风云卫星系列及CLDAS土壤水分产品多尺度精度验证与评价：以青藏高原那曲地区为例*

王卓颖，刘杨晓月，杨 骥，刘昭华

（1．江西理工大学土木与测绘工程学院，赣州 341000；2．广东省科学院广州地理研究所，广州 510170；3．南方海洋科学与工程广东省实验室（广州），广州 511458）

土壤水分是全球陆面−大气热量交换的重要载体[1−3]，通过控制蒸发与蒸腾速率显著影响植被生长发育状态，是地表碳氮水循环、生态环境演化变迁研究中不可或缺的对象[4−5]。获取高精度的土壤水分产品对于全球气候变化研究、生态系统演替分析、旱涝监测预警、农作物长势分析与估产等具有重要的支撑作用[6]。

土壤水分数据获取方式主要有地面站点监测、卫星遥感反演和陆面模型同化三类[7]。其中，地面监测网络通过在地表固定深度埋设传感器对既定点位的土壤水分进行实时监测。地面监测网络获取的土壤水分数据精度高、时间间隔短（小时/分钟级监测频率），但空间范围非常有限，因此常用作验证数据参与其它类型土壤水分产品的评价与分析[8]。卫星遥感主要利用可见光-近红外、热红外、微波波段基于辐射传输方程来开展土壤水分反演，其中微波遥感因不受天气因素影响、对土壤水分敏感性高、反演数据质量普遍优于光学遥感等优点，被认为是星载传感器监测土壤水分的高效方法[9−11]。但受传感器自身误差、地形和植被衰减等因素影响，微波遥感产品数据与实际数据之间存在误差。相较而言，数据同化方法通过集成多源异构数据驱动陆面模式生成长时间序列土壤水分数据，在过程模型的动态框架内，通过集合卡尔曼滤波、四维变分、模拟退火等算法同化大气驱动数据、地表参数数据和地面观测数据，代入陆面模型通过spin-up 生成初始场，利用驱动数据和初始场信息驱动陆面模式进行积分运算得到土壤水分产品[12]。陆面模型同化产品时间序列长，覆盖范围广，但反演过程中，所用的驱动数据与模型参数等因素带来的不确定性使其表现与地面观测值间存在差异。因此，评估这两类土壤水分反演产品的有效性及精度并改进它们的反演方法是国内外研究学者的研究热点与重难点问题。

近年来，国际上多套基于卫星遥感和陆面模式同化的土壤水分产品已在相关领域得到广泛关注和研究，围绕其数据质量利用地面站点网络在美国、欧洲、澳大利亚等地开展了一系列评价验证与不确定性分析研究。王安乾等[13]在塔里木河流域利用经验正交函数分解对ECV（Essential Climate Variables）土壤水分产品的适用性进行了验证，认为ECV 产品在拟合土壤含水量变化趋势与空间分布上表现良好。Bi 等[14]利用青藏高原站点实测数据对GLDAS-1和GLDAS-2 两套土壤水分产品进行了评价，认为两者均能较好地捕捉土壤水分的时间变化，但存在低估地表土壤含水量的现象。姜少杰等[1]利用随机森林方法对FY-3B 升降轨、FY-3C 升降轨微波遥感土壤水分数据产品分别融合后，认为在内蒙古地区融合后产品的表现优于SMOS（Soil Moisture and Ocean Salinity）和AMSR2（Advanced Microwave Scanning Radiometer 2）卫星土壤水分产品。Al-Yaari 等[15−17]采用多线性回归法反演土壤水分，并对SMAP（Soil Moisture Active Passive）和SMOS 两套数据进行精度评价，认为SMAP 的单通道算法产品和SMOS 产品具有良好的相关性。Chen 等[18]利用青藏高原实测数据对SMAP、SMOS 和AMSR2 的精度分析后发现，SMAP 产品在获取土壤水分振幅和时空变化上较为优异；SMOS 数据集在那曲地区表现优良，但在帕里网络中存在土壤水分时空变化获取困难的问题；而AMSR2 数据集则夸大了时空变化。王雅正等[19]认为山东地区FY-3B/3C 与自动站观测数据时间一致性较好，相关性和误差存在明显的季节变化。在国际对地观测领域竞争日趋激烈的背景下，迫切需要对国产土壤水分数据进行系统评价，探究土壤水分精度的时空演化特征，为提高国产土壤水分产品的精度提供参考，为增强国产土壤水分产品的可用性和知名度起到促进作用。

青藏高原有“世界第三极”之称[20]，特殊的地形和气候特征使其成为北半球气候变化的启张器和调节器，它对全球气候变化也具有高敏感性和调节性[21−22]。故而，研究该区域的土壤水分对分析全球气候变化有着重要意义。由于青藏高原面积广袤、地形复杂、自然环境严酷，地面观测站点布设有限，获取其整个区域长时间序列的土壤水分实测数据难度较大。因此，选择有代表性的土壤水分产品对精确重现青藏高原土壤湿度变化情况具有重要意义。

本研究拟选取2015年1月1日−12月31日中国气象局国家卫星气象中心自主研制的FY-3B/3C 升降轨土壤水分产品、国家气象信息中心研制的中国气象局陆面数据同化系统CLDAS-V2.0 土壤水分产品以及全球陆地资料同化系统GLDAS-1 Noah 土壤水分产品，基于青藏高原那曲地区大（1°×1°）、中（0.3°×0.3°）和小（0.1°×0.1°）三个尺度土壤水分监测网络进行评价验证，以期为青藏高原气候变化分析与模拟，以及土壤水分产品校正和算法优化提供参考。

1 材料与方法

1.1 研究区域概况

研究区域为地处西藏北部、青藏高原腹地的那曲地区（29°55′−36°30′N，83°55′−95°05′E），面积约40 万km2，平均海拔在4500m 以上，地势广阔平坦，具有丰富的天然牧草资源。该地区属于高原亚寒带半干旱气候区，干湿季分明，月均降水量最大在7月，最小在12月或1月，年平均降水量为476.5mm[23]。那曲地区植被类型主要为高寒草原和高寒草甸，土壤类型主要为高山草甸土、草甸沼泽土和高山草原土。图1a 展示了研究区域的空间位置、海拔与土地覆被情况，其中海拔高程数据源自美国航空航天局发布的 ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radio meter Global Digital Elevation Model）[24−25]，数据获取地址为http://reverb.echo.nasa.gov/reverb/；土地覆被数据源自欧洲航天局发布的土地覆被产品（Climate Change Initiative- Land Cover Product），数据获取地址为https://www.eas-landcover-cci.org。

图1 研究区地理位置及站点分布Fig.1 Spatial location of study area and distribution of observation stations

1.2 土壤水分实测数据

青藏高原中部土壤温湿度观测网数据集（Central Tibetan Plateau Soil Moisture and Temperature Monitoring Network,CTP-SMTMN）作为实测土壤水分数据，用于验证并分析土壤水分产品的可靠性及精度，可由国家青藏高原科学数据中心（http://data.tpdc.ac.cn/）获取。该观测网由中国科学院青藏高原研究所建立，在研究区范围内共布设56 个站点，如图1b 所示。依据站点密度进一步将观测网划分为大尺度观测网（1°×1°）、中尺度观测网（0.3°×0.3°）和小尺度观测网（0.1°×0.1°），各尺度观测网内分别包含36、21 和9 个站点，站点分布情况分别见图1c−图1e。观测站点采用5TM 或EC−TM 型号土壤温湿度传感器获取土壤湿度数据，采样间隔为30min，测量深度包括0−5cm、10cm、20cm 和40cm。考虑土壤质地和土壤有机碳含量对测量值的影响，对数据进行了校正，校正后精度为±（1%～2%），并对30min 分辨率数据计算算术平均值得到日分辨率土壤水分数据[26−30]。

选取空间分辨率为 1°×1°、0.3°×0.3°和0.1°×0.1°，时间覆盖范围为2015年1月1日−12月31日的0−5cm、0−10cm 和10−40cm日分辨率土壤水分实测数据作为理论真值，对各土壤水分产品进行精度评价分析。为了保证数据的可靠性，仅当每天地面有效监测数据超过24 个，即至少覆盖12h，才认为该日的土壤水分实测值有效。

1.3 土壤水分产品数据

1.3.1 风云系列土壤水分产品

风云（FY）三号系列卫星是中国自主研制的第二代气象极轨卫星，共有四颗卫星，其中A 星2007年发射、B 星2010年发射、C 星2014年发射、D 星2017年发射[31−32]。风云三号系列卫星首次搭载全功率双极化微波辐射成像仪（Micro-Wave Radiation Imager,MWRI）在10.65、18.7、23.8、36.5 与89GHz开展对地观测。其中，以10.65GHz 为中心波长的X波段对土壤水分具有较好的估测能力，反演精度可达3～6 个百分点（vol.%）[33−34]。因此，基于X 波段亮温数据和一种改进的单通道算法[35]反演得到全球逐日土壤水分体积含水量产品（m3·m−3）。

目前风云卫星遥感数据服务网（http://satellite.nsmc.org.cn）开放获取的土壤水分产品主要有两种：（1）FY-3B 卫星升降轨土壤水分产品，由国家卫星气象中心基于FY-3B 的MWRI 微波亮温数据自主研制，利用Njoku 等[36]提出的迭代算法进行反演，并采用Shi 等[37]的裸土辐射参数化算法对于其糙度参数进行修改。其中FY-3B 卫星每日13：40地方时升轨（Ascending），1：40 地方时降轨（Descending）[1]。

（2）FY-3C 卫星升降轨土壤水分产品，由国家卫星气象中心基于FY-3C 的MWRI 微波亮温数据反演而来，反演算法与FY-3B 相同。其中FY-3C 卫星每日22：00 地方时升轨，10：00 地方时降轨[19]。相比FY-3B，FY-3C 对观测数据类型和数据结构进行了优化，当天即可获取覆盖全球的数据，具有精度更高、稳定性更强、功能更全面的优点。

1.3.2 中国气象局陆面数据同化系统土壤水分产品

为了贯彻落实中国气象局关于建设中国长时间序列、高时空分辨率陆面实况格点融合产品的指导思想，国家气象信息中心于2015年开始研制中国气象局陆面数据同化系统CLDAS-V2.0，对149 种多源地面观测数据、卫星遥感数据和数值模式产品等进行融合同化[38−39]，集成多种陆面模式模拟生成的东亚区域（0-65°N，60-160°E）、逐日、多深度（0-5cm、0-10cm、10-40cm、40-100cm、100-200cm）、0.0625°×0.0625°（约6km）经纬度网格的土壤体积含水量产品[40−41]。陆面数据同化系统可模拟生成具有时间、空间、物理一致性的土壤水分产品。CLDAS-V2.0 土壤水分产品从中国气象数据网-青藏高原科学考察基本资料服务专题（http://tipex.data.cma.cn/）申请获取。

1.3.3 全球陆面数据同化系统土壤水分产品

全球陆面数据同化系统GLDAS 数据集由美国宇航局、美国海洋和大气局与国家环境预报中心联合开发研制，融合多种卫星资料和地表观测资料，并对陆面模型资料模拟同化生成[42]。该数据集具有驱动场稳定、时间序列长和覆盖全球等特点，被广泛应用于气象学与水文学领域的研究。研究采用GLDAS-1 基于Noah 模型生成的0.25°×0.25°土壤水分数据集，数据集可从戈达德地球科学资料和信息服务中心（Goddard Earth Sciences Data and Information Services Center,GES DISC）（https://disc.gsfc.nasa.gov/）获取[43]。

1.4 研究方法

1.4.1 数据预处理

选用空间分辨率为25km×25km 的FY-3B/3C 升降轨土壤水分日分辨率产品、空间分辨率为0.0625°×0.0625°的CLDAS-V2.0日分辨率产品和空间分辨率为0.25°×0.25°的GLDAS-1 Noah日分辨率产品，数据时间覆盖范围均为2015年1月1日-12月31日。为保证数据时空一致性，需要对原始数据进行WGS-84 地理坐标转换，并对转换后的影像数据拼接和裁剪，再根据 1°×1°、0.3°×0.3°和0.1°×0.1°三个尺度观测网中站点空间位置对影像像元内土壤水分值与像元内站点实测数据进行空间匹配。另外，为了便于评价土壤水分产品与站点实测数据的一致性，统一所有土壤水分数据单位为土壤体积含水率，即m3·m−3。

鉴于风云卫星X 波段传感器微波穿深范围在地表3cm 左右和陆面模型同化数据中土壤湿度值为一定厚度土壤层的均值，故根据不同的测量深度将所有土壤水分产品划分为0-5cm、0-10cm 和10-40cm三组。测量深度为0-5cm 时，利用实测值评价风云和CLDAS-V2.0 土壤水分产品的精度；测量深度为0-10cm 和10-40cm 时，利用实测值验证CLDASV2.0 土壤水分产品精度并引入GLDAS-1 Noah 土壤水分产品进行对比分析。

1.4.2 评价指标

评价指标包括偏差（Bias）、相关系数（Correlation Coefficient,R）、均方根误差（Root Mean Square Error,RMSE）和无偏均方根误差（unbiased Root Mean Square Difference,ubRMSD）等。

偏差表示土壤水分产品数据接近站点实测数据的程度，偏差越接近0，产品精度越高。相关系数表示土壤水分产品与站点实测数据之间的线性相关程度，通常R 值越接近1，相关性越高，土壤水分产品表现越佳。均方根误差表示土壤水分产品与实测值之间的偏差，因其对异常值的敏感性高，均方根误差能很好地反映数据的精确度，均方根误差越小，精度越高。无偏均方根误差是均方根误差的无偏估计，是土壤水分评价研究中常用的误差参数，无偏均方根误差越小，数据集精度越高。具体计算方法为

式中，Gi是地面站点实测数据，Si是卫星或数据同化土壤水分产品数据，i 为1、2、3、…、n，n为观测总数据量，是地面站点实测数据均值，是卫星或数据同化土壤水分产品数据均值。

2 结果与分析

2.1 不同观测网尺度土壤水分与降水的时间序列演化特征

图2a-图2c 分别代表小、中、大尺度观测网下那曲地区站点实测值、各土壤水分产品与降水量的时间序列演化趋势。由图可以看出，3-10月为那曲地区的融化期，其余时期为冰冻期，冰冻期间土壤中液态水转变为冰晶，数值变化较小。当该地区进入雨季（5-10月），土壤水分对降水响应明显，土壤含水量随着降水量增加而增加。降水量在8月达到峰值，实测值在峰值后达到最大，不同观测网尺度下各土壤水分产品数据与站点实测值的土壤水分值变化趋势均保持一致。但是，卫星土壤水分产品连续性较差，部分时段缺少有效数据，FY-3B/3C 的日间反演产品连续性优于夜间反演产品。

图2 小（a）、中（b）、大（c）尺度观测网中不同土层土壤水分与降水时间序列演化趋势Fig.2 Daily series of soil moisture(FY-3B/3C ascending and descending,CLDAS,GLDAS and in-situ data)and precipitations at three depths of small(a),middle(b)and large(c)scale observation sparse network in different soil layers

由图可知，大尺度观测网中，0-5cm 深度，受到降水量增加的影响，从3月土壤开始解冻，站点实测土壤水分值上升，风云与CLDAS土壤水分产品取值增加，各土壤水分产品均能够较好地描述土壤水分变化特征。但当8月土壤水分达到最大值时，CLDAS土壤含水量估计值与实测数据相差较小，而风云系列卫星土壤水分产品估计值约为0.5m3·m−3，为实测值的两倍，高估了那曲地区站点实际土壤含水量。0-10cm 深度，CLDAS 普遍高估土壤含水量，GLDAS 模拟能力更优。但降水事件发生后，GLDAS出现明显的突增，再随着降水量减少而逐渐接近实测数据。10-40cm 深度，GLDAS土壤水分数据变化较小，且全年明显高估土壤含水量。而CLDAS 与实测数据变化基本吻合，但随着降水量增加，CLDAS出现高估现象。中尺度观测网中，0-5cm 深度，CLDAS 估计值更接近站点实测值，能够准确反映当地土壤水分变化。0-10cm 深度，GLDAS 对土壤水分的估计更准确，尤其是冰冻期。10-40cm 深度，GLDAS 估计过高，且变化幅度较小，模拟能力较差。小尺度观测网中，0-5cm 深度，雨季时CLDAS 表现优秀，对土壤水分估计较为准确。0-10cm 深度时，GLDAS 与实测值变化趋势拟合程度更高。10-40cm深度，雨季时估计值与实测值更接近，但其余时段GLDAS 估计过高，且变化幅度较小。而冰冻期CLDAS 估计较为准确，在融化期对土壤水分估计过高。综上所述，降水是影响土壤水分实测值与估计值出现波动的重要因素，但波动随着土壤深度增加而减弱。不同尺度观测网中，0-5cm 深度，CLDAS优于风云系列土壤水分产品；0-10cm 深度，GLDAS优于CLDAS；10-40cm 深度，CLDAS 优于GLDAS。综上所述，空间尺度的变化对统计结果影响不大，但对两类产品土壤水分估计值精度影响程度较大，小尺度上各土壤水分产品估计值更贴近站点实测值，精度显著提升。

2.2 不同观测网尺度土壤水分产品Bias 与归一化植被指数的时间序列演化特征

图3a-图3c 为小、中、大三个尺度观测网中三种土壤深度里各土壤水分产品Bias 值与归一化植被指数（Normalized Difference Vegetation Index,NDVI）的时间序列演化特征。由图可以看出，当那曲地区处于融化期，植被生长，NDVI 增大，并于7月和9月出现极大值。大尺度观测网中，0-5cm 深度，受到植被吸收和散射微波信号的影响，FY-3B/3C 在极大值区域Bias 指标为正值，最大值约为0.3m3·m−3，其余日期为负偏差。与受植被覆盖密度影响显著的卫星土壤水分产品不同，CLDAS 的偏差指标绝对值全年在0～0.1m3·m−3范围内，精度更高。0-10cm 深度，CLDAS 和GLDAS 两种数据同化产品的Bias 指标值始终在0～0.1m3·m−3，且GLDAS 的偏差指标值更接近于0，对当地土壤水分估计更加准确。10-40cm 时，GLDAS 的Bias 指标值波动幅度较小，但普遍高于CLDAS。整体上看CLDAS 数据质量更优。随着空间分辨率的提高，小尺度观测网各土壤水分产品的Bias 值低于大中尺度观测网，精度提高。综上所述，土壤含水量与植被生长呈正相关关系，但植被覆盖密度对数据同化产品精度影响较小，对卫星土壤水分产品精度影响显著。

图3 小（a）、中（b）、大（c）尺度观测网中不同土层土壤水分产品Bias 值与NDVI 的时间序列演化趋势Fig.3 Daily series of Bias between in-situ data and soil moisture products(FY-3B/3C ascending and descending,CLDAS and GLDAS)and NDVI of small(a),middle(b)and large(c)scale observation sparse network in different soil layers

2.3 不同观测网尺度各土壤水分产品与实测值的一致性分析

2.3.1 不同尺度土壤水分产品统计特征值比较

不同尺度观测网的空间分辨率不同，内含观测站点数量及分布信息不一致，致使不同尺度下的土壤水分信息表现不一。故本研究探讨了大（1°×1°）、中（0.3°×0.3°）、小（0.1°×0.1°）三个观测尺度中多源土壤水分产品在不同深度时的模拟能力。从图4可以看出，在不同尺度观测网上，各类数据集土壤含水体积模拟能力表现差异较大。整体上看，在不同空间尺度下，CLDAS 产品精度均为最佳，说明空间尺度的差异性对统计结果的影响较小，这与范科科等[44]研究结果一致。但空间尺度的差异性对同一地区的各类土壤水分产品精度造成了一定的影响。由图4 看出，小尺度观测网土壤水分产品精度高于大中尺度观测网，在同一深度，小尺度观测网上土壤水分产品与实测数据的相关系数最高，Bias、RMSE 和ubRMSD 最小。

图4 青藏高原那曲地区多尺度土壤水分产品统计特征值分布Fig.4 The spatial statistical indices for soil moisture products at multi-scale sparse observation network in Naqu over the Qinghai-Tibetan Plateau

2.3.2 大尺度观测网

图5 为大尺度观测网下在不同深度时多源土壤水分产品与站点实测值间相关系数及显著性检验结果的分布情况。从图中可以看出，那曲地区各土壤水分产品与大尺度观测网中36 个站点实测值的相关系数由东南向西北递减。0-5cm 深度，CLDAS与站点实测数据的相关性最高，其次是FY-3B 升轨产品，表现最差的是FY-3B 降轨产品。由图6 可以看出，CLDAS 相关性最高，Bias、RMSE 和ubRMSD偏低，数据质量最优。卫星土壤水分产品中，FY-3B升轨产品与站点实测值相关系数大于0.6 的站点有24 个（图5a），偏差、均方根误差和无偏均方根误差均值分别为 0.030m3·m−3、0.106m3·m−3和0.082m3·m−3，为所有卫星土壤水分产品中最低，土壤含水量模拟能力最优。风云系列卫星日间反演产品与站点实测值间的多数P 值小于0.01，为高度显著相关（图5a、5d），FY-3B 降轨产品全部P 值大于0.05，为显著相关。0-10cm 深度，CLDAS 与观测网内36 个站点土壤水分数据的相关性更高，但GLDAS 的Bias、RMSE 和ubRMSD 更低，其中Bias均值为0.030m3·m−3，GLDAS 对那曲地区的土壤含水量估计更准确。10-40cm 深度，CLDAS 相关性更高（图5h、5i 和图6a3），精度更高。CLDAS、GLDAS产品与所有站点的相关系数均通过0.01 水平的显著性检验。

图5 大尺度观测网土壤水分产品与站点实测值相关系数（R）及显著性检验结果（P）Fig.5 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at large scale sparse observation network

图6 不同土层大尺度观测网中土壤水分产品与站点数据统计指标的盒须图Fig.6 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at large scale sparse observation network in different soil layers

2.3.3 中尺度观测网

从中尺度观测网（0.3°×0.3°）角度看，在0-5cm深度，CLDAS 整体表现最优。风云系列土壤水分产品中，FY-3B/3C日间反演产品偏差、均方根误差和无偏均方根误差分布情况相似，但与实测数据相关系数大于0.6 的站点个数，FY-3B 升轨和FY-3C 降轨土壤水分产品分别有19 个和16 个（图7a、7d），相关系数均值分别为0.74 和0.71，FY-3B 升轨产品数据质量更高。而FY-3B 降轨产品与个别站点的相关系数为负值，Bias、RMSE 和ubRMSD 偏高，精度最差。图7 显示，除FY-3B 降轨产品外，卫星土壤水分产品与站点实测值间多数站点极显著相关，个别站点中度显著相关。在0-10cm 深度，CLDAS 和GLDAS 的R 和ubRMSD 指标分布相似（图8），但GLDAS 的Bias 和RMSE 较低，对土壤水分估计更加准确。在10-40cm 深度，CLDAS 与GLDAS 的Bias、RMSE 和ubRMSD 接近，两者与实测值间多数极显著相关，但相关系数大于0.6 的站点个数分别为16 和3，R 均值分别为0.70 和0.37，CLDAS 精度明显优于GLDAS。

图7 中尺度观测网土壤水分产品与站点实测值相关系数（R）及显著性检验结果（P）Fig.7 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at middle scale sparse observation network

图8 不同土层中尺度观测网中土壤水分产品与站点数据统计指标的盒须图Fig.8 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at middle scale sparse observation network in different soil layers

2.3.4 小尺度观测网

就小尺度观测网（0.1°×0.1°）来看，图9 中，风云系列卫星日间数据集、CLDAS 和GLDAS土壤水分产品数据与站点实测值的相关系数均通过0.01水平的显著性检验。图10 中，0-5cm 深度，CLDAS表现最优，与站点实测值相关性高，Bias、RMSE 和ubRMSD 最低。卫星土壤水分产品中FY-3B 升轨数据精度最高，其次是FY-3C 降轨数据，FY-3B 降轨数据质量最差。0-10cm 深度，CLDAS 与多数站点数据相关性更高（图9f、9g），但图10 显示，两种数据同化产品的RMSE 和ubRMSD 分布情况接近，GLDAS的Bias更低，GLDAS数据质量高于CLDAS。10-40cm 深度，CLDAS 和GLDAS 与实测数据相关系数大于0.8 的站点个数分别为8 个和1 个，且CLDAS 的Bias 绝对值明显小于GLDAS，RMSE 和ubRMSD 指标优于GLDAS。故在10-40cm 深度，CLDAS 在那曲地区适用性较好。

图9 小尺度观测网土壤水分产品与站点实测值相关系数（R）及显著性检验结果（P）Fig.9 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at small scale sparse observation network

图10 不同土层小尺度观测网中土壤水分产品与站点数据统计指标的盒须图Fig.10 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at small scale sparse observation network in different soil layers

3 结论与讨论

3.1 结论

本研究利用2015年青藏高原那曲地区观测站点土壤水分实测数据对风云三号系列卫星土壤水分产品、CLDAS 和GLDAS土壤水分同化产品进行了精度评估验证，比较了大、中、小尺度观测网中测量深度为0-5cm、0-10cm 和10-40cm 时各土壤水分产品的优势与劣势。

从时间序列上看，不同尺度观测网下，卫星土壤水分产品出现空值较多，连续性较差。当那曲地区进入融化期，风云系列卫星土壤水分产品精度降低，数据同化产品精度变化较小。当那曲地区进入雨季，站点实测值随着降水增加而增大，在8月降水达到峰值时取得最大值。降水事件发生后，卫星土壤水分产品出现高估现象，但整体上，各土壤水分产品均能与站点实测数据变化趋势保持一致，能够较好地捕捉当地土壤水分变化情况。

从空间尺度上来看，不同尺度观测网内各土壤水分产品与站点实测数据的相关性分布情况不一，精度由东南向西北递减。随着空间分辨率提升，土壤水分产品精度增加，小尺度观测网中各数据集精度高于大尺度观测网。陆面数据同化产品精度高于卫星土壤水分产品，风云系列卫星土壤水分产品日间反演数据集精度高于夜间反演数据集。0-5cm 深度时，CLDAS 精度最高，其次是FY-3B 升轨数据，最差是FY-3B 降轨数据；0-10cm 深度时，GLDAS 数据质量优于CLDAS；10-40cm 时，CLDAS 精度更高。说明空间尺度差异是造成结果异质性的主要原因之一。由于小尺度观测网中实测站点数量较少，单个站点监测值仅能表示有限区域范围的土壤水分，难以真正代表数公里格网像元的土壤水分整体情况。当尺度增大，单个像元内布设的站点增多，观测密度增加，空间代表性增强，评价结果趋于稳定，可信度较高。

3.2 讨论

本研究仅选取2015年数据在青藏高原那曲地区开展验证分析，观测站点数据少、时间序列短，而影响土壤水分的因素复杂多样，精度验证结果的适用性仍需进一步验证。

卓嘎等指出，那曲地区夏季土壤水分日变化较为平缓，而秋季2cm 深度土壤水分日变化明显[45]。当日土壤水分积累期为11：00-17：00，并于17：00左右达到峰值，随后开始衰减，直到次日8：00 结束，完成一天的循环[46]。卫星土壤水分产品获取的是卫星每日过境探测到的瞬时值[19]，而实测数据与陆面数据同化系统土壤水分值为日均值。因此，CLDAS 精度高于风云系列卫星土壤水分产品，且卫星日间土壤水分产品精度高于夜间产品[47]。说明本研究使用的时空匹配方法是卫星土壤水分产品与陆面数据同化系统产品精度存在差异的影响因素之一。因此，在下一步研究中将寻找其它时空匹配方法以提升匹配的合理性和准确度。

同样地，站点布设区域受到地形、气候、降水、植被等因素影响，5-10月不同尺度观测网中各深度的土壤水分产品精度出现波动，尤其是卫星土壤水分产品变化显著[48−49]。那曲地区站点所处土壤类型主要为高山草甸土，其近地表层为草根盘结层。该地区东部土壤质地均为壤质土，土壤有机质含量在2%以上，而西部地区土壤质地60%为壤质土，40%为砂质土，且有机质含量普遍低于东部土壤[50]。当那曲地区进入融化期或发生降水事件后，水分渗透土壤，经土粒的引力作用逐渐向土壤深层进行再分配，而后通过草甸根系吸收蒸腾作用以及表层土壤的蒸发回到大气中。由于壤质土偏黏、吸水能力强，随着入渗的水分增多，土壤水含量增加，致使土壤水分产品与站点的相关系数由东南向西北方向递减。小尺度观测网中站点数量较少，分布较集中，土壤类型单一，因此，小尺度观测网中各土壤水分产品精度高于大尺度观测网[44]。CLDAS土壤水分产品融合多源数据，加入气温、气压和降水等参数后使用CLDM3.5 模式进行陆面过程模拟土壤水分，故当降水后，CLDAS土壤水分产品与观测数据更为吻合。而土壤表层中存在饱和含水量的土壤层导致卫星传感器探测深度比站点传感器探头探测深度更浅，使得风云系列卫星土壤水分产品对土壤水分估计过高。因此，建议在后续土壤水分产品研制过程中考虑加入植被、地形、降水等因素的影响，持续迭代优化反演和同化算法，以获得更高精度的土壤水分产品，更加科学、有效地提升中国土壤水分产品精度、稳定性和应用价值。