基于多源卫星遥感产品的土壤湿度融合与降尺度研究

何涯舟，张 珂，晁丽君，王 晟

(1.河海大学水文水资源与水利工程科学国家重点实验室，江苏 南京 210098；2.河海大学水文水资源学院，江苏 南京 210098)

土壤湿度(即土壤含水量，通常以体积含水量来度量)可通过控制地表能量通量、土壤热容量等途径影响水文过程，在大气与陆地的能量交换中发挥着重要的作用，更是地表产汇流过程的关键控制因子[1-4]，也是干旱监测、水文情势预测研究中的关键影响因素。

自20世纪70年代末以来，全球范围内已有多个机构针对不同的传感器发布了多种微波卫星遥感土壤湿度数据产品[5]，如欧洲太空局于2009年11月发射的土壤湿度与海水盐度(soil moisture and ocean salinity，SMOS)卫星[6]，其利用L波段相干辐射计获得地表微波辐射，使其能每隔3 d获得全球范围内的土壤湿度观测数据；日本宇航局(Japan Aerospace Exploration Agency，JAXA)发射的地球水环境变动监测卫星上搭载的AMSR2(Advanced Microwave Scanning Radiometer 2)卫星[7-8]；NASA于2015年发射的土壤湿度主被动观测(Soil Moisture Active and Passive，SMAP)卫星[9-10]，采用L波段主动、被动微波辐射计与合成孔径雷达来探测地球表层的土壤湿度；中国发射的风云三号系列卫星(FY3B及FY3C)[11]等。

Ray等[12]对AMSR-E、AMSR2、SMOS、SMAP等4种卫星遥感土壤湿度产品在美国德克萨斯州的适用性进行了验证，结果表明，SMAP数据的相关系数介于0.37～0.92之间，其反演效果最好。Mishra等[13]利用基于SMAP土壤湿度数据的土壤湿度亏缺指数，结合土壤特征信息对农业干旱进行了量化，结果表明，SMAP土壤湿度数据很好地捕捉到了原位土壤湿度的动态变化。Kumar等[14]对AMSR-E、ASCAT、SMOS、AMSR2、SMAP等5种卫星遥感土壤湿度产品采用基于信息理论的评价方法，对产品的时间序列、测量误差、数据的随机性和规律性进行了综合分析，结果表明，除了SMAP以外的其他4种产品对土壤湿度的反演都存在低估的情况。综上所述，若直接采用某种遥感土壤湿度产品进行适用性评价会存在一定的误差。

由于各种卫星的工作方式及数据处理方式不同，且受地面地理环境与植被覆盖的影响，导致单一卫星产品无法准确反映某一确定区域的实际土壤湿度状态及空间分布情况。若采用某种方式将多种卫星产品各自优势互补，则可以在单一卫星无法准确探测相关数据的情况下，综合寻求某一确定研究区域的最佳估计值。本文在秦淮河流域开展了多源卫星遥感土壤湿度产品的融合研究，并对融合土壤湿度进行降尺度处理。

1 研究区及数据

1.1 研究区概况

秦淮河流域(图1)面积约为2 631 km2，长宽各约50 km，位于118°43′E～119°18′E、31°35′N～32°07′N之间。流域地形呈锅形，四周丘陵山区占流域总面积的80%；中间腹部为低洼圩区和河湖水面，占流域总面积的20%。地势从南向北倾斜，上游坡度和扇面大，中下游坡度较缓。秦淮河流域共有大小16条支河汇入，是一个典型的一干多支树状型河道，且大都为山丘河道，具有源短、坡陡、流急、汇流快的特点，出口处受江潮顶托，排水不畅，历史上洪涝灾害不断。

图1 研究区位置和DEM空间分布Fig.1 Location of study area and spatial distribution of DEM

1.2 数据

秦淮河流域墒情站点较少，桥头站位于南京市溧水区方便水库附近，在研究区范围内数据情况较好。本文采用桥头站2016年3月15日至2017年11月29日的逐日土壤湿度数据。

采用SMOS、SMAP、AMSR2卫星于2016年1月至2018年12月共同观测期作为研究时段。卫星遥感土壤湿度产品分别为：SMOS卫星L2级MIR_SMUDP2土壤湿度产品，数据格式为NetCDF；SMAP卫星L3级土壤湿度产品，数据格式为HDF5；AMSR-2卫星L3级土壤湿度产品，数据格式为HDF5。

表1 3种卫星遥感土壤湿度产品相关信息

由于卫星遥感土壤湿度产品空间分辨率不一致，因此先采用双线性插值法，将空间分辨率为36 km×36 km的SMAP数据插值成与SMOS、AMSR2数据一致的25 km×25 km分辨率，同时将3种卫星遥感土壤湿度产品的地理坐标统一投影到WGS1984坐标。用于融合的SMAP、SMOS、AMSR2数据的时间段为2016年1月至2018年12月，空间分辨率为25 km×25 km，数据空间范围为118°50′E～119°50′E、31°50′N～32°50′N。

2 研 究 方 法

2.1 融合方法

由于缺少SMOS、SMAP、AMSR2等3种卫星遥感土壤湿度产品在中国地区应用的误差信息，因此在计算时给予三者相同的权重。在进行加权平均过程中，由于各卫星运行轨道与绕地周期不同，且相对于空间尺度较小的秦淮河流域，土壤湿度遥感数据存在不同程度的缺测。对于3种卫星均无观测数据的时段，融合产品中作为空值处理；对于仅有一种卫星观测数据的网格，取该卫星观测数据值；对于两者及以上的卫星均有观测数据的网格，对多卫星观测数据进行加权平均。综合来说，对具有多卫星同步观测条件的时段观测数据，采用加权平均的方式生成融合土壤湿度产品。

2.2 基于地形湿度指数降尺度方法

目前，大多数卫星遥感土壤湿度产品的空间分辨率较低，运用于中小型流域水文模型和灾害预测研究的适用性较差，因此采用降尺度的方法，将低空间分辨率的数据转化成高空间分辨率的数据。比较常用的降尺度方法是将低分辨率的微波产品与高分辨率的传感器相结合，如合成孔径雷达(SAR)及光学/热红外产品[15]，或采用基于模型、地理信息的方法进行卫星遥感土壤湿度数据的降尺度处理[16-18]，或采用基于研究区域下垫面条件，如植被覆盖和土壤质地等因素，建立下垫面条件与土壤湿度之间的关系以得到高空间分辨率的产品[19]。

本文采用基于下垫面条件因素的地形湿度指数(topographic wetness index，I)作为低空间分辨率遥感观测数据与高空间分辨率下垫面条件数据之间的联系。定义湿度系数Kw作为土壤湿度和地形湿度指数间的转换参数，湿度系数初值由土壤湿度与其面上均值的比值确定：

(1)

定义系数C为Kw的函数，对于不同的地形坡面形态采用不同的公式计算：

(2)

其中Ka=(1-Keα)/(1-Keα0)

式中：A为坡向；Ka为坡度和坡向的函数；α为坡度；α0为区域平均坡度；Ke为与坡向相关的系数，对于西向坡面Ke=-0.003，对于南向坡面Ke=0.005，对于东向坡面Ke=0.002，对于北向坡面Ke=-0.01；Ø为曲率。

根据不同的地形坡面形态采用不同公式计算C，再建立C25与I25之间的关系，采用线性回归方式对两者进行拟合，得到系数ρ和q的值：

C25=ρI25+q

(3)

利用I90(I90表示90 m×90 m空间分辨率条件下的地形湿度指数值)计算C90，结合式(2)计算高分辨率下的Kw，将高分辨率Kw值带入：

Si,m,90=Kw,i,m,90×Si,m,25

(4)

式中：Si,m,90为第m个25 km×25 km分辨率网格内所包含的所有90 m×90 m分辨率网格中的第i个土壤湿度值，m3/m3；Si,m,25为第m个25 km×25 km分辨率网格内采用距离平方倒数法插值成90 m×90 m分辨率矩阵网格数据中的第i个土壤湿度值，m3/m3；Kw,i,m,90为第m个25 km×25 km分辨率网格内所包含的所有90 m×90 m分辨率网格中的第m个土壤湿度系数。

3 结果与分析

3.1 多源卫星遥感产品融合与适用性

由于遥感反演数据质量受到多因素的影响，与实测值相比往往具有一定的偏差。因此为分析融合产品的适用性，采用由江苏省水文水资源勘测局提供的墒情自动站——桥头站的实测土壤湿度数据与卫星遥感土壤湿度产品、融合土壤湿度进行误差分析，以选择该流域质量更好的产品。采用均方根误差(root mean squared error，RMSE)来衡量其适用性。

图2 卫星遥感土壤湿度产品与实测值对比Fig.2 Boxplots of comparison between gauged soil moisture and remote sensing products

将2016—2017年站点实测表层(10 cm)土壤湿度数据按时段划分为春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12—次年2月)。由表2可知，AMSR2数据在2016年及2017年春、冬两季土壤湿度均值在0.04～0.06 m3/m3之间，与站点实测值相比明显偏低；在夏、秋两季的反演值虽然有所提升，但仍表现为低估。因此SMOS、SMAP、AMSR2等3种卫星集合平均产品(SSA)对土壤湿度的估计受AMSR2数据的影响，其值明显偏低。反观由SMOS、SMAP等2种卫星集合平均的产品，2016年秋季与站点实测均值一致，2017年秋季平均值仅高估0.07 m3/m3，与实测数据具有较强的一致性。图2也反映出相同的结果，尽管SMOS、SMAP等2种卫星集合平均值在其他季节与实测值相比存在一定的高估，但相较于三卫星融合产品及其他卫星数据能更好地反映实际土壤湿度情况，且与单一卫星相比其观测时段得到了延长。AMSR2数据与实测数据相比整体误差较大，均方根误差为0.28 m3/m3；SMOS、SMAP数据融合产品(SS)的均方根误差最低为0.16 m3/m3，优于SSA产品，且相较于单一卫星观测时段更长，数据质量更好(表3)。

表2 卫星遥感产品与站点实测土壤湿度季节与日均值

表3 卫星遥感产品与站点实测土壤湿度均方根误差

以上结果表明，AMSR2卫星遥感反演土壤湿度产品相较于其他产品及桥头站实测数据，其值对土壤湿度存在明显的低估，而在春、冬两季低估表现得更为明显。结合已有相关研究，AMSR2卫星遥感土壤湿度反演产品在我国大部分时间都存在明显的低估，同时存在一定的恒定偏差[20-21]。因此认为AMSR2卫星遥感土壤湿度数据在本研究流域中的适用性不佳，而SMOS、SMAP两种卫星数据融合产品(SS)与桥头站实测数据相比，具有较小的均方根误差，在日均值和季节均值上都更为接近实测结果，优化了单颗卫星监测时段间隔大、监测数据不准确等缺点，表明SS具有更好的适用性。

图3为采用克里金插值法后的融合产品土壤湿度时空特征图，表现了2016—2017年秦淮河流域土壤湿度的时空变化。融合产品较好地反映了土壤湿度四季分明的变化特征，即一般情况下夏季土壤湿度值最高，春秋两季次之，冬季最低；且在研究区域表现为1 a中流域南部土壤湿度普遍高于北部，相对而言流域西北部土壤湿度在更多时间内处于低值的状态。结合地形地貌特征，流域西北部靠近城市区域，硬化区较多，且人口密集，受人为因素影响较大，土壤湿度确应长期处于低值状态；而流域南部为秦淮河干流流经区域，多为山地、河谷地貌，且植被覆盖情况较流域北部好，因此土壤湿度长期处于较湿状态。

图3 克里金插值下的土壤湿度融合产品时空特征Fig.3 Spatiotemporal distribution of merged soil moisture by using Kriging interpolation

3.2 降尺度结果分析

采用基于地形湿度指数降尺度方法将25 km×25 km分辨率的融合产品降尺度到90 m×90 m，采用90 m×90 m分辨率数据对秦淮河流域卫星遥感观测土壤湿度状态以季节划分，对秦淮河流域范围内土壤湿度的时空变化进行分析(图4)。全年秦淮河流域河道及河岸附近一定范围内土壤湿度均处于相对高值状态，但在一定程度上仍然可反映土壤湿度随季节的变化，表现为夏季最高，春秋两季次之，冬季最低。整体上看，流域南部较为湿润，北部相对较干燥，夏季时流域西北部及东南部土壤湿度较大，处于湿润状态，春季和冬季时流域西北部则表现为相对较干旱。

图4 地形湿度指数降尺度下土壤湿度融合产品时空特征Fig.4 Spatiotemporal distribution of soil moisture by downscaling the merged product with topographic wetness index

降尺度后的融合卫星遥感土壤湿度数据能够在一定程度上根据研究区域的地形地貌特征较好地反映与河流、山脉等实际情况相结合的土壤湿度状态。一般而言，土壤湿度与地形湿度指数表现为线性关系，且地形湿度指数的空间变化与土壤湿度的空间变化也表现为线性关系。从流域内的山脉、河流等角度分析，在坡度趋近于零的区域，地形湿度指数表现为高值，而在这些区域往往是地势平缓的坡脚或者位于河谷、河岸等地形上处于下凹或低点的位置，这些区域往往常年处于土壤湿度相对较高的状态；而对于坡度较大的区域，受到重力因素的影响，其值往往常年处于较低状态，表明地形湿度指数与土壤湿度具有一定的相关关系。

4 结 语

本文以秦淮河流域SMOS、SMAP、AMSR2卫星遥感土壤湿度为数据源，采用集合平均方式对其进行融合，在此基础上对融合土壤湿度数据进行了降尺度处理。研究结果表明：SMOS、SMAP两个卫星遥感数据融合产品(SS)在2016年秋季与站点实测均值一致，在2017年秋季平均仅高估0.07 m3/m3，与实测数据具有较强的一致性，均方根误差最低为0.16 m3/m3。而AMSR2产品在秦淮河流域的适用性不佳，相较于其他产品及桥头站实测数据，其对土壤湿度存在明显的低估，在2016年及2017年春、冬两季土壤湿度均值在0.04～0.06 m3/m3之间，与站点实测相比明显偏低，在夏、秋两季虽有所提升，但仍表现为低估。与实测数据相比，多源卫星遥感融合产品的精度优于单颗卫星，具有更好的适用性；基于地形湿度指数降尺度处理后，获得了更适合于中小型流域土壤湿度状态分析及分布式水文模型的高分辨率土壤湿度卫星遥感反演融合产品。