1 引言

土壤湿度是陆地水循环和能量循环中的一个重要影响因子。土壤中的水分决定了地表蒸发通量。径流潜力, 农业和人类需求的水资源可利用量, 同样在地表能量收支中也发挥着重要的作用, 一定程度上决定了地表面的潜热和感热的分配比例, 并通过陆-气间能量与水分交换的相互作用, 进一步对近地层大气以及气候变化产生影响。一个区域乃至大陆尺度的土壤湿度变化信息对于水文分析, 提升天气和气候预测的准确率, 洪涝和干旱监测等方面十分重要 (Njoku et al, 2003; 王磊等, 2008; 史小康等, 2010; 高艳红等, 2011)。

青藏高原 (下称高原) 的平均海拔4000 m以上, 是世界上平均海拔最高、地形最复杂的高原, 它的动力强迫和热力作用对于亚洲季风乃至全球大气环流及气候变化都产生了极其重要的影响 (叶笃正和高由禧, 1979; 郑庆林等, 2001; 吴国雄等, 2005; Zhou et al, 2009; 马耀明, 2014)。因此, 准确掌握高原地区的土壤湿度信息有助于理解高原动力热力作用及其影响等重大问题。

传统常规观测土壤湿度测量技术能够精确地提供单点的土壤湿度, 但布设维护费用昂贵, 区域代表性有限, 远不能满足大范围动态监测土壤湿度的需求。卫星遥感技术的发展弥补了这一缺陷。其中微波遥感能直接捕获土壤的介电特性, 土壤的介电特性在很大程度上取决于土壤的含水量, 土壤介电常数从干燥土壤3.5左右到水80左右存在一个宽阔的变化范围 (Njoku and Entekhabi, 1996)。此外, 相比于光学遥感, 微波遥感的优势在于:对于云层、雾、小雨、植被以及表层土壤等具有一定的穿透能力, 受太阳辐射的影响不大, 能够全天候工作甚至在恶劣的气候条件下都具备较强的工作能力 (王磊等, 2009)。

微波遥感主要分为主动和被动两类, 主动微波遥感是通过建立雷达后向散射系数和土壤湿度的关系估算土壤湿度的, 而被动微波遥感通过微波辐射计测量的土壤微波发射或亮温估算土壤湿度。与主动微波遥感相比, 被动微波遥感土壤湿度的研究开展得更早, 算法种类较多, 也相对更成熟 (高峰等, 2001; 钟若飞等, 2005; 田辉等, 2012; 席家驹等, 2014)。

目前已经用于被动土壤湿度研究的星载微波辐射计有: Nimbus-7卫星上搭载的SMMR (Scanning Multichannel Microwave Radiometer), DMSP卫星上搭载的SSM/I(Special Sensor Microwave/Imager), TRMM卫星上搭载的TMI (TRMM Microwave Imager), ADEOS-Ⅱ/AQUA/GCOM-W卫星上搭载的AMSR/AMSR-E/AMSR2(Advanced Microwave Scanning Radiometer), SMOS卫星上搭载的二维干涉双极化1.4 GHz辐射计, 以及最近发射的SMAP卫星上搭载的L波段多极化辐射计等。

AMSR-E已经提供了一个长达10年的数据记录 (2002-2011年), 还将被JAXA2012年发射的GCOM-W卫星上搭载的AMSR2继续延伸, 这意味着可以通过相同的微波辐射计获得长期的气候数据, 实际意义较大。

目前主要有3个机构在发布AMSR-E的全球土壤湿度反演产品, 分别是美国国家航空航天局 (National Aeronautics and Space Administration, NASA)、阿姆斯特丹自由大学 (Vrije Universiteit Amsterdam, VUA) 与NASA联合 (VUA-NASA), 日本宇宙航空研究开发机构 (Japan Aerospace Exploration Agency, JAXA)。但研究表明, 这三个机构的土壤湿度产品在青藏高原地区的精度较低 (Su et al, 2011; Dente et al, 2012; Chen et al, 2013; 席家驹等; 2014), 不能很好地反映高原地区土壤湿度的实际状况。因此, 不同于以上3个机构土壤湿度产品使用的反演算法, 本文采用修改后的单通道算法模型 (Single Channel Algorithm, SCA)(Jackson, 1993), 对原方法进行了简化和修正。SCA算法利用对土壤湿度最敏感的单频率和单极化仪器通道, 并依靠辅助数据来执行对于影响反演的其他因素的校正, 因而具有较高的精度 (Mladenova et al, 2014)。本研究将采用修改后的SCA算法反演青藏高原地区的土壤湿度, 建立高原地区土壤湿度反演模型以提高反演土壤湿度的精度。

由于NASA和VUA-NASA的土壤湿度反演产品都是基于NASA AMSR-E Level 2A数据所生产, 同本文修改后的SCA模型所使用的数据源相同, 所以将上述两种土壤湿度产品与本文算法反演的结果一同进行了对比, 而JAXA使用本机构的AMSR-E Level 1数据生产土壤湿度产品 (Mladenova et al, 2014), 因此本研究并未将JAXA的土壤湿度产品加入对比分析。

此外, 欧洲航天局 (European Space Agency, ESA) 发布了基于主动与被动微波遥感数据融合的ECV (Essential Climate Variable) 土壤湿度产品, 该产品时间跨度长达35年 (1978-2013年)。Zeng et al (2015a)通过研究表明, ECV土壤湿度产品在青藏高原地区有着较高的精度, 但本文旨在对比和提升被动微波遥感反演产品的精度, 因此未将ECV土壤湿度产品加入分析讨论之中。

因此, 本文利用AMSR-E观测的土壤表层亮温资料, 采用简化修正的单通道算法模型 (Single Channel Algorithm, SCA), 反演青藏高原地区夏季2011年6-8月的表层土壤湿度。为对比验证反演结果, 利用了高原东部和中部的玛曲观测网和那曲观测网CTP-SMTMN (Central Tibetan Plateau-Soil Moisture and Temperature Monitoring Network) 的土壤湿度观测值, 以及NASA和VUA-NASA两种均基于AMSR-E的反演土壤湿度产品。

2 研究区域及资料 2.1 研究区域

高原地区幅员广袤, 地形地貌与植被类型复杂多样, 草地资源异常丰富且分布面积广大。研究区域大部位于季风区 (姜江等, 2015), 冬季偏干, 夏季偏湿, 与冬季的土壤湿度值相比, 夏季的土壤湿度在时间尺度上动态变化大, 同时由于研究区域位于冻土区 (Shude and Guodong, 1996), 而现阶段对冻土区特殊的冻土植被水分之间相互作用的耦合机理知之甚少, 加之土壤在冻结条件下的土壤介电常数会发生显著变化, 引起土壤介电常数模型的不适用, 进而导致土壤湿度反演算法不能精准地估算土壤湿度值 (Dobson et al, 1985)。为了尽量减少地表层冻土给土壤湿度反演带来的影响, 考虑到4月下旬至10月中旬, 高寒生态系统土壤活动层处于完全解冻状态 (高泽永等, 2014), 因此鉴于前面提到的各种因素, 选择青藏高原夏季的遥感表层土壤湿度。

2.2 数据介绍及处理 2.2.1 AMSR-E亮温数据

AMSR-E (Advanced Microwave Scanning Radiometer-Earth Observing System) 辐射计于2002年搭载美国国家航空航天局NASA的地球观测系统AQUA卫星成功发射升空。AMSR-E设有6个频率: 6.925, 10.65, 18.7, 23.8, 36.5和89 GHz, 而且每个频率都分水平和垂直 (H和V) 两种极化方式。AMSR-E的入射角固定为55°, 刈宽度为1445 km, 在不到两天的时间内, 可以几乎覆盖全球一次。地表空间分辨率从6.925 GHz的约60 km到89 GHz的约5 km。AQUA卫星是太阳同步轨道卫星, 于01:30(北京时, 下同, 降轨) 和13:30(升轨) 通过赤道 (Njoku et al, 2003)。表 1给出了AMSR-E微波辐射计的部分参数。

本文所用的亮温数据为美国国家雪冰数据中心NSIDC提供的AMSR-E L2A重采样辐射亮温产品 (http://nsidc.org/data/polaris/), 其分辨率约为25 km。本文选用降轨数据, 因为夜间的土壤和植被层的温度比白天更小更稳定 (Fagerlund et al, 1970; Wen et al, 2005; Su et al, 2011), 在一定程度上减小了由以上温度差异所带来的误差。

2.2.2 AMSR-E土壤湿度产品

选用于对比所采用的土壤湿度产品有两种: (1) NASA土壤湿度反演产品:该产品采用Njoku and Chan (2006)开发的归一化极化差算法 (Normalized Polarization Difference algorithm, NPD), 同时反演土壤湿度、土壤物理温度和植被含水量等三个参数。(2) VUA-NASA土壤湿度反演产品:该产品利用陆地参数反演模型 (Land Parameter Retrieval Model, LPRM) 反演土壤湿度、植被光学厚度和土壤物理温度等三个参数。该产品包含C和X两个波段的产品, 在本文中以LPRM_C和LPRM_X代表 (Owe et al, 2001; De Jeu and Owe, 2003)。

2.2.3 MODIS/NDVI数据

所采用的归一化植被指数NDVI数据 (Didan and Huete, 2006), 为NASA提供的MODIS AQUA MYD13A2产品, 时间分辨率为16天, 空间分辨率为1 km。为了结合本文所选AMSR-E亮温数据的使用, NDVI数据必须将空间分辨率1 km, 重新采样为25 km, 和亮温数据的空间分辨率保持一致。

2.2.4 中国地区土地覆盖综合数据集

所用中国土地覆盖数据集是由寒区旱区科学数据中心提供的中国地区土地覆盖综合数据集 (Land Cover Products of China)(Ran et al, 2010), 其中包括5种产品, 为了能较好地反映青藏高原草地覆盖程度, 本研究选取第五种数据产品, 即:中国WESTDC系列土地覆盖数据产品 (Version1.0), 并将其重新采样为25 km的空间分辨率。

2.2.5 基于世界土壤数据库 (HWSD) 的中国土壤数据集 (v1.1)

选用由寒区旱区科学数据中心提供的基于世界土壤数据库HWSD的中国土壤数据集 (v1.1)(Fischer et al, 2008), 数据来源于联合国粮农组织FAO和维也纳国际应用系统研究所ⅡASA所构建的世界土壤数据库 (Harmonized World Soil Database version 1.1, HWSD)。中国境内数据源为第二次全国土地调查南京土壤所所提供的1:100万土壤数据。同样将数据重采样为25 km的空间分辨率。

2.2.6 地面观测资料

所用的地面观测资料包括: (1) 中国科学院寒区旱区环境与工程研究所及荷兰屯特大学地理信息科学与对地观测学院提供的玛曲观测网土壤温度湿度数据集 (Su et al, 2011), 该观测网包括20个观测站, 位于海拔3430~3750 m之间, 每隔15 min不间断地对 (地表以下5~80 cm) 土壤湿度温度进行观测记录。使用的是玛曲观测网2011年6-8月5 cm深处土壤湿度实测数据。(2) 青藏高原多圈层模拟与数据同化中心提供的CTP-SMTMN (Soil Moisture and Temperature Monitoring Network on the Central Tibetan Plateau) 观测网土壤湿度温度数据集 (Yang et al, 2013), 该观测网主要位于那曲 (下称那曲观测网), 包括56个观测站, 平均海拔4650 m, 并分为三级:即大尺度观测网, 中尺度观测网, 小尺度观测网, 空间范围分别为1.0°, 0.3°, 0.1°, 每30 min记录一次距地表深度为0~5 cm, 10 cm, 20 cm, 40 cm处的土壤湿度温度数据。图 1给出了玛曲与那曲台站观测网在青藏高原上的区域位置及站点分布。本研究采用那曲观测网6-8月的表层0~5 cm土壤湿度观测数据。

因为在反演与实测土壤湿度的对比中, 一般是采取遥感像元的反演值与实测数据的点数据进行比较, 但二者的尺度差异会带来较大的误差, 所以采取AMSR-E像元中多个站点的实测值取平均来减少尺度效应带来的误差。

实测数据的处理:提取玛曲与那曲台站观测网所有站点2011年6-8月的数据, 对于那曲观测网, 为了保持数据前后的一致性, 没有采用数据起始时间为2011年7月1日及以后的8个站点的数据, 首先除去缺测天数较多 (>20天) 的站点, 其次除去数据异常的站点, 这里的数据异常分为两种情况:第一种指像元内只有一个站点, 且这个站点的实测土壤湿度数据全年偏高, 尤其在6-8月, 土壤湿度值持续≥0.6 m³·m^-3, 认为这样站点不一定能合理地代表整个像元的土壤湿度状况, 选择除去类似的站点数据; 第二种为像元内具有多个站点, 某个站点的土壤湿度月平均值与该像元内所有测站的平均土壤湿度的月平均值的差值≥0.1 m³·m^-3(即超出10%), 这样的站点的土壤湿度状况明显超出所在像元的平均水平, 不具有代表性, 所以选择排除。

经过以上处理方法筛选后, 玛曲观测网选取的15个站点分布在7个像元中, 那曲观测网所选的24个站点分布于9个像元中。经筛选后的两个观测网站点在像元中的具体分布状况在图 2中给出。

3 理论与方法 3.1 理论基础

Fresnel反射方程将由辐射传输理论计算出的光滑表面反射率与用来估算土壤湿度的介电常数联系在一起, 使得通过利用辐射传输理论估算土壤湿度得以实现。

$ R_{\left( f,p \right)}^{\text{smooth}}={{\left| \frac{\cos \theta +\sqrt{\kappa -{{\sin }^{2}}\theta }}{\cos \theta +\sqrt{\kappa -{{\sin }^{2}}\theta }} \right|}^{2}}\ , $

(1)

式中: f为特定的频率; R为土壤反射率; p为极化方式 (水平极化H或者垂直极化V); θ为入射角; κ为土壤水混合物的复介电常数, 取决于含水量。

在微波波段, 土壤反射率R_{(f, p)}和发射率e_{(f, p)}的关系是R_{(f, p)}=1+e_{(f, p)}。发射率来自辐射传输公式 (Kerr and Njoku, 1990):

$ \begin{align} &T_{B\left(f, p \right)}^{t}=T_{B\left(f, p \right)}^{a\ \uparrow }+{{e}^{-\tau _{\left(f, p \right)}^{a}}}\left(1-e_{\left(f, p \right)}^{\text{rough}} \right)\left(T_{B\left(f, p \right)}^{a\ \downarrow } \right. \\ &\left. \ \ \ \ \ \ \ \ \ \ \ \ \ \ +{{e}^{-\tau _{\left(f, p \right)}^{a}}}T_{B}^{sky} \right)+{{e}^{-\tau _{\left(f, p \right)}^{a}}}T_{B\left(f, p \right)}^{l}\ \ , \end{align} $

(2)

式中: $ T_{B\left(f, p \right)}^{t}$为卫星测量的总计的亮温, 通常称为大气顶层亮温; $ T_{B\left(f, p \right)}^{l}$为陆地表面的亮温; $T_{B\left(f, p \right)}^{a\ \uparrow \ a\ \downarrow } $和$ T_{B}^{sky}$分别表示上行和下行大气的亮温以及天空的亮温; $ e_{\left(f, p \right)}^{\text{rough}}$为粗糙土壤的发射率; $ \tau _{\left(f, p \right)}^{a}$用来考虑大气的衰减作用, 称为不透明度, 指的是沿着倾斜路径通过大气的不透明度。

$ T_{B\left(f, p \right)}^{l}$的完整公式由Mo et al (1982)给出, 即τ-ω模型:

$ \begin{align} &T_{B\left(f, p \right)}^{l}={{T}^{s}}e_{\left(f, p \right)}^{\text{rough}}{{e}^{-\tau _{\left(f, p \right)}^{c}/\cos \theta }}+{{T}^{c}}\left(1-{{\omega }_{\left(f, p \right)}} \right) \\ &\ \ \ \ \ \ \ \ \ \ \ \left(1-{{e}^{-\tau _{\left(f, p \right)}^{c}/\cos \theta }} \right)+{{e}^{-\tau _{\left(f, p \right)}^{c}/\cos \theta }}{{T}^{c}}\left(1-{{\omega }_{\left(f, p \right)}} \right) \\ &\ \ \ \ \ \ \ \ \ \ \ \left(1-{{e}^{-\tau _{\left(f, p \right)}^{c}/\cos \theta }} \right)\left(1-e_{\left(f, p \right)}^{\text{rough}} \right)\ \ , \end{align} $

(3)

式中: $\tau _{\left( f,p \right)}^{c}$为植被光学厚度; ω_{(f, p)}为单次散射反照率; T^c和T^s分别为植被层的物理温度和土壤层的物理温度。

一般来讲, ω_{(f, p)}值通常会比较小 (0.04 < ω_{(f, p)} < 0.12), 可以假定为0(Mladenova et al, 2014; Jackson and O′Neill, 1991; Van de Griend and Owe, 1994)。在土壤湿度被动反演的背景下, 土壤层和植被层被视为连续均匀体并假定有相等温度 (也就是$ {{T}^{s}}\cong {{T}^{c}}$)。

利用上述讨论的简化假设, 即$ {{T}^{s}}\cong {{T}^{c}}$和ω_{(f, p)}=0, 可以得到公式 (3) 的简化:

$ T_{B\left(f, p \right)}^{l}={{T}^{s}}\left(1-\left(1-e_{\left(f, p \right)}^{\text{rough}} \right){{e}^{-2\tau _{\left(f, p \right)}^{c}/\cos \theta }} \right)\ \ , $

(4)

植被光学厚度可以表示为植被含水量的函数 (Jackson and Schmugge, 1991):

$ \tau _{\left(f, p \right)}^{c}=b\times \text{VWC}\ \ \text{, } $

(5)

其中: VWC为植被含水量 (Vegetation Water Content), 单位: kg·m^-2; b为一个依赖于植被类型, 极化, 频率和入射角的植被参数 (Mladenova et al, 2014; Van de Griend and Wigneron, 2004)。

粗糙和光滑表面反射率之间的关系可以用Choudhury模型来描述 (Choudhury et al, 1979):

$ R_{\left(f, p \right)}^{\text{rough}}=R_{\left(f, p \right)}^{\text{smooth}}{{e}^{-{{h}_{\left(f \right)}}{{\cos }^{2}}\theta }}\ \ , $

(6)

式中: h_(f)为一个与表面均方根高度有线性关系的粗糙度参数 (Choudhury et al, 1979; Wang, 1983)。

3.2 简化修正的SCA模型

修改后的SCA模型的理论基础流程如图 3所示。由于低频微波更适于土壤湿度的反演, 而在高原地区, C波段几乎不受无线电频率干扰 (Radio Frequency Interference, RFI)(Njoku et al, 2005; Yang et al, 2013), 所以在AMSR-E的6个频率的亮温数据中, 采用具有最强穿透力以及对土壤湿度最敏感的C波段水平极化6.925 GHz (Wang, 1987; Jackson, 1993) 的亮温数据。

由于在微波波段, $ T_{B}^{\text{sky}}$通常很小, 可以首先被忽略 (Jackson, 1993; Kerr and Njoku, 1990; Qiu et al, 2007); 大气不透明度$ \tau _{\left(f, p \right)}^{a}$是非常低的 (Ulaby et al, 1986), $ {{e}^{-\tau _{\left(f, p \right)}^{a}}}$(大气透射率) 基本上等于1(Jackson, 1993); AMSR-E的6个频率的大气贡献$T_{B\left(f, p \right)}^{a\ \uparrow \ a\ \downarrow } $平均值在高原地区为0.1946~0.5433 K之间 (Qiu et al, 2007), 因此在实际应用中可以忽略大气贡献带来的影响, 根据上述条件, 可以得到公式 (2) 的简化:

$ T_{B\left(f, p \right)}^{t}=T_{B\left(f, p \right)}^{l}\ \ , $

(7)

对于修改后的SCA模型的实施, 假设ω_{(f, p)}=0, 联合公式 (4)~(6), 可以计算光滑表面反射率:

$ R_{\left(f, p \right)}^{\text{smooth}}=\left(1-\frac{T_{B\left(f, p \right)}^{l}}{{{T}^{s}}} \right){{e}^{\left[ {{h}_{\left(f \right)}}{{\cos }^{2\theta +2b\times \text{VWC/cos}\theta }} \right]}}\ \ , $

(8)

对于AMSR-E来说, 土壤的物理温度可以使用垂直极化Ka波段AMSR-E亮温来近似表示 (De Jeu and Owe, 2003), 并根据Zeng et al (2015b)的研究, 在高原地区, 地表温度和垂直极化36.5 GHz亮温之间关系可以表示为

$ {{T}^{s}}=0.6885T_{B\left(36.5, V \right)}^{l}+99.219\ \ , $

(9)

对于粗糙度参数h_(f), 在高原地区选取h_(f)=0.1(Mladenova et al, 2014; Jackson, 1993)。

Jackson et al (1999)表明VWC能线性地与NDVI相关联, 对于草地类型的植被, VWC和NDVI的关系可以表示为 (Gao et al, 2015; Maggioni et al, 2006):

$ \text{VWC=0}\text{.21}\times \text{NDVI+0}\text{.24}\ \ \text{, } $

(10)

关于植被参数b的选择, 根据前人的研究 (Mo et al, 1982; Jackson and Schmugge, 1991; Van de Griend and Wigneron, 2004), 结合中国地区土地覆盖综合数据集和1:100万中国植被图 (中国科学院中国植被图编辑委员会, 2001), 在0.56~1.99的范围内进行迭代试验估算土壤湿度, 并基于试验结果与观测资料的对比, 对中高度草地覆盖为主 (高寒草甸) 的高原东部地区选取b=1.30, 而对于中低度草地覆盖为主 (高寒草原) 的高原中部地区则b=0.65, 对于两种植被过渡带地区选择b=0.95。

光滑表面反射率和土壤的介电特性有关, 通过Fresnel反射方程, 采用迭代法可以得出光滑反射率和土壤介电常数实部虚部的具体关系。Wang-Schmugge介电模型可以用来计算土壤湿度 (Wang and Schmugge, 1980), 该模型通过使用描述土壤结构的辅助数据将土壤介电常数与土壤湿度联系起来, 土壤结构数据是从基于世界土壤数据库 (HWSD) 的中国土壤数据集 (v1.1) 中获取。

4 结果分析

利用上述方法, 对高原地区2011年6-8月土壤湿度进行了估算, 为反映出高原地区夏季土壤湿度的时空分布特征, 通过2011年6月13日、7月15日和8月16日的土壤湿度反演结果 (图 4) 中可以看出, 结果较好地反映了高原地区的土壤湿度分布特征, 6-8月, 高原地区土壤湿度整体有一个逐渐增加的趋势, 而且高原东部的土壤湿度明显高于中部的土壤湿度, 这也体现出高寒草甸覆盖地区的土壤湿度明显高于高寒草原以及其他植被覆盖地区的土壤湿度的实际特征。

结合像元观测平均值, 对玛曲和那曲两个验证区域的反演结果进行了各项统计: R为相关系数; MAE代表平均绝对误差 (单位: m³·m^-3); RMSE代表均方根误差 (单位: m³·m^-3); N为样本数。SCA_TP代表本文修改后的SCA模型, NASA代表NASA土壤湿度产品, LPRM_C和LPRM_X代表VUA-NASA土壤湿度产品, 像元编号如图 2, 统计结果列于表 2内。在以上基础之上, 分别计算两个区域内每日所有像元土壤湿度反演值的平均值, 作为该区域每日的土壤湿度反演值, 与区域内每日所有像元观测平均值作如上统计分析, 列于表 2内, 对比结果反映在图 5中。

从像元尺度分析, 根据表 2所统计两地区16个像元的结果, 6-8月玛曲地区7个像元通过修改后的SCA模型反演的土壤湿度值和台站观测网的观测值的相关系数在0.610~0.823之间, 那曲地区9个像元的相关系数在0.588~0.800之间, 都通过了α=0.01显著性水平检验。综合来看, 两个地区的相关程度整体优于NASA土壤湿度产品的0.208~0.537和0.319~0.601, 也优于LPRM_C土壤湿度产品的0.398~0.6-87和0.46-8~0.836, 以及LPRM_X土壤湿度产品的0.457~0.699和0.624~0.852。

平均绝对误差方面, 修改后的SCA模型在玛曲地区除去一个值为0.120 m³·m^-3的像元, 其余像元都控制在0.086 m³·m^-3以内, 而那曲地区除去两个0.110 m³·m^-3左右的像元, 其他像元的平均绝对误差均控制在0.074 m³·m^-3以内。而NASA土壤湿度产品在两个地区除7个像元在0.114~0.152 m³·m^-3之间, 其余都在0.200 m³·m^-3附近或高于这一数值, 在玛曲地区大部像元尤甚, 最高达到了0.413 m³·m^-3; LPRM_C土壤湿度产品在两个地区除5个像元在0.062~0.121 m³·m^-3之间, 其余像元均在0.150 m³·m^-3附近或高于这一数值, 那曲地区大部像元尤甚, 最高达到了0.272 m³·m^-3, LPRM_X土壤湿度产品在两个地区除6个像元在0.100 m³·m^-3左右, 其余像元均高于0.176 m³·m^-3, 那曲地区大部像元尤甚, 最高达到了0.295 m³·m^-3。

与平均绝对误差相类似, 在均方根误差方面, 修改后的SCA模型在玛曲地区只有一个像元为0.156 m³·m^-3, 其他像元均控制在0.102 m³·m^-3以内, 那曲地区除了两个0.120 m³·m^-3左右的像元, 其他像元均在0.084 m³·m^-3以下; NASA土壤湿度产品在两个地区除4个像元在0.120 m³·m^-3左右, 其余像元全在0.150 m³·m^-3附近或高于这一数值, 玛曲地区大部像元尤甚, 最高达到了0.419 m³·m^-3; LPRM_C土壤湿度产品在两个地区除5个像元在0.076~0.130 m³·m^-3之间, 其余像元均在0.170 m³·m^-3附近或高于这一数值, 那曲地区大部像元尤甚, 最高达到了0.285 m³·m^-3, LPRM_X土壤湿度产品在两个地区除6个像元在0.100 m³·m^-3左右, 其余像元均高于0.184 m³·m^-3, 那曲地区大部像元尤甚, 最高达到了0.303 m³·m^-3。

通过以上分析, 可以得到: (1) 相比NASA和VUA-NASA的土壤湿度产品, 修改后的SCA模型在两个地区的像元尺度上与观测值都有着较高相关系数, MAE和RMSE都控制在了一个较低的水平, 反演土壤湿度的精度明显优于其他两种产品。(2) NASA土壤湿度产品在两个地区与观测值的相关程度在三种产品的对比中是最低的, 在土壤湿度较高的玛曲地区, NASA产品表现出了过高的MAE和RMSE, 这种情况在土壤湿度相对较低的那曲地区有所改善, 但依旧较高。(3) VUA-NASA土壤湿度的LPRM_C和LPRM_X两种产品采用了相同的LPRM算法, 虽然波段不同, 在各项统计中会有一些差别, 但是从整体来看, 两种产品在两个地区的估算值还是趋于一致的, 两种产品与两地区的观测值的相关系数都是玛曲地区较差, 而那曲地区相对较好, 此外, 两种产品在土壤湿度较高的玛曲地区的MAE和RMSE整体明显低于土壤湿度较低的那曲地区, 但是即使在MAE和RMSE较低的玛曲地区, 两种产品的精度依然很差。

从区域尺度上来看, 根据表 2和图 5所反映的两个地区整体土壤湿度反演值与观测值之间的对比, 依然可以得出类似以上像元尺度分析的结论: (1) 修改后的SCA模型在两个地区与观测值都表现出了较高的相关性, 较低的MAE和RMSE, 体现出较高的精度, 整体明显优于NASA和VUA-NASA两种土壤湿度产品。(2) NASA土壤湿度产品与观测值在土壤湿度较高的玛曲地区显示出了三种产品中最低的相关系数和最高的MAE和RMSE, 这种情况在土壤湿度较低的那曲地区会有所改善, 但是精度依旧很差, 结合图 5, 可以得出NASA产品在两个地区存在明显低估土壤湿度的结论。(3) VUA-NASA土壤湿度产品与观测值在玛曲地区表现出较高的相关程度和较低的MAE和RMSE, 精度较好, 但是在土壤湿度相对较低的那曲地区, 虽然显示出了较高的相关系数, 但是MAE和RMSE都比较高, 精度较差, 从图 5可以看出, VUA-NASA产品对于那曲地区的土壤湿度明显高估。

5 讨论

尽管有着较高的精度, 本文修改后的SCA算法模型仍存在着一些不足之处需要进一步的改进和提升, 才能生成稳定可靠的青藏高原地区被动微波遥感反演土壤湿度产品:

本文只采用了玛曲和那曲两个地区的台站观测网的观测值来验证修改后的SCA模型反演土壤湿度的精度, 虽然取得了较好的结果, 但相对于地域辽阔的高原, 还需要加入更多高原其他地区的观测验证, 才能得到更加可靠、令人信服的验证结果。

根据表 2中的统计结果, 相比其他产品, 修改后的SCA模型虽然保证了反演结果具有良好的精度, 但仍然存在反演的土壤湿度值比实际观测值整体偏低的情况。排除个别天气因素带来的不利影响, 认为造成反演结果相对较低的原因可能是多方面的:作为首要的影响因素, 高原地区植被含水量的相关研究和资料稀少, 本文采用的NDVI指数并不能完全反映叶面指数 (LAI), 也不一定能很好估算冠层的植被含水量, 因而造成估算植被含水量误差。如果可以借助和参考其他类型的植被指数产品, 并结合实地考察取样, 将会提高估算植被含水量的精度; 另外, 本文对粗糙度参数的设定采用了统一值, 并不符合高原地区的土壤粗糙度实际情况, 一定程度上会造成反演误差。像元内实测站点多点平均也不能准确反映像元的平均状态, “真实值”只是相对的。本文简化修正的SCA模型为了普遍适应高原地区复杂的自然环境, 在一些参数的设定上比较粗糙, 这也会带来一定的误差; 又如生长茂盛的高寒草甸一类较厚的植被冠层会导致土壤发射率的衰减, 来自植被冠层的发射率随着光学厚度的增加而增大, 这样便会降低传感器的测量土壤湿度的变化的敏感度, 导致误差产生, 当植被层超过一定厚度时, 所获取的土壤发射率严重失真, 无法反演土壤湿度。

以上影响反演精度的因素, 也是目前被动微波遥感所面临的问题和困难, 但是随着技术的发展和各种算法研究的深入, 应对影响反演精度的各方面因素的方法会有较大改善, SCA算法模型也会不断改进和成熟, 反演精度也一定会有所提升。

6 结论

利用AMSR-E L2A 25 km×25 km重采样亮温产品, 采用简化假设$ {{T}^{s}}\cong {{T}^{c}}, {{\omega }_{\left(f, p \right)}}=0$和$ {{e}^{-\tau _{\left(f, p \right)}^{a}}}\cong 1$, 忽略了$T_{B}^{\text{sky}} $和$T_{B\left(f, p \right)}^{a\ \uparrow \ a\ \downarrow } $等参数的单通道算法模型反演了2011年6-8月高原地区的土壤湿度, 期间确定了高原地区的植被参数b的值以获取植被光学厚度, 建立了适用于高原大部地区土壤湿度的反演模型。结果分析表明, 采用的算法模型对于夏季高原东部和中部的玛曲和那曲两个地区土壤湿度反演的对比验证都取得了满意的结果, 相比NASA和VUA-NASA土壤湿度产品, 有着较高的精度, 适用于高原地区的土壤湿度反演, 可以用于高原地区夏季土壤湿度动态监测, 而且经过本文参数简化后的SCA算法模型, 具有参数少, 计算简便, 对土壤湿度变化敏感, 辅助资料易获取等优点。

至于修改后的SCA模型之所以会比NASA和VUA-NASA土壤湿度产品精度更高, 认为原因可能是NASA土壤湿度产品采用了一种全球经验回归算法, 算法中的一些关键系数主要是在美国等地区校准标定的, 在高原地区不一定适用, 导致在高原地区反演估算的土壤湿度值偏低, 动态变化范围窄; 而VUA-NASA土壤湿度产品使用的LPRM算法在估算高原地表温度方面误差较大, 导致反演估算的土壤湿度产生误差 (Zeng et al, 2015a)。而本文采用修改后的SCA模型, 充分考虑了高原地区辐射和植被状况, 确定了合适的参数; 在地表温度方面, 采用Zeng et al (2015b)提出的高原地表温度估算模型较精确地反映了高原地表温度, 尽量减少了地表温度给土壤湿度反演带来的误差。