多源微波遥感融合大尺度区域土壤水分数据集研究进展综述

目录

引言

1 多源微波遥感融合土壤水分数据集

1.1 国外多源微波遥感融合土壤水分产品

1.1.1 ECV土壤水分数据

1.1.2 SMOPS土壤水分数据

1.1.3 SMAP土壤水分数据

1.2 国内多源微波遥感融合土壤水分产品

1.2.1 RSSSM土壤水分数据

1.2.2 NNsm土壤水分数据

1.2.3 高分辨率中国区域土壤水分数据

1.3 适用性分析

2 取得进展与面临挑战

2.1 取得进展

2.2 面临挑战

2.2.1 空间完整性与空间分辨率有待提升

2.2.2 辅助遥感数据优化选取

2.2.3 从算法级到数据产品级的跨越

2.2.4 国产微波遥感土壤水分数据时间扩展性有待提升

3 总结

---

摘要

【目的】 土壤水分是连接陆气水循环的重要媒介和载体。获取大尺度区域、长时间序列、高精度的土壤水分数据是环境遥感领域长期关注的难点和热点问题。【方法】 本文简述了包括必要气候变量土壤水分（Essential Climate Variable Soil Moisture, ECV SM）数据、土壤水分产品系统（Soil Moisture Products System, SMOPS）数据、土壤水分主动被动（Soil Moisture Active Passive, SMAP）数据、遥感地表土壤水分（Remote-sensing-based Surface Soil Moisture, RSSSM）数据、神经网络土壤水分（Neural Network soil moisture, NNsm）数据、高分辨率中国区域土壤水分数据在内的6种国内外典型多源微波遥感融合土壤水分数据集的发展历程、研制方法和精度水平。【结果】 通过分析数据产品的适用性，发现不同的微波遥感融合土壤水分产品各具特色，适用场景也有所区分。【结论】 如何充分利用现有海量微波遥感、光学遥感、站点观测数据，设计高性能土壤水分模拟融合算法，实现对过去、现在乃至未来多情景模式下多尺度土壤干湿状况的精准掌控，是未来环境遥感与数据融合领域值得持续深入探究的重要科学方向。

关键词： 微波遥感; 数据融合; 土壤水分

引言

土壤水分指的是单位体积土壤中的水分含量，通常以m3/m3或%来表示。土壤水分通过改变土壤热容量，控制地表蒸发和植被蒸腾作用，进而影响农作物生长状况[1⇓-3]。获取时空连续的土壤水分含量数据对于农田旱涝灾害预警、农作物长势与估产分析具有重要实际应用价值。

星载微波遥感技术是获取大尺度、连续时间序列土壤水分数据的重要手段[4⇓-6]，但是单波段微波遥感反演的土壤水分数据普遍存在大量空值图斑、空间分辨率低、时间分辨率受到卫星任务周期限制，难以满足在多尺度区域进行连续时间序列监测分析的需求。

近几十年来，国内外研究机构围绕多源微波遥感融合土壤水分产品研制开展了大量研究，研制了多套开放获取的数据集[7⇓⇓-10]。本文将从国内外两方面回顾多源微波遥感融合土壤水分数据集的研究进展，分析取得的成就和存在的问题，展望星载微波遥感土壤水分融合反演数据集的发展前景。

1 多源微波遥感融合土壤水分数据集

国内外研究机构利用滤波、多元回归、统计分布校正、机器学习等方法，通过融合多传感器多波段的微波数据及光学数据研制了多套土壤水分数据集，本章主要介绍了其中6种大区域尺度的数据集，具体内容如下所示。

1.1 国外多源微波遥感融合土壤水分产品

1.1.1 ECV土壤水分数据

欧空局自2010年起将土壤水分视为必要气候变量（Essential Climate Variable，ECV）之一并致力于研制长时间序列的多源微波遥感融合地表（0~5cm）土壤水分数据集。截至2022年4月，共有12个版本的ECV土壤水分数据集面向公众发布，每个更新版本在时间范围和传感器组合上均进行了迭代优化提升，当前最新版本是V06.1[10]。该版本包含3套土壤水分产品，即主动微波融合、被动微波融合、主被动融合土壤水分数据。其中，主动微波产品融合了4种主动微波传感器数据，包括AMI-WS ERS1、AMI-WS ERS2、ASCAT A和ASCAT B；被动微波产品融合了10种被动微波传感器数据，包括AMSR-E、AMSR2、SMOS、SMAP、GPM、FY-3B、Windsat、TMI、SSM/I和SMMR；主被动融合土壤水分数据融合了以上所有14种微波数据。融合算法基于上述数据的土壤水分估算值开展，主要包括3个重要步骤：（1）基于TCA（Triple Collocation Analysis）方法的误差表征；（2）数据集特定偏差匹配；（3）融合误差校正后的数据集。

诸多研究围绕ECV土壤水分产品开展了一系列质量评价与真实性检验研究。Dorigo等[11]结合全球28个土壤水分地面监测网络检验了主被动融合ECV土壤水分数据的质量，发现其与不同地面监测网络的拟合度差异巨大，整体质量随时间向现在推进而逐步提升，但在2007-2010年间表现为质量持续下降趋势。Liu 等[12]利用位于亚洲、欧洲、北美洲和大洋洲的土壤水分地面监测网络验证了ECV土壤水分数据精度，结果表明主被动融合的ECV土壤水分在取值精度与拟合时间动态演化趋势方面具有显著优势，被动融合的ECV土壤水分基本上可以准确拟合地面实测值，而主动融合的ECV土壤水分则存在较多的异常值。McNally等[13]评价了1979-2013年期间主被动融合的ECV土壤水分在东非的精度，研究表明1979-1992年间数据空间覆盖率不足40%，自1998年开始超过50%，并在2007年达到最大值（超过80%），之后稳定在该水平。

1.1.2 SMOPS土壤水分数据

美国海洋和大气管理局研发了基于多源微波遥感数据融合的SMOPS（Soil Moisture Products System）土壤水分数据集，旨在获得具有高覆盖率、短时滞性的地表产品[14]。SMOPS融合了包括GPM、SMAP、GCOM-W1、SMOS、Metop-A和Metop-B在内的6种微波遥感数据，基于单波段反演算法进行融合。SMOPS将单波段算法反演的结果与其他星载传感器土壤水分数据（如：ASCAT、AMSR2&#