英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

ESA CCI土壤湿度产品在中国区域的验证

摘要：利用主被动微波遥感融合而成的新型土壤湿度产品（ECV_SM v0.1）已经在国际上受到广泛关注。这种产品的质量评价将有利于气候、气象、农业、水文、生态和环境等的研究。在本研究当中，利用气象站点数据和Noah土壤湿度产品验证ESA CCI在中国区域的表现。首先，利用相关系数、偏差、均方根偏差（RMSD）以及平均相对误差（MRE）等常规统计来描述气象站点数据和ECV_SM数据之间的吻合程度。尽管两种数据因为地表覆盖类型的差异有略微不同，但精确性仍较高（相关显著性水平为0.05）。农田、城区和建筑区相比，ECV_SM在草地覆盖区域表现较好。其次，利用三重匹配技术评估气象站点数据、Noah土壤湿度产品、ECV_SM产品的随机误差。这三种数据在2010年7月8日的平均误差分别是0.108，0.079，0.075m³m^-3, 2010年10月8日为0.099，0.061,0.059 m³m^-3。只有这两天的数据用于三重匹配测试，但这并不能表明其他时间测试结果与之相对应。另外，利用Mann-Kendall趋势检测进行了2003-2012年ECV_SM趋势分析。

关键词：ECV_SM，验证，中国，统计度量，三重匹配，Mann–Kendall

1. 引言

土壤湿度在气象、气候及其他领域都是非常重要的变量，精确的土壤湿度数据可有助于理解气候变化和地-气交换^[1,2]。因此，分析遥感土壤湿度数据非常重要^[3]。the Soil Moisture Climate Change Initiative(CCI)项目是2010年启动的为期六年的the European Space Agency(ESA)全球基本气候变量(ECV)监测项目的一部分，土壤湿度是50个全球基本气候变量之一。这个项目旨在基于主被动微波遥感产生最完整并连续的全球土壤湿度数据集，从而提供大尺度土壤湿度研究的依据。

很多研究^[4-7]表明了不同地表覆盖下的主被动微波产品的互补性。总的来说，被动微波产品在干旱和半干旱区域表现较好，主动微波遥感产品在植被密集区域表现更好。Liu等^[8,9]首先将不同的主被动微波土壤湿度产品融合为多年代际的单一全球基本气候变量ECV_SM。ECV_SM土壤湿度产品保留了如季节性和跨年度变化的相对动力过程以及原始土壤湿度产品明显的长期变化。Dorigo等^[10,11]评估了1998-2010年ECV_SM的变化趋势。Albergel等^[12]的研究表明2007-2010年ECV_SM与地面观测的土壤湿度相关性较好，但是大多表现比新一代全球地表模型差。因为中国地域广泛及气候的多变，国家尺度上的土壤湿度研究极其困难。然而，很多学者已经进行了很多相同或相似尺度上的研究。Ma 和Fu^[13]利用每月预测和空气温度得到的土壤湿度数据分析了1951-2004年中国北方的干旱。Wang等^[14]利用四个地表模型VIC,CLM3.5,Noah2.7(带有雪反照率更新机制)，CLM-VIC模拟了1950-2006年中国区域土壤湿度。Li等^[15]利用气象站观测驱动的CLM数据分析了1950-2008年中国土壤湿度时空变化。Lu和Shi^[16]利用多产品融合方法将JAXA、NASA、VUA、AMSR-E被动微波遥感数据得到的地表土壤湿度产品重建了2003-2010年中国区域土壤湿度逐月数据。以上这些研究得到乐中国过去六十余年土壤湿度的时空变化，土壤湿度从西北向东南、东北由干变湿。就长时间变化而言，土壤湿度在干旱和湿润地区变湿，而在半干旱区变干，最具代表性的主要是北方干旱、半干旱区。

常用偏差、均方根偏差RMSD、皮尔森相关系数和斯皮尔曼等级相关系数评估土壤湿度。然而，利用观测或模型输出的数据验证卫星数据会出现空间分辨率不同、观测深度、观测不确定性的问题。基于站点观测，研究表明^[17-20]时间稳定性表明站点数据可以代表大尺度区域，如整个中国。另外，Dorigo等^[5]对主动微波ASCAT和被动微波AMSR-E、SSM/I应用三重匹配技术进行误差分析。

尽管主被动微波遥感得到的新型集合土壤湿度产品质量已经在国际上得到广泛关注^[8,9,11,21],中国也有相关研究。因为中国地域广泛及气候的多变，在国家尺度上的土壤湿度研究非常困难。ECV_SM将为土壤湿度、气候、农业、水文、生态、环境的研究提供新的机会。因此，中国区域数据的精确性的验证非常重要。并且因为时间和空间异质性，土壤湿度产品的验证受到不确定性的限制。ESA提出了第一个专门的土壤湿度任务如2009年11月SMOS^[22]，NASA2015年2月31日推出的SMAP^[23]。这两种卫星观测使用的是比AMSR-E低的频率如1.4GHz L-band。L波段的微波观测的波长较长可降低植被阴影的影响。

目前的研究主要利用气象站点土壤湿度数据和Noah土壤湿度产品验证中国区域ECV_SM产品的准确性并且为其他领域数据集的应用提供参考。第2部分将给出本研究中对研究区域、不同的土壤湿度数据（ECV_SM、Noah土壤湿度产品、实测数据）的详细描述及验证方法。第3部分给出分析结果。最后一部分给出结论和ECV_SM的局限及未来研究方向。

1. 资料与方法
   1. 研究区域

中国位于亚洲东部太平洋以西，经纬度范围为3°51′Nminus;53°33′ N，73°33′E-135°05′E，面积为960万平方公里。整体地形为西高东低，有五种基本的地形：高原、平原、盆地、山脉、丘陵，地表的三分之二都是山地。中国地域广阔且纬度范围广导致气温和降水多样。因此，气候带被分为寒带、亚寒带、温带、亚热带、热带。夏冬温度差异大，冬季的气温变化比夏季大。气团和伴随风的季节交替变化造成夏季湿润冬季干燥。中国因为其独特的地理位置而受到大陆和海洋的影响，年降水量从东南沿海区域向西北内陆递减。

2.2．卫星土壤湿度

维也纳技术大学于2012年6月发布了1978-2010年间32年的ECV_SM产品ECV_SM v0.1，目前数据时间已经发布到2013年。这一产品由主被动微波传感器集合而成（见Fig.1）。主动微波数据集是由维也纳大学通过ERS－1，ERS－2 以及 METOP－A 搭载的C波段散射仪观测值获取，被动微波数据集是由阿姆斯特丹自由大学与美国国家航空航天局合作通过 Nimbus 7 SMMR，DMSP SSM/I，TRMM TMI，Corriolis Windsat ,Aqua AMSR－E和GCOM-W1 AMSR2 的观测值获取。融合方法包括三步：（1）将原始被动微波产品融合为一种产品，（2）将原始主动微波产品融合为一种产品，（3）将两种融合后的产品融合为最后的数据集。融合产品提供了空间分辨率为0.25°，时间分辨率为每天的全球土壤湿度，数据可从ESA网站上获取（http://www.esa-soilmoisture-cci.org/)。

Fig.1. ECV_SM产品使用的主被动微波传感器及卫星平台

（http://esa-soilmoisture-cci.org/node/119）

2.3.驱动Noah陆面模型产生的土壤湿度数据

GLDAS产生的Noah土壤湿度数据是从GES DISC获取的（http://disc.

sci.gsfc.nasa.gov/hydrology/data-holdings）。Noah数据时间开始于2000年，空间分辨率为0.25°，时间间隔为3小时。数据有四层（0.1,0.4,1.0,2.0米），原始土壤湿度数据单位为kg/m²，在本研究中将其转化为体积含水量（m³m^-3）。

2.4.站点土壤湿度数据

ISMN^[24]提供了全球观测网的土壤湿度站点观测数据，并且开展了评估工作可供用户选择。可用于验证和提高全球卫星观测和区域或洲际尺度陆面模型校准和验证的研究。ISMN也被广泛用于国际研究^[4,11,25,26]。因此可用于其他数据集的精度验证。ISMN获得的中国区域数据由中国北京地理科学和自然资源研究院提供。中国区域总共分布有40个站点，主要位于东北和东部区域。时间序列为1981-1999年，0-1m每10cm有一个观测数据。

气象站点土壤湿度数据为中国气象科学数据共享服务网提供的中国农作物生长发育和农田土壤湿度旬值数据集(http://cdc.cma.gov.cn/home.do)。数据为中国区域每十天获取一次。本研究仅使用1991年9月到2013年4月基于气象观测的0-10cm相对土壤湿度数据。将相对土壤湿度（%）转化为体积土壤湿度（m³m^-3），转换公式如下：】

（1）

其中，是土壤体积含水量，s是相对含水量，f是孔隙度^[27]。

站点数据随测量规则和仪器、安装深度、传感器平台和观测时间有很大变化，并非所有数据都适用于本研究。基于PVP标准选择合适的站点观测数据(http://esa-soilmoisture-cci.org/node/119)。首先，选择的数据必须包含足够信息的元数据，并且带有质量保证或控制文件，符合适用的标准。其次，尽管有高质量的站点观测可供选择，但是带有确定地表特征如地表水、裸露岩石的像元质量较差。因此，必须排除有特定特表特征区域的站点，主要包括接近于地表水体（地表水含量由低到高）、裸岩或城市区域；样本点数据的时间跨度和一致性。第三，选择的数据集必须能代表影响返回信息的主要物理状况、整个区域的土壤湿度状况、地表状况和气候区域。在本研究中，采取以上标准选择了533个站点。Fig.2显示了所选站点的空间分布。

Fig.2 本研究中选用站点的分布。红色的点表示533个气象站点，绿色三角形表示不同地表类型的验证站点（为了解释图例颜色请参阅本文网络版）

2.5．辅助数据

中国区域地表覆盖产品^[28]来源于寒区旱区科学数据中心(http://westdc.

westgis.ac.cn)，利用IGBP分类系统^[29]将地表类型分为17类：常绿针叶林，,常绿阔叶，落叶针叶林，落叶阔叶林,混交林, 封闭灌木地，开放灌木地，多树草原，稀树草原，草地，永久性湿地，城市和建筑土地,农田或自然植被，冰川,贫瘠或植被稀疏的土地和水体。气象站点根据这些数据被分为不同的地表覆盖类型。

2.6. Mann–Kendall 检测

Mann–Kendall检测^[30-31]是一种用于识别时间序列数据的趋势的一种无参数检测。这种检测好处在于数据不需要符合任何特定的分布，并且对非均匀时间序列数据的突然间断具有低敏感性^[33]。计算简单并可以识别初始时间和变化点。在本研究中，利用Mann–Kendall趋势检测分析2003-2010年ECV_SM变化趋势。

根据这种检测，假设消除季节变动后的数据是n个独立的随机变量，Mann–Kendall检测统计量计算如下：

（2）

（3）

各统计量计算如下：

(4)

其中，， 和分别为累积数平均值和方差。这些统计量

分别由公式（5）和（6）得到：

（5）

（6）

在指定的显著性水准,当时序列表现出显著的趋势。积极值显著增加时消极值显著减少。

2.7.三重匹配

三重匹配技术不需要规范参考数据，并且提供每个传感器关于误差结构的特定假设，允许方差的错误估计^[34]。Stoffelen^[35]推荐这种方法用于研究模型、浮标测量和散射仪观察产生的风矢量数据的误差统计。Caires^[36-38]等对海洋进行了基于风速、浪高和海表温度的

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[31593]，资料为PDF文档或Word文档，PDF文档可免费转换为Word