SMAP、CCI和CLDAS土壤湿度产品在青藏高原典型区域的比较验证

荆琛琳

(河海大学 地球科学与工程学院，南京 211100)

0 引言

土壤湿度是土壤的重要属性，在地-气界面的物质、能量交换中至关重要，是水文、气象等相关领域重要的参数[1-3]，利用遥感技术可以实现实时、大范围的土壤湿度区域监测[4]。在实际应用土壤湿度产品时，往往需要了解产品的误差结构与特性，从而更好地为农业、气象、水文等领域的应用提供参考。近年来，许多研究针对不同的土壤湿度数据集进行了精度验证与评价。CHEN等[5-7]分别利用青藏高原、中国地区和美国地区的实测数据对基于L波段的SMAP数据进行了精度验证，验证表明：在大多数地区，尽管SMAP相对于实测值的估计存在高估/低估的现象，但其误差在可接受的范围之内，并且较其他数据集SMAP能够准确地获取土壤湿度的变化情况；申晓骥等[8-9]比较了基于微波的数据集ESA CCI SM的主被动产品，通过对实测站点所属地区的植被覆盖度进行对比，认为主、被动微波产品对不同地区的适用性不同，其适用性与植被覆盖存在相关关系；丁旭等[10]在青藏高原使用统计参数综合比较了GLDAS在内的多种再分析土壤温湿度资料，在非冻结期的结果显示：基于陆面模式NOAH和CLM的GLDAS产品能够较好地刻画土壤湿度随时间变化的动态过程，也在一定程度上表明陆面模式同化数据在获取土壤湿度产品方面有较大的潜力。青藏高原是全球十大高原之一，是世界上海拔最高(平均4 000 m以上)、地形最复杂的高原，其独特的气候特征、地形特征和复杂的下垫面情况对亚洲大陆的气候变化有重要的作用[11-12]，是全球气候变化的敏感区。但由于其特殊的地理环境，青藏高原长期以来地面观测站点稀少，对其进行长时间序列的土壤湿度变化研究非常困难。因此，在不同类型的土壤湿度数据产品中选择一套有代表的，能够准确再现高原土壤湿度变化动态是十分重要的。本研究拟选取2套被动微波数据集(ESA CCI SM、SMAP AM/PM)和1套陆面模式数据(CLDAS)，利用青藏高原那曲地区和玛曲地区(图1)的2套土壤湿度实测数据对其进行整体验证与月尺度验证，研究成果可为青藏高原地区的气候变化与模拟研究提供参考。

图 1 青藏高原研究区的位置Figure 1 Location of the study area in Qinghai-Tibet Plateau

1 研究区数据

1.1 实测站点数据

1.1.1 青藏高原中部多尺度土壤温湿度监测网CTP-SMTMN

图 2 那曲县实测站点分布Figure 2 The distribution of the measured sites in Naqu county

所使用的那曲地区土壤湿度实测资料来源于中国科学院青藏高原研究所在青藏高原建立的青藏高原中部多尺度土壤温湿度监测网CTP-SMTMN逐小时数据，测量深度为0～5 cm。青藏高原那曲地区受到亚洲夏季季风的影响，年降水量大约为500 mm，且大部分降雨集中在5—10月期间，地表覆盖类型大部分为高寒草地，是典型的半干旱气候。该数据集共有56个实测站点，站点的平均海拔为4 650 m，分布于青藏高原中部10 000 km2的空间范围(31.0°～32.0°N，91.5°～92.5°E)，时间跨度为2010年8月1日至2016年9月19日。该数据集的观测网络分为3个尺度，分别为大/中/小尺度观测网络(Large/Medium/Small-scale network)，大尺度观测网络分布于1.0°×1.0°的范围内，共有38个实测站点，站点分布如图2所示，中小尺度观测网络相应地分别为0.3°×0.3°尺度的22个和0.1°×0.1°的9个。

考虑到土壤湿度产品数据集的分辨率及特性，本研究在那曲地区选取2015年5月1日至2015年9月30日、2016年5月1日至2016年9月19日[5]的大尺度观测网络作为实测数据。又由于部分站点数据缺失，最终选取32个实测站点作为实测数据进行比较验证。

图 3 玛曲县实测站点分布Figure 3 The distribution of the measured sites in Maqu county

1.1.2青藏高原土壤温湿度观测数据集Tibet-Obs

玛曲地区的土壤湿度实测资料来源于荷兰特温特大学的青藏高原土壤温湿度观测数据集[12]，该数据集是建立在青藏高原基础上的高原土壤水分和土壤温度观测数据。由于季风的影响，玛曲地区冬天干燥、夏季湿润。该数据共有9个站点，分布于甘肃省黄河以南的玛曲源区(33.0°～34.0°N，101.5°～103°E)，处在黄河第一弯曲部(图3)，主要的土地覆盖类型为畜牧用的草地。该数据集每隔15 min测一次多个深度的土壤湿度和土壤温度数据，本研究选取的验证数据为5 cm的土壤湿度数据。

由于该实测数据集中每个站点的测量时间范围有所不同，综合考虑站点的测量时间和有效数据，最终选取2015年3月13日至2015年10月26日、2016年3月27日至2016年5月20日为研究的时间范围。

1.2 土壤湿度产品数据

1.2.1ESA CCI SM

ESA CCI(European Space Agency Climate Change Initiative)是欧洲空间局气候变化协会发起的监测与气候变化有反馈效应的全球关键气候变量(Essential Climate Variable， ECV)的遥感监测项目，土壤湿度于2010年被纳入全球关键气候变量监测。ESA CCI SM数据集包括主动微波遥感数据集、被动微波遥感数据集和主被动微波融合的数据集，提供了从1979年至今的长时间序列的全球数据集，是目前国际唯一覆盖范围广、时间序列长、数据完备性较好的主被动微波土壤湿度数据集，受到学术界的广泛关注，并在很多地区进行了数据验证和应用。

本研究采用了基于微波极化亮温，运用多个波段的反射率数据采用LPRM算法反演得到的CCI被动微波表层土壤湿度数据集，单位为m3·m-3，空间分辨率为0.25°。

1.2.2 SMAP AM/PM

美国宇航局(NASA)的SMAP卫星计划于2015年1月31日发射升空，卫星传感器搭载着L波段(1.41 GHz)的辐射计和L波段(1.26 GHz)的雷达，运行于太阳同步晨昏轨道，轨道高度为685 km。2015年7月7日，雷达因故障停止工作，SMAP卫星的被动辐射计仍在轨道运行，继续提供被动微波观测数据。本研究所选用的数据SMAP L3被动微波数据提供了每日的土壤表面0～5 cm的土壤湿度产品，空间分辨率为0.325°(36 km)，其中包含了2种不同的轨道数据反演而来的土壤湿度，分别为SMAP AM(地方时为6:00 AM的降轨数据)和SMAP PM(地方时为6:00 PM的升轨数据)。

受到法拉第旋转效应、表层土壤与空气/植被之间水热平衡的影响，SMAP AM被动微波产品在一定程度上比SMAP PM精度要高一些[13]。但先前的研究发现与SMAP PM相关的误差并没有理论预测的那么大[14]，验证也表明，SMAP PM与SMAP AM仅有细微的差距[15]，本研究将对SMAP AM/PM的精度进行验证。

1.2.3 CLDAS

本研究使用的中国气象局陆面数据同化系统(CLDAS)来自于国家气象信息中心，师春香等[16]通过对地面站点观测、数值模式产品、卫星观测等多种来源的数据进行数据融合，再将其用于驱动陆面过程模式(CLDAS选用的是CLM 3.5)来获取高质量的气温、比湿、风速、地面气压、小时降水、短波辐射及多种深度的土壤湿度每小时的数据产品，其空间分辨率为0.062 5°。

选取的CLDAS土壤湿度产品的观测深度为0～5 cm。已有研究表明[17-18]在青藏高原地形复杂区域，CLDAS土壤湿度模拟结果在均方根误差、标准差和相关系数方面优于美国GLDAS和欧洲中期数值预报中心的ERA-Interim。将CLDAS土壤湿度产品列入比较验证，可初步对微波土壤湿度数据与陆面模式同化数据进行对比。

2 研究方法

在以往土壤湿度产品精度验证的研究中，采用的方法往往是实测点对栅格产品直接提取其对应值进行对比，但实测站点是基于站点进行量测的，而遥感数据产品的分辨率往往大于1 km，两者之间存在很大的尺度差异。为了减少由于尺度差异对验证结果造成的误差，本研究将每日的实测站点土壤湿度值取平均作为当日的实测值，将对应栅格单元的均值作为当日的土壤湿度产品值。站点与数据产品分别取均值后就可以对其进行精度验证与评价，主要验证方法为传统统计方法与Triple Collocation交叉验证。

2.1 传统统计方法

平均差(Mean Difference，MD)、均方根误差(Root Mean Square Difference，RMSD)、无偏均方根误差(unbiased Root Mean Square Error，ubRMSE)、相关系数(Correlation Coefficient，R)[8]是遥感产品精度验证比较中常用的统计量。

平均差用于描述数据的偏离情况，在本研究中即表示土壤湿度产品与实际测量数据之间的系统差异，可由公式(1)计算：

(1)

均方根误差表示土壤湿度产品与实测数据进行对比时呈现的绝对偏差、准确性，计算方法如公式(2)所示：

(2)

式(2)中：θs为土壤湿度遥感产品值，θm为实测站点的土壤湿度测量值。在时序分析中，N为整体的时间范围，i则代表某个具体的时间。为了得到更可靠的均方根误差估计值，剔除偏差的影响，定义了表示随机误差的无偏均方根误差。无偏均方根误差如公式(3)所示：

(3)

相关系数表示土壤湿度遥感产品与实测数据之间的相对精度，可由公式(4)计算得出：

(4)

式(4)中：μs为时间序列内土壤湿度遥感产品的均值，μm则为土壤湿度实测数据的均值，δs、δm分别为土壤湿度遥感产品和实测数据的标准差。

2.2 Triple Collocation交叉验证

一般来说，使用实测数据对遥感产品进行验证与评价是最为可靠的方法之一。但在土壤湿度实测值测定时，仪器精度、人为干扰等多方面影响使得实测值无法代表土壤湿度的真实值，因此，在一定程度上土壤湿度的真值是无法获取的，这从本质上限制了土壤湿度遥感产品的验证。因此除了传统的验证指标之外，本研究还采用了TC方法，用于估计土壤湿度产品的随机误差离散状况[19]。

TC交叉验证可用于估计描述同一物理量的三组数据集的随机误差方差[20〗，是一种有效评价土壤湿度产品的方法[21]。TC方法有4个前提假设：①每套数据集与真值之间线性相关；②误差稳定不随时间变化；③数据集的误差相互独立；④数据集的误差与真值独立。为了减少TC随机误差假设带来的不同数据集之间的整体偏差，在计算TC误差前应将其中两套数据集以另外一套为基准进行线性变换[22]。

根据假设①可对未知的土壤湿度真值θt有如式(5)的3个估计：

(5)

式(5)中：θt为土壤湿度的真值；θx、θy、θz分别为数据集x、y、z的土壤湿度值；αi与βi是线性关系中的系数，i为数据集x、y、z中的任意一个；εx、εy、εz分别是θx、θy、θz估计值的残差，是TC交叉验证的目标参量。x被定义为参考数据集，即βx=1。将新的变量θi*=(θi-αi)/βi和εi*=εi/βi引入式(5)，从而得到式(6)：

(6)

通过将式(6)两两相减可消除未知的真值θt，得到式(7)：

(7)

根据假设③中残差εx、εy、εz相互独立，可知它们的协方差均为0。对式(7)交叉相乘并取期望后，每套土壤湿度数据集的残差方差σx*2、σy*2、σz*2可如式(8)由3套独立数据集的值计算得出：

(8)

式(8)中 :< >表示均值计算。

3 结果与讨论

3.1 那曲地区土壤湿度验证

3.1.1 整体验证

表 1 那曲地区整体验证统计Table 1 Statistics of general evaluation for Naqu

数据集MDRMSDubRMSERNCCI Passive0.092 80.104 70.048 50.897 152SMAP AM-0.001 20.050 80.050 80.911 452SMAP PM-0.007 00.038 80.038 10.885 552CLDAS0.032 50.050 30.038 50.861 752

将那曲地区实测数据作为对照，计算ESA CCI SM Passive、SMAP AM/PM、CLDAS的平均差、均方根误差、无偏均方根误差、相关系数以评价其数据集的精度和质量。计算结果如表1，其中结果较好的项用加粗字体标出。表1所有数据集的相关系数均达到了0.80，并且通过了P=0.001的显著性检验，表明数据集与实测值具有显著的相关关系。由表1可看出，SMAP AM和ESA CCI SM Passive的相关系数较大，CLDAS的相关系数最小，表明了SMAP AM和ESA CCI SM Passive更能准确地获取实测值变化情况；ESA CCI SM Passive的偏差和均方根误差都较大，说明其偏离参考值较多。

图 4 那曲土壤湿度产品时序图与散点图Figure 4 The time series diagram and scatter diagram of soil moisture products in Naqu

为了进一步了解土壤湿度产品的时间变化和其与实测数据的对照情况，取所有数据集的有效值，绘制其时间序列图和散点图，如图4所示。由图4那曲的时间序列图可以看出所有数据集的变化趋势是相似的，有相同的峰值和谷值，即在相同的时间点，土壤湿度变化趋势发生改变；CLDAS在时间序列上最为平稳，但存在着明显偏离参考线的趋势，在实测土壤湿度大约为0.27 m3·m-3时，与实测值最为接近，随着实测土壤湿度的减小，对其高估的现象也越来越显著；ESA CCI SM Passive整体上高估了土壤湿度实测值，致使其平均差绝对值较大，其较高的相关系数说明虽然它明显偏离了参考线，但它与实测值存在显著的线性相关关系；SMAP PM在散点图上表现为较为均匀分布在参考线的两侧，有少量的异常点，而SMAP AM分别在实测值高/低于0.23 m3·m-3时，表现出高/低估实测值，偏离程度较CLDAS的偏离而言不是很明显。

3.1.2 月尺度验证

图 5 那曲月尺度土壤湿度产品的4种统计值结果Figure 5 The four statistics results for monthly soil moisture products in Naqu

综合考虑按月分割后的有效数据样本数和数据集的整体验证结果等因素，选取ESA CCI SM Passive和SMAP AM进行月尺度验证，对每月的数据分别利用传统统计指标和TC方法进行比较验证( 图5)。在所有的月份中，ESA CCI SM Pas的平均差为正值，而SMAP AM的平均差在0附近波动，与整体验证的散点分布相对应，除了2015年5月之外，其他月份SMAP AM的平均差绝对值均小于ESA CCI SM Passive；均方根误差方面，SMAP AM同样也优于ESA CCI SM Passive，更接近于0；计算每月相关系数的过程中，取产品值均有效的数据作为样本，样本量相同，因此同一月份的相关系数可进行比较以评价相关关系的强弱，除2015年5月和2016年9月之外，其他月份的相关系数均通过了P=0.1显著性检验，即数据集与实测数据有较为显著的相关关系；二者每月的相关系数水平相差不多，仅在2016年6月和2016年7月SMAP AM显示出略明显的优势；无偏均方根误差可以体现数据的离散程度，ESA CCI SM Passive的无偏均方根误差取值范围为0.019 4～0.049 5 m3·m-3，而SMAP AM的取值范围为0.029 0～0.035 7 m3·m-3，相较于ESA CCI SM Passive的取值范围缩小了一倍左右，表明尽管在整体验证中SMAP AM的无偏均方根误差略大于ESA CCI SM Passive，但在月尺度上SMAP AM的离散情况更为稳定。

3.1.3TC交叉验证

图 6 那曲月尺度土壤湿度产品的TC误差结果Figure 6 The TC results for monthly soil moisture products in Naqu

为了了解2种被动微波土壤湿度数据集的残差分布情况，利用该数据与实测数据，对其进行TC交叉验证，验证结果如图6所示。植被覆盖会影响土壤湿度产品的TC误差方差的估计，那曲地区的地表覆盖类型大部分为高寒草地，植被覆盖较为稀疏，因此可以忽略植被覆盖对于土壤湿度遥感观测造成的误差[17]。从TC误差方差的估计值来看，SMAP AM土壤湿度TC误差的均值(0.007 7)相对于ESA CCI SM Passive(0.007 2)而言，略高一些；而对于TC误差的标准差，SMAP AM(0.003 3)较ESA CCI SM Passive(0.004 0)较低，表明了SMAP AM的TC误差随时间的变化不大，更为稳定，与月尺度验证中无偏均方根误差的表现一致。

3.2 玛曲地区土壤湿度验证

3.2.1 整体验证

以玛曲地区实测数据作为对照，计算ESA CCI SM Passive、SMAP AM/PM、CLDAS的平均差、均方根误差、无偏均方根误差和相关系数以评价其数据集的精度和质量。在进行有效数据的日期匹配时，发现在玛曲地区SMAP AM与SMAP PM数据同时有效的日期不存在，因此，需要在SMAP AM和SMAP PM中选取精度较高的数据产品进行后续的验证。SMAP AM和SMAP PM使用了同一天不同地方的亮温数据，理论上SMAP AM的亮温数据会使得极化时的法拉第旋转效应最小化从而精度更高，但在实际应用中可能有所不同[12-13]。为了选取出精度较高的数据产品，利用各自所有的有效数据整体验证了SMAP AM和SMAP PM的精度，结果显示在玛曲地区，SMAP被动微波数据中SMAP PM优于SMAP AM。将SMAP PM与ESA CCI SM Passive、CLDAS的有效数据匹配后共同完成后续的验证。

表 2 玛曲地区整体验证统计Table 2 Statistics of general evaluation for Maqu

数据集MDRMSDubRMSERNCCI Passive0.064 90.089 40.061 40.663 690SMAP PM0.050 00.070 10.049 10.767 990CLDAS-0.021 50.047 90.042 80.660 090

计算结果如表2，其中结果较好的项用加粗字体标出。表2中所有数据集的相关系数均通过了P=0.001的显著性检验，表明数据集与实测值具有显著的相关关系。由表2可看出，SMAP PM的相关系数较大，CLDAS和ESA CCI SM Passive的相关系数水平相差不多，相关关系较弱；CLDAS的平均差、均方根误差、无偏均方根误差均较小，说明CLDAS相对于参考数据偏离较少。

图 7 玛曲土壤湿度产品时序图与散点图Figure 7 The time series diagram and scatter diagram of soil moisture products in Maqu

为了进一步了解土壤湿度产品的时序变化和它们与实测数据的对照情况，取所有数据集的有效值，绘制其时间序列图和散点图，如图7所示。图7可以看出3套数据集与实测数据的变化趋势一致；玛曲地区的CLDAS散点表现与那曲地区相似，在0.27 m3·m-3附近最接近于实测值，随着实测值的增大会出现低估实测值的现象，数据在时序上相对平稳；SMAP PM和ESA CCI SM Passive的平均差均为负值，在散点图中整体高于参考的实测数据，时序上SMAP PM比ESA CCI SM Passive更为平稳；CLDAS和ESA CCI SM Passive各自与实测数据的相关系数值相差不大，CLDAS的偏差更小，因此在月尺度验证中选取相关性较好的SMAP PM和时序平稳的CLDAS进行验证。

3.2.2 月尺度验证

图 8 玛曲月尺度土壤湿度产品的4种统计值结果Figure 8 The four statistics results for monthly soil moisture products in Maqu

综合考虑按月尺度分割后的有效数据样本数和数据集的整体验证结果等因素，选取CLDAS和SMAP PM进行月尺度验证，对每月的数据分别利用传统统计指标和TC方法进行比较验证(图8)。月尺度上SMAP PM与CLDAS的平均差在夏季达到最高值，春秋两季较低，有研究指出温度变化是土壤水运动的主要影响因素之一[23]，平均差的变化可能与不同季节中温度的变化有关。为了探究土壤湿度误差与土壤温度的关系，根据平均差的定义，将每日的SMAP PM和CLDAS分别与实测数据求差值，计算差值与土壤温度的相关系数：SMAP PM与CLDAS的结果分别为-0.65和-0.32，均通过了P=0.001的显著性检验，说明两套土壤湿度数据产品值与实测值的相对高低关系与土壤温度有显著的相关关系；CLDAS的均方根误差相对表现较好，体现在2个方面：一是CLDAS均方根误差的取值范围较小，表明均方根误差更稳定，而SMAP PM随着季节变化而波动，二是在大部分月份CLDAS的均方根误差更小；在月尺度相关系数的对比中，除2015年4月的CLDAS和2016年4月的SMAP PM外，其他月份的土壤湿度产品值与实测数据的相关性较强，总体来说SMAP PM的相关系数值维持在较高的水平。

3.2.3 TC交叉验证

图 9 玛曲月尺度土壤湿度产品的TC误差结果 Figure 9 The TC results for monthly soil moisture products in Maqu

在玛曲地区的月尺度验证统计结果中，无偏均方根误差未表现出明显的变化特征。TC方法可以估算数据集的残差方差，利用TC交叉验证进一步了解两套数据的精度状况，如图9所示。有研究表明TC误差与无偏均方根误差有一定的相关性，但与无偏均方根误差不同，TC方法试图消除验证中不同数据集的系统误差。从TC误差方差的估计值来看，SMAP PM土壤湿度TC误差的均值(0.010 8)与CLDAS(0.012 0)相差不多；而对于TC误差的标准差，SMAP PM(0.006 9)较CLDAS(0.008 5)较低，表明了SMAP AM的TC误差在月尺度上变化不大。TC误差与月尺度的平均差不同，没有明显的季节变化。

3.3误差原因分析

本研究对SMAP、ESA CCI SM和CLDAS 3套土壤湿度数据集进行了验证与评价，验证结果表明，这3套数据集的表现各异，对土壤湿度产品存在误差的原因分析如下。

微波遥感反演土壤湿度信息的原理在于水分能引起土壤介电性的剧烈变化，从而使得土壤的反射率与发射率发生改变，据此得出土壤湿度信息。研究区内的表层土壤含有丰富的土壤有机碳，它们会影响介电性在内的土壤物理性质，可能会引起土壤湿度信息的误差。

在本研究中，实地测量观测站的土壤湿度值作为地面观测的真值，将其与SMAP、ESA CCI SM、CLDAS进行比较。由于粗分辨率的遥感数据产品与基于点的地面观测值之间存在空间异质性，地面观测值无法很好地代表遥感数据产品。除此之外，SMAP、ESA CCI SM、CLDAS获取的土壤湿度信息均为土壤表层的信息，那曲地区实测数据的观测深度为0～5 cm，而玛曲地区实测站点的探针中心位于5 cm深度处，观测深度为3～7 cm，未能与遥感产品完全吻合，很可能会引起误差，表1、2可看出：对于每套遥感产品验证结果，玛曲地区的无偏均方根误差均略大于那曲地区。

无论是微波数据产品SMAP、ESA CCI SM还是陆面模式数据CLDAS，除反演过程中为了简化反演算法而设的约束条件和假设外，还需要有相关的辅助数据，如：土壤温度、地表粗糙度、植被指数等，不同反演算法对辅助数据的敏感程度各异(如SMAP反演算法SCA对温度非常敏感[24])，辅助数据的不确定因素是反演过程的主要误差来源。

4 结论

本研究选取了3套土壤湿度数据产品(ESA CCI SM Passive、SMAP AM/PM、CLDAS)，以及2个典型区域(那曲地区、玛曲地区)的实测数据，运用传统统计方法和Triple Collocation交叉验证方法，对2个地区2015—2016年部分月份的土壤湿度产品数据做了对比与验证，主要结论如下：

在青藏高原那曲地区，当实测值小于0.27 m3·m-3时，CLDAS存在明显的低估现象；其余3套数据虽也有一定的偏差，但总体来看均匀分布在参考数据的周围，没有明显的偏离趋势。在月尺度验证中，SMAP AM的土壤湿度值较ESA CCI SM Passive更接近实测数据, 更能反映土壤湿度变化情况；二者的TC交叉验证表明，SMAP AM与ESA CCI SM Passive的整体残差方差相差不多，但在月尺度上SMAP AM的残差更稳定。

对玛曲地区的验证评价中，考虑到有效数据的问题，选取了SMAP PM、ESA CCI SM Passive和CLDAS进行验证。整体来说，SMAP PM能更好地反映实测数据的变化情况，在ESA CCI SM Passive与CLDAS相关性相近的情况下，虽然当实测值大于0.27 m3·m-3时存在CLDAS低估实测值的情况，但CLDAS在时序上更为平稳，相对于ESA CCI SM Passive表现较好。值得关注的是，CLDAS和SMAP PM分别与实测值的差值，都与土壤温度有显著的正相关关系，其中SMAP PM的相关性更强，月尺度检验中两者的平均差都有夏季升高，春秋减小的现象，相关性强的SMAP PM更为显著。从TC误差方差估计值来看，SMAP PM的TC误差均值和方差较低，残差表现更优更稳定。

就时间序列上土壤湿度的变化而言，3套数据集基本描述出了研究区土壤湿度值变化的基本趋势与特征。虽然本研究已经就精度评价指标等方面对2个研究区的适用数据产品进行了探究，需要注意的是：使用本研究的方法可对研究区在时间序列上进行分析对比，但始终无法了解到研究区内产品精度的空间分布情况，这主要是由于缺少实测数据，需要建立起规模较大的土壤湿度监测矩阵，目前该方面的实验和研究还不完善，需要投入大量的人力财力；本实验中3套数据集的观测深度与观测时间受到数据集自身的限制，并不完全一致，这会对实验结果有一定影响。

本研究利用那曲和玛曲地区的实测数据对3套土壤湿度产品进行评估比较，总体而言，那曲地区SMAP AM更能反映土壤湿度变化情况，且误差表现更稳定，玛曲地区SMAP PM能更好地反映实测数据的变化情况，但整体验证中CLDAS在数值上更接近实测值。由于传感器不同、处理方法各异，数据集都有各自的优缺点，不同的应用领域对土壤湿度产品的要求侧重点不同[25]，在选用土壤湿度产品时，不能仅依靠实测点对栅格的精度验证统计结果作出决定，应当在研究区内利用实测数据进行文中的验证，综合考量每套数据集的特性和应用需求选取最合适的数据产品。