主题词

地表土壤水分，点面融合，深度学习，误差校正

地表土壤水分对于水和能量通量的陆气交换过程有着重要的影响。当前监测地表土壤水分主要卫星遥感监测以及地面传感器监测两种方法。卫星监测土壤水分具有监测范围广的优点，但是受限于时空分辨率以及监测精度无法同时满足。地面传感器监测可以提供长时序且精度较高的土壤水分数据，但是受限于传感器的分布、监测范围以及维护成本。目前，为了提供高质量的土壤水分数据，已经有一系列的基于卫星遥感数据融合、基于陆面同化模型以及基于统计学习的土壤水分降尺度方法。然而，当前单一的土壤水分降尺度算法仍无法提供30m日分辨率且时空连续的土壤水分数据。

为此，武汉大学测绘遥感信息工程国家重点实验室黄舒哲和中国地质大学（武汉）国家地理信息系统工程技术研究中心张翔等人近期发表的文章A Novel Fusion Method for Generating Surface Soil Moisture Data with High Accuracy, High Spatial Resolution, and High Spatio-Temporal Continuity对这一问题进行了探索。该研究基于多源的遥感卫星数据、模型再分析数据以及地面监测数据，提出了一种结合点面融合和深度学习生成高精度、高时空分辨率（每日30m）且时空连续的土壤水分数据的方法（Generate high Resolution, Accurate, Seamless data using Point-Surface fusion，GRASPS），并发表于地球科学领域一区TOP期刊Water Resources Research。该研究属于2016年提出的星地数据融合SICR方法（Satellite and In-situ sensor Collaboration Reconstruction）的进一步升级改进。

论文引用：

Huang, S. et al., 2022. A Novel Fusion Method for Generating Surface Soil Moisture Data with High Accuracy, High Spatial Resolution, and High Spatio-Temporal Continuity. Water Resources Research, e2021WR030827. DOI:

https://doi.org/10.1029/2021WR030827

01

研究数据和方法

研究区域位于奥地利的Hydrological Open Air Laboratory (HOAL)试验区（图1）。使用到的数据主要包括遥感数据（Landsat 8地表反射率、MODIS地表温度和地表反射率）、模型再分析数据（ERA5-Land、SMAP Level4）以及地面实测土壤水分数据。

图1. 研究区域

本研究的总体方法框架如图2所示，主要包括四个部分。首先，针对收集到的多源数据集进行必要的数据预处理（如投影、裁剪、重采样等）操作。然后，为了提供高分辨率且时空连续的深度学习输入数据，本研究采用ESTARFM模型对地表温度以及地表反射率进行降尺度，生成30m时空连续的地表温度及反射率数据。之后，本研究采用DBN模型拟合多源土壤水分关联数据与地面实测土壤水分数据之间的非线性关系，生成30m每日且时空连续土壤水分数据。最后，本研究提出一种基于像元分类的误差校正方案，对土壤水分数据的精度进行进一步提升，最终生成高精度30m每日且时空连续土壤水分数据。

图2. 土壤水分融合框架

02

结果与讨论

首先，基于ESTARFM对地表温度和地表反射率进行降尺度，并进一步计算得到NDVI和Albedo（图3）。相比于原始的粗分辨率地表温度、NDVI和Albedo，降尺度得到的结果在空间分布上的细节更丰富。通过与Landsat 8计算得到的结果相比较，ESTARFM降尺度的地表温度、NDVI和Albedo的相关系数分别达到了0.91、0.93和0.94。

图3. NDVI、Albedo和LST

降尺度结果与精度分析

之后，采用DBN深度学习算法结合多源土壤水分关联输入数据，生成30m每日且时空连续的土壤水分数据。在验证站点上，土壤水分的相关系数、均方根误差以及偏差分别达到0.56-0.96， 0.019-0.076 m³m^-3，and -0.056-0.050 m³m^-3（图4）。

图4. 降尺度土壤水分

精度验证散点图

在时间角度，相较于SMAP和ERA5土壤水分数据，降尺度土壤水分能够更好地拟合实测土壤水分数据，并且土壤水分的变化也与降雨事件的分布比较吻合（图5）。

图5. 降尺度土壤

水分时间分布

在空间角度，比较了降尺度土壤水分与与其关联的地表温度、NDVI和Albedo的空间分布（图6）。图中，土壤水分值的范围为0.2m³m^-3至0.4 m³m^-3。可以看到，降尺度土壤水分的空间分布细节与关联变量的空间分布有一定的相似性。较低的土壤水分的空间位置往往具有较高的地表温度。同时，有较高土壤水分值的日期往往对应着较低的NDVI和地表温度。通过计算空间标准差（SSD），降尺度土壤水分在空间分布上的表现明显优于原始的SMAP和ERA5土壤水分。

图6. 降尺度NDVI、Albedo、LST

和土壤水分空间分布

为了进一步提高降尺度土壤水分的精度，采用了基于像元分类的误差校正方案。结果显示，经过误差校正，RMSE、ubRMSE、bias以及MAE相比校正前分别降低了13%、7%、22%和18%（图7）。

图7. 误差校正前后降尺度

土壤水分精度评估

03

结论

(1)   提出了一种结合点面融合和深度学习生成高精度、高时空分辨率（每日30m）且时空连续的土壤水分数据的方法（GRASPS）。

(2)   GRASPS 在高精度高分辨率及时空连续土壤水分数据降尺度中展现出较好的效果，平均PCC、RMSE、ubRMSE、bias和MAE达到了0.78, 0.048m³m^-3, 0.033 m³m^-3, -0.001 m³m^-3, and 0.041m³m^-3（与SMAP L4相比，PCC、RMSE提高了12.5%和8.7%；与ERA5土壤水分相比，PCC和RMSE分别提高了20.9%和36.4%）；

(3) 为了进一步减小系统误差提高降尺度土壤水分精度，GRASPS中采用了一种基于像元分类的误差校正方案。结果显示，降尺度土壤水分的RMSE、ubRMSE、bias以及MAE相比校正前分别降低了13%、7%、22%和18%；

更多细节，详见论文

01

第一作者

黄舒哲，武汉大学测绘遥感信息工程国家重点实验室2020级硕博连读生（2022级博士），研究方向为多源时空数据融合与干旱灾害应用。

E-mail:[email protected]

02

指导老师

陈能成，中国地质大学二级教授、博士生导师，国家地理信息系统工程技术研究中心主任，入选国家级高层次人才和教育部新世纪优秀人才，科技部对地观测传感网与智慧城市重点领域创新团队负责人，ITU-T国际标准主编、《IET Smart Cities》编委。曾任武汉大学二级教授、武汉大学测绘遥感信息工程国家重点实验室主任助理与GIS研究室主任。主要从事对地观测传感网、时空大数据智能、地理仿真决策、数字孪生、智慧城市及智慧流域等研究，主持国家重点研发计划项目、973课题、863项目和国家自然科学基金等科研项目多项，获国家科技进步奖2项，牵头获省部级一等奖3项，发表SCI论文百余篇。

03

通讯作者

张翔，中国地质大学特任教授，博士生导师，地大学者青年拔尖人才，国家地理信息系统工程技术研究中心时空过程预测研究所所长。主要从事时空融合、过程模拟、数字孪生和干旱灾害等理论方法研究工作。

04

团队介绍

陈能成教授带领4名教授、8名副教授以及70余名博士研究生和硕士研究生，长期开展数字孪生、对地观测传感网、时空大数据智能、地理仿真决策、环境遥感、智慧城市及智慧流域等研究与应用。

国家GIS工程中心

长按识别二维码关注我们！

感谢您的来访，获取更多精彩文章请收藏本站。