风云三号卫星微波遥感土壤水分产品在山东地区的适用性分析*

王雅正，杨元建**，刘 超，师春香

（1.南京信息工程大学大气物理学院，南京 210044；2.国家气象信息中心，北京 100081）

土壤湿度是地球能量循环和水循环的重要环境变量[1]。如今可以获得的大量卫星土壤湿度产品，在气象学、水文学、气候学和农业学等方面都起到重要作用[2]。大尺度土壤湿度的精确测量有助于作物产量估算、干旱预测和农业区域的灾害监测，尤其在需要定期灌溉但是水资源又有限的干旱半干旱地区[3]。

表层土壤湿度可以通过多种方法获得，例如地基观测设备、陆面模式和遥感技术等[4]。自第一个被动微波卫星传感器在1978年发射以来，被动微波卫星传感器被广泛应用于土壤湿度的反演[5]，例如欧洲的Soil Moisture and Ocean Salinity (SMOS)[6−7]、美国的Special Sensor Microwave/Imager(SSM/I)和Soil Moisture Active/Passive(SMAP)[8]、日本的Advanced Microwave Scanning Radiometer for the Earth Observing System(AMSR-E)[9−10]和 Advanced Microwave Scanning Radiometer 2(AMSR2)[11]、中国的风云三号系列卫星(FY-3A、FY-3B、FY-3C)[12−14]。由于不同的土壤湿度产品基于不同的卫星数据和算法[15]，其质量和连续性在空间和时间上都有差别[16]，所以对卫星观测土壤湿度数据的评估验证是一个极为重要的工作，它不仅有助于评估所提供的土壤湿度估算值的实际准确性，而且方便理解产品在不同下垫面和不同时空上的优缺点[17]。

国内外已经对 ASCAT、SMOS、SMAP、AMSR-E、AMSR2、FY-3B 和FY-3C 等卫星土壤湿度产品的适用性开展了许多评估工作[2−3,6,18−22]。Parinussa 等[14]最先对FY-3B 官方算法和地表参数反演模式（Land Parameter Retrieval Model，LPRM）得到的土壤湿度产品与地基观测土壤湿度数据进行对比，其结果显示两种产品都能准确探测夜间土壤湿度的时间变化，与地基观测数据的一致性在稀疏至中等植被区域较高，随着植被指数的增加一致性降低。Cui 等[23]对FY-3B 和其它7 种卫星土壤湿度产品质量进行了详细评估，发现在西班牙网格区域FY-3B 产品与地基观测数据在时间序列上一致性最好，在美国区域SMAP 产品表现最好。万红等[24]基于土壤水分观测网的地面实测数据，发现FY-3B土壤湿度产品在青藏高原地区的适用性较高，在各个季节都能较好地反应青藏高原地区的土壤湿度变化。庄媛等[25]对中国区域按省份评估了4 种卫星土壤湿度产品，发现ASCAT（Advanced Scattermeter）作为主动微波遥感产品质量最优，在被动微波遥感产品中WINDSAT 略优于FY-3B，而SMOS 在中国区域受无线电频率干扰严重，所以其质量较差。Zhu等[26]对中国河南地区FY-3C 和其它3 种卫星土壤湿度产品进行了质量评估，发现FY-3C 土壤湿度产品和地基观测数据在时间和空间上的一致性都较差，SMAP 在时间和空间上都比FY-3C 表现要好。Fu 等[27]基于东北地区农田建立的土壤水分观测网格，发现FY-3B 在农作物生长季节（5−9月）的大部分时间，其在研究区域的土壤湿度数据缺失严重，但在后期恢复，并且比 JAXA（Japan Aerospace Exploration Agency）和LPRM 产品更接近地基观测数据。

山东作为农业大省，耕地率、农业增长值长期稳居全国各省第一，但是山东地区降水季节变化大，旱涝情况多发，所以使用多源卫星监测山东地区土壤湿度变化对农业生产具有重要意义[28]。此前对于山东地区土壤湿度的研究都基于土壤水分自动站观测数据，对其观测效果以及山东省土壤水分时空分布规律及分区进行了相关研究[29−30]。为了充分利用各个观测方式的优势，将卫星与自动站的观测结果结合分析，本研究对山东地区FY-3B、FY-3C 的土壤湿度产品质量进行系统分析和评估，并与SMAP和SMOS 的土壤湿度产品进行对比，以期为深入了解风云卫星土壤湿度产品的适用性，旨在为深入应用和改进上述产品提供参考和依据。

1 资料与方法

1.1 研究区域

山东省位于东部沿海（34°−38°N，114°−122°E），属于温带季风气候，降水集中，雨热同季。山东省光照资源充足，热量条件可满足农作物一年两作。降水季节分布很不均衡，全年降水量有60%～70%集中于夏季，易形成涝灾，春、冬及晚秋易发生旱灾，对农业生产影响极大[31]。由图1可见，山东省绝大部分地区都为农田，种植的农作物分夏秋两季，夏粮主要是冬小麦，生长季节10月初−翌年6月，秋粮主要是玉米，生长季节6月−9月下旬。由于春冬季降水不足，需对冬小麦进行补充灌溉才能获得最佳产量[32]。因此，加强农业区土壤湿度监测对提高山东省水资源利用效率具有重要意义。

1.2 数据及其来源

1.2.1 被动微波遥感卫星土壤湿度数据

FY-3B 和FY-3C 卫星由中国发射，其上搭载的仪器为被动微波辐射仪MWRI。FY-3B 升轨和降轨时间分别为13：40 和1：40，FY-3C 升轨和降轨时间分别为22：00 和10：00。中国国家卫星气象中心利用微波辐射仪观测到的亮度温度1 级产品，结合辐射传输模式，开发了官方的土壤湿度2 级产品，反映土壤表层1−2cm 范围内的土壤湿度，以体积含水量（m3·m−3）表示[33]，估计误差为0.06m3·m−3。使用空间分辨率为25km 的FY-3B 和FY-3C 2 级日产品，起止时间为2018年1月1日−12月31日，数据下载于风云卫星遥感数据服务网（http://satellite.nsmc.org.cn/portalsite/default.aspx）。在当前的官方算法中，使用垂直（V）和水平（H）极化的X 波段（10.7GHz）亮度温度来获取土壤湿度。首先从Ka 波段（36.5GHz）V 极化亮度温度中校正了表面温度带来的偏差。根据归一化植被指数（NDVI）与植被含水量（VWC）之间的经验关系来估算植被光学厚度。风云卫星的反演算法与其它算法的显著区别是其使用了新的表面发射模型（即Qp模型），该模型使用高级积分方程模型（Advanced Integral Equation Model，AIEM）进行了参数设置，建立理论模型以校正表面粗糙度的影响[34]。Shi 等[35−36]发现，在大观测角度下，表面粗糙度对微波发射在大小和方向上的影响在H和V 极化是不同的。即随着表面粗糙度的增加，H极化的微波发射率将增加，而V 极化的微波发射率将减小。因此，可以通过组合来自两个极化的发射信号来最小化表面粗糙度的影响。除亮度温度外，土壤湿度反演算法还涉及辅助数据，包括土壤类型数据和全球陆面分类数据[37]。

SMAP 卫星由美国国家航空航天局（National Aeronautics and Space Administration，NASA）发射[8]。其升轨、降轨时间分别为18：00 和6：00。NASA提供了4 种不同的遥感土壤湿度产品，即被动、主动、主动−被动和增强型被动土壤湿度产品。其被动土壤湿度产品通过V-pol 单通道算法（SCA-V）[23]，使用在L 波段工作的辐射仪（radiometer）观测到的亮度温度来反演土壤顶部5cm 以上的土壤湿度，精度为0.04m3·m−3，每2～3d 覆盖地球表面一次。1 级产品为亮度温度数据，2 级产品为半轨道数据，3 级数据为日综合数据。使用空间分辨率为36km 的SMAP 被动遥感3 级日产品，起止时间为2018年1月1日−12月31日，数据下载于美国国家航空航天局网站（https://search.earthdata.nasa.gov/search）。

SMOS 卫星由欧洲航天局（European Space Agency，ESA）发射，SMOS-BEC 产品由巴塞罗那卫星中心（Barcelona Expert Center，BEC）开发[38]。其升轨、降轨时间分别为6：00 和18：00。SMOS卫星使用在L 波段工作的干涉辐射仪（radiometer）观测的亮度温度来反演土壤表层5cm 以上的土壤湿度。在SMOS 反演算法中，通过最小化观测和估计的亮度温度之间的差异，使用多角度亮度温度观测值同时获取土壤水分和植被光学深度。研究使用的SMOS-BEC 土壤湿度数据为被动遥感3 级日产品，空间分辨率为25km，起止时间为2018年1月1日−12月31日，数据下载于巴塞罗那卫星中心（http://bec.icm.csic.es/）。

1.2.2 地基观测站土壤湿度产品

为了提高农业地区的干旱监测和预警能力，中国气象局于2009年开始建立自动土壤水分观测站（Automatic Soil Moisture，ASM）。目前已在各个地区建立了2000 多个观测站。观测站主要使用DNZ1、DNZ2 和DNZ3 三种类型观测仪器，其工作原理均基于频率反射法，其中DNZ1 使用驻波法，DNZ2 和DNZ3 使用电容法[23]。其观测值包括从地表到地下200cm 处，每10cm 进行一次测量，共20 个测量深度。观测到的参数包括土壤体积含水量、相对土壤湿度、土壤重量水含量和土壤有效水储量。山东省共有229 个观测站（图1），以验证卫星土壤湿度。观测站每小时记录一次测量值，为了与卫星土壤湿度的深度进行比较，使用0−10cm 土层的土壤湿度数据，起止时间为2018年1月1日−12月31日，资料由国家气象信息中心提供。

1.2.3 MODIS 归一化植被指数产品

中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer，MODIS）搭载在Aqua和Terra 两颗卫星上，能够对植被冠层的叶面积、叶绿素和冠层结构进行连续的时空比较，通过日平均、大气校正和双向表面反射反演，生成不同空间分辨率的归一化植被指数（Normalized Difference Vegetation Index，NDVI）产品[39]。NDVI 产品由Aqua卫星的MYD13Q1 和Terra 卫星的MOD13Q1 组成[40]，时间分辨率为16d，空间分辨率为250m，由于两个产品生成时间相差8d，所以通过组合得到时间分辨率为8d 的NDVI 数据。

1.3 方法

利用自动土壤水分观测站数据，对山东地区FY-3B、FY-3C、SMAP 和SMOS 土壤湿度质量进行评估。由于各来源产品数据集在空间、时间尺度以及探测深度不完全一致，因此首先需要进行时空匹配。空间匹配主要通过 EASE-Grid（Equal-Area Scalable Earth Grid）投影方式的转换方程，将卫星格点转换成经纬度，自动站对应的卫星观测值由周围4个格点的值加权平均得到，权重为各格点到自动站距离的反比。EASE-Grid 投影方式的转换方程为

式中，r 为列号，s 为行号，λ 为经度弧度，φ为纬度弧度，R 为地球半径（6371.228km），C 为格点分辨率，0r 为地图原点的列号， s0为地图原点的行号。

时间匹配：逐小时的自动站观测数据会周期性地出现波动极大的异常值，通过取异常值前后时刻数据的平均值来代替异常值。因为卫星日产品其实是卫星过境时的瞬时值，由于卫星升降轨每天的过境时间固定，所以取卫星过境时刻对应的自动站小时数据，与卫星的日产品数据进行匹配。对卫星数据，当同一天在升轨和降轨上都有记录时取平均值，如果只有一个轨道有有效值则取该值，如果在任一轨道上均未获得有效值则记为缺测。

各土壤湿度产品基本信息见表1。

使用4 个指标分析FY-3B、FY-3C、SMAP 和

SMOS 产品与自动站实测数据间的偏差情况，即平均偏差（Average Difference，AD）、均方根误差（Root Mean Square Error，RMSE）、无偏均方根误差（Unbiased RMSE，ubRMSE）和相关系数（Correlation Coefficient，R）。平均偏差为卫星反演值与自动站观测值的差值，表示卫星反演土壤湿度与自动站土壤湿度测量值之间的系统差异。正偏差表示卫星反演值比自动站观测值大，而负值表示卫星反演值小于自动站观测值。均方根误差表示相对于自动站土壤湿度测量值，卫星反演土壤湿度的绝对差或准确度。

为了更好地估算卫星土壤湿度产品的绝对误差，采用无偏均方根误差ubRMSE，它消除了表征随机误差RMSE 的偏差。ubRMSE 计算式为

相关系数R 表示卫星反演土壤湿度和自动站土壤湿度测量值之间的相对精度，计算式为

式中 ， mvsiat表示卫星反演土壤湿度（m3·m−3），mviis是自动站土壤湿度测量值，N 表示样本总数，i表示特定样本。对于时间分析，每个站点的N 值不同，仅使用两个数据集中都含有效数据的日期进行计算。对于空间分析，每个日期的N 值均变化，仅使用两个数据集中都含有效数据的测站进行计算。是对于时间分析，单个站点整个评估期内卫星土壤的平均湿度（m3·m−3），或对于空间分析，为1d内所有有效站的卫星土壤湿度；表示自动站测量的土壤湿度平均值（m3·m−3）； σsat和 σis分别是卫星和自动站湿度的标准偏差（m3·m−3）。

表1 土壤湿度产品基本信息Table 1 Information of soil moisture products

2 结果与分析

2.1 FY-3B 和FY-3C 产品时间序列特征分析

对2018年研究区域内229 个ASM 站点观测数据进行平均，作为ASM 土壤湿度时间序列，对自动站各站点时空匹配的卫星数据分别进行平均，作为各卫星产品的土壤湿度时间序列，结果见图2。由图可见，ASM 站点观测土壤湿度数据（10cm 深）变化幅度相对较小，一年中表现为相对稳定的变化特点，变化范围在0.1～0.3m3·m−3。由于探测土壤湿度的仪器都是微波辐射仪，因此FY-3B 与FY-3C 土壤湿度的变化过程相似。与ASM 实测数据相比，FY-3B 和FY-3C 土壤湿度数据连续性较好，全年分别有292d和271d 有数据记录，1−2月因为冬季土壤处于冻土条件下而无卫星数据。FY-3B 和FY-3C 数据的变化幅度较大，变化范围为0.07～0.5m3·m−3，从图中可以看出有两个峰值，分别为4−5月和8−9月，正好与冬小麦成熟期（4−5月）和玉米成熟期（7−9月）相对应。SMAP 的连续性最好，共有361d 有数据记录，变化趋势与FY-3B/3C 相似，但是变化幅度较缓和，其数值与自动站更加接近，变化范围为0.04～0.4m3·m−3。SMOS 有265d 有数据记录，数据量少，全年的连续性差，且数值整体偏小，波动较大。

图3为229 个站点卫星反演数据与自动站观测数据的偏差指标。由图可见，总体而言，4 个卫星反演值均比自动站观测值要小，FY-3B 和FY-3C 的平均偏差最小，仅−0.028m3·m−3和−0.010m3·m−3，与FY-3B 和FY-3C 数据相比，SMAP 和SMOS 数据反应出土壤更加干燥，平均偏差为−0.072m3·m−3和−0.144m3·m−3。平均偏差的不同可能与卫星和自动站的感应深度不一致有关。如果以山东地区区域平均值时间序列评估（图2），FY-3B 和FY-3C 表现与SMAP 相似，三者均方根误差（RMSE）分别为0.094m3·m−3、0.093m3·m−3和0.089m3·m−3，相关系数（R）分别为0.31、0.33 和0.33，但是SMAP 的无偏均方根误差（ubRMSE）比FY-3B 和FY-3C 小，为0.05m3·m−3，说明其去除系统偏差后有较高的应用价值。SMOS 在4 个卫星中的表现较差，其平均偏差和相关系数最小，均方根误差最大。综上所述，FY-3B和FY-3C 土壤湿度产品的时间序列季节变化最明显，与农作物的生长期有明显的一致性，且与自动站观测数据偏差最小。

图2 2018年各卫星反演产品山东区域土壤湿度值和自动站观测值（ASM）的逐日变化过程（VSM）Fig.2 Daily variation of retrieval soil moisture of satellite products and automatic soil moisture(ASM) observations in Shandong during 2018(VSM)

图3 2018年各卫星反演产品山东区域土壤湿度值与自动站观测值（ASM）所有站点时间序列偏差指标的箱线图Fig.3 Box plots of temporal statistical parameters of all stations between the retrieval soil moisture of satellite products and the automatic soil moisture (ASM) observations in Shandong during 2018

图4 2018年各卫星反演产品山东区域土壤湿度值与各自动站观测值（ASM）所有站点时间序列偏差指标的空间分布Fig.4 Spatial distribution of temporal statistical parameters of all stations between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.2 FY-3B 和FY-3C 产品空间特征分析

图3中评估数据较大的分布范围还表明，即使对于同一卫星土壤湿度产品，不同位置的时间一致性也不同。为进一步说明其一致性的空间变化，对4 个卫星产品的偏差指标在研究区域的分布进行分析。由图4可见，对于FY-3B 和FY-3C 数据，西部的偏差为负，东部为正（图4a1、4a2），说明在山东西部卫星反演的土壤偏干，东部偏湿。均方根误差和无偏均方根误差具有相似的分布，其中大多数低值区域位于山东中西部（图4b1、4b2，图4c1、4c2）。同时，除了北部地区，FY-3B 和FY-3C 与自动站观测值在山东其它地区相关系数较高（图4d1、4d2）。SMAP 产品显示出与FY-3B、FY-3C 相似的偏差分布，表现为西部土壤湿度为负偏差、东部为正偏差（图4a3），结合图3a 可知，整体上SMAP 卫星反演的土壤偏干。均方根误差和无偏均方根误差分布也与FY-3B、FY-3C 相似，但是SMAP 无偏均方根误差（ubRMSE）更小（图4b3、4c3），说明SMAP在去除系统误差之后可以提高产品的质量。相关系数除了西部个别站点为负，整体较好（图4d3）。由图4a4，SMOS 的土壤湿度产品几乎低估了所有站点的土壤湿度，且均方根误差和相关系数在4 个卫星数据里面表现最差（图4b4、4d4），说明SMOS土壤湿度产品在山东地区的适用性较差。结合图3可以看出，4 个卫星的平均偏差和均方根误差的极端异常值个数都小于5%，4 个卫星与观测站相关系数大于0 的站点个数，FY-3B 和FY-3C 分别有61%和60%，SMAP 和SMOS 为70%和65%，说明卫星与大部分站点都具有一致性，其中SMAP表现最好。

对全年所有有效日期（卫星数据在一日内覆盖超过一半及以上自动站）计算卫星反演值与自动站观测值的偏差指标。FY-3B、FY-3C、SMAP 和SMOS的有效天数分别为204、169、261 和70d。由图5可见，对于FY-3B 和FY-3C，平均偏差的平均值分别为−0.015m3·m−3和−0.004m3·m−3，但是不同有效日期的平均偏差差别很大。与不同站点的时间表现（图3）相比，FY-3B 和FY-3C 与自动站测量值在空间上的一致性较差（图5）。RMSE 分别从0.094m3·m−3和0.093m3·m−3增至0.122m3·m−3和0.118m3·m−3，R 分别从0.31 和0.33 减至0.02 和0.04。SMAP 产品空间上的表现也远不及时间上，平均偏差、均方根误差和无偏均方根误差均变差，相关系数从0.33 降至0.03。SMOS 产品的平均偏差最小，均方根误差最大，同样反映了SMOS 在山东地区的适用性较差。

图5 2018年各卫星反演产品山东区域土壤湿度值与自动站观测值（ASM）所有有效日期空间偏差指标的箱线图Fig.5 Box plots of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.3 FY-3B 和FY-3C 土壤湿度产品偏差原因分析

图6为2018年山东地区区域平均归一化植被指数（NDVI）的时间变化，较高的NDVI 说明地表的植被生物量较大，与农作物的成熟期相对应。冬小麦的成熟期为4−5月，玉米成熟期为7−9月。图7为卫星反演值与自动站观测值偏差指标的时间变化，偏差指标的变化总体上有明显的区别，对于FY-3B 和FY-3C，平均偏差（AD）呈现双峰趋势，在5月和8月左右达到极大值，分别为0.11m3·m−3和0.25m3·m−3，与图6的峰值相对应。除峰值区外，其它日期FY-3B 和FY-3C 的平均偏差均为负偏差，说明FY-3B 和FY-3C 卫星反演土壤湿度受植被的生物量影响较大。在5月和8月，当地面植物生物量达到最大时，FY-3B 和FY-3C 的均方根误差（RMSE）和无偏均方根误差（ubRMSE）较大，相关系数（R）较小，而SMAP 和SMOS 的偏差指标并未显示明显的趋势。FY-3B、FY-3C 的平均偏差（AD）与NDVI 的相关系数分别达到0.79 和0.76，而SMAP和SMOS 的平均偏差（AD）与NDVI 的相关系数仅0.54 和−0.18。这可能是因为FY-3B 和FY-3C 的土壤湿度产品是由X 波段观测到的亮度温度反演的，X波段的探测深度为表层土壤1−2cm 以上，其观测受地表植被的影响较大，NDVI较大时，FY-3B和FY-3C反演得到的土壤湿度也会随之较大，导致平均偏差增大，所以平均偏差与NDVI 的变化趋势具有一致性。而SMAP 和SMOS 卫星使用L 波段，探测深度为土壤表层5cm 以上，观测到的亮度温度受地表植被的影响较小，所以其偏差指标未出现与FY-3B 和FY-3C 相同的季节性变化。

图6 2018年山东地区归一化植被指数（NDVI）16d 平均值的时间序列Fig.6 The time series of the 16-day average of the normalized difference vegetation index(NDVI) in Shandong during 2018

图7 2018年各卫星反演产品山东区域土壤湿度值与自动站观测值（ASM）所有有效日期下空间偏差指标的季节变化Fig.7 Seasonal variation of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

3 结论与讨论

3.1 结论

本研究利用2018年山东地区中国土壤水分自动观测站的表层观测数据，对多源卫星被动微波遥感土壤湿度产品精度进行了分析评估，包括FY-3B 和FY-3C 的2 级日产品，以及SMAP 和SMOS 的3 级日产品，发现FY-3B 和FY-3C 产品与自动站观测数据在时间上一致性较好，从时间表现的空间分布来看，FY-3B 和FY-3C 产品在山东西部偏干，在东部偏湿，除了山东北部，其它地区的相关系数都较好。若将自动站观测结果视为真实值，FY-3B 和FY-3C卫星反演值的RMSE 为0.09m3·m−3（RMSE），略低于可接受的0.06m3·m−3精度。同时，SMAP 产品的表现与FY-3B 和FY-3C 相似，并且其无偏均方根误差（ubRMSE）为0.05m3·m−3，说明SMAP 在去除系统偏差后的应用价值较高，而SMOS 的3 级土壤湿度产品无论是时间上还是空间上，在山东地区的适用性都很一般。在空间上，卫星土壤湿度与自动站观测数据的一致性都相对有限，但是空间上统计参数的时间序列表明，FY-3B 和FY-3C 的观测数据的相关性和误差有明显的季节变化，在5月和8月往往会高估土壤湿度，在其余时间会低估，SMAP 与SMOS 无相应季节变化。这主要是因为FY-3B 和FY-3C 使用X 波段观测亮度温度受地表植被的影响较大，而SMAP 和SMOS 使用的L 波段受地表植被的影响较小。

3.2 讨论

因为各个卫星的日产品实际上是卫星每日过境时探测到的瞬时值，所以本研究在对卫星与自动站进行时间匹配时，使用的是卫星过境时间的自动站小时数据，这比之前用自动站日平均结果与卫星升降轨的平均值进行时间匹配的方法更加合理。在空间匹配上，由于卫星数据的分辨率为25km 和36km，与之前对站点和卫星数据按照空间位置临近匹配不同，本研究中站点对应的卫星观测值为所在网格周围4 个格点的加权平均值，权重为站点到格点距离的倒数，降低了自动站数据与卫星数据的差异性。后续可以进一步提高卫星遥感的空间分辨率，提高反演产品的精度来增加匹配的准确性。

不同的卫星使用的频率不一样，对土壤湿度探测的深度不一致，反演的算法也不同，因此很难直接比较不同卫星产品之间的精度高低，所以本研究对比评估不同卫星数据与自动站数据的偏差指标，发现不同卫星各自的特点，并进一步分析差异的原因，有益于后续优化卫星数据的质量。对于FY-3B和FY-3C，其平均偏差有明显的季节变化，与NDVI的相关系数很高，因此后续的工作将开发新的算法，将植被指数的影响加入其中，以获得质量更高的风云卫星土壤湿度数据。对于SMAP，后续研究将进一步评估其系统误差，并在算法中去除系统误差来提高SMAP 产品的精度。

此外，由于本研究仅使用了2018年的数据，因此不能从长时间序列角度来对这4 种卫星产品进行评估，存在着不确定性，后续研究可以通过使用更长时间尺度的产品进行评估，并在此基础上生成一组长时间序列高精度的土壤湿度数据。