EN中文

地球信息科学学报 >

2017 , Vol. 19 >Issue 6: 854 - 860

DOI: https://doi.org/10.3724/SP.J.1047.2017.00854

遥感科学与应用技术

全球36 km格网土壤水分逐日估算

  • 贾艳昌 , 1 ,
  • 谢谟文 , 1, * ,
  • 姜红涛 2
展开
  • 1. 北京科技大学土木与资源工程学院,北京 100083
  • 2. 武汉大学资源与环境科学学院,武汉 430072
*通讯作者：谢谟文（1965-）,男,湖北监利人,教授,博士生导师,主要从事岩土地质灾害及GIS、遥感方面科研工作。E-mail:

作者简介：贾艳昌（1986-）,男,河南平顶山人,博士生,主要从事岩土灾害监测及其稳定性评价研究。E-mail:

收稿日期: 2016-10-24

  要求修回日期: 2017-02-22

  网络出版日期: 2017-06-20

基金资助

国家自然科学基金项目（41372370、41572274）

收起

Daily Estimate of Global 36 km Grid Soil Moisture

  • JIA Yanchang , 1 ,
  • XIE Mowen , 1, * ,
  • JIANG Hongtao 2
Expand
  • 1. School of civil and environmental engineering, University of Science and Technology, Beijing 100083, China
  • 2. School of Resource and Environmental Science, Wuhan University, Wuhan 430072, China
*Corresponding author: XIE Mowen, E-mail:

Received date: 2016-10-24

  Request revised date: 2017-02-22

  Online published: 2017-06-20

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

土壤水分是陆面生态系统和能量循环的核心变量之一,利用微波遥感技术获得的土壤水分产品的时间分辨率一般是2-3 d,因此精确地获得具有较高时间分辨率的土壤水分成了人们关注的焦点。本文尝试将SMAP (the Soil Moisture Passive and Active）土壤水分和MODIS光学数据相结合,利用广义回归神经网络进行全球36 km土壤水分的估算,提升SMAP土壤水分的时间分辨率。结果显示,广义回归神经网络估算土壤水分与SMAP保持了高相关性(r = 0.7528),但其却保留了较高的误差 (rmse = 0.0914 m3/m3)。尽管如此,估算的土壤水分能够很好地保持SMAP土壤水分的整体空间变化,并且提升了土壤水分的时间分辨率（1 d）。此处,本文研究了SMAP土壤水分与MODIS光学数据之间的关系,这对今后利用机器学习进行SMAP土壤水分降尺度研究提供了重要的参考价值。

关键词： SMAP; 土壤水分; 估算; 广义回归神经网络; MODIS

本文引用格式

贾艳昌 , 谢谟文 , 姜红涛 . 全球36 km格网土壤水分逐日估算[J]. 地球信息科学学报, 2017 , 19(6) : 854 -860 . DOI: 10.3724/SP.J.1047.2017.00854

Abstract

Soil moisture is one of the core variables in land surface ecosystem and energy cycle. For the strong penetration of the cloud, rain and atmosphere, microwave remote sensing has advantages of the high precision in soil moisture retrieval. Currently, there are many passive microwave sensors or satellites used for surface soil (<5 cm) moisture observations, such as NASA's AMSR-E (The Advanced Microwave Scanning Radiometer-Earth Observing System) and SMAP (the Soil Moisture Passive and Active) and the European Space Agency SMOS (The Soil Moisture and Ocean Salinity). Although the use of microwave sensor can get higher precision of soil moisture products. The errors of SMAP 36 km soil moisture products can be less than 0.04 m3/m3. The 2~3 days revisited time restricts the applications that need the soil moisture products with higher temporal resolution (1 days). Therefore, it has been drawn more and more attention to get the accurate soil moisture with higher temporal resolution for the global weather prediction. Although the SM retrieval from MODIS data has higher error than retrieval from passive microwave data, the temporal resolution of MODIS data (1 day) is higher than the passive microwave data. For the different advantages of MODIS and passive microwave data, the combination of the two data for soil moisture retrieval may get the SM products with the MODIS temporal resolution and the similar accuracy or similar spatial variation of passive microwave data. In this study, we attempt to combine SMAP 36 km soil moisture product and MODIS optical/thermal infrared data to estimate the global 36 km soil moisture. This improve the temporal resolution of SMAP soil moisture from the 2~3 days to 1 day. By using the generalized regression neural network (GRNN) method, we simulated the relationship of SMAP soil moisture with MODIS global surface temperature and the surface reflectance products. Then we estimated the global 36 km soil moisture using the GRNN simulated relationship. In order to prevent overfitting of GRNN, all sample data according to the ratio of 0.8:0.2 is divided into training dataset and validation dataset. With the increase of the spread factor, the performance of GRNN prediction of the validation dataset shows a decreasing trend after the first increase, and GRNN obtained the maximal correlation coefficient (r) and root mean square error (rmse) with 0.02 of the diffusion factor. Finally, the well trained GRNN is used to estimate the global 36 km soil moisture. The results show that the accuracy of the GRNN for soil moisture estimate has a high correlation with SMAP (r=0.7528), but it retains a high error (RMSE=0.0914 m3/m3). For the cloud contamination of MODIS data, there has a part of loss of GRNN 36 km soil moisture estimate. Nevertheless, the GRNN estimated soil moisture can be very good to maintain the overall spatial variation of SMAP soil moisture, and enhance the temporary resolution of soil moisture from 2~3 days to one day. Besides, the relationship between SMAP and MODIS data is also studied in this paper, which can provide a significant reference for SMAP 36 km soil moisture downscaling by the machine learning.

Key words： SMAP; Soil moisture; Estimate; GRNN; MODIS

1 引言

土壤水分直接控制地表的水量、能量平衡,对气候、农业、旱情监测等实际需求具有极为重要的意义[1-2]。微波遥感在高精度土壤水分反演中具有全天时、全天候、大范围监测能力,以及对云、雨、大气的穿透能力强[3-4]。目前,已有很多被动微波传感器或卫星被用来进行表层土壤水分（<5 cm）的观测,如美国宇航局的AMSR-E[5](The Advanced Microwave Scanning Radiometer-Earth Observing System)和SMAP[6](the Soil Moisture Passive and Active）以及欧洲空间局的SMOS[7](The Soil Moisture and Ocean Salinity)等。虽然利用微波传感器能够得到较高精度的土壤水分产品,如SMAP 36 km的土壤水分产品的误差小于0.04 m3/m3[8],但是其2-3 d 的重访期制约了其更高时间分辨率（1 d）的应用。光学遥感地表反射率数据会随着土壤水分的增加而增加,但是影响地表反射率的因素多,单纯的利用地表反射率进行土壤水分的估算往往得不到理想的结果。由于地表温度在一定程度上能够表征土壤水分的分布,所以利用光学和热红外遥感协同反演土壤水分受到诸多学者的青睐[1,9]。例如,利用 MODIS NDVI和LST进行土壤水分的反演,因为二者数据构成的三角特征空间能够很好地指示地表的干湿状况[10-12]。由于MODIS数据不能穿透地表植被直达土壤表层,致使MODIS反演的土壤水分在精度上低于被动微波反演的结果,但是其较高时间和空间分辨率特征,却是被动微波土壤水分产品无法比拟的。
由于被动微波和光学遥感数据具有各自的优势,如何将二者数据结合更好地进行土壤水分的反演依然是一个很大的困难。神经网络具有很高的非线性问题学习和适应能力,广泛用来预测预报及模式识别等领域的问题[13],因此不同的神经网络在卫星土壤水分的反演中得到了广泛的应用[14-15]。国内外学者尝试利用神经网络模拟主动微波土壤水分的反演模型,并在反演过程中加入光学数据,进行土壤水分的反演[16-17]。
基于此思路,本文利用广义回归神经网络（GRNN）的方法,结合MODIS全球地表温度和地表反射率产品和SMAP L3 36 km降轨土壤水分产品,拟合SMAP 36 km土壤水分与MODIS数据之间的关系,然后利用MODIS全球数据进行全球36 km土壤水分的估算。本文尝试将SMAP设计时的全球大部分区域2-3 d的重访周期延伸至1 d的重访周期,提升SMAP 36 km 土壤水分产品的时间分辨率,这样大面积的洪水预警,大坝（如三峡大坝）周围墒情、滑坡、泥石流等监测具有重要的现实意义。但是,本文只是探讨这种可能性,所以仅用一个时刻的MODIS全球数据进行展示。此外,由于本研究利用广义回归神经网络拟合SMAP 36 km土壤水分与MODIS数据之间的关系,这对于SMAP 36 km土壤水分的降尺 度[18]、提升SMAP土壤水分空间分辨率至关重要。因此,本研究对利用机器学习的方法进行SMAP 36 km土壤水分降尺度的研究具有参考价值。

2 数据与方法

本文使用SMAP 36 km土壤水分产品及MODIS全球数据（表1）,利用广义回归神经网络尝试进行全球36 km土壤水分估算,提升其时间分辨率。
Tab. 1 The SMAP soil moisture and MODIS data used in this study

表1 研究所需的遥感数据产品

数据类型 数据名称 空间分辨率 时间分辨率 产品
MODIS MOD11C1 0.05°×0.05° 每天 地表温度
MOD13C1 16 d 反射率
SMAP SMAP L3 36 km 2-3 d 土壤水分

2.1 SMAP土壤水分产品

SMAP是由NASA设计的全球第一个主被动微波（L波段）相结合的地表土壤水分（约5 cm）监测卫星,于2015年1月31日于戈达德航天飞行中心发射升空。SMAP的主要目的是为了理解区域的水、能量及碳循环的相互过程,估计全球地表的水热通量,量化北半球的净碳通量,提升气象与气候的预报能力及发展改进洪水预报和干旱监测的能力[8]。2015年7月7日,其主动雷达传感损坏,现今SMAP只能向公众发布36 km的被动微波土壤水分产品。由于降轨（上午6:00）比升轨（下午6:00）更有利于土壤水分的反演,因此NASA只发布了SMAP降轨土壤水分数据集。该产品采用单通道的V极化微波算法(SCA-V)反演得到,反演的误差在全球尺度小于0.04 m3/m3。由于其半轨数据并不能覆盖全球（图1）,本文结合使用MODIS 全球数据进行36 km土壤水分的估算,提高SMAP 36 km土壤水分产品的时间分辨率。本文选用2015年5月7日的SMAP L3 36 km土壤水分数据进行具体的流程及结果展示（图1）。
Fig. 1 SMAP L3 36 km soil moisture on May 7, 2015( m3/m3)

图1 2015年5月7日的SMAP L3 36 km土壤水分（m3/m3）

2.2 MODIS全球地表温度和地表反射率产品

本文选用的MODIS合成产品是全球0.05 ℃地表温度(MOD11C1)和地表反射率(MOD13C1)数据,结合使用对应日期的SMAP 36 km土壤水分产品进行36 km土壤水分的全球估算。由于二者数据存在一定的差异,首先将MODIS合成产品进行空间裁剪及重采样至36 km,将其完全匹配SMAP 36 km土壤水分的空间范围(85°S~85°N, -180°W~ 180°E )及空间分辨率。因此,本文所说的全球范围是SMAP所覆盖的空间范围,这是由于非SMAP覆盖的空间范围均为冰雪覆盖,无土壤水分反演之可能。MOD13C1是16 d合成产品,所以为了配合逐日MOD11C1合成产品的使用,地表反射率在16 d里假定是恒值。根据MOD11C1和MOD13C1,本文选取其中的地表温度及蓝光、红光、中红外和近红外波段反射率数据进行全球36 km土壤水分估算的广义回归神经网络的训练（图2）。
Fig. 2 MODIS land surface temperature and red band reflectance on May 7, 2015

图2 2015年5月7日的MODIS 地表温度及红光波段反射率

2.3 广义回归神经网络

广义回归神经网络(GRNN)是Specht于1991年提出的径向基神经网络(RBF)的一个变化形式[19]。该网络建立在非参数核回归基础上,以样本为后验条件,依据概率最大原则计算网络输出。由于其具有良好的函数逼近性能,且没有随机权重对网络产生的震荡影响,因此其网络训练更加方便,并广泛应用于各个学科和工程领域中。GRNN由4层结构组成,分别是输入层、模式层、求和层及输出层 （图3）。
Fig. 3 The network structure of GRNN

图 3 广义回归网络结构

输入层是用来存储输入数据,其神经元的个数是由输入变量的个数决定。模式层的神经元个数由训练样本决定,样本数据经过模式层高斯核函数的转换计算,将结果传递给只有2个神经元的加和层。求和层的一个神经元计算模式层各神经元输出的加权和,权为各训练样本的参考值,另一神经元计算模式层各神经元的输出和。在输出层,求和层的输出加权和除以输出和得到了输出层的估算值。
模式层中高斯核的宽度是GRNN的扩散因子,对整个网络的训练具有决定性的影响。当扩散因子非常大时,输出的估算值接近样本的均值,而扩散因子接过于零时,输出的估算值接近于样本的真值,这样易造成网络的过拟合现象。因此,在进行GRNN的预测时,首先要确定最优的扩散因子,最终得到最优的预测结果。

2.4 网络的优化

本文的目的是将SMAP 36 km的土壤水分产品和MODIS地表温度和地表反射率数据结合,来估算全球36 km土壤水分,提升SMAP 36 km土壤水分的时间分辨率。GRNN的输入变量是MODIS 地表温度及蓝光、红光、中红外和近红外波段反射率数据,相应的SMAP 36 km土壤水分作为输出变量。为了防止网络的过拟合现象,将所有的样本数据按0.8:0.2的比例分为训练数据集和验证数据集,利用相关系数及均方根误差来表征GRNN的训练情况,当验证数据集的相关系数和均方根误差分别达到最大和最小时所需的扩散因子,确定为最优的GRNN的扩散因子。随着扩散因子的增加,GRNN验证集的预测性能呈现出先增加后减少的趋势,当扩散因子为0.02时,GRNN获得最大的相关系数和最低的均方差误差（图4）。
Fig. 4 Correlation coefficient (r) and root mean square error (rmse) of GRNN validation dataset with different spread factors.

图 4 不同扩散因子下的GRNN验证集的相关系数(r)及均方根误差(rmse)

3 结果分析

3.1 GRNN 36 km土壤水分的评估

在最优的扩散因子下,GRNN估算的土壤水分与SMAP 36 km土壤水分进行比较,以评估GRNN估算土壤水分的精度。由于相应遥感产品的匮乏,所以仅用相应的SMAP 36 km土壤水分进行精度的评价（表2）。评价结果显示,GRNN估算土壤水分的精度与SMAP保持了高的相关性(r = 0.7528),但同时也保留了较高的误差(rmse = 0.0914 m3/m3)。由于不同土地利用类型对土壤水分的估算有较大的影响,表3展示了不同IGBP (国际地圈生物圈计划全球植被分类方案) 土地利用类型下的GRNN 36 km土壤水分的估算误差。从表3中可知,在森林区GRNN估算的土壤水分的误差明显高于非森林区。其中,占比例最多的裸地或低植被覆盖地,由于高的相关性（0.7623）和最低的均方根误差（0.0312 m3/m3）,GRNN能够很好的估算其土壤水分。
Tab. 2 The overall evaluation of GRNN estimated 36 km soil moisture against SMAP 36 km soil moisture

表2 GRNN 36 km土壤水分的总体评价

训练精度 验证精度 总体精度
r 0.7658** 0.7020** 0.7528**
rmse/ (m3/m3) 0.0890 0.1005 0.0914
样本量 18 715 4678 23 393

注：**表示通过了p-value < 0.01的显著性检验

Tab. 3 The evaluation of GRNN estimated 36 km soil moisture by IGBP land use types

表3 IGBP 土地利用类型GRNN 36 km土壤水分的评估

IGBP类型 编码 r rmse/(m3/m3) 样本量
常绿针叶林 2 0.4362** 0.1323 594
常绿阔叶林 3 0.3723** 0.1585 1128
落叶针叶林 4 -0.1001 0.0639 213
落叶阔叶林 5 0.4411** 0.1024 145
混交林 6 0.3816** 0.1250 2913
开放灌丛 8 0.6111** 0.0457 2854
多树的草原 9 0.4015** 0.1135 1232
稀树的草原 10 0.6570** 0.0801 1730
草原 11 07263** 0.0739 2703
作物 13 0.6475** 0.0848 2962
作物和自然植被的镶嵌体 15 0.5377** 0.1118 1187
裸地或低植被覆盖地 17 0.7623** 0.0312 5332

注：**表示通过了p-value < 0.01 的显著性检验

为了进一步探讨误差的来源及其空间分布,绘制了SMAP 36 km和GRNN估算数据的散点图（图5）和差值空间分布图（图6）。从图5可知,GRNN估算的土壤水分值的范围由SMAP 36 km土壤水分的0-1变成现在的0-0.5,取值范围的压缩会导致估算值与SMAP误差的增大。较小的取值范围显示了GRNN低估了原有的SMAP 36 km土壤水分。尽管这样,GRNN估算的土壤水分与SMAP 36 km土壤水分的拟合线接近于1:1,表明GRNN估算的土壤水分能够保持SMAP土壤水分的整体空间的变化。图6印证了这一结果,二者数据差值的空间变化基本上保持了相同的变化趋势,且二者数据的差值在绝大部分区域分布在-0.1 ~ 0.1 m3/m3。
Fig. 5 The scatterplot between GRNN estimated soil moisture and SMAP 36 km soil moisture

图5 GRNN估算土壤水分与SMAP 36 km土壤水分的散点图

Fig. 6 Spatial distribution of the difference (GRNN-SMAP) between GRNN estimated and SMAP 36 km soil moisture (m3/m3)

图6 GRNN估算土壤水分与SMAP 36 km土壤水分的差值（GRNN-SMAP）空间分布图（m3/m3）

3.2 全球36 km土壤水分的估算

根据SMAP 36 km土壤水分的评估结果显示,虽然GRNN估算的土壤水分有较高的误差,但是其与SMAP 36 km土壤水分高的相关性,以及其本身的高的时间分辨率（1 d）,不仅为GRNN 估算的全球土壤水分的精度提供了一定的保证,还展示了其应用于全球36 km土壤水分估算的巨大潜力。除了部分MODIS数据受云污染的区域不能进行有效的GRNN 36 km土壤水分的估算,全球其他区域的土壤水分都得到了很好的估算。GRNN估算的全球土壤水分整体上保持了土壤水分的真实空间分布（图7）。
Fig. 7 GRNN estimated global 36 km soil moisture (m3/m3)

图7 GRNN 估算的36 km全球土壤水分（m3/m3）

4 结论与讨论

为了提升SMAP 36 km土壤水分的时间分辨率,本文尝试将SMAP 与MODIS全球地表温度产品和地表反射率产品进行结合,利用广义回归神经网络进行全球36 km土壤水分的估算。利用机器学习的方式,建立了MODIS数据与SMAP土壤水分数据之间强的非线性关系,估算出了具有较好精度的全球36 km的土壤水分（r=0.7528 和rmse=0.0914 m3/m3）。机器学习缺乏对土壤水分与光学/热红外遥感数据之间物理机制的描述,然而到目前为止这种远比土壤水分与被动微波数据之间关系更为复杂的物理机制,仍没有一个精确的刻画。为了避免复杂物理关系的定量刻画,同时在很大情况下这种物理关系是未知的,因此利用简单的机器学习方法或者说更高深的深度学习的方法对这种关系的模拟是很必要的。土壤水分与光学/热红外遥感数据之间的关系不仅对于土壤水分的反演至关重要,而且对于为了获得高空间分辨率土壤水分产品而进行的被动微波土壤水分产品降尺度的研究亦是重要的、不可或缺的关键因素。本研究尝试将SMAP土壤水分的时间分辨率由原来的2-3 d提升到现在的1 d,这样具有高时间分辨率特征的全球土壤水分数据,对全球天气的预报预测具有重大的推动作用。本研究进行全球36 km土壤水分的估算仅用到了SMAP与MODIS之间的关系,由于MODIS地表温度是地表植被与土壤的混合温度,这对土壤水分的估算带来很大的影响,因此,今后尝试用全球土壤表层温度同化数据数据替换MODIS地表温度数据,来提高全球36 km土壤水分估算的精度。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
程宇,陈良富,柳钦火,等.基于MODIS数据对不同植被覆盖下土壤水分监测的可行性研究[J].遥感学报,2006,10(5):783-788.论文利用2005年、2006年怀来实验场附近玉米生长期中的多次野外试验数据,以热惯量模型为基础,探讨MOD IS数据监测土壤水分的可行性。论文对该模型与算法进行了分析,并探讨了不同植被覆盖度下,热惯量方法监测土壤水分的可行性。论文引入归一化植被指数对热惯量法进行修正,得到一个新的回归参数,通过实验分析验证,在不同植被覆盖下,该参数与土壤含水量具有较好的相关关系,具有一定的实际可行性。

DOI

[ Cheng Y, Chen L F, Liu Q H, et al.The soil moisture detection for different vegetation coverage based on the MODIS data[J]. Journal of Remote Sensing, 2006,10(5):783-788. ]

[2]
卢麾,施建成.基于遥感观测的21世纪初中国区域地表土壤水及其变化趋势分析[J].科学通报,2012,5(16):1412-1422.

[ Lu H, Shi J C.Reconstruction and analysis of temporal and spatial variations in surface soil moisture in China using remote sensing[J]. Chinese Science Bulletin, 2012,5(16):1412-1422. ]

[3]
孔金玲,李菁菁,甄珮珮,等.微波与光学遥感协同反演旱区地表土壤水分研究[J].地球信息科学学报,2016,18(6):857-863.lt;p>土壤水分是水文循环中的关键因素,尤其对旱区的生态环境具有十分重要的意义。微波遥感是反演土壤水分的有效手段,而植被是影响土壤水分反演精度的重要因素。因此,对土壤水分的反演需要考虑植被的影响。本文以内蒙古乌审旗为研究区,利用Radarsat-2雷达数据与TM光学数据,对旱区稀疏植被覆盖地表土壤水分反演进行研究。利用TM数据,分别选取NDVI和NDWI指数对植被含水量进行反演,通过水云模型消除植被层对土壤后向散射系数的影响;在此基础上,根据研究区地表植被特性,提出一种基于AIEM 模型的反演土壤水分的改进算法,反演了不同粗糙度参数、不同极化（VV极化和HH极化）条件下的研究区土壤水分。反演结果与野外实测数据的对比结果表明,本文提出的基于地表植被特性的土壤水分改进算法,具有更好的适应性;土壤水分反演模式<inline-formula><mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="Mml2-1560-8999-18-6-857"><mml:mtable frame="none" columnlines="none" rowlines="none"><mml:mtr><mml:mtd><mml:maligngroup/><mml:mrow><mml:mi>M</mml:mi><mml:msubsup><mml:mrow><mml:mi>v</mml:mi></mml:mrow><mml:mrow><mml:mi mathvariant="italic">σvv</mml:mi><mml:mfenced separators="|"><mml:mrow><mml:mn>1</mml:mn></mml:mrow></mml:mfenced></mml:mrow><mml:mrow><mml:mi mathvariant="italic">lh</mml:mi></mml:mrow></mml:msubsup></mml:mrow></mml:mtd></mml:mtr></mml:mtable></mml:math></inline-formula>（VV极化方式下采用NDVI去除植被影响的反演模式）更适合于旱区考虑稀疏植被覆盖影响的地表土壤水分的反演。</p>

DOI

[ Kong J L, Li J J, Zhen P P, et al.Inversion of soil moisture in arid area based on microwave and optical remote sensing data[J]. Journal of Geo-information Science, 2016,18(6):857-863. ]

[4]
陈书林,刘元波,温作民.卫星遥感反演土壤水分研究综述[J].地球科学进展,2012,27(11):1192-1203.lt;p>土壤水分是影响地表过程的核心变量之一。精准地测量土壤水分及其时空分布，长期以来是定量遥感研究领域的难点问题。简要回顾基于光学、被动微波、主动微波和多传感器联合反演等卫星遥感反演土壤水分的主要反演算法、存在的难点和前沿性研究问题，介绍了应用土壤水分反演算法所形成的3种主要全球土壤水分数据集，包括欧洲气象业务卫星(ERS/ MetOp)数据集、高级微波扫描辐射计（AMSR-E）数据集、土壤湿度与海洋盐分卫星（SMOS）数据集，并结合目前存在的问题探讨卫星遥感反演土壤水分研究的发展趋势。</p>

[ Chen S L, Liu Y B, Wen Z M.Satellite retrieval of soil moisture: An overview[J]. Advances in Earth Science, 2012,27(11):1192-1203. ]

[5]
Njoku E G, Jackson T J, Lakshmi V, et al.Soil moisture retrieval from AMSR-E[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003,41(2):215-229.The Advanced Microwave Scanning Radiometer (AMSR-E) on the Earth Observing System (EOS) Aqua satellite was launched on May 4, 2002. The AMSR-E instrument provides a potentially improved soil moisture sensing capability over previous spaceborne radiometers such as the Scanning Multichannel Microwave Radiometer and Special Sensor Microwave/Imager due to its combination of low frequency and higher spatial resolution (approximately 60 km at 6.9 GHz). The AMSR-E soil moisture retrieval approach and its implementation are described in this paper. A postlaunch validation program is in progress that will provide evaluations of the retrieved soil moisture and enable improved hydrologic applications of the data. Key aspects of the validation program include assessments of the effects on retrieved soil moisture of variability in vegetation water content, surface temperature, and spatial heterogeneity. Examples of AMSR-E brightness temperature observations over land are shown from the first few months of instrument operation, indicating general features of global vegetation and soil moisture variability. The AMSR-E sensor calibration and extent of radio frequency interference are currently being assessed, to be followed by quantitative assessments of the soil moisture retrievals.

DOI

[6]
Entekhabi D, Njoku E G, O'neil P E, et al. The soil moisture active passive (SMAP) mission[J]. Proceedings of the IEEE, 2010,98(5):704-716.

[7]
Kerr Y H, Waldteufel P, Richaume P, et al.The SMOS soil moisture retrieval algorithm[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012,50(5):1384-1403.The Soil Moisture and Ocean Salinity (SMOS) mission is European Space Agency (ESA's) second Earth Explorer Opportunity mission, launched in November 2009. It is a joint program between ESA Centre National d'Etudes Spatiales (CNES) and Centro para el Desarrollo Tecnologico Industrial. SMOS carries a single payload, an L-Band 2-D interferometric radiometer in the 1400-1427 MHz protected band. This wavelength penetrates well through the atmosphere, and hence the instrument probes the earth surface emissivity. Surface emissivity can then be related to the moisture content in the first few centimeters of soil, and, after some surface roughness and temperature corrections, to the sea surface salinity over ocean. The goal of the level 2 algorithm is thus to deliver global soil moisture (SM) maps with a desired accuracy of 0.04 m3/m3. To reach this goal, a retrieval algorithm was developed and implemented in the ground segment which processes level 1 to level 2 data. Level 1 consists mainly of angular brightness temperatures (TB), while level 2 consists of geophysical products in swath mode, i.e., as acquired by the sensor during a half orbit from pole to pole. In this context, a group of institutes prepared the SMOS algorithm theoretical basis documents to be used to produce the operational algorithm. The principle of the SM retrieval algorithm is based on an iterative approach which aims at minimizing a cost function. The main component of the cost function is given by the sum of the squared weighted differences between measured and modeled TB data, for a variety of incidence angles. The algorithm finds the best set of the parameters, e.g., SM and vegetation characteristics, which drive the direct TB model and minimizes the cost function. The end user Level 2 SM product contains SM, vegetation opacity, and estimated dielectric constant of any surface, TB computed at 42.5$^{circ}$, flags and quality indices, and other parameters o- interest. This paper gives an overview of the algorithm, discusses the caveats, and provides a glimpse of the Cal Val exercises.

DOI

[8]
Chan S K, Bindlish R, E. O'neill P, et al. Assessment of the SMAP passive soil moisture product[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016,54(8):4994-5007.The National Aeronautics and Space Administration (NASA) Soil Moisture Active Passive (SMAP) satellite mission was launched on January 31, 2015. The observatory was developed to provide global mapping of high-resolution soil moisture and freeze-thaw state every two to three days using an L-band (active) radar and an L-band (passive) radiometer. After an irrecoverable hardware failure of the radar on July 7, 2015, the radiometer-only soil moisture product became the only operational soil moisture product for SMAP. The product provides soil moisture estimates posted on a 36 km Earth-fixed grid produced using brightness temperature observations from descending passes. Within months after the commissioning of the SMAP radiometer, the product was assessed to have attained preliminary (beta) science quality, and data were released to the public for evaluation in September 2015. The product is available from the NASA Distributed Active Archive Center at the National Snow and Ice Data Center. This paper provides a summary of the Level 2 Passive Soil Moisture Product (L2_SM_P) and its validation against in situ ground measurements collected from different data sources. Initial in situ comparisons conducted between March 31, 2015 and October 26, 2015, at a limited number of core validation sites (CVSs) and several hundred sparse network points, indicate that the V-pol Single Channel Algorithm (SCA-V) currently delivers the best performance among algorithms considered for L2_SM_P, based on several metrics. The accuracy of the soil moisture retrievals averaged over the CVSs was 0.038 m3/m3 unbiased root-mean-square difference (ubRMSD), which approaches the SMAP mission requirement of 0.040 m3/m3.

DOI

[9]
杜晓,王世新,周艺,等.一种新的基于MODIS的地表含水量模型构造与验证[J].武汉大学学报·信息科学版,2007,32(3):205-207.考虑到水的光谱反射特性,提出了一种新的统一地表含水量指数(SWCI)模型,并通过国家气象局降雨量和台站土壤水对应数据进行了验证.本方法能较好地反映地表的含水量值及其变化,可用于大范围且快速的土壤水遥感监测.

DOI

[ Du X, Wang S X, Zhou Y, et al.Construction and validation of a new model for Unified Surface water capacity based on MODIS data[J]. Geomatics and Information Science of Wuhan University, 2007,32(3):205-207. ]

[10]
王鸣程,杨胜天,董国涛,等.基于条件温度植被指数(VTCI)的中国北方地区土壤水分估算[J].干旱区地理,2012,35(3):446-455.利用中国北方13省2000-20008年的Terra- MODIS归一化植被指数(NDVI)和地表温度(LST)数据,以及相同时间段农业气象观测站点的0～10 cm表层土壤水分资料,建立基于条件温度植被指数的表层土壤水分遥感估算模型,计算出2000-2008年北方13省各月份表层土壤水分,主要结论有: (1)空间分布上,表层土壤水分最高的是分区一和分区四,平均值均达到了0.2以上,表层土壤水分最低的是新疆沙漠地区,低于0.05,土壤水分空间分布 基本呈“南高北低,东高西低”的趋势；(2)受降雨量和农作物需水的影响,年内月份之间,7、8两月表层土壤水分最高,4、5、9、10月表层土壤水分最 低；(3)年际变化上,2000- 2001、2001- 2002、2005 - 2006年北方大部分区域表层土壤水分增加,增加区域面积分别占总面积的79.2％、59.3％和71.4％,而2002 - 2003、2004 -2005年大部分区域表层土壤水分减少,减少区域面积分别占总面积的53.9％和64.1％；(4)降水是影响土壤水分时空分布的一个重要因素.误差分 析结果表明,基于条件温度植被指数的土壤水分遥感反演达到了较好的效果,能够较准确地反映北方地区干旱的分布及变化状况.

[ Wang M C, Yang S T, Dong G T, et al.Estimating soil water in northern China based on vegetation temperature condition index ( VTCI)[J]. Arid land geography, 2012,35(3):446-455. ]

[11]
董婷,孟令奎,张文. MODIS短波红外水分胁迫指数及其在农业干旱监测中的适用性分析[J].遥感学报,2015,19(2):319-327.

[ Dong T, Meng L K, Zhang W.Analysis of the application of MODIS shortwave infrared water stress index in monitoring agricultural drought[J]. Journal of Remote sensing, 2015,19(2):319-327. ]

[12]
沈润平,郭佳,张婧娴,等.基于随机森林的遥感干旱监测模型的构建[J].地球信息科学学报,2017,19(1):125-133.利用遥感数据进行大面积旱情监测是现有干旱监测的重要方法之一，然而传统的遥感干旱监测方法主要侧重于对土壤湿度或植被状况等单一干旱响应因子进行监测，对综合多因子的干旱监测研究较为有限。随机森林是一种机器学习方法，具有学习过程快速、运算速度快、稳定性好、预测精度高的优点，近年来被应用于生态环境等多个领域。本文利用2001-2010年4-9月的MODIS数据提取的植被状态指数（VCI）、温度状态指数（TCI）和土地覆盖类型（LC），TRMM降水资料计算的TRMM-Z指数及SRTM-DEM、土壤有效含水量（AWC）等多个遥感及土壤资料提取的干旱因子为自变量，以气象站点的综合气象干旱指数（CI）为因变量，利用随机森林模型构建遥感干旱监测模型，并以河南省为研究区进行了评价和分析。该模型在2009-2010年的监测值和实测CI值的具有显著的相关性，并且二者干旱等级的一致率为81%。在2001-2010年4-9月间，模型监测值与气象站点的标准降水蒸散发指数（SPEI）总体干旱等级一致率为74.9%，较为一致，其中9月的模型结果与SPEI的干旱等级一致率最高，达到82.4%，空评估率和漏评估率最低；与10 cm土壤相对湿度的相关系数在0.475-0.639之间，达到极显著水平。河南省2011年4-6月干旱事件同样验证了本文构建的模型旱情监测结果，说明本模型能较好地就应用于监测区域旱情监测。

DOI

[ Shen R P, Guo J, Zhang J X, et al.Construction of a drought monitoring model using the random forest based remote sensing[J]. Journal of Geo-information Science, 2017,19(1):125-133. ]

[13]
薛利红,周鼎浩,李颖,等.不同利用方式下土壤有机质和全磷的可见近红外高光谱反演[J].土壤学报,2014,51(5):993-1002.

[ Xue L H, Zhou D H, Li Y, et al.Prediction of soil organic matter and total phosphorus with VIS-NIR hyperspectral inversion relative to land use[J]. Acta Pedologica Sinica, 2014,51(5):993-1002. ]

[14]
施建成,杜阳,杜今阳,等.微波遥感地表参数反演进展[J].中国科学:地球科学,2012,42(6):814-842.水文、气象和农业等多个领域的研究和应用迫切需要不同尺度大范围、高精度的陆表观测数据.随着遥感技术的迅速发展,遥感已经具备在全球尺度上精确监测地球系统中诸多要素的能力.特别是星载微波遥感系统,具备全天时、全天候的观测能力,且对多种地表要素特性十分敏感,已广泛应用在全球积雪、土壤水分与植被等地表要素的监测和定量反演之中.最近几十年研究人员基于电磁辐射和散射理论及微波辐射传输方程,针对不同传感器参数特性进行了大量卓有成效的研究.本文分别从微波遥感理论建模、微波遥感积雪参数反演、土壤水分反演、地表温度反演和植被参数反演五个方面对现有研究进展进行了系统的介绍和评述.随着遥感数据的不断丰富和遥感建模及反演理论的深入发展,包括微波遥感在内的遥感手段将为地球系统的研究及应用发挥更为重要的作用.

[ Shi J C, Du Y, Du J Y, et al.Progresses on microwave remote sensing of land surface parameters[J]. Sci China Earth Sci, 2012,55:1052-1078. ]

[15]
胡丹娟,蒋金豹,陈绪慧,等.基于改进的 BP 神经网络裸露地表土壤水分反演模型对比[J].国土资源遥感,2016,28(1):72-77.lt;p>土壤水分对于全球水循环十分重要,大面积、快速获取土壤水分信息具有重要意义。微波遥感数据可以用于反演土壤水分。以Matlab为平台建立BP神经网络,通过改进BP神经网络的权值、阈值和网络结构,对该算法进行了优化;在研究区范围,分别利用积分方程模型(integral equation model,IEM)、Oh模型、Shi模型生成模拟数据,训练改进的BP神经网络,构建裸露地表土壤水分反演模型,并用野外实测土壤水分数据对模型进行了验证。结果表明,改进后的BP神经网络算法反演精度明显提高,且Shi模型训练网络反演精度较其他2种模型更高,绝对误差为2.47 g/cm<sup>3</sup>相对误差仅为7.78%。</p>

DOI

[ Hu D J, Jiang J B, Chen X H, et al.Comparison of bared soil moisture inversion models based on improved BP neural network[J]. Remote Sensing for Land and Resources, 2016,28(1):72-77. ]

[16]
El Hajj M, Baghdadi N, Zribibi M, et al.Soil moisture retrieval over irrigated grassland using X-band SAR data[J]. Remote Sensing of Environment, 2016,176:202-218.The objective of this study was to analyze the sensitivity of radar signal in X-band to irrigated grassland soil conditions. Time series of radar (TerraSAR-X and Cosmo-SkyMed) images were acquired at a high temporal frequency in 2013 over a small agricultural region in South Eastern France. Simultaneously to satellite data acquisitions, ground measurements were conducted during several growing cycles of the grassland in order to monitor evolution in soil and vegetation characteristics. Results show that radar signal is clearly dependent on the soil moisture with a higher sensitivity to soil moisture for biomass lower than 1 kg/m2. HH and HV polarizations showed almost similar sensitivity to soil moisture. The penetration depth of the radar wave in X-band was high even for dense and high vegetation: flooded areas were clearly visible on the images with higher detection potential in HH polarization than in HV polarization even for vegetation heights reaching 1 m. These results showed that it is possible to track gravity irrigation and soil moisture variation from SAR X-band images acquired at high spatial resolution and medium incidence angle.

DOI

[17]
余凡,赵英时,李海涛.基于遗传BP神经网络的主被动遥感协同反演土壤水分[J].红外与毫米波学报,2012,31(3):283-288.提出了一种基于遗传神经网络算法的主被动遥感协同反演地表土壤水分的方法.首先,建立一个BP神经网络,并采用遗传算法对BP网络的节点权值进行了优化.然后分别将TM数据(TM3,TM4,TM6)、不同极化和极化比的(VV,VH,VH/VV)ASAR数据作为神经网络的输入,土壤水分含量作为网络的输出,用部分实测数据对网络进行训练并反演得到研究区土壤水分布图.最后,利用地面实测数据分别对遗传神经网络优化算法的有效性和主被动遥感协同反演的效果进行了验证,结果表明,新优化算法是有效可行的,且TM和ASAR协同反演的结果比两者单独反演的结果明显要好,体现了主被动遥感协同反演土壤水分的优势与潜力.

DOI

[ Yu F, Zhao Y S, Li H T.Soil moisture retrieval based on GA-BP neural networks algorithm[J]. J. Infrared Millim. Waves, 2012,31(3):283-288. ]

[18]
周壮,赵少杰,蒋玲梅.被动微波遥感土壤水分产品降尺度方法研究综述[J].北京师范大学学报(自然科学版),2016,52(4):479-485

[ Zhou Z, Zhao S J and Jiang L M. Downscaling methods of passive microwave remote sensing of soil moisture[J]. Journal of Beijing Normal University (Natural Science), 2016,52(4):479-485. ].

[19]
Specht D F.A General Regression Neural Network[J]. IEEE transactions on neural Networks, 1991,2(6):568-576.The following sections are included:The Bayes Theorem and Regression TheoryThe General Regression Neural NetworkShort Wave Signal Filtering Application ExampleReferences The Bayes Theorem and Regression Theory The General Regression Neural Network Short Wave Signal Filtering Application Example References

DOI

Options
文章导航

/

〈 〉