多源微波遥感融合大尺度区域土壤水分数据集研究进展综述

刘杨晓月，杨雅萍

1.中国科学院地理科学与资源研究所，资源与环境信息系统国家重点实验室，北京 100101

2.江苏省地理信息协同创新中心，江苏 南京 210023

引 言

土壤水分指的是单位体积土壤中的水分含量，通常以m3/m3或%来表示。土壤水分通过改变土壤热容量，控制地表蒸发和植被蒸腾作用，进而影响农作物生长状况[1-3]。获取时空连续的土壤水分含量数据对于农田旱涝灾害预警、农作物长势与估产分析具有重要实际应用价值。

星载微波遥感技术是获取大尺度、连续时间序列土壤水分数据的重要手段[4-6]，但是单波段微波遥感反演的土壤水分数据普遍存在大量空值图斑、空间分辨率低、时间分辨率受到卫星任务周期限制，难以满足在多尺度区域进行连续时间序列监测分析的需求。

近几十年来，国内外研究机构围绕多源微波遥感融合土壤水分产品研制开展了大量研究，研制了多套开放获取的数据集[7-10]。本文将从国内外两方面回顾多源微波遥感融合土壤水分数据集的研究进展，分析取得的成就和存在的问题，展望星载微波遥感土壤水分融合反演数据集的发展前景。

1 多源微波遥感融合土壤水分数据集

国内外研究机构利用滤波、多元回归、统计分布校正、机器学习等方法，通过融合多传感器多波段的微波数据及光学数据研制了多套土壤水分数据集，本章主要介绍了其中6种大区域尺度的数据集，具体内容如下所示。

1.1 国外多源微波遥感融合土壤水分产品

1.1.1 ECV土壤水分数据

欧空局自2010 年起将土壤水分视为必要气候变量（Essential Climate Variable，ECV）之一并致力于研制长时间序列的多源微波遥感融合地表（0～5cm）土壤水分数据集。截至2022 年4月，共有12 个版本的ECV 土壤水分数据集面向公众发布，每个更新版本在时间范围和传感器组合上均进行了迭代优化提升，当前最新版本是V06.1[10]。该版本包含3套土壤水分产品，即主动微波融合、被动微波融合、主被动融合土壤水分数据。其中，主动微波产品融合了4种主动微波传感器数据，包括AMI-WS ERS1、AMI-WS ERS2、ASCAT A 和ASCAT B；被动微波产品融合了10 种被动微波传感器数据，包括AMSR-E、AMSR2、SMOS、SMAP、GPM、FY-3B、Windsat、TMI、SSM/I 和SMMR；主被动融合土壤水分数据融合了以上所有14种微波数据。融合算法基于上述数据的土壤水分估算值开展，主要包括3个重要步骤：（1）基于TCA（Triple Collocation Analysis）方法的误差表征；（2）数据集特定偏差匹配；（3）融合误差校正后的数据集。

诸多研究围绕ECV 土壤水分产品开展了一系列质量评价与真实性检验研究。Dorigo 等[11]结合全球28个土壤水分地面监测网络检验了主被动融合ECV 土壤水分数据的质量，发现其与不同地面监测网络的拟合度差异巨大，整体质量随时间向现在推进而逐步提升，但在2007-2010年间表现为质量持续下降趋势。Liu 等[12]利用位于亚洲、欧洲、北美洲和大洋洲的土壤水分地面监测网络验证了ECV 土壤水分数据精度，结果表明主被动融合的ECV土壤水分在取值精度与拟合时间动态演化趋势方面具有显著优势，被动融合的ECV土壤水分基本上可以准确拟合地面实测值，而主动融合的ECV 土壤水分则存在较多的异常值。McNally等[13]评价了1979-2013年期间主被动融合的ECV 土壤水分在东非的精度，研究表明1979-1992年间数据空间覆盖率不足40%，自1998年开始超过50%，并在2007年达到最大值（超过80%），之后稳定在该水平。

1.1.2 SMOPS土壤水分数据

美国海洋和大气管理局研发了基于多源微波遥感数据融合的SMOPS（Soil Moisture Products System）土壤水分数据集，旨在获得具有高覆盖率、短时滞性的地表产品[14]。SMOPS 融合了包括GPM、SMAP、GCOM-W1、SMOS、Metop-A 和Metop-B 在内的6 种微波遥感数据，基于单波段反演算法进行融合。SMOPS将单波段算法反演的结果与其他星载传感器土壤水分数据（如：ASCAT、AMSR2）基于GLDAS 模型进行进一步融合输出结果来提升数据的地表覆盖率。SMOPS 历经3 个版本，当前最新版本是V3.0。与前序版本相比，V3.0数据的先进性体现在：（1）融合了具有抗辐射传输干扰能力、对土壤水分信号敏感的被动微波遥感数据；（2）使用基于主动微波的ASCAT 和Metop 的长时序土壤水分数据集作为参考；（3）在融合过程中加入了更加可靠的辅助数据，包括由亮温计算而来的发射率、S-NPP 近实时植被指数、S-NPP 土地覆被数据；（4）基于累积分布函数将各土壤水分产品统一至GLDAS土壤水分取值框架下来校正偏差。

许多学者致力于SMOPS数据集的真实性检验。Yin等[14]基于遍布美国的SCAN土壤水分监测网对不同版本的SMOPS 土壤水分进行评价，结果表明，与V1.0和V2.0相比，V3.0数据与地面实测值的拟合优度显著提高，均方根误差和无偏均方根误差明显降低。Wang等[15]基于全球22个监测网数据对SMOPS V3.0 和ECV v4.5 土壤水分数据产品进行验证评价，结果显示：（1）SMOPS 在所有月份空间覆盖率均高于ECV，其中7 月份最高；（2）ECV 数据在拟合优度和均方根误差方面均略胜一筹；（3）在ECV数据空缺而SMOPS 数据有值的区域，SMOPS 数据精度较高；（4）ECV 在赤道气候区、大多数暖温带气候区，以及若干大陆性气候区和干旱气候区具有精度优势，而SMOPS 仅在若干大陆性气候区具有精度优势。

此外，考虑到GLDAS 土壤水分数据质量对SMOPS V3.0 土壤水分具有显著影响，且模型同化可能导致原始微波数据的有效信息丢失，SMOPS研发团队在V3.0的基础上继续深入探索新一代卫星土壤水分数据产品融合方法[16]，旨在获得一种仅依赖现有微波土壤水分观测值、无需辅助数据集即可实现的估算模型。该方法首先将以百分比为单位的ASCAT数据转换成体积含水量，使所有数据保持单位一致并重采样至0.25°分辨率。其次，以SMAP土壤水分数据为主要参考，通过建立在此期间与其他微波数据的多元线性模型，将其他微波数据的取值统一至SMAP 数据框架中。将构建的多元线性模型进行时间尺度拓展，应用于其他微波数据的整个生命周期。最后，利用等权平均法计算得出融合的土壤水分数据，称为SMOPScdr。经验证表明，SMOPScdr 数据的无偏均方根误差明显小于SMOPS V3.0 数据，进一步印证该算法的精度优势，为SMOPS 数据迭代优化奠定了良好的算法基础。

1.1.3 SMAP土壤水分数据

美国航空航天局在2015 年发起SMAP（Soil Moisture Active Passive）土壤水分监测计划，利用搭载于同一卫星的L 波段雷达（主动微波）和辐射计（被动微波）反演土壤水分产品[7]。雷达传感器在2015年7月出现无法修复的故障，此后致力于反演被动微波及改进的被动微波SMAP土壤水分数据集。被动微波土壤水分主要基于τ-ω模型进行反演，通过对亮温数据进行Backus-Gilbert插值得到改进的被动微波土壤水分数据产品。

此后，研究团队联合SMAP 辐射计数据和Sentinel 1A/B 的C 波段雷达数据研发了高分辨率主被动微波融合的SMAP/Sentinel地表土壤水分数据集[9]。算法首先利用滑动窗口滤波将Sentinel后向散射数据从25m重采样至1km分辨率，然后基于1km 空间分辨率将SMAP 亮温数据降尺度至1km 和3km，基于统一分辨率的Sentinel和SMAP数据采用τ-ω模型反演高分辨率土壤水分数据。

自SMAP系列土壤水分数据集发布以来，国内外诸多学者对其进行了多视角、多区域尺度、多下垫面类型的评价验证[17-19]，结果整体表明：（1）SMAP日尺度被动微波反演数据精度达到预期水平，即无偏均方根误差不超过0.04 m3/m3，主被动融合数据精度接近预期水平，主动微波反演数据无偏均方根误差不超过0.06 m3/m3；基于同化模型融合的土壤水分数据无偏均方根误差也达到了预期要求。（2）相较于其他单传感器反演的土壤水分数据集，SMAP 具有显著精度优势；与未将SMAP融合的ECV数据相比，SMAP与地表实测数据的拟合优度更高，而ECV 在无偏均方根误差和偏差取值上略胜一筹。（3）SMAP/Sentinel土壤水分产品能够较为准确地刻画地表真实土壤含水量情况。

1.2 国内多源微波遥感融合土壤水分产品

1.2.1 RSSSM土壤水分数据

中国科学院生态环境研究中心傅伯杰院士团队研发了全球土壤水分产品RSSSM（Remotesensing-based Surface Soil Moisture）[20]。该数据集基于神经网络算法融合了包括SMAP、AMSRE、AMSR2、Windsat、FY-3B、ASCAT、TMI、SMOS-IC 等在内的11 种微波遥感土壤水分数据，并以SMAP土壤水分数据作为模型主要训练对象。在构建训练数据集时，首先在统一的时空框架下，整合汇聚土壤水分质量影响因子，其次利用正态分布对土壤水分产品异常值进行去噪处理，取两者的交集作为训练集的输入数据；取对应的SMAP 数据作为训练集的目标数据。为了使模型具有更好的区域适用性，算法以经纬网格为边界，划分成百万个子区域进行神经网络算法训练建模，并通过对格网边界模拟数据计算加权平均值来模糊区域界限。鉴于各微波土壤水分数据延续时段不同，且SMAP 仅覆盖2015-2018年区间，因此采用迭代模拟法逐阶段获取土壤水分数据：首先，以2015-2018 年区间的训练样本和训练目标数据构建拟合模型，将模型应用于2012-2018 年区间由同样元素构成的训练样本，获取2012-2018年区间的土壤水分第一阶段拟合值；其次，以SMAP 和第一阶段拟合值为训练目标，以ASCAT、SMOS、TMI和FY-3B数据为训练样本，建模获取2011-2012年土壤水分拟合值；依据此模式逐轮迭代，最终获得2003-2018年全球地表土壤水分产品。

为了明晰RSSSM的精度，首先，基于SMAP数据对神经网络模型训练精度进行检验分析，发现两者的时间序列拟合优度整体上可达0.97，略高于空间拟合优度。其次，使用29 个全球地面监测站点网络对其进行验证，同时加入了单微波波段反演（SMAP、ASCAT）、多源主被动微波遥感融合（ECV）、模型同化与再分析（GLDAS、ERA5 Land、GLEAM）土壤水分数据集作为对照组参与评价。结果表明：RSSSM 整体精度优于除SMAP外的所有对照组数据，时间序列精度和空间覆盖率优于ECV土壤水分数据。

1.2.2 NNsm土壤水分数据

清华大学卢麾教授团队研制了土壤水分产品NNsm（Neural Network soil moisture）[21]。该数据集将SMAP 数据的优势转化至AMSR-E 和AMSR2 数据中，形成一套高精度、高稳定性、时序拓展性强的土壤水分数据。数据研发主要包括校正、训练和模拟三部分。首先，基于AMSRE 与AMSR2 的重合区间进行亮温校正，通过构建线性回归方程以AMSR2 亮温为参考对AMSR-E 亮温进行定标，获得统一基准的亮温数据。其次，基于地表温度、亮温数据计算反射率和微波植被指数作为算法输入层，将SMAP土壤水分产品作为输出层，将AMSR系列数据基于线性插值重采样至与SMAP 相同的36km 分辨率，得到训练样本库，并构建人工神经网络模型进行优化训练。最后，基于样本数据构建的ANN 模型，输入2002-2019 年的AMSR 系列训练数据，可得2002-2019年日尺度36km分辨率全球土壤水分数据集。

经验证发现：（1）NNsm 与SMAP 土壤水分产品具有良好的相关性（平均相关系数0.80，均方根误差0.029m3/m3）。（2）以全球14个实测网络为参考真值对NNsm 进行评价，结果表明NNsm在训练时段和模拟时段输出的土壤水分产品均能够准确拟合实测的日尺度和季节尺度动态演化序列。（3）NNsm 数据质量显著优于原有的AMSR-E 和AMSR2 标准土壤水分数据，数据误差小于ECV而拟合优度略差于ECV。

1.2.3 高分辨率中国区域土壤水分数据

中国农业科学院农业资源与农业区划研究所毛克彪研究员团队研发了中国区域土壤水分数据集[22]。该数据集在研制过程中融合了包括AMSR-E、AMSR2、SMOS-IC 在内的被动微波土壤水分数据以及包括地表温度和植被指数在内的光学遥感数据、坡度坡向数据。在降尺度过程中，首先以长时间序列AMSR-E 数据为参考，通过构建线性回归方程校正与其时间重合范围内的SMOS-IC 数据；再以校正后的SMOS-IC 数据为参考，构建线性回归方程校正与其时间重合范围内的AMSR2 数据，从而获得经过一致性校正的2002-2018年土壤水分时序数据。其次，基于土壤水分与地表温度、植被指数呈现负相关的理论基础，在地形校正的基础上利用地表温度与植被指数计算月尺度0.05°分辨率TVDI数据，作为降尺度的权重指标。基于归一化TVDI权重乘法计算得到降尺度的土壤水分数据。

利用中国气象局监测网络站点数据对降尺度土壤水分数据集进行整体评价，发现降尺度数据在月尺度、季节尺度和年尺度均能够较为准确地拟合实测数据，整体精度较高。降尺度土壤水分与RSSSM数据也呈现良好的时空一致性。就不同月份而言，数据在9 月精度最高，12 月误差最大。此外，土壤水分与降水呈现良好的时间序列一致性演化趋势，说明该数据集可应用于高精度水文与干旱监测。

1.3 适用性分析

多源微波遥感融合数据具有单一星载传感器无可比拟的时间拓展优势，且融合后土壤水分数据的空间覆盖率显著提高；通过融合多瞬时过境的微波信号数据，使得土壤水分数据具有更好的日尺度时间代表性，能够更加有效地刻画土壤含水量在一天中的整体状态。不同的微波遥感融合土壤水分产品各具特色（表1），适用场景也有所区分：

表1 不同微波遥感融合土壤水分产品特征Table 1 Basic attributes of different microwave fused soil moisture products

对于长时间序列全球尺度土壤水分研究，ECV、RSSSM、NNsm数据均可以满足需求；对于区域尺度高分辨率土壤水分分析，可应用SMAPSentinel土壤水分数据和高分辨率中国区域土壤水分数据；对于分析多深度土壤水分垂直演化规律的研究，可使用SMAP 4 级无缝地表及根区土壤水分数据；对于近实时土壤水分动态监测，可应用小时级时滞的SMOPS 土壤水分等数据；对于具有高精度需求的土壤水分相关研究，可采用SMAP土壤水分数据。

2 取得进展与面临挑战

2.1 取得进展

历经近半个世纪，星载微波遥感技术持续迭代发展，为多源微波土壤水分数据融合奠定了丰富的数据基础。利用多传感器、多过境时间、多波段的微波数据和累积分布函数、线性回归、神经网络、陆面过程模式同化等融合方法，国内外研究机构和团队研制了多种时空连续、近实时、多深度、可扩展、高精度的土壤水分产品，为掌握全球多尺度土壤水分在时间、经度、纬度、深度4个维度的演化特征提供了全方位数据支撑，为气候变化效应分析、陆表水循环过程探索、生态系统碳氮水循环格局研究、洪涝干旱灾害预警、农作物长势分析与估产等科学研究提供了充分的土壤水分数据储备。同时，随着科学研究内容深化与细化，对土壤水分数据质量的要求日益增长，使得土壤水分产品面临着巨大的迭代优化机遇和挑战。

2.2 面临挑战

2.2.1 空间完整性与空间分辨率有待提升

基于多源微波遥感数据融合的土壤水分数据集较单一星载传感器反演结果而言，空间覆盖率已得到大幅改善，然而融合后的数据仍存在局部的空缺区域。因此，空间完整性需要进一步提升。同时，为了满足区域尺度乃至田块尺度的研究需求，土壤水分数据产品的空间分辨率需要进一步提高。目前，有研究利用地面站点土壤水分观测数据和高分辨率微波数据与原始土壤水分数据融合，实现插补与降尺度重建[23]；有研究利用地表参数（如植被指数、地表温度、蒸散发、反照率、土地覆被、数字高程模型）与土壤水分的密切耦合关系，将高分辨率光学遥感地表参数数据加入融合模型，实现土壤水分原分辨率与高分辨率重建[24]；有研究利用同化模型，实现土壤水分产品的地表无缝和多深度模拟重建[25]。以上进展均为土壤水分产品多尺度重建奠定了方法基础，但是在多尺度重建过程中需要谨慎考虑尺度转换效应，即在不同空间分辨率（从25km到公里级再到十米级）尺度下，土壤水分与各地表参数的复杂非线性关系是否保持相对稳定，土壤水分与各地表参数在不同分辨率尺度的耦合关系波动对尺度转换结果的精度影响效应如何。

2.2.2 辅助遥感数据优化选取

鉴于土壤水分与诸多地表参数的双向反馈响应关系，选取合适的地表参数作为辅助融合遥感数据有助于提升融合产品的时空拟合优度。国内外学者对辅助遥感数据优化选取进行了大量研究，通过计算参数贡献率来衡量其在土壤水分融合中的重要性程度[26-27]。但是，由于不同区域下垫面类型与水热组合异质性，各研究选取的地表参数组合方式大相径庭，使得在全球尺度难以形成统一的辅助地表参数组合共识。通常来说，数字高程模型在地形起伏大的区域贡献率显著高于地势平缓地区；归一化植被指数适用于植被覆盖适中区域，而增强植被指数适用于植被密集覆盖区（如森林）；白昼地表温度与土壤水分的相关性优于夜间地表温度及地表温度日较差。同时，地表参数数据多由可见光、近红外、热红外波段回波信号反演而来，易受云雨天气的影响而产生异常值和空值条带。因此，融合的土壤水分产品将不可避免地受地表参数遥感数据质量的影响。尤其是在多云雨时节（如我国华南地区梅雨季），几乎无法获取有效的光学波段数据产品，可考虑采用微波波段遥感数据（如降水）与静态数据（地形地势、土壤属性、时空属性）作为辅助参数参与土壤水分数据融合。

2.2.3 从算法级到数据产品级的跨越

近几十年来，大量研究针对微波遥感土壤水分数据时空拓展、多尺度重建方法开展了研究，取得了显著进展，辐射传输模型、统计模型、机器学习模型、水文模型等系列模型在多源微波土壤水分估算应用中均有所突破，且经评价验证可知模拟结果精度较高[28-29]。特别是传统机器学习和深度学习模型在高精度土壤水分融合模拟中展现出出色的能力。但大量算法在经过区域测试后尚未投入批量化全球土壤水分研制，原因包括但不限于：（1）算法具有区域适用异质性，基于单一算法模型在全球多气候区、多下垫面类型区域进行土壤水分拟合可能会出现不同程度的时空精度波动，需进一步进行精度评估分析与误差校正，并提供与土壤水分数据对应的时空精度等级数据（如Quality flag）；（2）从算法设计实现到业务化、工程化批量运行过程中需要全面提升算法模型的集成度、模块化、规范化和自动化程度；（3）实现全球土壤水分产品级的持续研发更新需要充分的计算机算力、存储传输能力和人力等保障。因此，亟需优化提升算法的成熟度，发掘云服务器简单高效、处理能力可弹性伸缩的计算服务能力，推进微波遥感土壤水分数据研制从算法级到数据产品级的跨越，提高优质算法的应用价值。

2.2.4 国产微波遥感土壤水分数据时间扩展性有待提升

作为表征气候变化和农业干旱程度的重要指标，开展土壤水分持续监测对于了解掌握全球水资源演化特点、开展农作物估产、切实保障粮食安全具有重要战略意义。SMAP、SMOS、AMSR2 等国际机构研制的星载微波土壤水分数据集持续进行时序拓展更新，为探索研究地表土壤含水量时空分布提供了丰富的遥感数据资源支撑。我国自主研发、开放获取的微波遥感土壤水分产品主要以FY-3B、FY-3C 为代表。其中，FY-3B 全球地表25km 土壤水分日尺度产品时间范围涵盖2011年7月12日至2019年8月19日；FY-3C 全球地表25km 土壤水分日尺度产品时间范围涵盖2014 年5 月29 日至2020 年2 月3 日。此外，装载微波传感器的FY-3D和FY-3E卫星相继于2019年11月、2021年7月发射升空。但是，自FY-3B、FY-3C 相继停止服务之后开放获取的国产星载微波土壤水分数据产品便难觅踪迹。虽然国际上开源的土壤水分产品能够继续为相关科学研究和应用监测提供充分的数据支持，但仍迫切需要具有自主知识产权、关键核心技术、开放获取、持续优化更新的国产微波遥感土壤水分产品来实现已有国产土壤水分数据的有效延续与积累增值，促进我国有关部门与领域学者在国际气候变化舞台更好地发声，进一步深化扩大我国在水文水资源卫星观测领域的国际知名度和影响力。

3 总 结

综上所述，目前国内外典型的多源微波遥感融合土壤水分数据集各有优势和适用特点。如何充分利用现有海量微波遥感、光学遥感、站点观测数据，设计高性能土壤水分模拟融合算法，集百家之长，研发高时空分辨、高精度、长时间序列、地表无缝覆盖、短时滞的全球多深度土壤水分算法流程框架并投入业务化运行，实现对过去、现在乃至未来多情景模式下多尺度陆表干湿状况的精准掌控，促进对气候变化背景下全球水循环格局时空演化规律的理解，是未来环境遥感与数据融合领域值得持续深入探究的重要科学方向。

利益冲突声明

所有作者声明不存在利益冲突关系。