基于降尺度和分层优化采样的土壤水分制图方法研究

王春梅 韩乐然 谢秋霞 余涛 占玉林

摘  要：如何获取能够代表卫星观测尺度、并揭示空间异质性的土壤水分数字地图，是被动微波土壤水分产品真实性检验研究的关键问题。本研究选取河北省深州市为研究区域，首先基于MODIS长时间序列的NDVI、LST和Albedo产品数据集，综合利用HANT重构方法和降尺度模型优选，获取1km分辨率的土壤水分估算结果。其次，为保证检验真值的高精度要求，本研究基于地面实测数据的空间异质性和空间相关性规律，构建了研究区域的土壤水分分层优化采样模型，制作了高精度土壤水分数字地图。结果表明，联合应用降尺度和分层优化采样方法，土壤水分制图精度大大提高，其中绝对误差减少了一倍，均控制在7.5%以内，相关系数也大大提高。

关键词：土壤水分  真实性检验  降尺度  采样

中图分类号：P333           文献标识码：A                  文章编号：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

隨着全球气候变化和陆面数据同化研究对土壤水分反演的精度要求不断提高，被动微波土壤水分产品的真实性检验变得极为重要。因此，如何获取能够代表卫星观测尺度、并揭示空间异质性的土壤水分数字地图，是被动微波土壤水分产品真实性检验研究的关键问题。高精度土壤水分制图方法一直是真实性检验遥感学科的热点问题和挑战性问题，主要与四类数据密切相关：实测样本数据、影像数据、模拟数据和先验知识数据[1-6]。

本研究基于实测数据和遥感影像数据，联合利用土壤水分产品降尺度和优化采样方法，构建高精度土壤水分数字地图。该研究不但对丰富遥感真实性检验学科理论和技术具有重要意义，而且能够降低大尺度土壤水分产品误差，提高在相关行业领域的应用价值，同时也为其他低分辨率遥感产品的真实性检验提供借鉴。

1  研究区

本文选取河北省衡水市深州市为研究区，中心经纬度为38.05°N，115.47°E。在深州研究区共开展了4次野外试验，玉米生长期主要集中在6～9月份，4次野外实验包含了玉米整个生长周期（2016/6/27，2016/7/21，2016/8/14，2016/9/07）：苗期阶段，穗期阶段和花粒阶段。根据研究区范围和农作物的长势情况，共选取23个样区，每个样区包含3个采样点，共获得69个采样点信息。采用烘干称重法测量地表0～5cm内的土壤含水量，烘干称重法获得每个采样点土壤湿重、干重以及土壤容重，获得土壤体积含水量（缩写SMC）。

2  研究方法

2.1 降尺度

本研究使用FY3-B土壤水分产品获取指定区域、指定日期的土壤水分数据;并对FY3-B土壤水分数据进行降尺度处理，通过使用回归模型将25km分辨率FY3-B 土壤水分数据空间分辨率提高为1km分辨率土壤水分数据：

（1）

其中A25为反照率（A）的25km平均值，V25为植被指数NDVI（V）的25km平均值，T25为地表温度LST（T）的25km平均值，m和n分别是FY3-B像素中第i行和第j列中1km像素的数量;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像素的地表温度LST值;

本研究分布采用了三种不同的回归统计模型， 其中，方程（2）和（3）分别引用了国外专家（choi等，2012;Kim等，2012）[7-8]和国内专家王安琪[9]等提出的统计模型，方程（4）是本文作者提出的统计模型。

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是回归系数;A为反照率、V为植被指数、T为地表温度。

首先，将公式（1）计算的A25、V25和T25分别带入公式（2）～（4），根据对应像元尺度25km分辨率的FY3-B土壤水分数据SM25，通过回归分析计算模型中的回归系数。

其次，将MODIS产品1km分辨率的反照率（A），植被指数NDVI（V）和地表温度LST（T）带入模型公式（2）～（4），相应计算得到了1km分辨率的土壤水分值SMC。

2.2 地面优化采样

无论是土壤水分反演算法模型的构建，还是土壤水分产品的真实性检验，都需要土壤水分地面实测数据的支持。土壤水分具有较大的时空变异，尤其是表层土壤水分，实测数据的合理采样布局，对非均质土壤水分制图研究有很大影响[10-11]。

在像元土壤含水量分层采样中，将像元大小为M的总体分成L个不相重叠的层，它们的大小分别为M1，M2，…，ML。第q（q=1，2，…，L）层的权重为Wq=Mq / M，可认为是第q层面积占整个像元面积的比例[19]。分层采样的总体估计均值是L个样本均值的加权平均，。和的方差分别为：

（5）

（6）

式中：σq，nq和fq=nq/Mq分别为第q层的标准差、样本数目和抽样比。若数据满足正态分布，在1—α的置信水平下，可代替式（5）中的，则所有层的合理取样数目可表示为

（7）

分层采样除了能确定像元内总的合理取样数目（n0）外，还能进一步估计像元内各单元层的取样数目。第q层的取样数目np为

（8）

最后，各层采样数目确定后，就需要利用随机组合方法确定各层中的抽样点位置，具体思路如下：

（1）从各层的实测数据n中分别随机选出m个数据（m=np），每次的选择需要随机重复s（s=）次。

（2）计算每次选择得到的np个样本集，共获得组的采样布局，以此作为地面优化抽样数据点。

3  结果与讨论

3.1 土壤水分降尺度

選取研究区内待检验的长时间序列被动微波土壤水分产品，根据过境时间下载MODIS数据产品，包括16d合成NDVI、日LST和8d合成Albedo产品。

研究中引入Hants时间序列重构方法，将16d合成NDVI进行重构成单日NDVI。基于MODIS单日数据产品，构建单日时间尺度上的被动微波土壤水分值与NDVI、LST和Albedo的相关性显著的拟合方程。结果表明，不同拟合方程中FY-3B土壤水分与各先验参量的相关性都表现显著，其中本研究提出的拟合方程相关性也极为显著（R=0.54，Significance F =0.0000**），如表1。

进一步利用构建的拟合方程对空间分辨率为25km的被动微波土壤水分数据进行降尺度，以获取单日的1km尺度土壤水分数字地图（图1）。从图上看出，2016/6/27苗期，土壤水分均值都低于10%，而2016/7/21穗期，土壤水分相对都较高，大多都高于16%。

3.2 地面优化采样分析

单一遥感手段通常难以刻画地表土壤水分的时空动态，如果想提高空间精度，必须补充观测数据。为进一步提高土壤水分估计值的精度，本研究利用地面实测数据的优化采样对土壤水分降尺度进行优化改进。

考虑到在1km区域尺度上大量收集高质量且具有表征性的地面样本观测数据费时费力，因此，本研究基于1km土壤水分信息的空间异质性和空间相关性规律，采取空间概率分布的优化分层策略，构建土壤水分预先采样模型。

对单日的1km尺度被动微波土壤水分数字地图进行空间异质性和空间相关性分析，根据公式（5）～（8），得到研究区土壤水分预采样结果。如表2所示，当DOY=178，202，226和249时，研究区内分别至少需要15、5、10和34个样点。地面样点的空间布局如图1所示，这是进行精度改进的地面合理采样布局。需要说明的是，图1中的d，从示意图中只显示了23个样点，但实际上应该是包含了34个样点，这其中的11个样点，由于地面采样间距比较近，所以在这个比例尺下的示意图中无法全部显示。

3.3 土壤水分精度评价

根据预采样模型的地面样点布局，开展被动微波降尺度土壤水分信息精度改进。为进行精度评价，本研究采用四次野外同步的69个地面实测数据集作为真值验证数据。

表3是土壤水分产品精度改进前后的对比分析结果。结果表明，通过土壤预采样方法，精度大大提高，其中绝对误差减少了一倍，均控制在7.5%以内，相关系数也大大提高，表现更为显著。

4  结语

针对被动微波低分辨率像元内的异质性给土壤水分产品的真实性检验带来的难题，本研究的目的在于获取能够代表卫星观测尺度、并揭示空间异质性的土壤水分数字地图，这是被动微波土壤水分产品真实性检验研究的关键问题。为了实现上述目的，本研究利用降尺度方法和分层优化采样方法，构建了高精度土壤水分数字地图，实现了融合多源数据类型的土壤水分制图研究。

参考文献

[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] 楊铎.基于天地图的农业一张图系统设计与实现[J].科技资讯，2020（1）：5-6.

[6] 程葛鉴，于欢，孔博，等.面向对象遥感影像分析技术应用现状与展望[J].科技资讯，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，宫辉力，等.降尺度土壤水分信息与植被生长参量的时空关系[J].农业工程学报，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.