒數法插值成90 m×90 m分辨率矩陣網格數據中的第i個土壤濕度值，m3/m3；Kw,i,m,90為第m個25 km×25 km分辨率網格內所包含的所有90 m×90 m分辨率網格中的第m個土壤濕度系數。

3 結果與分析

3.1 多源衛星遙感產品融合與適用性

由于遙感反演數據質量受到多因素的影響，與實測值相比往往具有一定的偏差。因此為分析融合產品的適用性，采用由江蘇省水文水資源勘測局提供的墑情自動站——橋頭站的實測土壤濕度數據與衛星遙感土壤濕度產品、融合土壤濕度進行誤差分析，以選擇該流域質量更好的產品。采用均方根誤差(root mean squared error，RMSE)來衡量其適用性。

圖2 衛星遙感土壤濕度產品與實測值對比Fig.2 Boxplots of comparison between gauged soil moisture and remote sensing products

將2016—2017年站點實測表層(10 cm)土壤濕度數據按時段劃分為春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12—次年2月)。由表2可知，AMSR2數據在2016年及2017年春、冬兩季土壤濕度均值在0.04～0.06 m3/m3之間，與站點實測值相比明顯偏低；在夏、秋兩季的反演值雖然有所提升，但仍表現為低估。因此SMOS、SMAP、AMSR2等3種衛星集合平均產品(SSA)對土壤濕度的估計受AMSR2數據的影響，其值明顯偏低。反觀由SMOS、SMAP等2種衛星集合平均的產品，2016年秋季與站點實測均值一致，2017年秋季平均值僅高估0.07 m3/m3，與實測數據具有較強的一致性。圖2也反映出相同的結果，盡管SMOS、SMAP等2種衛星集合平均值在其他季節與實測值相比存在一定的高估，但相較于三衛星融合產品及其他衛星數據能更好地反映實際土壤濕度情況，且與單一衛星相比其觀測時段得到了延長。AMSR2數據與實測數據相比整體誤差較大，均方根誤差為0.28 m3/m3；SMOS、SMAP數據融合產品(SS)的均方根誤差最低為0.16 m3/m3，優于SSA產品，且相較于單一衛星觀測時段更長，數據質量更好(表3)。

表2 衛星遙感產品與站點實測土壤濕度季節與日均值

表3 衛星遙感產品與站點實測土壤濕度均方根誤差

以上結果表明，AMSR2衛星遙感反演土壤濕度產品相較于其他產品及橋頭站實測數據，其值對土壤濕度存在明顯的低估，而在春、冬兩季低估表現得更為明顯。結合已有相關研究，AMSR2衛星遙感土壤濕度反演產品在我國大部分時間都存在明顯的低估，同時存在一定的恒定偏差[20-21]。因此認為AMSR2衛星遙感土壤濕度數據在本研究流域中的適用性不佳，而SMOS、SMAP兩種衛星數據融合產品(SS)與橋頭站實測數據相比，具有較小的均方根誤差，在日均值和季節均值上都更為接近實測結果，優化了單顆衛星監測時段間隔大、監測數據不準確等缺點，表明SS具有更好的適用性。

圖3為采用克里金插值法后的融合產品土壤濕度時空特征圖，表現了2016—2017年秦淮河流域土壤濕度的時空變化。融合產品較好地反映了土壤濕度四季分明的變化特征，即一般情況下夏季土壤濕度值最高，春秋兩季次之，冬季最低；且在研究區域表現為1 a中流域南部土壤濕度普遍高于北部，相對而言流域西北部土壤濕度在更多時間內處于低值的狀態。結合地形地貌特征，流域西北部靠近城市區域，硬化區較多，且人口密集，受人為因素影響較大，土壤濕度確應長期處于低值狀態；而流域南部為秦淮河干流流經區域，多為山地、河谷地貌，且植被覆蓋情況較流域北部好，因此土壤濕度長期處于較濕狀態。

圖3 克里金插值下的土壤濕度融合產品時空特征Fig.3 Spatiotemporal distribution of merged soil moisture by using Kriging interpolation

3.2 降尺度結果分析

采用基于地形濕度指數降尺度方法將25 km×25 km分辨率的融合產品降尺度到90 m×90 m，采用90 m×90 m分辨率數據對秦淮河流域衛星遙感觀測土壤濕度狀態以季節劃分，對秦淮河流域范圍內土壤濕度的時空變化進行分析(圖4)。全年秦淮河流域河道及河岸附近一定范圍內土壤濕度均處于相對高值狀態，但在一定程度上仍然可反映土壤濕度隨季節的變化，表現為夏季最高，春秋兩季次之，冬季最低。整體上看，流域南部較為濕潤，北部相對較干燥，夏季時流域西北部及東南部土壤濕度較大，處于濕潤狀態，春季和冬季時流域西北部則表現為相對較干旱。

圖4 地形濕度指數降尺度下土壤濕度融合產品時空特征Fig.4 Spatiotemporal distribution of soil moisture by downscaling the merged product with topographic wetness index

降尺度后的融合衛星遙感土壤濕度數據能夠在一定程度上根據研究區域的地形地貌特征較好地反映與河流、山脈等實際情況相結合的土壤濕度狀態。一般而言，土壤濕度與地形濕度指數表現為線性關系，且地形濕度指數的空間變化與土壤濕度的空間變化也表現為線性關系。從流域內的山脈、河流等角度分析，在坡度趨近于零的區域，地形濕度指數表現為高值，而在這些區域往往是地勢平緩的坡腳或者位于河谷、河岸等地形上處于下凹或低點的位置，這些區域往往常年處于土壤濕度相對較高的狀態；而對于坡度較大的區域，受到重力因素的影響，其值往往常年處于較低狀態，表明地形濕度指數與土壤濕度具有一定的相關關系。

4 結 語

本文以秦淮河流域SMOS、SMAP、AMSR2衛星遙感土壤濕度為數據源，采用集合平均方式對其進行融合，在此基礎上對融合土壤濕度數據進行了降尺度處理。研究結果表明：SMOS、SMAP兩個衛星遙感數據融合產品(SS)在2016年秋季與站點實測均值一致，在2017年秋季平均僅高估0.07 m3/m3，與實測數據具有較強的一致性，均方根誤差最低為0.16 m3/m3。而AMSR2產品在秦淮河流域的適用性不佳，相較于其他產品及橋頭站實測數據，其對土壤濕度存在明顯的低估，在2016年及2017年春、冬兩季土壤濕度均值在0.04～0.06 m3/m3之間，與站點實測相比明顯偏低，在夏、秋兩季雖有所提升，但仍表現為低估。與實測數據相比，多源衛星遙感融合產品的精度優于單顆衛星，具有更好的適用性；基于地形濕度指數降尺度處理后，獲得了更適合于中小型流域土壤濕度狀態分析及分布式水文模型的高分辨率土壤濕度衛星遙感反演融合產品。