多源土壤水分产品在河北平原的适用性评价*

石嘉丽,张晓龙,闵雷雷,张 婧,王 妍,4,沈彦军**

(1.中国科学院遗传与发育生物学研究所农业资源研究中心/中国科学院农业水资源重点实验室/河北省节水农业重点实验室 石家庄 050022; 2.中国科学院大学 北京 100049; 3.河北省气候中心 石家庄 050021; 4.河北师范大学地理科学学院/河北省环境演变与生态建设实验室 石家庄 050024)

土壤水是物质运移、能量传输的载体,参与碳水循环与地气能量交换,是作物生长的直接水源和关键要素,对农业生产、气象预报和干旱预测具有重要影响。开展长期有效的大范围土壤水分监测,有利于高效快捷地掌握土壤水分动态,是农业生产和环境因子评价研究中必不可少的部分。此外,区域尺度甚至全球尺度土壤水分的反演也是陆面过程模拟所需要的重要变量。土壤水分的监测方法主要有田间测定法、模型模拟法和遥感反演法3 种。田间测定法数据测量精度高、测量深度大,但站点监测代表范围有限,难以应用于区域研究; 模型模拟法即根据水量平衡方程、水动力方程及数理统计原理等方法来构建模型,可用于较大范围土壤水分模拟,但模型输入数据和需要校准的参数较多,模拟结果的不确定性也更高; 遥感反演法是通过建立可见光、近红外、热红外及微波等电磁波与土壤水分的关系反演土壤水分,时效性强、获取便捷且可用于大范围土壤水分监测,但反演深度局限于土壤表层,数据精度参差不齐。3 种方法各有利弊,在实际应用中互为补充,实测数据精度较高,常为验证反演结果及模拟结果的地面真值,遥感反演数据也常为输入模型的驱动数据。

近年来,卫星和传感器的发展使土壤水分反演得到了显著进步。微波遥感由于对地表土壤水分、植被特性的变化更加敏感,且对大气、云、雨等穿透能力更强,在当前研究中得到了广泛应用,基于微波遥感的各类遥感产品为土壤水分研究提供了大量数据。微波遥感包括主动微波与被动微波,全球性主动微波产品主要有基于C 波段的高级微波散射计(ASCAT)产品以及美国土壤水分主动-被动探测卫星主动微波(SMAP_A)产品。被动微波产品包括高级微波扫描辐射计(AMSR-E)、高级微波扫描辐射计2(AMSR2)以及基于L 波段的欧洲土壤水分与海洋盐分卫星(SMOS)、美国土壤水分主动-被动探测卫星被动产品(SMAP_P)和基于X 波段的中国风云三号(FY3)气象卫星土壤水分产品。此外,陆面过程模拟所生产的土壤水分数据在过去几十年里也得到了长足的发展。全球陆地蒸散发阿姆斯特丹模型(GLEAM)、美国宇航局全球陆面同化系统(GLDAS)、SMAP4 级产品、北美大陆数据同化系统(NLDAS)、中国气象局数据同化系统(CLDAS)及欧洲中距离天气预报中心(ECMWF)的第五代气象再分析资料(ERA5)等土壤水分产品均得到广泛应用。

地表土壤水分的时空变异性强,对土壤水分产品进行精度验证与评价不仅可以为开发者改进算法、增强区域适用性提供参考,还可为土壤水分产品进一步应用提供研究基础。国内外已有许多学者对多种土壤水分产品适用性进行了对比评估。Al-Yaari 等基于ECMWF 土地数据同化系统的土壤水分数据对比了AMSR-E 及SMOS 在全球的精度,结果表明两种产品均能较好地捕获土壤水分的时空变异性,SMOS 在植被覆盖度高的地区表现更佳,AMSR-E 则在干旱和半干旱条件下效果更好。Kim等在全球尺度上评估了ASCAT、SMOS、SMAP、AMER2、GLDAS、ERA5 等6 种主被动微波产品及模型模拟产品在植被密集区及农田灌区的表现,研究表明,在灌溉地区ASCAT、SMOS、SMAP 表现反而优于其他陆面模型产品,ERA5、GLDAS 表现优于AMSR2 产品。Cui 等基于美国LWW 观测网及西班牙REMEDHUS 观测网实测数据验证了SMAP、SMOS、AMSR2、FY3B 等8 种遥感产品,结果表明,SMAP 产品在LWW 观测网的估测结果优于其他产品,FY3B 产品在土地利用类型多为农田的REMEDHUS观测网的表现更好。Zeng 等依据青藏高原观测网的实测土壤水分数据评价了AMSR-E、SMOS、SMAP等7 种遥感产品及再分析数据ERA-Interim 在青藏高原的表现,研究发现,除SMAP 明显低估了土壤水分并缺乏时间动态性外,其他产品通常都能捕获土壤水分动态,其中ERA 产品最接近土壤水分观测值的绝对值。Fu 等评价了AMSR2 及FY3B 在东北典型农田的表现,发现FY3B 虽然数据量有限,但在作物生长季内表现最佳。Liu 等评价了SMAP、SMOS-IC、GLDAS、GLEAM 等11 种遥感反演及陆面模型土壤水分产品在青藏高原的表现,结果表明除SMOS-IC 受射频干扰等,SMAP、GLDAS、GLEAM在青藏高原均有较好表现。Wang 等对比了GLDAS、SMOS、SMAP、CLDAS 等4 种产品在呼伦贝尔草地的表现,结果表明,4 种产品在冬季、春季均低估了土壤水分,GLDAS 和SMAP 可更好地反映出土壤水分的时空变化趋势,但GLDAS 难以捕捉土壤水分的垂直变化动态,SMAP 存在数据缺失问题。

以上研究对多种微波遥感产品及陆面模型产品在不同区域的适用性进行了评价,但对河北平原这一重要的农业区域关注较少。河北平原地处华北平原中部,耕地占比达90%以上,是我国重要的粮食产地,主要种植制度为冬小麦()-夏玉米()一年两熟制，是世界上冬小麦、夏玉米最高产的地区之一。同时，河北平原径流微弱,地表水缺乏,大量依赖开采地下水灌溉,河北平原已成为华北平原乃至全国地下水超采最严重的区域。借助土壤水分产品掌握河北平原的土壤水分动态对河北平原干旱监测、发展节水农业、保障粮食安全均有重要意义。因此,本文旨在基于实测数据对比SMOS、SMAP、FY3B 3 种微波遥感产品、再分析土壤水分数据集ERA-Land 及GLDAS_NOAH_V2.1、GLEAM_V3.5b 两种陆面模型同化产品,评价多源土壤水分产品在河北平原典型农田的适用性,为土壤水分产品在河北平原的进一步应用和算法改进提供参考。

1 研究区概况与数据来源

1.1 研究区概况

河北平原地处华北平原中南部,位于114.16°～117.78°E,36.05°～39.61°N 之间(图1),包括沧州市、衡水市全域和廊坊市、保定市、石家庄市、邢台市、邯郸市的部分地区。主要土地利用类型为耕地,以冬小麦-夏玉米一年两熟轮作为主,是我国重要的粮食产区。河北平原属暖温带季风型气候,夏季炎热多雨,冬季寒冷干燥;年均降雨量为540 mm,降水主要集中于夏季,自然降水难以满足一年两熟制的作物生长需求,作物高产主要依赖于地下水灌溉。本研究选取观测站点包括望都(115.12°E,38.71°N)、栾城(114.69°E,37.89°N)、霸州(116.35°E,39.03°N)和威县(115.46°E,36.94°N),分别位于保定市望都灌溉站、中国科学院栾城农业生态系统试验站及霸州市、邢台市威县。

图1 研究站点及不同土壤水分产品像元分布图Fig.1 Location of observed stations and soil moisture products pixels

1.2 实测数据

河北平原土壤水分实测数据来源于渤海粮仓农情观测网(http://www.casbhlc.com/)的望都、霸州、栾城、威县观测数据,观测仪器的传感器探针水平埋设于河北平原小麦、玉米、棉花等典型农田,通过联网监测系统每1 h 自动采集一次土壤10 cm、30 cm、50 cm 深度土壤体积含水量。各监测站点土壤含水量传感器均为土壤体积含水量、电导率和温度三合一电容式传感器,通过实地取样建立理论含水量与仪器实测含水量关系曲线校准数据,具体校准方法参考Fu 等的研究。校准后的数据质量较好,满足本研究的需要。

2018年土地利用数据(分辨率为30 m)来源于中国科学院资源环境科学与数据中心(http://www.resdc.cn/)。

1.3 土壤水分产品数据

1) FY3B(http://satellite.nsmc.org.cn/portalsite/default.aspx)是由中国国家航天局于2010年11月发射的第二代极地轨道气象卫星,FY3B 搭载有微波成像仪(MWRI),可测量自10.65 GHz 到89 GHz 的5 个频率的水平和垂直两种极化方式的X 波段亮度温度。降轨产品相比升轨产品过境时间的热平衡条件较好,受温度相关影响更小,结果更为准确。因此,本文均选取微波产品的降轨数据进行对比。

2) SMOS(https://earth.esa.int/eogateway/missions/smos)是欧洲航天局于2009年11月发射升空用于探测全球表层土壤湿度与海水盐分的地球探测卫星,可探测海洋、大气和陆地之间水循环导致的土壤湿度和海洋盐度变化。L 波段可最大限度地减少大气影响,被认为是土壤水分反演的最佳波段。SMOS 卫星采用基于零级辐射传递方程的L 波段微波发射正向模型,首次实现了L 波段被动微波对土壤水分的反演。

3) SMAP(https://nsidc.org/data/smap/smap-data.html)是美国国家航空航天局(NASA)于2015年1月发射升空的、用于全球土壤水分和冻融监测的主被动土壤水分专题卫星,是目前在轨的最新土壤水分监测卫星。SMAP 搭载了L 波段主被动微波探测仪,能同时提供L 波段的后向散射和亮温数据。该产品采用V 计划单通道算法(SCA-A),以垂直极化亮度温度观测值估算土壤水分。

4) ERA5 是由ECMWF 于2016年发布的第五代气象再分析资料。ERA-Land(https://cds.climate.copernicus.eu/)重分析了ERA5 的土地成分,为模型添加了大气强迫,使用空气温、湿度等输入变量控制ERA-Land 的模拟结果,用物理定律将模型数据与世界各地观测数据集合到一个全球数据集中,与实际结果更加接近。

5) GLDAS(https://ldas.gsfc.nasa.gov/gldas/specifications)是由美国宇航局戈达德飞行中心(GSFC)和美国海洋大气局国家环境预报中心(NCEP)联合开发。GLDAS 模型同化了遥感卫星数据和地面观测数据,通过Noah、CLM、Mosaic 和VIC 陆面过程模式得到一系列陆面过程产品。

6) GLEAM(https://www.gleam.eu/)模型通过同化卫星数据及实测数据得到表层及根区土壤水分数据。自2011年开发以来,一直在不断修订和更新,不断结合新的卫星观测的地球物理变量来改善物理过程的表现形式。土壤水分产品详细信息如表1所示。

表1 本研究所用土壤水分产品信息Table 1 Soil moisture products information used in the study

2 研究方法

2.1 土壤水分产品数据预处理

首先将各类土壤水分产品进行数据格式转化及投影转化,其次将ERA-Land、SMOS、SMAP、FY3B产品重采样,统一空间分辨率为0.25°。若当日没有降水或灌溉,地面观测数据土壤湿度日内变化较小,则卫星过境时刻瞬时土壤水分与日均土壤水分差别不大。因此,将各站点土壤含水量实测数据的日均值与对应土壤水分产品像元含水量进行对比。因微波遥感数据仅可获取地表浅层土壤湿度,故选取0～10 cm 站点实测数据进行验证。受实测数据获取时段限制,研究时段为2018年1月1日-2019年10月29日。

2.2 评估指标

本文选取了相关系数()、均方根误差(RMSE)、偏差(Bias)和无偏均方根误差(ubRMSE) 4 个指标进行遥感土壤水产品的适用性评价,仅选取遥感产品与实测数据均具有有效数据的日期计算各项评估指标。指标具体计算公式如下:

式中:为、的相关系数,X为第天的土壤水分产品体积含水量,Y为第天的实测土壤水分体积含水量,为研究日期数。取值在-1 到1 之间,＞0 表示两要素正相关,＜0 表示两要素负相关,的绝对值越大表明二者的相关性越强。RMSE 为土壤水分产品序列与实测值序列的平均误差,其值越小说明土壤水分产品体积含水量越接近于实测值。Bias为、的偏差,反映土壤水分产品序列与实测值序列之间的差异,正值表明土壤水分产品低估了土壤体积含水量,负值表明高估了土壤体积含水量。ubRMSE 为无偏均方根误差,表示消除偏差后的遥感土壤水分产品与实测值之间的误差。

3 结果与分析

3.1 日尺度土壤水分产品验证结果

各研究站点实测土壤体积含水量(图2)均介于0.10～0.45 m·m之间,春季个别时段的土壤含水量陡增体现了灌溉的影响,之后土壤水分下降剧烈,反映了作物强烈耗水对土壤含水量的影响; 峰值出现在夏季,受降雨影响土壤含水量剧烈波动,整体处于较高水平; 秋季、冬季蒸散发能力弱,土壤含水量变化较为平稳,呈现缓慢的下降趋势。各站点因降水量、作物类型等存在差异,土壤含水量变化幅度也存在差异。

各土壤水分产品均可在一定程度上反映望都站土壤水分变化动态(图2a-b、图3a-b),表现出土壤水分的季节变化特征。研究时段内,FY3B 与实测土壤体积含水量相关系数达0.77(表2),相关性高于其他数据产品; 但FY3B 秋冬缺失数据较多,仅有181 d的有效数据,且夏季土壤体积含水量达到峰值时,FY3B 出现了连续极大值(0.50 m·m),从而整体上高估了土壤含水量,使Bias 为负。GLDAS 和GLEAM基本与实测土壤水分波动变化吻合,其ubRMSE 为6 种产品最小(0.051 m·m),相关系数分别为0.530和0.546,高于ERA-Land 和SMOS,春夏可捕捉到土壤水分较高时的变化动态,但在秋冬季节低估了土壤含水量。SMOS 数据分布分散,波动变化幅度大,严重低估了土壤含水量,秋冬最为显著,整体与土壤水分的相关系数最小,Bias 和ubRMSE 最大,表现最差。

表2 各站点各种土壤水分产品的精度检验Table 2 Error metrics of soil moisture of different soil moisture products in different stations

图2 研究期间不同土壤水分产品和实测(In-situ)的望都(a,b)、霸州(c,d)、威县(e,f)、栾城(g,h)土壤体积含水量变化Fig.2 Variations of soil volumetric water contents in Wangdu(a,b),Bazhou(c,d),Weixian(e,f) and Luancheng(g,h) stations from the soil moisture products and in-situ soil moisture(In-situ) during the experiment period

霸州站土壤水分产品对土壤水分变化情况的反映较差(图2c-d、图3c-d),仅能捕捉夏季土壤含水量峰值附近的动态,难以反映春季作物耗水及灌溉降雨引起的剧烈变化,对秋冬土壤含水量也有较大程度的低估。尽管ERA-Land、GLDAS 和GLEAM 对霸州土壤水分存在干燥偏差(Bias)分别为0.120 m·m、0.120 m·m和0.080 m·m,但总体仍优于卫星反演产品。GLDAS 相关系数最大(=0.527)且ubRMSE最小,效果最好,GLEAM(=0.446)与ERA-Land(=0.414)次之。此外,FY3B 的相关系数仍高于SMAP和SMOS,表现出了其在河北平原良好的适用性。霸州站实测数据量较少,0.30～0.35 m·m数据范围内仅有26 个有效数据,故图3c-d 出现明显空白部分使散点图分为左右两个区域。

威县各土壤水分产品(图2e-f 及图3e-f)与其他站点相似,整体低估了土壤水分,但较其他站点偏差小,与实测数据数值最为接近。整个研究时段均与实测土壤含水量相关性较好,能够反映出春夏土壤水分的剧烈波动。其中ERA-Land 的相关系数为0.535,高于GLEAM,但GLEAM 的RMSE 及ubRMSE 为6 种产品最小,最接近产品控制精度(ubRMSE=0.042 m·m)。SMAP 在霸州站表现较好,数值集中于0.10～0.20 m·m之间,相关系数甚至高于GLDAS 及FY3B。FY3B 冬季因土壤表层结冰卫星数据缺失,春季低于土壤实测含水量而夏季明显高估,变化幅度较大。SMOS 质量仍较差,相关系数最低且偏差最大。

栾城站土壤水分产品(图2g-h 及图3g-h)相关系数偏低,ubRMSE 偏大,精度最差。除ERA-Land、GLEAM 和GLDAS 2019年夏季数据外,其余数据与实测土壤水分相关性较差。GLEAM 与地面实测数据最为接近,相关系数最大(=0.291),RMSE 最小(RMSE=0.071 m·m)。FY3B 次之(=0.248) 但Bias 最小(Bias=0.041 m·m)。GLDAS 相关系数低于SMAP,仅在＜0.01 的程度上表现出相关性,SMOS 数据与实测数据相关关系未达到显著程度。栾城站土壤含水量为0.20 m·m左右时,土壤水分产品普遍效果较差,图3g-h 左侧出现明显边界。

图3 望都(a,b)、霸州(c,d)、威县(e,f)、栾城(g,h)实测土壤水分与土壤水分产品散点图Fig.3 Scatter plots of the in-situ and estimated soil moisture in Wangdu(a,b),Bazhou(c,d),Weixian(e,f),and Luancheng(g,h)stations

总体而言,研究时段内各土壤水分产品平均相关系数排序为GLEAM(0.435)＞FY3B(0.434)＞ERALand(0.382)＞GLDAS(0.377)＞SMAP(0.354)＞SMOS(0.203),平均ubRMSE 排序为GLEAM(0.049 m·m)＜GLDAS(0.052 m·m)＜SMAP(0.059 m·m)＜ERALand(0.063 m·m)＜SMOS(0.087 m·m)＜FY3B(0.105 m·m),GLEAM 产品表现最好,而SMOS 表现最差。

3.2 月尺度土壤水分产品适应性分析

从6 种产品在各站点的精度图(图4)来看,FY3B表现为夏季高估而其他季节低估,相关系数峰值出现在9、10月,此时ubRMSE 也较小,秋季数据整体精度较高; 6月相关性差,相关系数多为负值,7月ubRMSE 最高,估算误差最大,夏季数据整体精度较差。SMOS 相关系数年内变化波动起伏较大,各站点差异较大,冬季表现相对较好,ubRMSE 相对较低。SMAP 各月相关系数表现可以看出,夏季相关系数整体较高,但ubRMSE 较大; 秋季与之相反。ERA-Land、GLDAS 和GLEAM 的精度变化表现出季节相似性,相关系数年内呈现双峰型变化趋势,峰值出现于3、4月与8、9月,其中8月相关性最好,相关系数基本达0.7 以上。ubRMSE 呈单峰型变化趋势,冬季11、12月ubRMSE 最小,土壤水分估算的误差最小。

图4 各站点季节尺度6 种土壤水分产品的精度表现Fig.4 Soil moisture measurement accuracies of 6 soil moisture products at seasonal scale at each station

3.3 土壤水分产品数据范围适用性分析

为进一步验证土壤水分产品在河北平原的适用性,本文对不同实测数值范围内的土壤水分产品的精度进行了评价,结果如图5 所示。研究区内各站点实测土壤水分取值范围为0.13～0.45 m·m,本文以0.05 m·m为界限,将实测土壤水分划分为6 个区间进行精度评价。GLDAS、GLEAM、ERA-Land的ubRMSE 均随实测土壤水分数值的增加呈先增加后减小的变化趋势,当实测土壤水分为0.25～0.3 m·m时最小。除望都站GLEAM 和GLDAS 在0.15～0.2 m·m时相关系数达0.83 和0.73,其余站点相关系数在0.3～0.4 m·m之间,普遍较高。SMAP 的反演精度整体不高,当实测土壤水分为0.3～0.4 m·m时,相关系数优于其他范围,但此时ubRMSE 偏大。FY3B、SMOS 在不同土壤体积含水量数据范围内未表现出明显的变化特征。

图5 各站点6 种土壤水分产品不同数值范围精度表现Fig.5 Accuracy of six soil moisture products in different numerical range at each site

4 讨论

通过以上研究可得,同化了遥感卫星与地面实测多种数据的ERA-Land、GLDAS 和GLEAM 普遍较遥感卫星产品精度更高,许多专家学者在其他区域的相关研究中也有类似发现。Albergel 等在全球ERA-Land 0～7 cm 深度土壤水分的对比评价中发现,ERA-Land 土壤水分产品适合于卫星反演土壤水分的监测,其相关系数介于0.6～0.8; Liu等在青藏高原那曲地区的研究中发现,GLDAS、GLEAM 在11种产品中RMSE 最小,仅为0.3 m·m左右; Wang 等在呼伦贝尔的研究中发现,GLDAS 与实测数据的高达0.72。

SMOS、SMAP 表现较差可能与其本身的反演算法有关。SMOS、SMAP 使用基于零级辐射传输方程(τ-ω)的L 波段微波发射模型作为地表电磁辐射的正向模型,除估算土壤水分外,还需估算地表粗糙度、植被属性等,如何平衡这些变量之间的关系以获得最优土壤水分结果是决定算法精度的重中之重。SMOS 使用Q/H 模型进行地表粗糙度计算,“Q”和“H”为Q/H 模型中用于计算地表粗糙度对反射率影响的两个参数。理论上,这两个粗糙度参数可以用地表均方根高度和水平粗糙度相关长度来表征,但由于定量计算这两个参数的可用数据较少及入射角和粗糙度对参数的影响缺乏深度研究,常以经验确定整个下垫面为同一参数。SMAP 则通过简单的查找表法假设特定土地利用类型表面粗糙度为恒定常数值。本文研究区为耕地、建设用地等多种土地利用类型混合像元且灌溉活动频繁,灌溉活动会导致地表粗糙度的统计特性发生变化,而地表粗糙度的恒定假设将不可避免地给卫星土壤湿度反演带来误差。与SMAP、SMOS 不同的是,FY3B 使用单参数的Q模型作为表面发射模型,通过Advanced Integral 参数化方程模型(AIEM),利用H 极化和V极化两种极化方式减小表面粗糙度的影响,故FY3B在本文表现更佳。SMOS 的质量较差还与无线电频率干扰有关,SMOS 三级土壤水分产品由亮温数据反演而来,其亮温数据易受L 波段无线电频率干扰,在亚洲区域尤其中亚、东亚干扰最为强烈。射频干扰影响了接收到的自然微波辐射,从而导致反演土壤水分的误差增大,Zeng 等在青藏高原、Wang等在内蒙古呼伦贝尔、庄媛等在中国区域也发现了类似射频干扰对反演精度的影响。同样基于L波段的SMAP 通过可以高速采集图谱数据的硬件设施避免了这种射频干扰。此外,反演过程中降水、辐射、风等气象因素的影响也是被动微波产品时间变异性大的重要因素。

研究过程中的站点与网格的空间尺度不匹配,是造成土壤水分产品与实测数据差异较大及土壤水分产品在不同站点精度不同的重要原因。重采样得到的产品网格大小为0.25°,单一网格内仅有一个实测站点与之对应。 虽然单个站点能在较大空间范围内捕捉土壤水分的时序变化,相关系数这一指标可以在时间尺度上反映出二者的相关关系,去除系统偏差的均方根误差对于衡量产品精度也有重要参考意义,但二者数值仍存在较大差异。研究站点均为耕地,对应土壤水分产品像元为多种土地利用类型混合像元,其中建设用地的面积达20%(表3)。建设用地土壤含水量普遍低于耕地,在进行整个像元的区域土壤含水量计算时会使像元值低于单一站点耕地的测量值,如表2所示,除个别产品外,多数产品Bias 均为正值。威县混合像元内建设用地占比整体最小,RMSE、Bias 较其他站点也更小,与实测数据在数值上最为接近。这种混合像元问题也是各研究站点不同数据范围适用性研究中未得到统一变化规律的重要原因。此外,仪器实测深度为0～10 cm,GLDAS、GLEAM 模拟深度为0～10 cm,ERA-Land模拟深度为0～7 cm,微波遥感反演深度仅为0～5 cm,二者的深度差异也是GLDAS、GLEAM 产品相对较好而被动微波产品效果较差的原因。由于数据获取限制,本文仅对比分析了6 种土壤水分产品在河北平原4 个站点的具体表现,时间和空间的代表性尚有不足。土壤水分产品在河北平原的具体适用性还有待基于更丰富的监测数据进行进一步研究。

表3 不同站点土壤水分产品像元内土地利用类型占比Table 3 Proportion of land use types in each pixels of soil moisture products in different stations

5 结论

进行土壤水分产品在河北平原的验证评价,不仅可为土壤水分产品在河北平原的进一步应用提供参考依据,也对产品的算法改进有重要意义。研究基于望都、霸州、威县、栾城4 个站点2018年1月至2019年10月的表层实测土壤水分数据,通过、Bias、RMSE、ubRMSE 等4 个评价指标,对SMOS、SMAP、FY3B、ERA-Land、GLDAS、GLEAM 共6种土壤水分产品在河北平原典型农田的适用性进行了评价。同化多源数据的GLDAS、GLEAM、ERALand 产品由于数据量丰富,土壤水分反演精度普遍高于微波遥感产品,当实测土壤水介于0.30～0.40 m·m之间时反演效果相对较好。FY3B 产品在秋季、冬季缺失数据较多,虽然与实测数据的相关性较好,但夏季普遍高估土壤水分而其他季节低估。SMAP 对土壤水分的反演效果优于SMOS,在威县土壤水分反演效果甚至优于GLDAS 和FY3B,夏季相关性较高,但ubRMSE 较大,秋季则与之相反,当实测土壤水介于0.30～0.40 m·m之间时表现较好。SMOS 因射频干扰等原因在各站点表现最差。整体上,研究时段内各土壤水分产品平均相关系数排序为GLEAM＞FY3B＞ERA-Land＞GLDAS＞SMAP＞SMOS,平均 ub-RMSE 排序为GLEAM＜GLDAS＜SMAP＜ERA-Land＜SMOS＜FY3B,GLEAM 产品表现最好,而SMOS 表现最差。不同土壤水分产品具体在各个站点的表现并不一致,有待融合更为丰富的数据来进一步分析土壤水分产品在不同站点、不同区域的适用性。