《International Journal of Applied Earth Observation and Geoinformation》:A novel approach for Quasi-Global daily continuous surface soil moisture downscaling at 500-m resolution using CYGNSS observations
编辑推荐:
准确的高时空分辨率地表土壤水分(SSM)对水文建模和农业应用至关重要。全球导航卫星系统反射测量(GNSS-R)任务(如CYGNSS)提供了准全球SSM,具有较高的时间分辨率,但其粗空间分辨率限制了区域可用性。本研究提出了一种新方法,通过整合CYGNSS观测与光
准确的高时空分辨率地表土壤水分(SSM)对水文建模和农业应用至关重要。全球导航卫星系统反射测量(GNSS-R)任务(如CYGNSS)提供了准全球SSM,具有较高的时间分辨率,但其粗空间分辨率限制了区域可用性。本研究提出了一种新方法,通过整合CYGNSS观测与光学影像,生成每日连续的500米分辨率准全球SSM,无需依赖原位SSM输入。该方法包括:(1)使用先前观测行为插值(POBI)算法重建每日地表反射率(SR),并通过改进的反射率-植被-粗糙度(R-V-R)模型反演9公里SSM;(2)利用增强型光学梯形模型(OPTRAM)构建SSM与光学反射率之间的直接关系,作为后续降尺度过程的基础;(3)使用贝叶斯算法对粗分辨率CYGNSS SSM进行降尺度,无需任何原位SSM观测作为输入。该框架应用于2019年8月至2022年,并使用来自不同气候和土地覆盖条件下的194个国际土壤水分网络(ISMN)站点的原位SSM进行验证。结果表明,在保持精度的同时改善了空间细节,平均无偏均方根误差(ubRMSE)为0.061 cm3/cm3,GDOWN值为0.017,表明SSM降尺度有效。此外,所提出的方法优于线性模型和随机森林模型,同时保持稳健性能。总体而言,该方法提供了一种可扩展的解决方案,可直接从卫星数据生成高分辨率每日SSM产品。
**论文解读文章**
**研究背景与问题**
土壤水分(Surface Soil Moisture, SSM)是陆地-大气相互作用、水文过程及农业管理的关键参数。现有微波遥感SSM产品(如Advanced Microwave Scanning Radiometer 2, AMSR2;Soil Moisture Active Passive, SMAP;Soil Moisture and Ocean Salinity, SMOS)空间分辨率粗(数十公里),难以满足田间尺度应用需求,因此亟需有效的降尺度方法。以往降尺度研究主要基于雷达、热红外或光学辅助数据。雷达基方法(如SMAP与Sentinel-1融合)受限于卫星重访周期,时间分辨率低;热红外基方法(结合地表温度、植被与反照率)对大气条件敏感;光学基方法(利用光学参数与SSM的非线性经验关系)数据需求高且算法复杂,限制了可扩展性。此外,微波产品的条带采集策略导致轨道间隙,无法实现每日无缝覆盖。近年来,全球导航卫星系统反射测量(Global Navigation Satellite System-Reflectometry, GNSS-R)任务如Cyclone Global Navigation Satellite System(CYGNSS)提供了高时间分辨率(准全球每日多次观测)的SSM反演潜力,但其粗空间分辨率(约9 km)限制了区域应用。因此,研究人员旨在开发一种框架,集成CYGNSS高时间分辨率与光学影像高空间分辨率,生成每日500米准全球无缝SSM,且无需依赖原位SSM输入,以克服现有方法的局限性。
**研究内容与结论**
研究人员提出了一种新颖框架,整合CYGNSS观测与MODIS光学影像(全球每日无缝地表反射率数据集SDC500,500米分辨率),生成每日连续准全球500米SSM。该框架应用于2019年8月至2022年8月,通过194个国际土壤水分网络(International Soil Moisture Network, ISMN)站点(覆盖不同气候与土地覆盖)进行验证。结果表明,降尺度SSM在保持精度(平均无偏均方根误差ubRMSE为0.061 cm
3/cm
3)的同时显著提升了空间细节,GDOWN指标(正值表示降尺度有效)平均为0.017,且优于线性模型和随机森林模型。该研究发表于《International Journal of Applied Earth Observation and Geoinformation》。
**主要关键技术方法**
主要关键技术方法包括:(1)先前观测行为插值(Previously-Observed Behavior Interpolation, POBI)算法,基于历史线性关系和邻近网格加权,将稀疏的每日CYGNSS地表反射率(Surface Reflectivity, SR)插值至9 km无缝网格;(2)改进的反射率-植被-粗糙度(Reflectivity-Vegetation-Roughness, R-V-R)模型,通过多元线性回归(输入为CYGNSS SR、SMAP植被光学厚度τ和假设时空不变的表面粗糙度σ)反演9 km SSM;(3)增强型光学梯形模型(OPtical TRApezoid Model, OPTRAM),利用短波红外变换反射率(Shortwave Infrared Transformed Reflectance, STR)与植被覆盖度(Fractional Vegetation Cover, FVC)构建梯形特征空间,通过迭代自动确定干湿边缘,计算每个500米像素的土壤饱和度W;(4)贝叶斯算法(基于卡尔曼滤波),以9 km CYGNSS SSM为背景,结合W值,通过更新方程将SSM降尺度至500米。样本队列来源为194个ISMN站点,涵盖全球不同气候与土地覆盖条件。
**研究结果**
**4.1 POBI算法性能:** 通过将2023年月平均CYGNSS SR作为真实场,子采样后利用POBI插值重建,与真实场比较,发现月平均偏差范围为-0.10至0.24 dB,标准差范围为2.93至3.05 dB(总体均值0.06 dB,标准差2.98 dB),表明POBI算法能有效恢复空间连续性并保持空间异质性。
**4.2 每日准全球9 km SSM结果:** 将CYGNSS SSM与SMAP SSM进行网格对网格比较,训练期(2019–2022)和测试期(2023)均显示一致的空间模式,多数区域相关系数R为0.5–0.95,ubRMSE为0.02–0.07 cm
3/cm
3;2023年月度对比R为0.887–0.928,ubRMSE为0.056–0.066 cm
3/cm
3,证实CYGNSS SSM在反演不同湿度条件下的可靠性。
**4.3 降尺度方法性能评估:**
**4.3.1 增强型OPTRAM可行性:** 在六个代表性ISMN站点(涵盖不同植被覆盖、湿度和土地覆盖)应用增强型OPTRAM,结果显示STR-FVC空间呈现预期梯形结构,自动边缘提取有效,计算得到的土壤饱和度W可用于后续降尺度。
**4.3.2 降尺度SSM精度评估:** 将9 km CYGNSS SSM和500米降尺度SSM与六个站点原位SSM比较,时间序列显示降尺度SSM准确捕捉干湿变化,平均R=0.695,ubRMSE=0.065 cm
3/cm
3,平均绝对误差MAE=0.055 cm
3/cm
3;四个站点精度提升,两个站点精度相当。全球194个站点验证显示,降尺度SSM平均R=0.542,平均ubRMSE=0.061 cm
3/cm
3,平均GDOWN=0.017,除常绿针叶林外所有土地覆盖类型GDOWN为正,表明降尺度有效。
**4.3.3 降尺度SSM制图与空间变异性分析:** 以北美东部为例,2021年7月1日的500米降尺度SSM保留了9 km CYGNSS SSM的空间模式,但揭示了更精细的空间细节,绝对差异通常低于0.06 cm
3/cm
3;长时间序列(2019–2022)降尺度SSM在干湿季节均增强了空间异质性表达。
**讨论与结论**
讨论部分指出,增强型OPTRAM的干湿边缘不确定性分析表明,湿边缘年际变异性较大,但多年度数据可提高稳定性,且降尺度结果对边缘变化相对不敏感。交叉比较显示,贝叶斯算法在R指标上表现稳定(均值0.542),ubRMSE(0.061 cm
3/cm
3)略高于随机森林(RF,0.056 cm
3/cm
3),但RF的优势可能源于其直接使用原位SSM训练进行隐式偏差校正,而贝叶斯算法无需原位数据,更具推广性。框架优势在于利用微波与光学数据的互补优势、自动化边缘提取及无原位数据依赖;局限性包括9 km分辨率是权衡选择、OPTRAM在极端干旱区适用性有限、CYGNSS仅覆盖38°S–38°N。结论部分翻译如下:本研究提出了一种新颖方法,通过结合CYGNSS观测与光学影像,生成每日连续的500米分辨率准全球SSM。与现有依赖大量原位数据和复杂算法的方法不同,该方法仅使用SDC500数据集的归一化植被指数(NDVI)和STR。它包括两个组成部分:通过POBI算法和R-V-R模型无缝生成每日9 km CYGNSS SSM,以及使用增强型OPTRAM和贝叶斯算法进行SSM降尺度。该方法有效将粗分辨率CYGNSS SSM分解为高分辨率产品,主要发现总结如下:(1)降尺度SSM捕获了详细的空间模式,并在194个ISMN站点上实现了稳健性能,总体GDOWN值为0.017。(2)当使用不同时间段的MODIS数据时,结果保持一致,表明降尺度框架的时间稳健性。(3)对比分析表明,贝叶斯算法优于线性模型和随机森林方法,在R值上呈现尖锐峰值,且ubRMSE具有竞争力,证实了其在SSM降尺度中的有效性。