宋承运,王艳丽

(安徽理工大学 空间信息与测绘工程学院，安徽 淮南 232001)

土壤水分是地表能量平衡、干旱监测等的一个重要参数，在全球水循环、能量平衡、生态环境监测、农业生产中具有重要的作用[1]。利用遥感监测土壤水分具有快速、宏观的优势，相比可见光、红外波段，微波具有全天时、全天候、对土壤水分变化敏感等优势[2-3]。风云三号(FY-3)是中国自主研制的气象卫星，其搭载的微波成像仪在土壤湿度、洋面温度、降水等监测方面发挥重要作用，其中，风云三号B星(FY-3B)土壤水分产品为大尺度长时序土壤水分的变化与监测提供了重要的数据支持。但由于FY-3B微波成像仪的空间分辨率低(约25 km)，能够在全球等大尺度下应用，但在区域尺度下很难有效的应用[4]。因此，由FY-3B低分辨率微波波段反演的土壤水分降尺度得到高分辨率的土壤水分成为土壤水分反演与应用研究的一个重要内容。

目前，土壤水分降尺度方法已开展了许多的研究，形成了经验模型法[5-6]、以物理模型为基础的模型法[7-8]、主被动微波遥感降尺度方法[9-10]，以及其他的土壤水分降尺度算法[11-13]等降尺度方法。其中，经验模型法具有算法简单、数据获取可行性高等特点，成为可操作性较高的方法。经验模型法多以不规则三角形特征空间为基础，即以遥感监测的地表温度(Land Surface Temperature，LST)与归一化差值植被指数(Normalized Difference Vegetation Index，NDVI)构成的二维空间中，往往呈现出不规则三角形的特征[14]。

以青藏高原那曲地区为研究区，在MODIS LST与NDVI遥感数据构建不规则三角形空间的基础上，分别采用Chauhan等提出的结合Albedo数据的降尺度模型方法、Piles等提出的结合微波亮温数据的降尺度模型方法(以下简称为Chauhan模型、Piles模型)对FY-3B 25 km分辨率的土壤水分产品降尺度，获得空间分辨率为1 km的土壤水分，并结合地面观测数据，对不同降尺度方法进行对比分析。

1 研究方法

将遥感观测得到的地表温度与植被指数象元做成散点图，象元在散点图中呈现出“不规则三角形”的分布特征，散点图中的每1个象元，所代表的是在地表温度和植被覆盖一定条件下，都会有1个对应的土壤水分值，土壤水分与地表温度、植被指数存在很大的相关性，关系式可以表示为[15]

(1)

1.1Chauhan模型降尺度方法

Chauhan等提供了1种具有可操作性的土壤水分降尺度方法[5]，利用SSM/I反演的 25 km分辨率土壤水分和AVHRR 1 km LST、NDVI、ALBEDO数据建立线性模型

(2)

1.2Piles模型降尺度方法

Piles等针对SMOS卫星土壤水分产品，结合MODIS可见光/红外数据，利用L波段对土壤水分敏感和对植被层穿透性的特点，在降尺度模型中增加了L波段亮温，建立多元二次经验模型[6]为

(3)

2 研究区域与数据

2.1 研究区

研究区位于青藏高原那曲地区，91°E～93°E,30°45′N～32°15′之间，中部那曲地区地形较为平坦，南部山体较多，地表覆盖类型以草地为主，区域高程分布如图1所示。

图1 研究区高程与地面观测站分布

2.2 数据

遥感数据主要为FY-3B土壤水分与FY-3B微波成像仪10.65 GHz波段亮温数据，由国家气象科学数据中心(http://data.cma.cn/site/index.html)下载。LST数据为MODIS地表温度产品MYD11A1， NDVI由MODIS每日地表反射率MYD09GA计算得到，Albedo数据产品为MODIS地表反照率产品MCD43B3，数据由NASA Earthdata Search (https://search.earthdata.nasa.gov/search)下载。

地面观测数据为青藏高原中部土壤温湿度多尺度观测网数据集[16]，该数据网提供大尺度(1.0°)、中尺度(0.3°)与小尺度(0.1°)的不同深度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、10、20和40 cm 4种深度，观测间隔为30 min。

由于遥感只能监测地表的土壤水分变化，其中，具有一定穿透性的微波遥感仅可获取地表下5 cm深度土壤水分[17]。因此，本次实验采用中尺度(见图1中黑色框)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。

3 结果分析

3.1 降尺度模型的构建

选取2014年10月1日至5日研究区内的MODIS LST与NDVI构成散点图，如图2所示，从图中可以看出，研究区内NDVI在0.8以下，随着植被覆盖度的增大，地表温度最大值逐渐降低， “不规则三角形”特征空间的湿边与干边较为理想。

图2 LST-NDV散点

利用MODIS 1 km LST、NDVI、Albedo数据采用均值升尺度方法，得到空间分辨率为25 km的LST、NDVI及Albedo，微波亮温数据采用FY-3B 10.65 GHz波段亮温数据，分别按照式(2)、式(3)构建模型。在25 km空间分辨率下，模型相关系数R如表1所示，Chauhan模型与Piles模型的相关系数R都大于0.7，且Piles模型高于Chauhan模型，由于微波亮温数据为FY-3B土壤水分反演时的参量，在一定程度上造成Piles模型相关性较高。

表1 不同降尺度模型相关系数R

3.2 降尺度精度对比分析

将25 km空间分辨率建立的模型应用于MODIS 1 km分辨率的遥感数据中，并利用FY-3B土壤水分进行残差再分配处理，得到1 km空间分辨率下土壤水分。那曲地区FY-3B土壤水分与降尺度后的土壤水分分布如图3所示。

由图3可以看出，2014年10月1日FY-3B土壤水分略高于10月5日，2日的土壤水分在空间分布上基本一致，中部土壤水分值较高，南部土壤水分值较低。利用不同降尺度模型后的土壤水分与低分辨率FY-3B土壤水分较为一致，中部、北部区域数值较大，南部区域数值较小。南部区域以高山地形为主，土壤水分值较低；中部与北部区域土壤水分值较高，在局部区域具有较高的植被覆盖度。Piles模型降尺度后土壤水分值较低，其中，10月5日Piles模型降尺度后土壤水分值最低，这主要是由于降尺度过程中，高分辨率的亮温数据由粗分辨率的亮温重采样获取，影响了降尺度精度。

图3 FY-3B土壤水分与不同降尺度模型土壤水分对比

由表2中地面观测值与降尺度后土壤水分的决定系数R2与RMSE值可以看出，不同降尺度算法的R2小于0.4，相关性较低，其中，Piles模型在研究日期内的R2较低，分别为0.16与0.31。不同降尺度方法RMSE值的比较中，Piles模型的RMSE值在研究日期内大于Chauhan模型，其中，10月5日Piles模型最大，RMSE值为0.090 cm3·cm-3，10月5日Chauhan模型的值最低，RMSE值为0.065 cm3·cm-3。综合降尺度后的土壤水分值与地面观测值的R2和RMSE值，Chauhan模型在研究期内精度较高。

表2 降尺度后土壤水分与地面观测值决定系数R2与RMSE

影响因素分析:FY-3B土壤水分的精度是影响降尺度后土壤水分精度的重要因素，图4为2014年FY-3B与土壤水分反演与实测值的散点图，FY-3B土壤水分与地面观测值之间的RMSE为0.11 cm3·cm-3，精度低于具有相似参数的AMSR-E的土壤水分反演的设计精度(0.06 cm3·cm-3)[18-19]。Piles模型中，缺少高分辨率的亮温数据，影响了降尺度后土壤水分精度与实际应用的推广。在结果验证方法时，由于降尺度后土壤水分像元内只有1个地面观测站，研究区内观测站点周边地面覆盖类型较为一致，可以由1个观测站观测值代替1 km像元值，但仍会对结果验证产生影响。

图4 2014年FY-3B土壤水分与地面观测值散点

4 结束语

基于“不规则三角形”特征空间的土壤水分降尺度方法，算法简单，辅助数据易获取，区域适用性较好，具有良好的可操作性。将基于“不规则三角法”的不同土壤水分降尺度方法应用于FY-3B土壤水分产品降尺度，得到高分辨率土壤水分，通过研究区内降尺度后土壤水分的空间分布，以及与地面观测值对比分析，可以看出，Chauhan模型降尺度结果较好。

影响精度的因素中，FY-3B 土壤水分与地面观测值的RMSE为0.11 cm3·cm-3，对降尺度后土壤水分精度以及降尺度模型的稳定性方面有一定的影响。Piles模型通过引入微波亮温数据提高降尺度模型的相关性，但缺少高精度的微波亮温观测数据，在很大程度上制约了方法的应用，引起结果不确定性。同时，结果验证时，采用地面覆盖类型较为均一的地面观测站代替区域值进行验证，仍存在一定的误差，许多研究中利用地面观测站点升尺度得到区域土壤水分值[20]，可以在一定程度上减小由结果验证时引起的误差。

FY-3作为中国自主研发的对地观测卫星，在长时序土壤水分监测与反演等方面具有重要意义。通过改进FY-3B被动微波土壤水分反演算法，提高反演结果精度，以及通过评估具有良好可操作性的土壤水分降尺度算法，并对其进行优选和改进以获取高分辨率土壤水分，来适应区域尺度下的应用，具有重要的战略与实际意义。