An advanced error correction methodology for merging in-situ observed and model-based soil moisture
一种用于融合实测和基于模型土壤湿度数据的先进误差校正方法
土壤湿度是水文气象应用中的一个关键变量,它影响着水文循环和蒸散发、渗透、径流等陆地-大气相互作用,然而,实测土壤湿度数据在空间覆盖和时间学列上都存在不足。与实测数据相比,卫星遥感提供的大面积连续土壤湿度数据源被广泛应用于相关研究中。特别是微波遥感土壤湿度产品在土壤湿度监测方面比光学遥感土壤湿度产品潜力更大,光学遥感土壤湿度产品受天气和植被覆盖的影响较大。微波遥感土壤湿度最好的例子便是具有先进散射计的微波扫描地球观测系统 (AMSR-E)、土壤湿度和海洋盐度(SMOS)以及土壤湿度主动被动(SMAP)产品。遗憾的是,卫星传感器只能提供表层土壤(0.2-5 cm)的土壤湿度数据,而深层土壤的土壤湿度在水文气象应用(如降雨-径流的预测、干旱监测、水资源管理)中发挥影响。此外,卫星土壤湿度产品的精度与地表粗糙度、土壤类型和植被覆盖度密切相关,这在一定程度上可能增加观测的不确定性。
获取土壤湿度数据的另一种方法是基于对物理过程的理解和长期气象观测应用水文模型模拟得到。模拟的能有效地反映实测和卫星壤水分的时空变化。然而,受模型结构的特殊性、模型参数的不确定性和气象的影响,使得模型模拟存在很大的误差。一般而言,上述方法得到的土壤湿度数据并不完善,每种方法都具有特有的不确定性。
改进土壤湿度数据集的一种常用方法是将土壤湿度数据同化到水文模型中。在过去的几十年里,集合卡尔曼滤波等数据同化方法被广泛应用于土壤湿度数据同化中,这些应用将实测数据或基于卫星的土壤湿度数据同化为水文模型,以获得连续和更准确的土壤湿