不同三重合方法下多源融合土壤湿度产品有效性：结合空间相似性评估框架的综合评估

《Remote Sensing of Environment》：Effectiveness of multi-source merged soil moisture products using different triple collocation methods: A comprehensive assessment incorporating spatial similarity evaluation framework

　　

• 建立了一种用于评估土壤水分产品的空间相似性框架。
• SMAP、ASCAT 和 ERA5-Land 在捕捉土壤水分动态和格局方面存在差异。
• 二维三元共定位融合方法优于传统的一维版本。
• 新的 TC_2D_local 方法在环境复杂的区域显示出优势。

**引言**

土壤水分是地球系统科学中至关重要的变量，因为它在理解和揭示陆地表面与大气之间复杂的水汽通量和能量通量相互作用中发挥着基础和关键的作用（Ciais et al., 2005; Jung et al., 2010; Koster et al., 2004）。因此，获取精确的土壤水分记录，并详细了解其时空动态，对于研究气象和水文过程及现象（Babaeian et al., 2019）至关重要，例如气候预测（Koster et al., 2004）、洪水预报（Koster et al., 2010）和干旱监测（Wang et al., 2011）。

获取土壤水分信息主要有三种途径，包括地面实测、模型估算和遥感反演（Spennemann et al., 2020）。尽管地面实测能够提供不同深度土壤水分最可靠的"地面真值"，但地面土壤水分测量在范围上受到限制，代表区域较小且分布往往不均匀（Babaeian et al., 2019），同时实施和维护成本高昂且耗费人力（Peng et al., 2021）。近几十年来遥感技术的巨大进步为土壤水分监测提供了一个很好的替代方案，可以克服空间覆盖的挑战。微波遥感技术在利用主动和被动传感器反演土壤水分方面的潜力已被采用为首选方法，因为大气对低频微波辐射的透明度更高，例如X波段、C波段和L波段。目前，全球范围内已有数种基于微波的土壤水分产品可供使用，包括高级微波扫描辐射计-EOS（AMSR-E; Njoku et al., 2003）、高级散射仪（ASCAT; Bartalis et al., 2007）、土壤水分与海洋盐度卫星（SMOS; Kerr et al., 2010）和土壤水分主动-被动卫星（SMAP; Entekhabi et al., 2010）。此外，土壤水分随深度的变化可以通过陆面模型（LSMs）进行估算，并已被广泛应用于大规模土壤水分分析中，包括全球陆地数据同化系统（GLDAS; Roberts, 2000）、欧洲中期天气预报中心第五代大气再分析（ERA5; Hersbach et al., 2020）以及现代再分析研究与应用程序第二代（MERRA-2; Gelaro et al., 2017）。

卫星和模型生成的土壤水分产品已经广泛使用地面实测数据进行验证。总体而言，被动微波传感器（例如SMOS、SMAP和AMSR-2）提供具有物理敏感性的土壤水分观测数据，且不受大气条件的影响（Entekhabi et al., 2010; Gruber et al., 2020; Kerr et al., 2010），但会受到植被含水量和地表粗糙度的影响（Chan et al., 2018）。尽管主动微波产品（例如ASCAT和Sentinel-1 SAR）能够捕捉空间变异性以及土壤湿润和干燥的动态变化，但它们对地表粗糙度、植被结构和入射角效应更为敏感（Al-Yaari et al., 2014; Bartalis et al., 2007; Fascetti et al., 2016）。基于模型的数据集（例如ERA5-Land、GLDAS和MERRA-2）通过整合气象驱动数据和陆面物理过程，提供时空连续的土壤水分数据（Hersbach et al., 2020; Roberts, 2000），但它们继承了来自大气驱动数据、模型结构和参数化的系统偏差。它们在不同方面的不足促使人们广泛开展多源数据融合工作以减少整体不确定性。早期研究依赖于简单的平均方案（Liu et al., 2011; Scipal et al., 2008），虽然可以减小随机噪声，但未能考虑产品特定误差的差异。随后采用了基于统计误差的融合方法，如三元共定位（TC）融合技术（Chen et al., 2018a; McColl et al., 2014; Zhou et al., 2021）和贝叶斯融合方法（Barber et al., 2016; Chen et al., 2020; Wu et al., 2017）。此外，数据同化技术能够将卫星反演数据与模型模拟相结合以确保物理一致性（Heyvaert et al., 2024; Zhou et al., 2022）。最近，机器学习和混合融合框架利用非线性关系在更精细的空间分辨率上整合多源土壤水分数据（Li et al., 2025; Zeng et al., 2024）。在这些方法中，TC融合框架因其以客观且无需地面数据的方式估算产品特定不确定性，同时计算和数据需求相对较低，而在实用性方面表现出色。尽管Yilmaz等人（2012）曾暗示TC方法在时间和/或空间上应用的灵活性，但大多数利用该方法的研
究仍然局限于逐像元和面向时间的分析，从而限制了该融合方法的潜在有效性。

迄今为止，无论是评估还是数据融合研究，主要都关注土壤水分产品的时空动态特性，而对其表征空间格局的能力关注甚少。然而，准确表征空间格局对于更深入的土壤水分理解和全面评估至关重要，因为地表异质性（包括土地覆盖、植被、土壤性质、地形等的变化）不仅控制着土壤水分
的空间变异性，还影响卫星土壤水分产品的反演精度和误差特征，导致其性能随区域而异。因此，地表异质性在土壤水分评估（Wang et al., 2024）和降尺度研究（Zeng et al., 2026）中的作用日益受到关注，这突显了建立空间显式土壤水分产品评估方法的必要性，以及在土壤水分融合实践中考虑局地空间误差的潜在益处。

地图比较作为一种评估方法，能够识别和评估栅格数据集之间的空间结构差异，因此可能是一种适用于卫星土壤水分产品空间评估的方法（Islam et al., 2020）。结构相似性指数（SSIM; Wang et al., 2004）最初是为比较数字图像处理中的压缩技术而设计的指数，可以用于检验栅格数据集的性能。SSIM采用空间定位的移动窗口来计算两个数据集之间基于邻域的相似性指标。与更传统的空间比较指标（如空间相关、变异函数测度、Moran's I等方法）相比，SSIM提供了一个综合的空间比较框架，将相似性同时分解为三个具有物理可解释性的组成部分，即均值相似性（SIM）、方差相似性（SIV）和空间协方差结构相似性（SIP）。这些特征对于土壤水分评估尤为重要，因为它们明确反映了两套土壤水分产品之间局地空间变异性及格局表征的局部差异。虽然SSIM已被扩展用于比较生态数据集（Islam et al., 2020; Jones et al., 2016; Wiederholt et al., 2019），但尚未被应用于评估土壤水分产品。

至于TC融合的应用，Zhou等人（2021）提出了一种二维（2D）TC方法，该方法同时纳入了产品之间的时间和空间误差，以解决时间TC方法中误差平稳假设的局限性。研究发现，与传统的1D版本相比，2D TC在提高土壤水分和降水数据集精度方面表现更优（Gu et al., 2025）。然而，在这些研究中，2D TC技术在多源土壤水分融合的实施仅限于相对较小的研究区域，空间协方差估计是针对整个研究区域计算的，这可能会平滑局地异质性并降低对精细分辨率误差变化的敏感性。土壤水分产品的空间误差在整个区域内很少均匀分布，而是受土地覆盖、植被密度、土壤质地和地形的系统性影响（Cao et al., 2022;
Chan et al., 2018; Chen et al., 2018a），这表明在局地尺度上进行数据融合是必要的。

为解决这一研究空白，本研究首次采用基于SSIM的空间相似性框架来评估土壤水分产品。此外，提出了一种改进的时-空二维TC方法，该方法考虑了局地限制的空间误差结构（TC_2D_local），用于融合多源土壤水分数据。本研究的目的是双重的：(1)从时间和空间两个角度评估和比较原始及融合土壤水分产品的性能；(2)检验不同TC方法在融合土壤水分产品方面的有效性，并确定所提出的TC_2D_local方法的优势和适用性。本研究能够推进我们对土壤水分产品捕捉土壤水分空间格局能力的理解，并阐明在基于TC的数据融合中纳入空间误差结构的作用。本工作可以为评估和潜在应用卫星及模型生成的土壤水分产品提供新的视角和额外见解。

**研究区域**

中华人民共和国（以下简称中国）占地面积9,600,000平方公里（18°–54°N, 73°–135°E），具有复杂的地形和气候特征，适合在不同环境条件下评估卫星产品（Sun et al., 2017）。中国地形呈现独特的三级阶梯状特征，西部地势高、东部地势低（图1）。青藏高原是世界上最高的高原，以其

**最小二乘融合方法**

最小二乘融合方法（Talagrand, 1997; Yilmaz et al., 2012）通过最小化融合估计的总随机误差方差，线性组合多个土壤水分产品。该算法首先假设每个独立的土壤水分距平产品（以下标X, Y, Z表示）与未知的真实土壤水分（SM）之间存在线性关系，即：

SM_i = a_i · SM + ε_i

其中，a_i（i∈XYZ）为标量常数，ε_i（i∈XYZ）表示零均值随机误差项。

虽然最小二乘

**原始与融合土壤水分产品的时间验证**

首先使用时间统计量（即R、RMSE、ubRMSE和Bias）将2017至2020年的所有原始和融合土壤水分产品与站点观测数据（包括CLDAS）进行对比评估。图3展示了这些指标与站点验证的分布情况。由于ISMN站点和农业监测站在记录长度、采样间隔和测量技术方面存在差异，因此基于这两个地面数据集的验证结果分别展示。

**结论**

本研究引入了一种基于结构相似性指数（SSIM）的空间相似性评估框架，以实现对土壤水分产品的空间验证。同时，提出了一种改进的二维三元共定位（TC）方法，该方法考虑了局地限制的空间误差结构（TC_2D_local）。三种土壤水分产品（即SMAP、ASCAT和ERA5-Land）及其基于TC的融合产品，包括传统TC（TC_temporal）、全球二维TC

**CRediT作者贡献声明**

Meng Cao：初稿撰写、可视化、方法论、形式分析、数据管理、概念化。Min Chen：审稿与编辑、可视化、监督、概念化。Jeffrey P. Walker：审稿与编辑、可视化。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。

**致谢**

本研究得到了国家自然科学基金（批准号：41807513）的支持。Meng C.还感谢澳大利亚研究理事会链接项目LP210301314和莫纳什大学提供的博士奖学金支持。

Meng Cao | Min Chen | Jeffrey P. Walker