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.pdf
《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.pdf》由会员分享,可在线阅读,更多相关《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.pdf(9页珍藏版)》请在文库网上搜索。
1、数据与计算发展前沿,2 0 2 3,5(5)第5卷第5期2 0 2 3年10 月Vol.5No.5Oct.2023ISSN 2096-742XCN 10-1649/TPdoiePIcoPersistent Identifiers for eResearch文献CSTR:32002.14.jfdc.CN10-1649/TP.2023.05.010文献DOI:10.11871/jfdc.issn.2096-742X.2023.05.010页码:119-12 7获取全文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12,杨雅萍121.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
2、家重点实验室,北京10 0 10 12.江苏省地理信息协同创新中心,江苏南京2 10 0 2 3摘要:【目的】土壤水分是连接陆气水循环的重要媒介和载体。获取大尺度区域、长时间序列、高精度的土壤水分数据是环境遥感领域长期关注的难点和热点问题。方法】本文简述了包括必要气候变量土壤水分(Essential ClimateVariableSoilMoisture,ECV SM)数据、土壤水分产品系统(Soil MoistureProducts System,SM O PS)数据、土壤水分主动被动(SoilMoistureActive Passive,SMAP)数据、遥感地表土壤水分(Remote-se
3、nsing-based Surface Soil Mois-ture,RSSSM)数据、神经网络土壤水分(Neural Network soil moisture,NNsm)数据、高分辨率中国区域土壤水分数据在内的6 种国内外典型多源微波遥感融合土壤水分数据集的发展历程、研制方法和精度水平。【结果】通过分析数据产品的适用性,发现不同的微波遥感融合土壤水分产品各具特色,适用场景也有所区分。【结论】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,实现对过去、现在乃至未来多情景模式下多尺度土壤干湿状况的精准掌控,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
4、科学方向。关键词:微波遥感;数据融合;土壤水分Progress on Large-Scale Soil Moisture Products by Fusion ofMulti-Source Microwave Remote Sensing Datasets:a ReviewLIU Yangxiaoyue,YANG Yaping*1.State Key Laboratory of Resources and Environmental Information Systems,Institute of GeographicSciences and Natural Resources Researc
5、h,Chinese Academy of Sciences,Beijing 100101,China2.Jiangsu Center for Collaborative Innovation in Geographical Information ResourceDevelopment and Application,Nanjing,Jiangsu 210023,ChinaAbstract:Objective Soil moisture is an important link connecting the land-atmosphere hydrological cy-基金项目:中国科学院网
6、络安全和信息化专项应用示范项目(CAS-WX2021SF-0106-03);第二次青藏高原科学考察研究项目(2 0 19 QZKK09);国家自然科学基金(42 10 147 5);蒙古高原资源环境要素综合考察(2 0 19 FY10 2 0 0 1);中国工程科技知识中心-地理资源与生态专业知识服务系统(CKCEST-2021-2-10);国家地球系统科学数据中心(http:/ y x y l r e i s.a c.c n)119数据与计算发展前沿,2 0 2 3,5(5)刘杨晓月等: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cle.Retrieving large-scale,
7、long-time series and high-precision soil moisture data products has been a challengingand hot issue in the field of environmental remote sensing for a long time.Methods This paper briefly introduc-es six kinds of typical international/domestic soil moisture products derived from the fusion of multi-
8、microwaveremote sensing datasets.They are Essential Climate Variable Soil Moisture(ECV SM),Soil Moisture ProductsSystem(SMOPS),Soil Moisture Active Passive(SMAP),Remote Sensing-based Surface Soil Moisture(RSSSM),Neural Network soil moisture(NNsm),and the fine-resolution soil moisture dataset for Chi
9、na,respec-tively.Results The development history,fusion method,accuracy level,and applicability of these products areanalyzed.It is found that different microwave remote-sensing fused soil moisture products have their own charac-teristics,and the application scenarios are also different.Conclusions
10、It is meaningful to make full use of the ex-isting massive data obtained by microwave remote sensing,optical remote sensing,and site observation,and de-sign a high-performance soil moisture simulation algorithm.Moreover,knowing accurate information on the dryand wet conditions of multi-scale land su
11、rface soil under the past,present and future multi-scenarios is an impor-tant scientific research direction,which is worthy of continuous and in-depth exploration in the field of environ-mental remote sensing and data fusion in the future.Keywords:microwave-based remote sensing;data fusion;soil mois
12、ture引言土壤水分指的是单位体积土壤中的水分含量,通常以m/m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1-1。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 7-1
13、0 。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2 0 10 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
14、融合地表(0 5cm)土壤水分数据集。截至2 0 2 2 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V06.110)。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-WSERS1、A M I-WSERS2、A SCA T A 和ASCATB;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、SM O S、SM A P、G PM、FY-3B、Wi n d s a t、TMI、SSM/I 和
15、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3120数据与计算发展前沿,2 0 2 3,5(5)刘杨晓月等: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个重要步骤:(1)基于TCA(T r i p l e Co l l o c a t i o nAnalysis)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等结合全球2 8 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
16、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2 0 0 7-2 0 10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19 7 9-2 0 13年期间主被动融合的ECV土壤水分在东非的精度,研究表明19 7 9-19 9 2 年间数据空间覆盖率不足40%,自19 9 8 年开始超过50%,
17、并在2 0 0 7 年达到最大值(超过8 0%),之后稳定在该水平。1.1.2SMOPS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(So ilM o is t u r e Pr o d-ucts 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4。SMOPS融合了包括GPM、SM A P、G CO M-W1、SM O S、M e t o p-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、A M SR 2)基于GLDAS模型进行进一步融合输
18、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)在融合过程中加人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4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
19、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1 基于全球2 2 个监测网数据对SMOPSV3.0和ECVv4.5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
20、土壤水分数据质量对SMOPSV3.0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的基础上继续深人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
21、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SMOPSV3.0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。1.1.3SMAP土壤水分数据美国航空航天局在2 0 15年发起SMAP(So i l121数据与计算发展前沿,2 0 2 3,5(5)刘杨晓月等: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MoistureActivePassive)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。雷达传感器在2 0 15年7 月出现无法修复的故障
22、,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t-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Sen-tinel后向散射数据从2 5m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t-模型反演高分辨率土壤水分数据。自SMAP
23、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0.0 4m/m,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0.0 6 m/m;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
24、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1.2.1RSSSM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(Remote-sensing-based Surface Soil Moisture)20。该数据集基于神经网络算法融合了包括SMAP、A M-SRE、A M SR 2、Win d s a t、FY-3B、A SC A T、T M I、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
25、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2 0 15-2018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2 0 15-2 0 18 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2 0 12-2 0 18 年区间由同样元素构成的训练样本,获取2 0 12-2 0 18 年区间的土壤水分第
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 微波遥感 融合 尺度 区域 土壤 水分 数据 研究进展 综述