《Geocarto International》：A new vegetation–thermal integrated approach (NNL-SM) for high-resolution soil moisture estimation
编辑推荐：
摘要专业翻译
高分辨率土壤水分（SM）信息对于水文、农业和气候研究至关重要。本文提出了一种基于NDMI–NDVI–LST的降尺度技术，称为NNL-SM模型，用于将SMAP SM从9 km降尺度至1 km分辨率。该模型在印度瓦拉纳西地区进行了验证，使用了十五个日
摘要专业翻译
高分辨率土壤水分（SM）信息对于水文、农业和气候研究至关重要。本文提出了一种基于NDMI–NDVI–LST的降尺度技术，称为NNL-SM模型，用于将SMAP SM从9 km降尺度至1 km分辨率。该模型在印度瓦拉纳西地区进行了验证，使用了十五个日期采集的地面SM实测数据，并与VMSMI和三角形光学模型进行了比较。通过整合归一化NDMI、NDVI和LST，同时最小化植被效应，NNL-SM模型取得了最佳性能，具有最低的RMSE（0.028 m3/m3）、ubRMSE（0.023 m3/m3）、最小偏差（0.001 m3/m3）和最高的相关系数（R = 0.700）。VMSMI表现出中等精度，而三角形模型的相关性较弱。季节性分析表明，冬季性能较好，而季风前精度因植被和温度变异性而有所下降。总体而言，NNL-SM方法在所选的异质性农业区域表现出良好的性能，可进一步利用混合指数和多区域验证进行评估。
论文解读
一、研究背景与意义
土壤水分（SM）是水文循环中的基础状态变量之一，深刻影响着陆气相互作用、农业生产过程与气候动态。可靠的SM估算对于干旱监测、灌溉管理、作物产量预测和水文建模等实际应用至关重要。然而，直接观测SM的手段仍然非常有限，地面原位监测网络稀少且成本高昂。因此，卫星遥感已成为区域至全球尺度SM监测的重要途径。
SMOS、SMAP和AMSR-E/AMSR2等卫星任务专门设计用于全球尺度SM反演，提供了空间一致且长期连续的SM数据集。然而，这些任务相对粗糙的空间分辨率（约9–36 km）限制了其在局地和区域尺度水文及农业应用中的直接使用。为克服这一局限，研究者提出了多种降尺度技术，旨在将粗分辨率SM产品分解为更精细的空间分辨率。
传统SM降尺度方法主要包括统计方法、物理模型和基于指数的技术，利用地表温度（LST）、归一化差异植被指数（NDVI）和植被水分指数等辅助变量。其中，著名的三角形方法在温度-植被特征空间中估算SM，但在异质性景观和大气状态高度变化的条件下经常表现不佳。近年来，植被敏感指数如归一化差异水分指数（NDMI）因其对冠层含水量和植被动态的显式考虑，展现出更强的捕捉SM变异的能力。然而，这些技术在植被物候快速变化和高气候变异性条件下仍面临诸多挑战。因此，开展本研究的核心动因在于：开发一种能够有效整合水分、植被和热力信息、同时最小化植被效应对SM信号干扰的新型降尺度方法，以提升SMAP SM在异质性农业区域的空间分辨率与精度。
二、研究内容与主要结论
研究人员在印度瓦拉纳西地区开展了一项SM降尺度研究，该地区位于印度北方邦，地处印度-恒河平原，农业活动高度密集，超过60%的土地用于农业用途。研究区域包含农田、河流生态系统和城市聚落，呈现多样化的地表特征，是SM降尺度实验的理想场所。
研究人员提出了NDMI–NDVI–LST土壤水分（NNL-SM）降尺度模型，该模型整合了水分、植被和热力信息以改进SMAP SM降尺度过程中SM变异的表征。NNL-SM方法通过从整体地面水分信号中专门去除植被水分贡献，最小化植被引起的偏差，同时保留SM成分。研究将该方法与VMSMI和三角形方法两种光学降尺度技术进行比较，利用十五个日期的地面原位SM观测数据，采用RMSE、ubRMSE、偏差和时间相关系数（R）等标准统计指标进行验证。
研究得出以下主要结论：NNL-SM模型在所有统计指标上均表现最佳，具有最低的RMSE（0.028 m3/m3）、最低的ubRMSE（0.023 m3/m3）、最小的偏差（?0.001 m3/m3）和最高的相关系数（R = 0.700）。VMSMI方法精度中等，而三角形方法相关性较弱（R = 0.562）。季节性分析表明，所有方法在相对稳定的冬季条件下表现最佳，而在夏季初期精度下降，原因是地表温度和植被含水量发生显著变化。
三、关键技术与方法
研究人员主要采用了以下关键技术方法：
- 1.
单通道算法（SCA）：基于τ–ω模型，应用于SMAP亮度温度数据以确定当地环境的SM信息，SCA反演的SMAP SM作为不同降尺度方法的输入。
- 2.
NNL-SM降尺度模型：以SM = c1·NDMIs·LSTs ? c2·fv·g(LST)为核心方程，其中NDMI、NDVI和LST均经过归一化处理，系数c1和c2通过最小二乘回归估算。先在9 km尺度建立回归关系，再将系数应用于1 km分辨率的MODIS LST、NDMI和NDVI数据生成高分辨率SM。
- 3.
VMSMI方法：通过归一化温度参数T*与植被分数Fv之差构建VMSMI指数，再以SMhigh = SMc·(VMSMIhigh/VMSMIc)的比例缩放实现降尺度。
- 4.
三角形方法：利用LST与NDVI之间的多项式回归关系SM = ΣΣaij·NDVI(i)·LST(j)建立SM估算模型，在粗尺度确定系数后应用于高分辨率数据。
数据来源方面，研究使用了SMAP L1C_TB_E产品（9 km亮度温度）、MODIS MYD11A1产品（1 km日LST）和Terra MOD09GA产品（500 m地表反射率）。地面SM观测采用Hydra Go便携式SM探头，在十五个采样日期采集，每个1 km网格包含约20至25个地面测量点，研究区域位于印度瓦拉纳西地区。
四、研究结果
NNL-SM模型性能评估：散点图分析表明，NNL-SM方法的降尺度SM与地面观测的散点大部分分布在1:1参考线附近，显示出与实测数据的最佳一致性。相比之下，三角形方法偏离1:1线较大，VMSMI方法则呈现中等程度的离散。
三种方法统计指标对比：NNL-SM方法取得最低的总体误差（RMSE = 0.028 m3/m3），其次是三角形方法（0.051 m3/m3）和VMSMI方法（0.062 m3/m3）。ubRMSE方面，NNL-SM同样表现最佳（0.023 m3/m3），优于三角形（0.036 m3/m3）和VMSMI（0.048 m3/m3）。相关系数方面，NNL-SM达到0.700，而三角形方法和VMSMI分别为0.562和0.598。偏差分析显示，NNL-SM的均值偏差接近零（?0.001 m3/m3），三角形方法偏差较大（0.018），VMSMI偏差为0.007。
时间序列对比：时间对比图显示，NNL-SM方法在大多数采样日期与地面观测最为接近，VMSMI方法在2023年2月28日出现明显偏差，而三角形方法表现出更大的时间偏差和更频繁的偏离。
空间分布分析：空间图中，NNL-SM方法在1 km分辨率下提供了比VMSMI和三角形方法更好的空间细节，更清晰地刻画了植被模式和城市区域。VMSMI和三角形方法在植被区域出现SM低估现象。
箱线图分析：NNL-SM模型在大多数观测日期与地面SM的离散度最小，VMSMI方法离散度较大，三角形方法偏差最大且频率最高。
季节性表现：冬季（12月至2月）期间，NNL-SM模型与地面观测的相关系数较高（R值在0.719至0.739之间），RMSE较低（0.015至0.035 m3/m3）。夏季初期（3月至4月），NNL-SM的RMSE值很低（如2023年4月6日为0.009，2024年4月9日为0.004），但相关系数较弱，反映了高温、SM下降和植被绿度空间异质性对光谱指数与SM关系的削弱。
五、讨论与结论
讨论部分指出，NNL-SM模型虽然表现良好，但仍存在一定局限性。其精度依赖于SMAP和MODIS输入数据的质量和时间一致性，LST、NDVI或NDMI的误差可能影响降尺度SM的估算。模型还可能受到灌溉、云污染和地表温度快速变化的影响。由于经验系数是针对瓦拉纳西地区推导的，在更广泛应用前需要在不同气候、土壤类型、地形条件和植被条件下进行进一步验证。
研究结论部分翻译如下：研究人员评估了所开发的NNL-SM模型在瓦拉纳西地区将SMAP SM从9 km降尺度至1 km的有效性，并与VMSMI和三角形方法两种已知光学技术进行了比较。NNL-SM模型在本研究使用的统计指标上均表现出优于其他两种方法的性能。该模型产生了最低的RMSE（0.028 m3/m3）和ubRMSE（0.023 m3/m3）、最小的偏差（?0.001 m3/m3）和最高的相关系数（R = 0.7）。这一表现表明，NDMI、NDVI和LST的纳入能有效表征所选农业景观中土壤和植被含水量的变异性。VMSMI方法表现略好于三角形方法，但仍显示相对较高的ubRMSE（0.048 m3/m3），且对气候变异性更为敏感。三角形方法结果相对较差，相关系数较低（R = 0.562）且偏差较高。季节性分析表明，所有三种降尺度方法在相对稳定的冬季条件下表现最佳，而在夏季初期精度下降。总体而言，NNL-SM模型在类似湿润亚热带农业条件的区域具有SM降尺度的潜力，但需进一步验证后才能更广泛应用。同时，本研究强调了集成多指数策略在促进陆气相互作用研究、农业监测和水文建模应用中的潜力。
