ESA CCI土壤湿度资料在中国东部的综合评估

doi:10.6046/zrzyyg.2023308

ESA CCI土壤湿度资料在中国东部的综合评估

凌肖露^,¹^,², 陈朝荣³, 郭维栋⁴, 秦凯¹^,², 张锦龙⁵

1.中国矿业大学环境与测绘学院,徐州 221116

2.江苏省煤基温室气体减排与资源化利用重点实验室,中国矿业大学,徐州 221008

3.青海师范大学地理科学学院,西宁 810008

4.南京大学大气科学学院,南京 210023

5.创亚普产业技术研究院,徐州 221116

Comprehensive evaluation of ESA CCI soil moisture data in eastern China

LING Xiaolu^,¹^,², CHEN Chaorong³, GUO Weidong⁴, QIN Kai¹^,², ZHANG Jinlong⁵

1. School of Environment and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China

2. Jiangsu Key Laboratory of Coal-based Greenhouse Gas Control and Utilization, China University of Mining and Technology, Xuzhou 221008, Jiangsu, China

3. School of Geographical Sciences, Qinghai Normal University, Xining 810008, China

4. School of Atmospheric Sciences, Nanjing University, Nanjing 210023, China

5. Jiangsu CYP Light Heat Electronics Industrial Technology Research Insitute, Ltd., Xuzhou 221116, China

责任编辑: 李瑜

收稿日期: 2023-10-9 修回日期: 2024-01-30

基金资助:

国家自然科学基金面上项目“陆地植被特征在东亚次季节-季节气候预测中的同化及应用”(42075114)
江苏高校优势学科建设项目“测绘科学与技术学科”(140119001)
徐州市重点研发计划——现代农业面上项目“基于农业遥感大数据和陆面模型的作物产量精细化监测”(KC21132)

Received: 2023-10-9 Revised: 2024-01-30

作者简介 About authors

凌肖露(1986-),女,博士,副教授,主要从事生态遥感和大气环境遥感的研究。Email: lingxl@cumt.edu.cn。

摘要

卫星遥感的土壤湿度产品为研究区域尺度的气候变化、水文效应等提供了便利,然而由于观测标准不统一、仪器更迭等因素,长时间序列土壤湿度数据集在我国的验证和应用犹显不足。该文基于中国气象局农气数据集和国际土壤水分网络(international soil moisture network, ISMN)的土壤湿度资料,首先构建了1981—2013年中国东部地区土壤湿度的月数据集; 并在此基础上对比分析了同时间段欧洲航天局气候变化倡议项目(European apace agency climate change initiative, ESA CCI)的4种微波遥感土壤湿度产品(包括主动、被动、融合和校正的融合产品)在中国东部的表现能力。结果显示,主动产品和被动产品分别低估、高估了中国东部的土壤湿度,其中主动产品的最大偏差分布在华北和西北地区,相对偏差分别达到-30.9%和-29.6%,被动产品在东北和西北地区的相对偏差分别为39.1%和26.5%,融合产品可以很好地改进东北地区和西北地区主动产品低估、被动产品高估的现象,相对偏差分别减少到24.3%和3.7%。对区域平均的月土壤湿度的变化特征而言,主动产品和融合产品在江淮地区的表现最优,最高相关系数达0.66,被动产品和融合产品在东北地区的相关系数达0.44和0.47,华北地区和西北地区较差。通过对遥感产品方差来源进行分析,主动产品在描述土壤湿度的演变特征方面更具优势,被动产品在精度方面表现更优,融合产品在精度方面表现最佳。该文同时研究了CCI集成卫星设备的更迭对产品表现的影响,结果表明,不同时间段的主动产品在东北和西北表现较一致,被动传感器在再现土壤湿度的变化特征方面还有一定的差距,融合产品的整体方差明显优于主动产品和被动产品,但是在相关系数方面,融合产品在东北和西北较主动产品基本相当。校正后的融合产品没有特别明显的改进,这在一定程度上证明了利用CCI融合产品进行长期研究的可行性。研究结果有助于更深刻地理解不同卫星产品数据集的误差结构和特性,为研究者挑选相应数据产品、以及进行长时间序列的研究提供了证据支持。

关键词： 土壤湿度; 卫星遥感; 设备更替; 长时间序列; ESA CCI; 中国东部; 突变检验和校正; 综合评估

Abstract

Soil moisture products based on remote sensing are crucial for investigating climatic change and hydrological effects on a regional scale. However, there is a lack of verification and application of long-term soil moisture datasets in China due to factors such as inconsistent observation standards and instrument upgrades. Using the agro-meteorological dataset from the China Meteorological Administration and soil moisture data from the International Soil Moisture Network (ISMN), this study constructed a monthly dataset of soil moisture in eastern China covering the period from 1981 to 2013. Accordingly, this study analyzed and compared the performance of four microwave remote sensing-based soil moisture products developed by the European Space Agency’s Climate Change Initiative (ESA CCI): active, passive, combined, and combined adjusted products. The results indicate that active and passive products underestimated and overestimated soil moisture in eastern China, respectively. The maximum deviations from active products were found in the northern and northwestern regions, with relative deviations of -30.9% and -29.6%, respectively. In contrast, the passive products showed relative deviations of 39.1% and 26.5%, respectively for soil moisture in northeastern and northwestern regions. The combined products mitigated the underestimation of the active products and the overestimation of the passive product in these regions, reducing the relative deviations to 24.3% and 3.7%, respectively. Regarding the variation characteristics of regional monthly average soil moisture, both the active and combined products performed best for soil moisture in the Yangtze-Huaihe (YH) region, with the highest correlation coefficient of 0.66. The passive and combined products yielded correlation coefficients of 0.44 and 0.47, respectively for soil moisture in the northeastern region and performed poorly for soil moisture in the northern and northwestern regions. The analysis of the variance sources of the remote sensing-based products indicates that the active products enjoyed more advantages in describing the evolutionary characteristics of soil moisture, the passive products demonstrated greater accuracy, and the combined products yielded the highest accuracy overall. Additionally, this study investigated the impacts of changes in the integrated satellite equipment of CCI on product performance. The results indicate that the active products exhibited consistent performance for soil moisture in the northeastern and northwestern regions in different periods. However, passive sensors still exhibited gaps in reproducing the variations in soil moisture. The combined products exhibited better overall variance than both active and passive products. However, these products yielded comparable correlation coefficients with the active products for soil moisture in the northeastern and northwestern regions. The combined products presented no notable improvement after correction, proving that it is feasible to conduct long-term research using the combined products of CCI. The results of this study contribute to a deeper understanding of the error structures and characteristics of various satellite product datasets, providing evidence for researchers to select appropriate data products and conduct research on long time series.

Keywords： soil moisture; satellite remote sensing; instrument replacement; long time series; ESA CCI; eastern China; break-adjusted COMBINED product; comprehensive evaluation

PDF (10199KB) 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

凌肖露, 陈朝荣, 郭维栋, 秦凯, 张锦龙. ESA CCI土壤湿度资料在中国东部的综合评估[J]. 自然资源遥感, 2024, 36(4): 92-106 doi:10.6046/zrzyyg.2023308

LING Xiaolu, CHEN Chaorong, GUO Weidong, QIN Kai, ZHANG Jinlong. Comprehensive evaluation of ESA CCI soil moisture data in eastern China[J]. Remote Sensing for Land & Resources, 2024, 36(4): 92-106 doi:10.6046/zrzyyg.2023308

0 引言

作为表征土壤干湿程度的物理量,土壤湿度通过影响陆面蒸发、植被蒸腾等过程影响整个地球系统的水循环; 此外,土壤湿度还可以通过改变地表反照率、影响植被生长的生物物理和生物地球化学过程改变整个地球系统中的物质和能量循环^[1⇓-3]。近年来的研究发现,土壤湿度可以作为干旱、热浪的重要指标,在气候预测和气象预报、农业干旱管理、水资源管理、温室气体核算、民用防护、生态环境等领域占据越来越重的作用^[4⇓⇓-7],因此,对土壤湿度的正确描述可以为地球科学相关领域的研究提供重要的数据支持和理论证据。

近年来涌现了非常多的土壤湿度数据产品,包括台站观测、卫星遥感、模型模拟和再分析数据等。台站观测是公认的可以获得最精确的土壤湿度数据的方法,其可以作为真实值对其他数据产品进行验证,然而由于获得方法不统一、仪器更迭、数据获得的时空范围各异等原因,很难获得长时间序列、区域范围甚至是全球范围的观测土壤湿度数据。例如国际土壤水分网络(International Soil Moisture Network, ISMN)就是由全球能源和水交换项目(Global Energy and Water Cycle Experiment, GEWEX)、地球观测卫星委员会(Committee on Earth Observation Satellites, CEOS)、全球气候观测系统-陆地气候观测小组(Global Climate Observing System: Terrestrial Observation Panel for Climate, GCOS-TOPC)共同发起,以实现土壤湿度观测数据的共享而建成的^[8-9]。

模型模拟和再分析数据是基于数理模型获得的土壤湿度数据产品,可以提供时空连续的土壤湿度分布,其中模型模拟包括公用陆面模式^[10](Community Land Model, CLM)、陆面模式(Simplified Simple Biosphere Model, SSiB)^[11]等,再分析数据包括美国国家环境预报中心和美国能源部共同制作的第二代全球大气再分析资料(the National Centers for Environmental Prediction and Department of Energy Reanalysis, NCEP-DOE R2)、美国能源部和国家大气海洋局联合发布的再分析资料(The 20th Century Reanalysis Project (20CR) led by the National Oceanic and Atmospheric Administration (NOAA) and the University of Colorado Cooperative Institute for Research in Environmental Sciences (CIRES), NOAA/CIRES-20CR)、欧洲中期天气预报中心再分析资料(the European Centre for Medium-Range Weather Forecasts (ECMWF) Reanalysis - Interim, (ERA-Interim))、全球陆地数据同化系统产品(Global Land Data Assimilation System, GLDAS)、北美陆地数据同化系统产品(North American Land Data Assimilation System, NLDAS)等^{[12⇓⇓⇓⇓⇓-18]}。由于模型的数学物理机制、模型结构、输入参数、驱动数据、同化变量的不同,这些产品存在较大的不确定性; 此外全球性的模拟和再分析产品的空间分辨率较粗,一定程度上不适用于更精细尺度的应用。

自20世纪70年代微波技术被发现可用来获得土壤表面的水分含量以来,土壤湿度的监测获得了迅猛发展。通过发射或者反射地球表面的电磁波,搭载在卫星上的主动传感器、被动传感器通过测量亮温、雷达反射系数等来测量土壤表面的水分含量^[19]。随着遥感技术的发展,衍生了许多基于卫星遥感的观测数据集,包括基于单个卫星的产品、基于多个卫星的集成产品等。由于遥感数据是基于观测、同时可以提供时空连续的精细分辨率的土壤湿度数据集,基于遥感的土壤湿度数据产品在气候学、气象学、水文学、生态学等领域获得了广泛的应用^[20⇓-22]。

国内外已有许多工作对不同来源的土壤湿度数据产品进行对比和验证^{[23⇓⇓⇓-27]},例如Albegel等^[28]利用非洲、澳大利亚、欧洲、美国的200多个台站土壤湿度资料对比分析了欧洲卫星气象中心中的土壤水分指数(SM-DAS-2)产品、C波段微波散射计(Advanced Scatterometer, ASCAT)和欧空局的土壤水分和海洋盐度卫星(Soil Moisture and Ocean Salinity, SMOS)的时间序列,得到的3种产品均能较好地捕获土壤湿度的年际变化,但是SMOS受植被的影响较大。Chen等^[29]利用中国青藏高原的2个土壤湿度/温度监测信息网数据评估了美国国家航空航天局的土壤水分主被动卫星(Soil Moisture Active and Passive, SMAP)数据、SMOS和先进微波扫描辐射计(Advanced Microwave Scanning Radiometer, AMSR2)产品的精度,结果表明SMAP低估了这2个区域的土壤湿度,但对于振幅和短时变化的捕捉较好,SMOS在那曲表现较好,但在帕里较差,AMSR2高估了那曲土壤湿度的短时变化。An等^[30]利用气象站实测数据测评了欧空局气候变化倡议项目(ESA CCI)必要气候变量土壤湿度数据产品的主、被动融合的土壤湿度产品(Essential Climate Variables_Soil Moisture, ECV_SM V0.1),结果显示土壤湿度在稀疏草地的相关性最强。而González-Zamora等^[31]利用西班牙实测资料对ESA CCI土壤湿度产品(主动、被动和融合产品)进行了测评,结果得到3种产品的表现均较好,其中融合产品对短期变化和季节变动都捕捉得很好,但是在湿润季节存在明显高估,干旱季节则存在明显的低估。

本文基于ISMN中国区域的土壤湿度资料和中国气象局农气数据集,对比分析了同时间段ESA CCI的4种土壤湿度产品(包括主动产品(ACTIVE)、被动产品(PASSIVE)、融合产品(COMBINED)、校正的融合产品(COMBINED ADJUSTED))在中国东部的表现能力,为更深刻地理解不同卫星产品数据集的误差结构和特性,为利用遥感数据产品在单站和区域尺度的研究和应用提供重要的证据支持和科学依据。

1 数据与方法

1.1 ESA CCI 土壤湿度产品

ESA致力于生成ECV的相关数据产品,包括云、火、温室气体、土地覆盖、雪盖、海洋颜色、臭氧、海冰、海平面、海表温度、土壤湿度等。其中土壤湿度产品(CCI SM)可以提供长达40多年(1978—2021年)的全球土壤湿度数据,用于气候研究和应用^[32-33]。CCI SM产品经过了许多版本的更新,例如版本v03.2引入了SMOS卫星,减少了产品的偏差和方差^[31]; 版本v05.2改进了反演算法,改进了被动产品中AMSR-2卫星中的相互校准问题,同时引入了SMAP卫星的土壤湿度数据; 自v06.1以来,ESA CCI SM 同时新增了一个基于融合数据集的辅助产品,即以再分析土壤湿度数据作为参考数据集进行突变检测和校正的融合产品。

本文用于验证的数据来自于最新版本为v07.1,该产品可以提供1978—2021年全球格点分布的土壤湿度数据,空间分辨率是0.25°,时间分辨率为1 d。开放于2022年5月,该版本新增加了3个主动和被动传感器(包括风云3C(Fengyun, FY-3C),FY-3D和ASCAT-C传感器),首次融合了所有传感器的上升和下降通道的观测数据,并且被证实是目前最精确的ESA CCI SM数据产品。该版本可提供4类土壤湿度产品,包括合成的主动微波遥感数据集、合成的被动微波遥感数据集、融合了主被动微波遥感的数据集和更新后的融合数据集; 其中被动遥感数据产品包括SMMR, DMSP SSM/I, Aqua ASMR-E, TRMM TMI, Coriolis WindSat, SMOS, GCOM-W1 AMSR2, SMAP, GPM, FY-3B, FY-3C, 和FY-3D传感器的数据,主动微波遥感土壤湿度产品包括来自AMI-WS ESR1/2, MetOp ASCAT A&C 和ASCAT B传感器的数据。在分别生成主动、被动产品的基础上,通过尺度转换、Triple-Collocation融合方法和数据融合,生成融合数据产品,并进一步生成突变检测和校正的融合数据集。CCI SM的被动和融合产品的土壤湿度为体积含水量,主动产品则为土壤相对湿度。

1.2 土壤湿度观测数据

1.2.1 ISMN土壤湿度产品

ISMN(https://ismn.earth/en/)是在国际合作的基础上建立和维护全球台站观测土壤湿度的数据库,在ESA的财政支持以及世界各地科学家和网络的捐款支持下成立和维护,可用于验证和改进全球卫星遥感数据产品、陆面模型、气候模型和水文模型。笔者从该网站下载了1981—1999年中国区域的土壤体积水含量,观测深度分别为0~5 cm和5~10 cm。

1.2.2 中国农气站土壤湿度数据集

此外,还有一部分土壤湿度观测数据来自中国国家气象信息中心的“中国农作物生长发育和农田土壤湿度旬值数据集”,该数据集记录了中国区域778个农气站1991—2013年逐旬的作物生长状况、土壤湿度等变量。原则上每旬测量一次(即每月8、18和28日),且冬季缺测较多,数据没有经过质量控制,质量一般。该数据集利用烘干法测量了10 cm,20 cm,50 cm,70 cm和100 cm的土壤相对湿度。

1.2.3 土壤水分质量百分比

除了土壤相对湿度,中国国家气象信息中心同时记录了1981—1998年期间的土壤水分的质量百分比、田间持水量和土壤容重。该数据依然是每旬测定一次,分别测量了11层深度的土壤湿度,即[和[90,100] cm。田间持水量与土壤质地有关,表征充分灌溉并稳定下来后,土壤所能维持的稳定的体积分数。在土壤类型没有经过特别改变的情况下,田间持水量和土壤容重可以视为常数。

1.2.4 中国东部长时间序列土壤湿度数据集的构建

由前文得到,土壤湿度的表现形式有体积百分比、质量百分比、相对湿度等,为了统一单位并进行对比验证,将所有土壤湿度的单位换算成土壤体积含水量,换算公式为:

(1)

θ_{v} = θ' \times θ_{f} \times ρ_{b} / ρ_{w}

式中: $θ_{v}$ 为土壤体积含水量,单位是m^3/m³; $θ'$ 为土壤相对湿度,单位是%; $θ_{f}$ 为田间持水量,单位是g/g; $ρ_{b}$ 为土壤容重,单位是g/cm³; $ρ_{w}$ 为水的密度,数值为1 g/cm³。

(2)

θ_{v} = θ_{m} \times ρ_{b} / ρ_{w}

式中 $θ_{m}$ 为土壤水分的质量百分比,单位是%。

为构建长时间序列的土壤湿度数据集,我们将不同来源获得的观测土壤湿度数据整合成一个数据集,时间范围从1981—2013年。台站观测数据最终选取10 cm土壤体积含水量作为验证对象,为了保持深度统一,整合数据集的步骤如下:

1)分别根据公式(1~2)和观测的田间持水量、土壤容重求得对应台站的土壤体积含水量。

2)为计算不同台站10 cm处的土壤体积含水量,ISMN的土壤湿度是将[0,5) cm和[5,10) cm的数值进行平均获得10 cm的土壤湿度; 中国国家气象信息的质量百分比数据则是将[0,10) cm和[10,20) cm的深度进行线性换算,获得10 cm的土壤湿度。

3)根据时间范围进行整合,ISMN数据的时间范围是1981—1999年,中国农气站的土壤湿度数据的时间范围是1991—2013年; 在整合的时候,如果时间不重复或者某一个时间点只有一个观测值,则使用这个观测值; 如果出现时间重合,即某一个时间点有多个观测值的情况,则用这些数据的算术平均值作为该时刻的最终值。

1.3 研究区域

为了获得长序列的土壤湿度资料并保持单位统一,需要用观测的田间持水量和土壤容重作为换算的中间变量,获得的可用于验证的台站数为119个,其地理位置和下垫面分布详见图1。图1(a)中可见,可用于验证的台站主要分布在中国东部地区,此外,将台站密集的地区划分为4个主要研究区域,包括中国东北(NE)、华北(NC)、西北(NW)和江淮(YH),这4个地区也分别对应着湿润半湿润区、半湿润区、过渡区和湿润区。图1(b)展示了来自于中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer, MODIS)2013年的土地利用覆盖数据(MCD12C1)^[34],东北地区东部主要覆盖着落叶针叶林和落叶阔叶林,中部覆盖着农田,西部主要覆盖着草地。华北地区的西北部主要覆盖着草地,东南部主要覆盖着农田,并零星覆盖着城市和城市群。在华北地区的东北和东北地区的西南,零星覆盖着较密集的大型城市群。西北地区主要指我国的西北地区东部,在其北部为较贫瘠地区,中部覆盖着草地和农田,东南部覆盖着较小范围的落叶阔叶林和混合森林。而在江淮地区,则主要覆盖着草地和灌木丛草原,同时零星覆盖着城市。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 土壤湿度观测站点分布、分区及下垫面类型分布(审图号: GS京(2024)2618号)

Fig.1 Spatial distribution of soil moisture observation stations and four research regions, as well as land surface types

1.4 验证方法

本文利用偏差(Bias),相对偏差(rBias),均方根误差(RMSD),相对均方根误差(rRMSD),无偏均方根误差(μbRMSD),斯皮尔曼相关系数(R_s)等统计变量来验证不同类型遥感产品的准确性,公式如下:

(3)

B i a s = \frac{\overset{n}{\sum_{i = 1}} (x_{i} - y_{i})}{n}

(4)

r B i a s = \frac{B i a s}{\bar{x}}

(5)

R M S D = \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (x_{i} - y_{i})^{2}}{n}}

(6)

r R M S D = \frac{R M S D}{\bar{x}}

(7)

μ b R M S D = \sqrt[]{R M S D^{2} - B i a s^{2}}

(8)

R_{s} = \frac{\overset{n}{\sum_{i = 1}} (x_{i} - \bar{x}) (y_{i} - \bar{y})}{\sqrt[]{\overset{n}{\sum_{i = 1}} (x_{i} {- \bar{x})}^{2} (y_{i} {- \bar{y})}^{2}}}

式中: $x_{i}$ 为台站观测数据(单位: m³/m³), $y_{i}$ 为卫星遥感的数据产品(单位: m³/m³), $n$ 为数据的数量, $\bar{x}$ 和 $\bar{y}$ 分别表示观测与产品的平均值。Bias(单位: m³/m³)和rBias(单位: %)表征了卫星遥感产品相对于台站观测的偏离程度,绝对值越低表明遥感产品的精度越高; RMSD(单位: m³/m³)和rRMSD(单位: %)表征产品和台站观测值之间的离散程度,值越小表示观测值与真值越贴合; μbRMSD(单位: m³/m³)则去除了数据自身均值的影响,表征产品与台站观测之间的变化趋势的一致性,值越小表明观测与真值的变化趋势越接近。相关系数 $R_{s}$ 则表征2组数据间的线性相关程度,绝对值越高表明2组数据的相关性越强,皮尔逊相关系数适用于线性相关。

为了分析土壤湿度产品相对于台站观测的误差来源,引入了均方误差分解方法(MSE)对产品的误差进行了分解,以量化相关系数项、标准差项和偏差项的贡献^[35-36]分别对应土壤湿度产品与观测值之间的相关性、数据变幅的相似程度和产品的准确性。计算公式为:

(9)

M S E = 2 σ_{x} σ_{y} (1 - R_{s}) + (σ_{y} - σ_{x})^{2} + {(\bar{x} - \bar{y})}^{2}

(10)

σ_{x} = \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (x_{i} {- \bar{x})}^{2}}{n}}

(11)

σ_{y} = \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}}{n}}

式中: $σ_{x}$ 和 $σ_{y}$ 分别表示观测值和产品的标准差(单位: m³/m³)。在获得了台站分布的数据的基础上,验证卫星遥感数据的步骤如下:

1)在验证对应站点的值时,挑选离站点所在位置最近的网格点的值作为相对应的站点值。

2)在分析空间分布特征时,以单站站点及其对应值作为研究对象进行分析。

3)在分析区域平均的土壤湿度的时间演变特征时,先将台站观测数据和卫星遥感数据进行面积平均获得区域平均值,再进行统计分析。

2 结果与分析

2.1 土壤湿度产品及其误差的空间分布特征

图2展示了1992—2013年生长季节多年平均的土壤湿度的空间分布,由于积雪、冰冻等因素的影响,此处只平均了4—9月的土壤湿度数据; 此外,由于主动产品集的数据起始时间是1991年8月,选择1992年作为验证的起始时间。从观测数据来看,土壤湿度呈现东北高、西北低、江淮高的空间分布特征。主动产品明显低估了土壤湿度值,被动数据在东北、西南地区明显高估了土壤湿度,在华北和西北地区则表现较好。融合数据和校正了的融合数据产品和台站观测的一致性较强,且未体现出明显的偏差。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 1992—2013年生长季节(4—9月)平均的土壤湿度的空间分布(审图号: GS京(2024)2618号)

Fig.2 Spatial distribution of soil moisture during growing seasons (from April to September) for the period of 1992 to 2013

图3、图4分别为1992—2013年生长季节多年平均的土壤湿度产品和台站观测产品偏差和μbRMSE的空间分布。可以得到,主动产品在4个研究区均低估了土壤湿度值,平均偏差为-0.09 m³/m³左右,相对偏差约为-36.4%; 主动产品的最高偏差分布在华北和西北地区,相对偏差分别达到-30.9%和-29.6%,东北地区和江淮地区由于土壤湿度数据本身很大,相对偏差则较小,数值分别为-21.4%和-25.8%。被动数据产品在东北、华北和西北地区高估了土壤湿度,相对偏差分别为39.1%,7.5%和26.5%,在江淮地区则低估了土壤湿度。融合产品和校正了的融合产品可以很好地改进东北地区和西北地区主动产品低估、被动产品高估的现象,相对偏差分别减少到24.3%和3.7%。在华北、江淮地区,被动产品的偏差明显小于主动产品,融合产品虽然较主动产品的偏差有所改进,但相对偏差较被动产品则有所提高。值得一提的是,在东北地区南部,两类融合数据产品的偏差依然很大,没有明显的改善。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 1992—2013年4—9月卫星遥感产品和台站观测的偏差空间分布(审图号: GS京(2024)2618号)

Fig.3 Spatial distribution of the bias of soil moisture during growing seasons (from April to September) for the period of 1992 to 2013

图4-1

新窗口打开| 下载原图ZIP| 生成PPT

图4-1 1992—2013年4—9月卫星遥感产品和台站观测的μbRMSE的空间分布(审图号: GS京(2024)2618号)

Fig.4-1 Spatial distribution of μbRMSE of soil moisture during growing seasons (from April to September) for the period of 1992 to 2013

图4-2

新窗口打开| 下载原图ZIP| 生成PPT

图4-2 1992—2013年4—9月卫星遥感产品和台站观测的μbRMSE的空间分布(审图号: GS京(2024)2618号)

Fig.4-2 Spatial distribution of μbRMSE of soil moisture during growing seasons (from April to September) for the period of 1992 to 2013

从相对均方根误差来看,被动产品的偏差最大,其次是主动产品,最后是融合产品,表明融合产品能够更好地体现不同区域的土壤湿度随时间的变化特征。而融合以后的产品对东北地区和西北地区的改进更大、其次是华北地区,对江淮流域的动态演变特征还未能很好地刻画。从无偏均方根误差看,被动产品的误差最大,其次是融合产品,主动产品的误差值最小,表明主动产品在描述土壤湿度的变化特征的能力优于其他产品。从区域上来看,主、被动产品均在西北地区的误差最大,其次是东北和江淮地区,最后是华北地区。

图5展示了1992—2013年不同季节卫星遥感产品和台站观测的泰勒图分布,其中生长季节设置为每年的4—9月。整体而言,所有产品在中国夏、秋季表现更优,春季次之,冬季最差,这可能与冬季土壤水分含量较低,且易受降雪、冻土等因素影响有关。除了冬季以外,江淮地区和华北地区的相关系数表现更优。就标准差而言,被动产品在东北地区表现更佳,此外,主动产品、融合产品及校正的融合产品在东北地区的表现亦优于其他产品。融合产品和校正了的融合产品的均方根误差明显小于主动产品和被动产品,且在西北地区均方根误差最大。主动产品在东北、华北和江淮地区的相关系数明显高于被动产品和综合类产品,而在西北地区,主动产品在表现相关性方面没有明显的优势,融合类产品的相关系数高于主动产品,具体统计值见表1。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 1992—2013年4—9月卫星遥感产品和台站观测的泰勒图分布

Fig.5 Taylor diagram of remotely sensed products and observations for the period of 1992 to 2013

表1 不同区域不同产品的统计值

Tab.1 Correlation coefficients, biases, and RMSDs of the five data sets for growing seasons from 1981 to 2013

区域	产品	Bias	rBias	RMSD	rRMSD	μbRMSD	R
东北	主动产品	-0.066	-21.4%	0.103	42.7%	0.079	0.41
	被动产品	0.056	39.1%	0.128	52.8%	0.115	0.16
	融合产品	0.022	24.3%	0.095	41.4%	0.092	0.15
	校正后融合	0.022	24.3%	0.095	41.4%	0.092	0.15
华北	主动产品	-0.085	-30.9%	0.112	45.5%	0.072	0.38
	被动产品	0.002	7.5%	0.094	41.1%	0.094	0.27
	融合产品	0.024	20.3%	0.085	37.6%	0.081	0.22
	校正后融合	0.030	22.8%	0.085	37.9%	0.080	0.23
江淮	主动产品	-0.084	-29.6%	0.113	45.1%	0.076	0.41
	被动产品	-0.007	3.6%	0.101	41.8%	0.100	0.23
	融合产品	0.039	26.4%	0.097	41.0%	0.089	0.16
	校正后融合	0.046	29.8%	0.099	41.9%	0.087	0.15
西北	主动产品	-0.075	-25.8%	0.106	43.1%	0.076	0.26
	被动产品	0.041	26.5%	0.145	61.3%	0.139	0.07
	融合产品	-0.009	3.7%	0.087	36.1%	0.087	0.15
	校正后融合	-0.005	5.6%	0.086	35.8%	0.086	0.15

新窗口打开| 下载CSV

2.2 土壤湿度产品的时间分布特征

图6展示了1981—2013年4—9月区域平均的月土壤湿度随时间的演变,由于主动产品从1992年开始有数据,故统计相关的特征量只计算有数据的时间段。总体而言,4种土壤湿度产品在江淮地区的再现能力最高。在东北地区,不同类型土壤湿度产品和台站观测有较明显的系统性偏差,其中被动产品偏高,校正前后的融合产品次之,主动观测产品的值最低; 主动产品、被动产品、融合产品和校正的融合产品和台站观测的平均偏差(μbRMSD)分别为-0.066(0.036),0.088(0.028),0.048(0.019)和0.048(0.019)。被动产品、融合产品和校正的融合产品与台站的相关系数分别为0.44,0.47和0.47,主动产品的相关系数未通过显著性检验。华北地区未出现明显的系统性偏差,但被动产品和校正前后的融合产品高估了土壤湿度,主动产品则相对低估了台站观测,平均偏差(μbRMSD)分别为-0.096(0.040),0.031(0.030),0.022(0.029)和0.026(0.029)。在华北地区,被动产品和校正前后的融合产品的相关系数分别为0.38,0.34和0.35。4种产品在江淮流域的相关性最高,时间相关系数分别为0.61,0.45,0.64和0.66,偏差(μbRMSD)分别为-0.063(0.045),0.001(0.040),0.056(0.029)和0.065(0.027)。西北地区的相关性较差,4种产品较台站观测整体偏差较小,偏差(μbRMSD)分别为-0.078(0.037),0.012(0.039),-0.000(0.019)和0.004(0.018)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 1981—2013年4—9月区域平均的月土壤湿度随时间的演变

Fig.6 Time series of soil moisture in four regions from 1981 to 2013

2.3 土壤湿度产品的误差分解

图7展示了1981—2013年4—9月区域平均的月土壤湿度产品的误差分解,其中蓝色、橙色和灰色分别代表了误差的相关系数项、标准差项和偏差项。除了东北地区,主动产品的均方根误差最大,被动产品次之,融合类产品最小。主动产品的误差主要来源于偏差项,尤其是在西北地区和华北地区达到最大,占总方差的85%以上。被动产品的表现差异则比较大,在东北地区,偏差项高达总方差的87.9%,而在华北、江淮和西北地区,偏差项则较低,占比分别为22.1%,6.18%和12.9%。除了江淮地区,融合产品的表现优于其他产品,尤其是西北地区,校正了的融合产品明显优于没有校正前的融合产品。区域平均以后的主动产品的相关系数明显低于单站,被动产品和融合产品的相关系数却有所增高,可见在区域尺度上选择产品时需更加谨慎。经过校正后的融合产品在江淮地区的方差没有降低,反而升高了,这可能需要做进一步的讨论和验证。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 1981—2013年4—9月区域平均的月土壤湿度产品的误差分解

Fig.7 The decomposition of three terms to the mean square errors (MSEs) for the four satellite products from 1981 to 2013

3 讨论

3.1 设备更替对土壤湿度产品质量的影响

由于设备老化、故障等因素,卫星及其传感器的工作年份会受到限制; 同时由于算法更新和设备进步等原因,不同机构会将新的遥感设备发射至太空进行监测。为了实现长时间序列这一目标,ESA将监测获得的土壤湿度资料进行了处理和集成,获得了新的集成数据产品。为了验证设备更替对土壤湿度产品质量的影响,本文根据不同产品引入主、被动传感器的时间进行了分段,详见表2。主动产品分成了5个时间段,前3个时间段为1992年1月—2006年12月,为ERS1/2(AMI-WS)传感器,后2个时间段为2007年1月—2012年11月和2012年11月—2013年12月,为ASCAT传感器。被动产品时间段的划分相对复杂一些,自1992年1月—1997年12月使用SSM/I(a/d)传感器以来,于1998年1月、2002年7月、2007年10月、2010年1月、2011年6月、2011年9月、2012年7月和2013年10月分别添加了TMI(a/d)、AMSR-E(a/d),WindSat(a/d),SMOS(a/d),FY3B (a/d),AMSR2 (a/d)和FY-3C (a/d)传感器,因此将被动产品划分了9个时间段。结合主动产品和被动产品的时间段,将融合产品划分成11个时间段,其每个时间段的主被动传感器见表2。和前面的工作保持一致,本节依然选取生长季4—9月的数据进行统计,此外,由于校正了的融合产品和传感器的时间划分有所出入,本节只对比分析主动产品、被动产品和融合产品,校正的融合产品则放在下节进行讨论。

表2 ESA CCI SM 产品验证时间分段及其包括的传感器罗列

Tab.2 Time segments and list of sensors for ESA CCI SM products

产品类型	时间段	主动传感器	被动传感器
主动产品	1992年01月—1997年05月	ERS1/2 (AMI-WS)	N/A
	1997年05月—2003年02月	ERS2 (AMI-WS)	N/A
	2003年02月—2006年12月	ERS1/2 (AMI-WS)	N/A
	2007年01月—2012年11月	Metop-A ASCAT	N/A
	2012年11月—2013年12月	Metop-A ASCAT, Metop-B ASCAT	N/A
被动产品	1992年01月—1997年12月	N/A	SSM/I (a/d)
	1998年01月—2002年06月	N/A	SSM/I (a/d), TMI (a/d)
	2002年07月—2007年09月	N/A	AMSR-E (a/d), TMI (a/d)
	2007年10月—2010年01月	N/A	AMSR-E (a/d), Windsat (a/d), TMI (a/d)
	2010年01月—2011年05月	N/A	AMSR-E (a/d), WindSat (a/d), SMOS (a/d), TMI (a/d)
	2011年06月—2011年09月	N/A	AMSR-E (a/d), WindSat (a/d), SMOS (a/d), TMI (a/d), FY3B (a/d)
	2011年10月—2012年06月	N/A	WindSat (a/d), SMOS (a/d), TMI (a/d), FY-3B (a/d)
	2012年07月—2013年09月	N/A	SMOS (a/d), AMSR2 (a/d), TMI (a/d), FY-3B (a/d)
	2013年10月—2013年12月	N/A	SMOS (a/d), AMSR2 (a/d), TMI (a/d), FY-3B (a/d), FY-3C (a/d)
融合产品	1992年01月—1997年12月	AMI-WS	SSM/I (a/d)
	1998年01月—2002年06月	AMI-WS	SSM/I (a/d), TMI (a/d)
	2002年07月—2006年12月	AMI-WS	AMSR-E (a/d), TMI (a/d)
	2007年01月—2007年09月	Metop-A ASCAT	AMSR-E (a/d), TMI (a/d)
	2007年10月—2010年01月	Metop-A ASCAT	AMSR-E (a/d), Windsat (a/d), TMI (a/d)
	2010年01月—2011年05月	Metop-A ASCAT	AMSR-E (a/d), WindSat (a/d), SMOS (a/d), TMI (a/d)
	2011年06月—2011年09月	Metop-A ASCAT	AMSR-E (a/d), WindSat (a/d), SMOS (a/d), TMI (a/d), FY3B (a/d)
	2011年10月—2012年06月	Metop-A ASCAT	WindSat (a/d), SMOS (a/d), TMI (a/d), FY-3B (a/d)
	2012年07月—2012年10月	Metop-A ASCAT	SMOS (a/d), AMSR2 (a/d), TMI (a/d), FY-3B (a/d)
	2012年11月—2013年09月	Metop-A ASCAT, Metop-B ASCAT	SMOS (a/d), AMSR2 (a/d), TMI (a/d), FY-3B (a/d)
	2013年10月—2013年12月	Metop-A ASCAT, Metop-B ASCAT	SMOS (a/d), AMSR2 (a/d), TMI (a/d), FY-3B (a/d), FY-3C (a/d)

新窗口打开| 下载CSV

图8展示了主动产品、被动产品和融合产品月土壤湿度在不同时间段不同研究区域(东北、华北、江淮、西北地区)的误差分解。总体而言,所有研究区域融合产品的均方根误差较主动产品和被动产品有明显的改善,东北、西北地区被动产品的均方根误差大于主动产品,华北、江淮地区则是主动产品的均方根误差大于被动产品。在东北地区,3个产品的相关系数项占了均方根误差的较大比重,被动产品的相关系数项和偏差项的再现能力均较差,主动产品次之,而融合产品可以很好地解决偏差带来的误差,但却在一定程度上增加了标准差项所占的比重。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 主动产品、被动产品和融合产品月土壤湿度在不同时间段不同研究区域的误差分解

Fig.8 The decomposition of three terms to the mean square errors (MSEs) for the four satellite products from 1992 to 2013 over different regions during different time segments

不同时间段的主动产品在东北和西北地区的表现较一致,但在华北和江淮地区有较大的差异。在ERS1/2 (AMI-WS)传感器使用早期,华北和江淮地区存在较大的标准差,随着时间的演变,第二阶段和第三阶段标准差逐渐减小,相关系数和偏差项也相应减少。相比较而言,Metop-A ASCAT传感器获得的主动产品可以增加土壤湿度的相关系数,但是也带来了较大的偏差。

被动产品误差的主要贡献项是相关系数项,这表明被动传感器在再现土壤湿度的变化特征方面还有一定的差距。被动产品在华北和江淮地区的表现优于西北和东北区域,其主要方差的贡献是相关系数项,偏差项的贡献很小,可见被动产品在体现土壤湿度的准确性方面更优。被动产品在东北地区的误差贡献来自于相关系数项和偏差项,可见被动产品在东北地区的表现相对较差。而在西北地区,被动产品的误差则主要来自于相关系数项和标准差项,表明被动遥感产品体现西北地区土壤湿度的相似性还有待提高。被动产品在最后一个时间段表现不佳,可能与选择的时间段(2013年10月—2013年12月)有一定的关系,选取的时间只有3个月,并且是冬季。

融合产品的整体方差明显优于主动产品和被动产品,但是在相关系数方面,融合产品在东北和西北地区和主动产品基本相当。融合产品的偏差项明显优于主、被动产品,但是在东北地区标准差项有所提高。

3.2 突变检测和校正对土壤湿度产品质量的影响

由于CCI SM长时间序列数据集引入了多源传感器,随着不同传感器特性的差异(如频率、极化等特性),多源传感器产生的组合产品可能会出现断裂,尤其是不同传感器输入期间,这种传感器的不同可能会引起产品的统计量,比如趋势、极端值的改变。许多研究表明,气候数据记录的结构性断裂会对科学分析的结论产生负面影响^[37-38],因为无法区分科学分析得到的不均匀性和不连续性是自然发生的,还是人为处理数据的过程中产生的,因此需要对数据产品进行检测和校正。由于时间序列较短,以往的研究并未过多地聚焦于土壤湿度的突变检测和校正,自v6版本以来,ESA CCI SM产品对COMBINED数据集开始进行突变检测和校正^[39-40]。

本文选择了6个时间段分别分析经过校正和未经过校正的融合产品对土壤湿度产品质量的影响(图9)。总体而言,校正前后的产品的表现相当,从误差分解来看并没有特别明显的改进。东北地区,经过校正的融合产品略优于校正前,校正后偏差有一定的改进,相关系数项反而变差,标准差项无明显变化。在华北和江淮地区校正后的产品误差略大于校正前,且偏差项反而变差。根据Preimesberger等^[39]的研究结果,2010-01-15传感器转换检测到的断点最少,这可能是由于2010年后使用的4个传感器中的3个已经是前一个时间段中合并数据集的一部分,这表明如果更多的传感器产品被替换或被其他传感器补充,数据集的同质性会受到更多的影响,而如果传感器集群保持相似,则影响较小。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 融合产品月土壤湿度校正前后不同区域的误差分解

Fig.9 The decomposition of three terms to the mean square errors (MSEs) for the COMBINED and ADJUSTED COMBINED products from 1992 to 2013 over different regions

3.3 土壤湿润程度对土壤湿度产品质量的影响

图10展示了4种产品在不同数值范围内的相对偏差分布,图中,A为主动产品,P为被动产品,C为融合产品,CA为校正了的融合产品。整体而言,主动产品在所有区间范围内均低估了土壤湿度产品,被动产品和台站观测的偏差整体较高,校正前后的融合产品可以减小主、被动产品的偏差。在观测的土壤湿度小于0.2 m³/m³时,除了主动产品低估了土壤湿度值外,被动产品、融合产品和校正了的融合产品均呈现平均约50%的正偏差,校正前后的融合产品可以减少偏差的范围,但是平均偏差较被动产品没有改进,甚至高于主动产品的偏差的绝对值。在0.2~0.3 m³/m³范围内,被动产品和融合产品的相对偏差均很小,而主动产品有大约50%左右的负相对偏差。当土壤湿度大于0.3 m³/m³时,所有产品均低估了土壤湿度,主动产品的负偏差依然较大,被动产品的负偏差范围较大,而融合类产品可以缩小负偏差的范围和平均值。这也从一定程度上说明,主动产品在偏差方面的表现比较一致,均为系统性偏低; 此外,在偏干的情况下,融合类产品易高估土壤湿度值,而在偏湿的情况下,产品则更易出现低估的现象,这一结论在其他相关工作中也得到了证实^[20]。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 主动产品(A)、被动产品(P)、融合产品(C)和校正后的融合产品(CA)的月土壤湿度在不同数值范围的相对偏差分布

Fig.10 Relative bias of monthly soil moisture for ACTIVE, PASSIVE, COMBINED, and ADJUSTED COMBINED products in different numerical ranges

根据文献[39]的研究结果,校正前中国东北、江淮地区的最长均质性平均周期长度约为12 a,西北、华北地区的平均周期长度约为16~24 a; 经过校正后,均质性最长年限平均增加0~4 a,而在我国西北地区和华北地区可增加4~8 a。Preimesberger等的研究结果同时表明,经过突变检测和校验后,尽管去除了数据的不确定性,数据的偏差、(无偏)均方根差、相关性等只显示了很小的变化,且北半球土壤湿度的趋势变化几乎不受到影响,这意味着CCI SM的融合产品受到的影响较小,这也加强了人们对多源遥感数据进行融合的信心,增强了构建长期研究数据集的可行性。但同时也表明,在区域尺度上,进行校正后可以使得土壤湿度原来不明显的变化趋势变得更加显著,尤其是密集植被覆盖的地区。因此,在数据集使用的过程中,需根据实际情况进行调用和研究。总体而言,在利用CCI SM数据分析中国东部地区不同区域土壤湿度的时空演变特征时,融合产品是更好的选择,且在研究西北地区长期的演变趋势时,建议选择进行校正后的土壤湿度数据融合产品。在单站尺度上,如果侧重于土壤湿度的数值,华北和江淮地区的站点可以选择被动产品,东北和西北地区建议选择融合产品进行分析; 如果侧重于土壤湿度的动态演变,建议在融合产品的基础上同时选择主动产品进行分析。

CCI SM产品主要获得的是浅层的土壤水分含量,具体的深度取决于融合的辐射传感器的特性,尤其是融合不同频率波段的传感器,和获得土壤特性的深度有密切关系: 例如L波段主要获得的是表层5 cm的土壤,C波段主要获得是表层1 cm的土壤^[41]。用于验证的台站土壤湿度数据所在深度为0~10 cm,也被认为是浅层的土壤湿度。虽然不同深度的土壤湿度数据验证可能会产生一定的系统性误差,但是由于浅层和表层土壤湿度呈显著相关,已有很多研究证明利用10 cm的土壤湿度数据进行验证是可行的^[25,42]。

此外,下垫面的植被覆盖类型可能也会对不同传感器造成影响,比如频率越高,通过植被衰减的电磁波就会越大,因此,植被比较密集的区域,也可能是土壤湿度产品表现不太好的地区。这在一定程度上可以解释土壤湿度产品在我国东北地区生长季节精度相对较差。此外,土壤质地和类型也是造成土壤湿度反演效果不一的主要因子之一。

4 结论

本研究利用构建的中国东部长时间序列的土壤湿度产品,对ESA CCI SM v07.1的主动产品、被动产品、融合产品、以及校正了的融合产品进行了评估,以分析这些遥感产品在不同空间尺度的表现能力,同时分析设备的更迭以及校正前后不同产品的表现能力,为研究者挑选不同类型的遥感产品提供一定的依据。得到的结论如下:

1)CCI SM的4种产品均可以较好地描述中国东部的土壤湿度分布,主动产品倾向于低估土壤湿度,最高偏差主要分布在东北地区南部和江淮地区,数值可达-0.25 m³/m³; 而从相对偏差来看,最大偏差出现在华北和西北地区。被动产品则倾向于高估土壤湿度,尤其在中国东北、西南有明显的高估现象。融合产品和校正的融合产品表现相当,可以很好地再现土壤湿度的值,尤其在东北地区、西南地区这类主被动产品偏差较大的区域,改进效果明显。

2)就区域平均的土壤湿度而言,融合类的产品表现更优,尤其在江淮地区,东北和华北地区次之,西北地区较弱。此外,4种产品在区域平均以后,与台站观测数据的相关系数更高。

3)不同时间段的主动产品在东北和西北的表现一致,但在华北地区和江淮地区有较大的差异。被动产品在描述土壤湿度的变化特征方面有较大误差,融合产品的整体误差明显优于主动产品和被动产品,但是在相关系数方面,融合产品在东北地区和西北地区和主动产品基本相当。

4)Metop-A ASCAT传感器获得的主动产品在一定程度上增加了土壤湿度的相关性,但在偏差方面没有明显的改进。被动传感器获得的SM产品在偏差方面表现更优,在相关系数方面表现较差,且引入更多的传感器并不能提高被动产品在再现土壤湿度变化方面的能力。

5)校正前后的融合产品表现相当,东北地区经过校正的融合产品略优于校正前,校正后偏差有一定的改进,相关系数项反而变差,标准差项无明显变化。在华北和江淮地区校正后的产品误差略大于校正前,且偏差项反而变差。

由于台站观测数据的限制,本研究用于验证的是土壤湿度的月数据集,台站观测的数据是由旬数据平均获得,而卫星产品则是通过每日的数据进行平均获得,因此,今后的工作将获得更细时间分辨率的土壤湿度台站观测数据,对卫星遥感产品进行验证。

本文的研究数据来自国际土壤湿度网(ISMN)、中国国家气象信息中心的“中国农作物生长发育和农田土壤湿度旬值数据集”和欧洲航天局气候变化倡议项目(ESA CCI),作者在此表示感谢!

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]

Dirmeyer

P A

Using a global soil wetness dataset to improve seasonal climate simulation

[J]. Journal of Climate, 2000, 13(16):2900-2922.