基于表观热惯量与温度植被指数的FY-3B土壤水分降尺度研究

doi:10.6046/gtzyyg.2020244

基于表观热惯量与温度植被指数的FY-3B土壤水分降尺度研究

宋承运^,¹, 胡光成², 王艳丽¹, 汤超¹

1.安徽理工大学空间信息与测绘工程学院,淮南 232001

2.中国科学院空天信息创新研究院遥感科学国家重点实验室,北京 100101

Downscaling FY-3B soil moisture based on apparent thermal inertia and temperature vegetation index

SONG Chengyun^,¹, HU Guangcheng², WANG Yanli¹, TANG Chao¹

1. School of Geomatics, Anhui University of Science and Technology, Huainan 232001, China

2. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China

责任编辑: 李瑜

收稿日期: 2020-08-7 修回日期: 2020-12-10 网络出版日期: 2021-06-15

基金资助:

安徽省高等学校自然科学研究项目“不同植被覆盖度下风云三号土壤水分产品降尺度方法研究”.  KJ2017A072
国家重点研发计划“主要粮食作物气象灾害监测技术体系研发”.  2017YFD0300402
国家自然科学基金项目“基于全球涡动相关数据及地表蒸散发模型的微波遥感土壤湿度融合研究”.  41701495

Received: 2020-08-7 Revised: 2020-12-10 Online: 2021-06-15

作者简介 About authors

宋承运(1981-),男,博士,讲师,主要从事定量遥感、环境遥感研究。Email: schyun007@163.com。

摘要

为进一步研究风云三号(FY-3B)土壤水分降尺度获取高分辨率土壤水分的方法,使其更适用于农业、水文、生态等区域尺度的应用要求,以MODIS为数据源,青藏高原那曲地区为研究区,利用表观热惯量模型(apparent thermal inertia,ATI)与温度植被指数(temperature vegetation index, TVI)模型在不同植被覆盖度下适用的特点,构建综合ATI与TVI的土壤水分反演模型; 结合低分辨率FY-3B土壤水分产品,利用土壤水分降尺度方法,获取高分辨率下土壤水分反演模型系数,并得到高分辨率土壤水分。通过与地面观测数据对比,降尺度后土壤水分与实测数据的R²在0.4以上,RMSE在0.055~0.103 cm³/cm³之间,表明降尺度后的土壤水分能够较好地反映区域土壤水分的空间分布与变化。

关键词： 降尺度 ; FY-3B土壤水分 ; 表观热惯量 ; 温度植被指数

Abstract

In order to further study the method of obtaining high-resolution soil moisture by downscaling FY-3B soil moisture and make it more suitable for agricultural and hydrological simulation, the authors constructed a comprehensive ATI and TVI by using MODIS data in Naqu area. Combined with low resolution FY-3B soil moisture products, the coefficients of soil moisture inversion model under high resolution were obtained by using soil moisture downscaling method, and the high-resolution soil moisture was obtained. Compared with the ground observation data, the R² of the downscaling soil moisture and the measured data is above 0.4, and the RMSE is between 0.055 and 0.103 cm³/cm³, indicating that the downscaling soil moisture can better reflect the spatial distribution and change of soil moisture.

Keywords： downscaling ; FY-3B soil moisture ; apparent thermal inertia ; temperature vegetation index

PDF (2520KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

宋承运, 胡光成, 王艳丽, 汤超. 基于表观热惯量与温度植被指数的FY-3B土壤水分降尺度研究. 国土资源遥感[J], 2021, 33(2): 20-26 doi:10.6046/gtzyyg.2020244

SONG Chengyun, HU Guangcheng, WANG Yanli, TANG Chao. Downscaling FY-3B soil moisture based on apparent thermal inertia and temperature vegetation index. REMOTE SENSING FOR LAND & RESOURCES[J], 2021, 33(2): 20-26 doi:10.6046/gtzyyg.2020244

0 引言

利用遥感技术监测土壤水分具有快速、宏观、周期观测等优势,一直是农业、气候、水文等研究领域的热点^[1]。与可见光、红外波段相比,微波遥感监测土壤水分,具有对土壤水分敏感、全天时、全天候等优势,是土壤水分遥感反演的常用方法,其中,由国产风云三号气象卫星B星FY-3B与C星FY-3C搭载的微波成像仪观测数据反演的FY-3B土壤水分可以提供2011年7月至今土壤水分产品,为大尺度下土壤水分变化提供了长时序有效的数据支持。但由于微波成像仪与获取的数据空间分辨率较低,反演得到的土壤水分空间分辨率为25 km,在区域尺度下应用受到限制^[2]。因此,如何由低分辨率FY-3B土壤水分产品降尺度得到高分辨率土壤水分对于土壤水分遥感产品在气象、农业、生态、林业等领域的应用,以及国产卫星数据的应用等方面具有重要的意义。

事实上,土壤水分降尺度已有许多研究^[3,4,5],其中,结合可见光、红外遥感数据土壤水分监测模型的降尺度方法具有算法简单、数据获取可行性高等特点,是一种可操作性较高的方法。Chauhan等^[6]利用地表温度、植被指数构成的特征空间中构成“不规则三角形”的特点,结合地表反照率构建土壤水分降尺度模型; Piles等^[7]在此基础上通过增加微波亮温数据对SMOS土壤水分降尺度; 曹永攀等^[8]利用温度植被干旱指数(temperature vegetation dryness index,TVDI)估算土壤水分经验模型对AMSR-E土壤水分进行降尺度; 孟祥金等^[9]建立基于TVDI的空间权重土壤水分降尺度模型。以及利用表观热惯量(apparent thermal inertia,ATI)指数模型在裸露地表或低植被覆盖区域对FY-3B土壤水分进行降尺度也开展了相关研究^[10]。Kim等^[11]利用归一化植被指数(normalized difference vegetation index,NDVI)对低分辨率CCI土壤水分进行降尺度研究。在结合土壤水分监测模型降尺度研究中,往往采用单一的土壤水分监测模型进行土壤水分降尺度,而由于单一的土壤水分监测模型很难适用于各种干旱及植被覆盖度环境,如基于ATI模型适用于裸露地表或低植被覆盖区域^[12],基于温度植被指数(temperature vegetation index, TVI)、距平植被指数(anomaly vegetation index,AVI)等模型适用于植被覆盖度较高的区域^[13]。因此,在土壤水分降尺度中,需要结合不同土壤水分监测模型进行研究,适应不同的土壤水分与植被覆盖环境下土壤水分降尺度。

在以上研究的基础上,以MODIS为数据源,利用ATI与TVI估算土壤水分模型适用于不同植被覆盖度条件的特点,构建综合ATI与TVI的土壤水分估算模型,结合FY-3B土壤水分,利用土壤水分降尺度方法,获取高分辨率土壤水分。通过青藏高原那曲地区地面观测数据,对降尺度方法进行验证分析。

1 研究区概况与数据源

1.1 研究区与地面观测资料

研究区位于青藏高原那曲市东部地区,E89°50'~92°35',N30°45'~32°15'之间(图1)。研究区地形以高原丘陵地形为主,大多数山丘呈浑圆状,坡度较为平缓,平均海拔4 500 m以上。气候较周围地区寒冷干燥,年平均气温-2.9~3.4℃,年日照时数为2 400~3 200 h 。年降水量400 mm以上,主要集中于6—8月。植被以草地为主,4—6 月进入返青期, 7—9月植被覆盖度较高,长势良好, 8月下旬—10月中旬开始枯黄。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区高程及地面观测站点示意图

Fig.1 Schematic diagram of elevation and ground observation stations in the study area

地面观测资料由位于研究区内的青藏高原中部土壤温湿度多尺度观测网数据集提供^[14]。该数据网可以提供大尺度(1.0°)、中尺度(0.3°)与小尺度(0.1°)的土壤温度与土壤水分的观测数据,土壤水分观测深度为0~5 cm,10 cm,20 cm和40 cm共4种深度,观测间隔为30 min。由于FY-3B土壤水分产品的空间分辨率为25 km,以及微波数据只能反映地表表层的土壤信息,本次实验选取中尺度(0.3°,如图1所示)范围内的土壤水分观测站,深度为0~5 cm的土壤水分观测数据。

研究区内的区域环境与地面观测资料为区域土壤水分的监测与分析提供了良好的条件。研究中选取雨季2014年7月与非雨季2014年10月进行分析。

1.2 遥感数据

研究中使用的遥感数据主要为FY-3B土壤水分与MODIS反射率、地表温度等数据。

FY-3B土壤水分由FY-3B卫星搭配的微波成像仪观测的亮温数据反演得到。FY-3B卫星采用近极地太阳同步轨道,其搭载的微波成像仪为覆盖10.65~89 GHz波段的5个频段10个通道被动微波辐射计。FY-3B土壤水分采用基于QP模型的双通道土壤水分反演算法^[15],并通过与植被含水量相关的植被光学厚度校正植被影响^[16],其空间分辨率为25 km,产品周期为日产品,单位为cm³/cm³。研究中数据由“国家气象科学数据中心”( http: //data.cma.cn/site/index.html)下载2014年7月与10月份全球土壤水分产品,共62景影像。

MODIS地表温度数据为MODIS每日地表温度产品MYD11A1,空间分辨率为1 km; 地表反射率产品为MYD09GA每日反射率产品,空间分辨率为500 m,将其重采样至1 km; 地表反照率产品为MCD43A3每日反照率产品,空间分辨率为500 m,将其重样至1 km。MODIS数据由NASA Earthdata Search ( https: //search.earthdata.nasa.gov/search)下载。下载2014年7月与10月数据,共186景影像。

2 研究方法

2.1 土壤水分估算模型

2.1.1 ATI模型

土壤热惯量是反映土壤热变化幅度的一个重要参数,而土壤水分含量的变化是影响土壤热变化的重要参数,因此,可以通过热惯量反映土壤水分的变化。在实际应用中,Price^[17]提出计算较为简便的表观热惯量ATI,更适合于遥感数据的应用,可行性更高,ATI的表达式为:

(1)

ATI = (1 - A) / ΔT

式中: A为全波段反照率,由MODIS的MCD43A3反照率数据得到; ΔT为昼夜温差,可由MODIS MYD11A1产品中白天与夜间的温度计算得出。

ATI与土壤水分的关系模型中,相较于其他模型,对数模型应用较多,在低植被覆盖度区域土壤水分估算与降尺度研究中得到应用^[10],其表达式为:

(2)

sm = a \cdot \ln (ATI) + b

式中: sm为土壤水分; a和b为模型系数。

由于热惯量是对土壤热变化的监测,易受到上层植被的影响,基于ATI的土壤水分估算模型更适用于裸土或低植被覆盖度区域^[18]。

2.1.2 温度植被指数

温度植被指数(temperature vegetation index,TVI)的原理为在植被覆盖区域,土壤水分变低时,上层植被叶子关闭气孔,植被冠层温度可以反映土壤水分的变化,计算式可以表示为^[19]:

(3)

TVI = \frac{T_{S}}{NDVI}

式中,T_S为植被冠层温度。在实际应用中,植被覆盖度较高时通常采用遥感反演的地表温度代替冠层温度。

TVI与土壤水分之间存在线性关系^[20],其数学表达式为:

(4)

sm = c \cdot TVI + d

式中c和d为模型系数。

2.1.3 基于ATI与TVI的土壤水分估算模型的建立

由于ATI与TVI分别适用于裸露或低植被覆盖区域以及高植被覆盖区域,则综合两种模型的特点可以适合应用于不同植被覆盖度下的土壤水分估算。采用植被覆盖度 $f_{c}$ 作为权重,建立基于ATI与TVI的土壤水分综合估算模型,其数学表达式为:

(5)

sm = (1 - f_{c}) \cdot (a \cdot \ln (ATI) + b) + f_{c} \cdot (c \cdot TVI + d)

其中,植被覆盖度 $f_{c}$ 由MODIS计算的NDVI计算得到^[21],其表达式为:

(6)

f_{c} = (NDVI - NDV I_{soil}) / (NDV I_{veg} - NDV I_{soil})

式中NDVI_soil和NDVI_veg 分别为裸土或无植被覆盖区的NDVI值与植被完全覆盖时像元的NDVI值。

由式(5)可得:

(7)

sm = a \cdot (1 - f_{c}) \cdot \ln (ATI) + (d - b) \cdot f_{c} + c \cdot f_{c} \cdot TVI + b

2.2 降尺度方法

2.2.1 降尺度模型的构建

式(7)中经验系数往往需要通过实测或高分辨率土壤水分产品回归分析得到,其中,高分辨率土壤水分sm_H可通过均值升尺度方法得到低分辨率土壤水分sm_L即:

(8)

s m_{L} = \overset{n}{\sum_{i = 1}} s m_{H i}

式中: $s m_{H i}$ 为高分辨率像元i的土壤水分; n为低分辨率一个像元覆盖范围内高分辨率数据像元的个数。

将式(7)代入式(8)中,得:

(9)

s m_{L} = a \cdot \overset{n}{\sum_{i = 1}} ((1 - {f_{c}}_{i}) \cdot (\ln {(ATI)}_{i}) + c \cdot \overset{n}{\sum_{i = 1}} {f_{c}}_{i} \cdot TV I_{i} + (d - b) \cdot \overset{n}{\sum_{i = 1}} {f_{c}}_{i} + b

式中 ${f_{c}}_{i}$ , $(\ln {(ATI)}_{i})$ 和 $TV I_{i}$ 分别为高分辨率像元i的f_c,ln(ATI)和TVI。

式(9)建立起低分辨率土壤水分与式(7)经验系数关系式,经回归分析,可得模型系数a,b,c,d,并代入式(7)中,得到降尺度后高分辨率土壤水分。

2.2.2 土壤水分残差再分配

降尺度后的土壤水分经均值升尺度后得到的低分辨率土壤水分值应与FY-3B土壤水分值相同,但在实际应用中,两者之间存在差值 $Δsm$ ,其表达式为:

(10)

Δsm = s m_{L} - s m_{HL}

式中, $s m_{HL}$ 为降尺度后土壤水分经过升尺度后得到的低分辨率土壤水分。

为消除降尺度土壤水与FY-3B土壤水分的残差,将此残差采用线性插值方法^[22],对降尺度后的土壤水分进行残差分配,得到最终的降尺度后土壤水分。

2.3 技术路线

利用MODIS 地表温度、反照率、反射率等数据,计算 $f_{c}$ ,ATI与TVI,并通过均值升尺度法得到25 km分辨率下式(9)中各变量; 结合25 km分辨率下FY-3B土壤水分数据,进行加回归分析,得到式(9)中的模型系数; 将系数与MODIS 1 km遥感数据代入式(7)中,得到1 km分辨率土壤水分; 计算FY-3B土壤水分与得到的由1 km升尺度后的土壤水分之间的差值,并将差值进行再分配,得到降尺度后1 km的土壤水分。技术路线如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 技术路线

Fig.2 The technical route

3 结果与分析

3.1 基于站点实测数据的土壤水分估算模型分析

由于地面观测站分布较为分散,遥感数据的单个像元覆盖范围内只有一个观测站,选取周围地势较为平坦、地表覆盖类型较为一致的地面观测站,其观测值能够代替所对应像元覆盖范围的土壤水分值。对站点所对应的像元在时间尺度上应用模型(式(7))进行回归分析。表1为不同观测站在2014年7月与10月通过式6回归分析后的相关系数。由表1可以看出,在观测站点7月与10月的相关系数R大于0.6,大部分在0.8以上,表明观测站点模型较为稳定。

表1 模型(式(7))回归分析相关系数R与模型系数

Tab.1 Model (equation (7)) regression analysis correlation coefficient R and model coefficient

站点	日期	R	a	b	c	d
M08	7月	—	—	—	—	—
M08	10月	0.763	0.120	-0.310	-0.005	-0.827
M11	7月	0.878	0.049	-0.040	-0.001	0.770
M11	10月	0.868	0.156	-0.407	-0.007	-1.334
M12	7月	0.705	0.007	0.088	-0.002	0.193
M12	10月	0.860	0.061	0.187	-0.004	0.321
M14	7月	—	—	—	—	—
M14	10月	0.779	0.291	-0.837	-0.015	-3.213
M16	7月	—	—	—	—	—
M16	10月	0.874	0.163	-0.278	-0.007	-1.291
M17	7月	—	—	—	—	—
M17	10月	0.863	0.179	-0.535	-0.006	-1.051
M18	7月	0.861	0.023	0.011	-0.004	1.295
M18	10月	0.755	0.114	-0.269	-0.004	-0.575
M19	7月	0.706	0.023	-0.055	-0.001	0.521
M19	10月	0.907	0.168	-0.276	-0.005	-0.702
M21	7月	—	—	—	—	—
M21	10月	0.913	0.168	-0.276	-0.005	-0.702

新窗口打开| 下载CSV

3.2 FY-3B土壤水分降尺度

利用FY-3B土壤水分与MODIS数据代入式(9)中,经回归分析求得式(9)的系数,图3为相关系数的时间序列图。由于FY-3B微波成像仪MWRI图像幅宽为1 400 km,受到FY-3B卫星轨道间隔以及云覆盖对MODIS数据等的影响,2014年7月与10月共有26 d有效数据,相关系数大部分在0.6以上,表明所建立的模型具有较好的稳定性。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 相关系数时间序列图

Fig.3 Time series of correlation coefficient

图4为2014年7月27日、10月4日、10月11日FY-3B低分辨率土壤水分与降尺度后的高分辨率土壤水分空间分布对比图。图中,降尺度后土壤水分与FY-3B土壤水分空间分布一致,7月27日土壤水分值东部大于西部,此时为植被生长茂盛期,东部为高植被覆盖度区,西部多为低植被覆盖度与裸土区域,土壤水分分布与植被分布区域相一致; 10月份进入植被枯萎期,植被覆盖度降低,降尺度后土壤水分降低,东部高土壤水分值区域减少; 10月11日降尺度后土壤水分东部与西部相似。处于雨季的7月27日土壤水分值高于非雨季10月4日与10月11日的土壤水分值。根据研究区内区域环境、季节变化以及FY-3B土壤水分变化情况,降尺度后土壤水分空间分布合理。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 FY-3B土壤水分与降尺度后土壤水分空间分布图

Fig.4 FY-3B soil moisture and its spatial distribution after downscaling

3.3 误差分析

结合地面观测数据,对降尺度后的土壤水分精度进行验证分析。由于地面观测站分布较为分散,选取与3.1节相同的地面观测站的观测值与降尺度后土壤水分进行对比分析。

图5为降尺度后土壤水分与地面观测值散点图。由图中可以看出,降尺度后土壤水分与实测土壤水分决定系数在0.41~0.51之间,降尺度后土壤水分与实测土壤水分呈现较好的线性关系且较为稳定。RMSE值变化较大,最小值为10月4日的0.055 cm³/cm³,最大值为7月27日0.103 cm³/cm³。雨季的7月27日降尺度后土壤水分值大部分高于地面观测值,非雨季10月4日与11日降尺度后土壤水分值低于地面观测值,其中,10月11日的降尺度后土壤水分值明显低于地面观测值。通过分析,在植被覆盖区域土壤水分值偏高,主要是由于一方面在植被生长茂盛期,参与计算的可见光、红外遥感数据中的植被信息,引起降尺度后土壤水分值往往会包含有植被含水量等信息; 另一方面,FY-3B土壤水分在植被覆盖区域反演过程中,由植被含水量等信息估算的植被光学厚度校正植被影响,反演的土壤水分值高于地面观测值。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 降尺度土壤水分与地面观测值散点图

Fig.5 Scatter plots between downscaled soil moisture and ground observations

图6为FY-3B土壤水分与中尺度地面观测网观测平均值的时间序列图中,从中可知,7月植被生长茂盛,土壤水分反演值高于地面观测值,在部分日期内达到0.5 cm³/cm³。图6中, 7月27日FY-3B土壤水分值为0.41 cm³/cm³,地面观测的平均值为0.29 cm³/cm³,各地面站点观测值范围在0.247~0.38 cm³/cm³之间,导致降尺度后土壤水分大于地面实测值,RMSE值较大。10月4日FY-3B土壤水分为0.275 cm³/cm³,与地面观测平均值(0.287 cm³/cm³)较为接近,降尺度后土壤水分与地面观测值RMSE较小。10月11日FY-3B土壤水分为0.245 cm³/cm³,低于地面观测平均值0.264 cm³/cm³,降尺度后土壤水分低于地面观测值,且RMSE值高于10月4日。通过以上分析可以看出,FY-3B土壤水分与实测土壤水分变化趋势相一致,但在7月绝对值相差较大,10月相差较小,是影响降尺度后土壤水分精度的一个重要因素。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 FY-3B土壤水分与地面观测值时间序列

Fig.6 Time series of FY-3B soil moisture and ground observations

综合以上分析,降尺度后土壤水分与实测土壤水分变化趋势较为一致, 考虑到FY-3B土壤水分本身的精度,该降尺度方法能够较好地对以FY-3B为代表的微波遥感反演土壤水分进行降尺度,得到高分辨率土壤水分。

4 结论与讨论

本文基于表观热惯量ATI与温度植被指数TVI土壤水分估算模型,以MODIS数据为数据源,对FY-3B土壤水分进行降尺度,得到高分辨率土壤水分,该方法具有以下特点:

1)利用ATI与TVI土壤水分估算模型在不同植被覆盖度下适用性的特点,以植被覆盖度作为权重,构建适用于不同植被覆盖度下土壤水分估算模型。充分利用两种土壤水分估算模型的优势,在一定程度上解决了单一土壤水分估算模型在不同土壤水分环境下应用的缺点,为土壤水分反演提供了一种可行的方法。

2)FY-3土壤水分降尺度中,应用土壤水分升尺度方法,建立起低分辨率土壤水分与高分辨率土壤水分估算模型的关系,充分考虑到不同尺度下土壤水分估算模型系数的不一致性,避免了土壤水分模型系数在不同尺度下相一致的假设。

3)对比分析了季风期、高植被覆盖度与非季风期、低植被覆盖度条件下降尺度结果,降尺度土壤水分与地面观测值分布趋势一致,但在高植被覆盖区,由于受到FY-3B土壤水分精度,以及可见光、红外数据中植被含水量等信息的影响,RMSE值较高。

在研究中,存在以下问题:

1)由于可见光、红外波段数据易受到云覆盖的影响,很难获取连续的ATI计算时所需要昼夜温度值,产生较多的无效值,进而影响降尺度模型的应用及长时序数据的构建。

2)在高植被覆盖区,由于受到FY-3B土壤水分反演精度以及土壤水分降尺度方法等方面的影响,与地面观测水分观测值相差较大。

3)在结果验证中,由于地面观测网分布较为分散,降尺度后土壤水分像元中只有一个观测站点,虽然选取了周围地势较为平坦,地表覆盖较为一致的地面观测站数据,但降尺度结果的真实性检验方面仍需进一步改进。

在进一步工作中,云下地表温度与长时序地表温度的重建^[23]、FY-3B土壤水分反演算法的改进、地面验证方法的改进等方面的研究,可以有效地提高降尺度算法的精度与可操作性。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Chen

C F

, Son

N T

, Chang

L Y

, et al.

Monitoring of soil moisture variability in relation to rice cropping systems in the Vietnamese Mekong Delta using MODIS data

[J]. Applied Geography, 2011, 31(2):463-475.

DOI:10.1016/j.apgeog.2010.10.002 URL [本文引用: 1]

[2]

Njoku

E G

, Jackson

T J

, Lakshmi

, et al.

Soil moisture retrieval from AMSR-E

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(2):215-229.

DOI:10.1109/TGRS.2002.808243 URL [本文引用: 1]

[3]

Merlin

, Walker

J P

, Chehbouni

, et al.

Towards deterministic downscaling of SMOS soil moisture using MODIS derived soil evaporative efficiency

[J]. Remote Sensing of Environment, 2008, 112(10):3935-3946.

DOI:10.1016/j.rse.2008.06.012 URL [本文引用: 1]

[4]

Narayan

, Lakshmi

, Njoku

E G

Retrieval of soil moisture from passive and active L/S band sensor (PALS) observations during the Soil Moisture Experiment in 2002 (SMEX02)

[J]. Remote Sensing of Environment, 2004, 92(4):483-496.

DOI:10.1016/j.rse.2004.05.018 URL [本文引用: 1]

[5]

Zhao

, Li

A comparison study on empirical microwave soil moisture downscaling methods based on the integration of microwave-optical/IR data on the Tibetan Plateau

[J]. International Journal of Remote Sensing, 2015, 36(19-20):4986-5002.

DOI:10.1080/01431161.2015.1041178 URL [本文引用: 1]

[6]

Chauhan

N S

, Miller

, Ardanuy

Spaceborne soil moisture estimation at high resolution:A microwave-optical/IR synergistic approach

[J]. International Journal of Remote Sensing, 2003, 24(22):4599-4622.

DOI:10.1080/0143116031000156837 URL [本文引用: 1]

[7]

Piles

, Camps

, Mercè

, et al.

Downscaling SMOS-derived soil moisture using MODIS visible/infrared data

[J]. IEEE Transactions on Geoence and Remote Sensing, 2011, 49:3156-3166.