CN106483147B - 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 - Google Patents

Abstract

被动微波土壤水分反演具有长时间连续监测优势，但存在精度低且与地面实测值不一致问题。未解决这一问题，本发明主要基于MODIS地表温度、植被指数、反照率产品和地面实测数据，引入HANTS方法和降尺度方法，构建不同覆盖度下的热惯量和三参数土壤水分模拟模型，获取长时间序列的1Km尺度土壤水分模拟结果。以模拟结果为检验真值，在考虑遥感产品的长时间序列变化趋势前提下，开展了长时间序列被动微波土壤水分产品的精度改进研究。目的是对长时间序列被动微波土壤水分产品进行真实性检验和精度改进。该研究不仅获取了基于降尺度方法和地面实测校验的1Km尺度土壤水分空间分布而且能够检验被动微波土壤水分产品精度，提升在相关行业领域的应用价值。

Description

基于多源数据的长时间序列被动微波土壤水分精度改进研究 方法

技术领域

本发明属于遥感产品真实性检验领域，特别是涉及针对长时间序列土壤水分遥感产品的真实性检验及精度改进方法。

背景技术

土壤水分是地表能量平衡和水循环的重要组成部分，是全球变化研究中的重要监测因子之一。随着全球气候变化和陆面数据同化研究对土壤水分反演的精度要求不断提高，获得长时间序列且高精度的土壤水分数据是流域尺度的水资源和农业管理对遥感监测技术的新要求，已成为空间技术应用的前沿领域，也是世界性研究难题之一。

目前，各种基于全球观测站点资料建立的土壤水分数据集，由于观测点的密度和空间代表性不足，以其进行土壤水分的模拟和预报的准确率难以满足应用需求。随着卫星遥感技术的发展与完善，研发了基于卫星可见光-近红外以及热红外数据、主动微波、被动微波的土壤水分监测方法，使得大尺度、动态监测土壤水分成为可能。国内外各知名研究机构都在发布自己的全球土壤水分遥感产品，包括美国AMSR-E、AMSR-2、SMAP、欧空局SMOSMIRAS、国产FY-3号都可提供全球土壤水分产品，但大量研究表明星载遥感的土壤水分反演效果没有达到预期精度。

在利用遥感数据反演土壤水分过程中，用户往往利用尽可能多的地面数据来优化模型参数和检验估算结果，因此，地面实测数据仍是目前作为“真值”的主要标准。但被动微波遥感的土壤水分反演效果没有达到预期精度，而且多存在与地面实测值不一致性的问题，这使得“用户”很难直接利用土壤水分产品，如何更好地将地面测量和遥感数据两种思想融合起来，开展长时间序列的被动微波土壤水分检验和精度改进方法，是非常值得研究的。

在已有文献中，大量研究分析了关于被动微波土壤水分产品与MODIS植被生长产品(包括地表温度、植被指数和反照率)的定量关系。其中应用最成熟的是多元统计回归方法，即将25Km的AMSR-E土壤水分利用MODIS数据的1Km地表温度产品、植被指数和反照率产品进行合理化分解，得到1km的土壤水分空间分布。国外和国内都有此类研究，但大多依赖MODIS产品，缺乏实测数据的协同应用，而且这类研究中的MODIS数据也都常用8日或16日合成产品替代每日数据产品，导致每日土壤水分的误差检验较大。本研究引入HANTS时间序列重建方法，将MODIS多日合成植被指数数据产品重建到以日为尺度的数据产品。

被动微波土壤水分监测不受天气影响，具有长时间获取优势，本研究进一步在地面实测数据支持下，开展基于MODIS数据与地面观测协同的长时间序列土壤水分产品真实性检验和精度改进研究。该研究不仅获取了基于降尺度方法和地面实测校验的1Km尺度土壤水分空间分布，而且能够检验被动微波土壤水分产品精度，提升在相关行业领域的应用价值。

发明内容

针对长时间序列被动微波土壤水分产品的真实性检验问题，本发明的目的是基于MODIS产品和地面实测数据，引入HANTS方法和降尺度方法，构建不同覆盖度下的土壤水分模拟模型，获取长时间序列的1Km尺度土壤水分，旨在对被动微波土壤水分产品进行真实性检验和精度改进。这一发明对于流域尺度的水资源和农业管理非常有意义。

为了实现上述目的，本发明基于长时间序列地面实测数据、MODIS地表温度、植被指数和反照率产品，综合利用热惯量方法、三参数方法和HANTS时间序列重建方法，构建了不同覆盖度下的土壤水分空间估算模型。该方法具体包括如下步骤：

步骤1)国内FY-3和国外AMSR-2被动微波土壤水分产品值与长时间序列地面实测值的分析比较；

步骤2)开展MODIS植被生长产品与地面实测数据的长时间序列数据建模。首选研究区内利用热惯量模型，开展低植被覆盖区的土壤水分模拟分析；其次引入Hants时间序列重构方法，将16天合成NDVI重构成单日NDVI，基于重构后的MODIS数据产品和地面实测数据，开展三参数法模型在不同植被覆盖下的土壤水分模拟分析；

步骤3)利用下载的MODIS产品，在构建的热惯量模型和三参数模型基础上，获取研究区长时间系列的1Km土壤水分模拟结果；

步骤4)充分考虑产品长时间序列变化趋势的前提下，利用模拟得到的1km土壤水分值对被动微波土壤水分结果进行校对改进。

进一步，所述被动微波土壤水分产品为国内FY-3土壤水分产品、国外AMSR-2土壤水分产品或SMOS土壤水分产品或SMAP土壤水分产品。所述三参数模型指利用地表温度，植被指数和反照率三个参数构建的土壤水分模型。

附图说明

图1是FY-3、AMSR-2被动微波土壤水分与长时间序列地面实测数据的对比分析

图2是FY-3B和AMSR-2的土壤水分的相关性分析

图3是FY-3B和AMSR-2对地面实测土壤水分的相关性分析

图4是研究区HANTS重构获取的逐日NDVI变化分析

图5是地表土壤水分与真实热惯量关系分析(覆盖度f<0.3)

图6是研究区1km土壤水分长时间序列模拟结果

图7是国内FY-3和国外AMSR-2土壤水分产品校正后的结果

具体实施方式

下面结合附图对本发明基于MODIS和实测数据协同的长时间序列被动微波土壤水分精度改进研究方法作进一步说明。

本研究区在河北怀来试验区，研究区内布设了土壤水分传感器，可获取长时间序列地表土壤水分观测数据。本研究利用MODIS中分辨率遥感数据产品，包括8日合成Albedo产品(MCD43B3)、日LST产品(MOD11A1)、16日合成NDVI(MYD13A2)。另外，由于结冰土壤水分对微波信号的敏感性较差，研究中针对冬季的微波土壤水分产品不进行检验分析，因此分析时段为2014年4月1日到10月31日。

1.国内FY-3、国外AMSR-2被动微波土壤水分与长时间序列地面实测的对比分析

分别下载了2014年4月1日到10月31日的FY-3、AMSR-2被动微波土壤水分产品，与同步地面实测数据进行比较，变化分析结果如图1所示。结果表明，三者的变化趋势具有相似性，即低值和高值出现的时间段极为相近。但是，地面实测值明显高于影像反演值，其中FY-3反演结果稍高于AMSR-2反演结果。如果用户要以地面实测结果作为检验真值，就必须要对遥感产品进行精度改进。

如图2，国内FY-3B和国外AMSR-2的土壤水分值之间有显著的正相关(R＝0.3)，数据组也分布在1:1线附近。而且，国内FY-3B和国外AMSR-2反演的土壤水分结果与地面实测值也均有很好的正相关性(图3)，相关系数达到显著水平。

然而，本研究布设的地面观测网络数据范围局限在3Km*3Km，不能代表一个被动微波像元范围(25Km*25Km)，因此，不能直接利用地面实测值对长时间序列的被动微波土壤水分值进行检验校对，需要引入MODIS数据进行尺度转换研究，并进一步获得被动微波像元范围内的长时间序列土壤水分模拟结果，进而开展被动微波土壤水分产品的真实性检验。

2.MODIS植被生长产品与地面实测值的长时间序列数据建模分析

NDVI、LST和Albedo都是植被生长体现的关键要素，本研究将这三个产品称为植被生长产品。如前面的背景技术所述，以往的关于MODIS产品和地面实测数据的分析都是选取了多日合成数据或者多日合成替代每日数据，这种分析方法的局限性在于时间尺度较长且不一致问题，为保证构建模型的精度，本研究以单日为时间尺度进行建模分析。

研究中单日NDVI的获取是基于长时间序列HANTS进行重构。HANTS一般对长时间有周期变化的数据进行插补，常用于重新构建时间序列遥感影像。由于NDVI具有年变化特征，且由遥感估测的NDVI具有时间和空间上的双重性，故可以运用HANTS算法对NDVI进行重构。研究中用HANTS方法对研究区MODIS的16日合成NDVI进行了数据重构，插值出了逐日的NDVI图像。如图4所示，研究区采用冬小麦－夏玉米一年两熟的耕作制度，NDVI重构曲线表现出比较明显的双峰趋势。

下一步开展地表实测土壤水分与MODIS植被生长产品集的定量关系分析。首先选取MODIS数据的逐日LST产品和Albedo产品(晴空无云下的产品)，利用真实热惯量模型，估算研究区低覆盖时期的土壤水分空间分布。结果如图5所示，当植被覆盖度较低时(f<0.3)，地表土壤水分与真实热惯量之间具有显著的线性关系(R＝0.735^**)。

随着植被的生长，覆盖度逐渐变大，地表土壤水分与真实热惯量之间的相关性变小，甚至失去相关性。本研究将沿用国内外成熟的多元统计模型，进一步分析NDVI、LST、Albedo与实测土壤水分的关系，并构建最优回归模型开展1Km尺度土壤水分空间模拟。本研究中选用了最优回归模型形式为swc＝α₁+α₂A+α₃V+α₄T+α₅AV+α₆AT+α₇VT，经拟合获取的最优参数如表1所示。从表1看出，在覆盖度较低时，三参数模型不能有效模拟地表土壤水分，然而在覆盖度较高时(f>0.3)，三参数拟合模型表现显著。

表1不同时期回归模型的优化参数分析

*表示在0.05水平上显著相关。

**表示在0.01水平上显著相关。

综上，构建了不同覆盖度下的土壤水分模拟分段模型。

3.1Km长时间序列地表土壤水分模拟分析

本研究将构建的研究区土壤水分模拟分段模型进行扩展到25Km进行应用。利用下载的MODIS数据产品，在热惯量模型和三参数模型基础上，可获取了4月1日到10月31日被动微波像元内的长时间系列1KM土壤水分模拟结果。如图7，构建的长时间系列1KM土壤水分模拟值与地面实测值范围相近。

4.长时间序列被动微波土壤水分产品值的校正改进

被动微波土壤水分监测不受天气影响，具有长时间获取优势。本研究在考虑遥感产品的长时间序列变化趋势的前提下，利用模拟得到的1km土壤水分值对其进行校对改进。图7就是国内FY-3和国外AMSR-2土壤水分产品校正后的结果。如图所示，校正后结果与地面监测值范围相近，同时也体现了影像反演结果的趋势变化。通过分析，FY-3和AMSR-2校正后结果与1Km水分模拟值的平均相对误差分别是1.34％和1.1％。

以上所述为本发明的较佳实施例而已，本发明不应该局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都落入本发明保护的范围。

Claims (1)

1.基于多源数据的长时间序列被动微波土壤水分精度改进研究方法，包括以下步骤：

步骤1、围绕时间和空间两种维度，分析FY-3、AMSR-2被动微波土壤水分与长时间序列的地面实测数据的误差；

步骤2、基于长时间序列的地面实测数据和地面数据产品集进行建模，包括：

利用热惯量模型模拟分析低植被覆盖区的土壤水分，构建热惯量土壤水分模型；

所述地面数据产品集包括：地表温度、植被指数和反照率，通过长时间序列HANTS重构方法，重构单日的所述植被指数；

基于所述长时间序列地面实测数据和所述地表温度、所述反照率以及重构后的所述植被指数，引入三参数模型模拟分析高植被覆盖区的土壤水分，构建三参数土壤水分模型；

步骤3、利用MODIS产品，基于不同植被覆盖区的土壤水分，在所述热惯量土壤水分模型和所述三参数土壤水分模型的基础上，获取所述不同植被覆盖区下的长时间序列的1km土壤水分模拟结果；

步骤4、利用1km土壤水分模拟结果对所述FY-3、AMSR-2被动微波土壤水分进行校正。