《Remote Sensing》:Estimation of High-Resolution Multi-Layer Soil Moisture Using Land Data Assimilation and the Three-Cornered Hat Method
编辑推荐:
土壤水分在调节陆地能量-水分交换中起着关键作用,并对农业生产产生重要影响。在本研究中,研究人员通过集成SMAP、HJ-2、Sentinel-2和Gaofen-6的多源遥感数据,结合增强型时空自适应反射率融合模型(ESTARFM),生成了一个高分辨率土壤水分(H
土壤水分在调节陆地能量-水分交换中起着关键作用,并对农业生产产生重要影响。在本研究中,研究人员通过集成SMAP、HJ-2、Sentinel-2和Gaofen-6的多源遥感数据,结合增强型时空自适应反射率融合模型(ESTARFM),生成了一个高分辨率土壤水分(HRSM)数据集(16 m)。研究人员在集成卡尔曼滤波(EnKF)框架内,利用Noah-MP模型以1 km空间分辨率实现了数据同化(DA)方法,用于同化HRSM。为增强土壤水分的空间细节,研究人员使用HRSM及其由三冠帽方法(TCH)导出的相对不确定性,在EnKF框架中更新观测误差和卡尔曼增益,从而以16 m分辨率改进土壤水分廓线估计。通过在中国云南省中部春季干旱期对原位测量数据的验证,评估了DA方法的性能。结果表明,同化HRSM(DA_HRSM)显著改进了Noah-MP模型对地表和根区土壤水分的估计。DA_HRSM方法模拟的土壤水分展现出更低的相对不确定性。与同化SMAP土壤水分相比,DA_HRSM方法提供了更高分辨率的土壤水分空间特征,并增强了20个灌区内的空间异质性。DA_HRSM方法有效捕捉了云南中部的春季干旱,与帕尔默干旱强度指数(PDSI)呈现出良好的一致性。该结果凸显了将高分辨率土壤水分数据纳入农业和干旱监测系统的优势。
**论文解读:基于陆面数据同化与三冠帽方法的高分辨率多层土壤水分估计**
**1. 研究背景与问题**
土壤水分(SM)是调控陆地表层能量-水分交换的关键变量,影响农业生产力、水文循环及气候模拟。地表土壤水分(SSM)驱动环境变异性,而根区土壤水分(RZSM)控制植物根系对水分和养分的吸收,进而影响植被生长。因此,精确刻画SM的空间格局,尤其是通过高分辨率SSM和RZSM模拟,对干旱监测、天气预报和农业产量估算至关重要。
当前SM估算方法分为三类:原位观测、卫星遥感和物理模型。原位观测受限于站点稀疏分布,难以表征大尺度空间异质性;卫星遥感(如SMAP、SMOS、ASCAT等)能快速获取SSM,但空间分辨率较粗(通常≥9 km),难以满足田间尺度农业监测需求;陆面模型(如Noah-MP)可生成时空连续的SM,但受物理结构简化、参数化不足和输入数据不确定性的限制,特别是对人为灌溉过程表征困难。数据同化方法通过融合观测与模型来降低不确定性,但现有研究多同化粗分辨率微波SM,未能充分利用高分辨率光学/热红外数据捕获的灌溉信号和土壤-植被异质性。此外,高分辨率同化的计算成本呈指数增长,直接集成高分辨率SM及其误差特征仍是重大挑战。
为此,本研究提出一种结合集成卡尔曼滤波(EnKF)和三冠帽方法(TCH)的数据同化框架,旨在生成高分辨率、多层的SM估计,并评估其在灌区模拟和干旱监测中的应用价值。论文发表在《Remote Sensing》。
**2. 主要关键技术方法**
研究采用的技术方法包括:(1)利用增强型时空自适应反射率融合模型(ESTARFM),融合SMAP 9 km、SMAP/Sentinel-1 1 km、HJ-2(16 m)、Sentinel-2(10 m)和Gaofen-6(16 m)的多源遥感数据,生成16 m分辨率的HRSM数据集;(2)采用Noah-MP陆面模型模拟SM动态,并利用EnKF同化MODIS叶面积指数(LAI)和HRSM数据;(3)应用TCH方法量化HRSM的相对不确定性,据此更新同化框架中的观测误差和卡尔曼增益。样本数据来源于中国云南省中部176个原位观测站(其中40个位于楚雄市),涵盖草地、农田、森林和城市用地类型,观测深度为10 cm(SSM)和40 cm(RZSM)。
**3. 研究结果**
**3.1 DA_HRSM方法性能**
通过独立验证发现,同化HRSM显著改善了Noah-MP模型对SSM和RZSM的估计。与开环法(OL)和同化SMAP SM(DA_SMAP)相比,DA_HRSM方法的SSM平均相关系数R达到0.81,均方根误差RMSE为0.037 m
3 m
-3,较OL的RMSE(0.075 m
3 m
-3)降低了50.67%。RZSM的RMSE为0.044 m
3 m
-3,较DA_SMAP的0.068 m
3 m
-3降低35.29%。时间序列分析显示,DA_HRSM能准确捕捉从1月到4月的SM下降趋势及5月后的回升,与观测值高度一致。
**3.2 空间分布与不确定性评估**
空间分布对比表明,DA_HRSM保留了更精细的SM空间细节,与降水、高程、土地利用和LAI等高分辨率驱动因子的一致性更高。TCH不确定性分析显示,DA_HRSM方法在云南中部大部分地区具有最低的相对不确定性(平均16.22%),低于OL(25.51%)、DA_SMAP(20.87%)和ERA5-Land(25.86%)。森林覆盖区的SM不确定性高于草地和农田,归因于茂密冠层对微波/光学信号的阻挡。
**3.3 农业与干旱监测应用**
在楚雄市20个灌区的分析中,DA_HRSM模拟的SM值范围更宽(约0.13~0.24 m
3 m
-3),变异系数(CV)几乎是DA_SMAP的两倍,表明其能更好捕获田间尺度灌溉信号和空间异质性。与基于PDSI的干旱监测对比,DA_HRSM模拟的SMCI指数在2024年3-4月成功识别出云南中部的极端干旱,空间分布与PDSI高度吻合,证实了该框架对干旱监测的实际效用。
**4. 讨论与结论**
讨论部分指出,HRSM的估计采用线性回归模型,通过五折交叉验证(平均R=0.79,RMSE=0.036 m
3 m
-3)验证了其空间可迁移性,但未来可采用机器学习方法进一步降低不确定性。DA_HRSM框架的不确定性主要来自Noah-MP模型的气象强迫数据(尤其复杂山地降水)和模型参数,以及同化过程中1 km分辨率模拟对16 m精细特征的削弱。TCH方法假设输入数据误差互不相关,但HRSM部分继承SMAP信息可能引入相关性。未来需将该框架推广至多年模拟和不同水文气候条件,并耦合作物模型用于产量估算和干旱预测。
**研究结论翻译**:本研究利用多源遥感数据(如SMAP、HJ-2、Sentinel-2和Gaofen-6)和ESTARFM生成了每日16 m的SM数据集。随后,基于Noah-MP模型、EnKF框架和TCH方法构建了高分辨率数据同化系统。在该系统中,利用TCH方法导出的HRSM相对不确定性计算EnKF中的观测误差和卡尔曼增益,进而以16 m分辨率更新SSM和RZSM估计。该DA_HRSM框架在中国云南省中部春季干旱期进行了测试。结果表明,将遥感LAI和HRSM同化到Noah-MP模型中改善了SSM和RZSM估计。DA_HRSM方法得到的SM估计与楚雄市的原位观测吻合良好,SSM的RMSE为0.037 m
3 m
-3,较OL方法的RMSE(0.075 m
3 m
-3)降低了50.67%。DA_HRSM系统改善了SM估计,有效捕获了SM的精细空间特征,其相对不确定性在云南中部大部分地区最小(依次低于DA_SMAP、OL和ERA5-Land)。在楚雄市不同灌区的分析表明,同化HRSM显示出更高的变异性和更好的农田土壤特征捕捉能力。最后,同化HRSM显著提升了干旱监测能力,与PDSI一致,准确匹配了2024年云南中部春季极端干旱条件。