王雅正，楊元建**，劉 超，師春香

（1.南京信息工程大學(xué)大氣物理學(xué)院，南京 210044；2.國家氣象信息中心，北京 100081）

土壤濕度是地球能量循環(huán)和水循環(huán)的重要環(huán)境變量[1]。如今可以獲得的大量衛(wèi)星土壤濕度產(chǎn)品，在氣象學(xué)、水文學(xué)、氣候?qū)W和農(nóng)業(yè)學(xué)等方面都起到重要作用[2]。大尺度土壤濕度的精確測量有助于作物產(chǎn)量估算、干旱預(yù)測和農(nóng)業(yè)區(qū)域的災(zāi)害監(jiān)測，尤其在需要定期灌溉但是水資源又有限的干旱半干旱地區(qū)[3]。

表層土壤濕度可以通過多種方法獲得，例如地基觀測設(shè)備、陸面模式和遙感技術(shù)等[4]。自第一個被動微波衛(wèi)星傳感器在1978年發(fā)射以來，被動微波衛(wèi)星傳感器被廣泛應(yīng)用于土壤濕度的反演[5]，例如歐洲的Soil Moisture and Ocean Salinity (SMOS)[6?7]、美國的Special Sensor Microwave/Imager(SSM/I)和Soil Moisture Active/Passive(SMAP)[8]、日本的Advanced Microwave Scanning Radiometer for the Earth Observing System(AMSR-E)[9?10]和 Advanced Microwave Scanning Radiometer 2(AMSR2)[11]、中國的風(fēng)云三號系列衛(wèi)星(FY-3A、FY-3B、FY-3C)[12?14]。由于不同的土壤濕度產(chǎn)品基于不同的衛(wèi)星數(shù)據(jù)和算法[15]，其質(zhì)量和連續(xù)性在空間和時間上都有差別[16]，所以對衛(wèi)星觀測土壤濕度數(shù)據(jù)的評估驗證是一個極為重要的工作，它不僅有助于評估所提供的土壤濕度估算值的實際準(zhǔn)確性，而且方便理解產(chǎn)品在不同下墊面和不同時空上的優(yōu)缺點[17]。

國內(nèi)外已經(jīng)對 ASCAT、SMOS、SMAP、AMSR-E、AMSR2、FY-3B 和FY-3C 等衛(wèi)星土壤濕度產(chǎn)品的適用性開展了許多評估工作[2?3,6,18?22]。Parinussa 等[14]最先對FY-3B 官方算法和地表參數(shù)反演模式（Land Parameter Retrieval Model，LPRM）得到的土壤濕度產(chǎn)品與地基觀測土壤濕度數(shù)據(jù)進行對比，其結(jié)果顯示兩種產(chǎn)品都能準(zhǔn)確探測夜間土壤濕度的時間變化，與地基觀測數(shù)據(jù)的一致性在稀疏至中等植被區(qū)域較高，隨著植被指數(shù)的增加一致性降低。Cui 等[23]對FY-3B 和其它7 種衛(wèi)星土壤濕度產(chǎn)品質(zhì)量進行了詳細評估，發(fā)現(xiàn)在西班牙網(wǎng)格區(qū)域FY-3B 產(chǎn)品與地基觀測數(shù)據(jù)在時間序列上一致性最好，在美國區(qū)域SMAP 產(chǎn)品表現(xiàn)最好。萬紅等[24]基于土壤水分觀測網(wǎng)的地面實測數(shù)據(jù)，發(fā)現(xiàn)FY-3B土壤濕度產(chǎn)品在青藏高原地區(qū)的適用性較高，在各個季節(jié)都能較好地反應(yīng)青藏高原地區(qū)的土壤濕度變化。莊媛等[25]對中國區(qū)域按省份評估了4 種衛(wèi)星土壤濕度產(chǎn)品，發(fā)現(xiàn)ASCAT（Advanced Scattermeter）作為主動微波遙感產(chǎn)品質(zhì)量最優(yōu)，在被動微波遙感產(chǎn)品中WINDSAT 略優(yōu)于FY-3B，而SMOS 在中國區(qū)域受無線電頻率干擾嚴重，所以其質(zhì)量較差。Zhu等[26]對中國河南地區(qū)FY-3C 和其它3 種衛(wèi)星土壤濕度產(chǎn)品進行了質(zhì)量評估，發(fā)現(xiàn)FY-3C 土壤濕度產(chǎn)品和地基觀測數(shù)據(jù)在時間和空間上的一致性都較差，SMAP 在時間和空間上都比FY-3C 表現(xiàn)要好。Fu 等[27]基于東北地區(qū)農(nóng)田建立的土壤水分觀測網(wǎng)格，發(fā)現(xiàn)FY-3B 在農(nóng)作物生長季節(jié)（5?9月）的大部分時間，其在研究區(qū)域的土壤濕度數(shù)據(jù)缺失嚴重，但在后期恢復(fù)，并且比 JAXA（Japan Aerospace Exploration Agency）和LPRM 產(chǎn)品更接近地基觀測數(shù)據(jù)。

山東作為農(nóng)業(yè)大省，耕地率、農(nóng)業(yè)增長值長期穩(wěn)居全國各省第一，但是山東地區(qū)降水季節(jié)變化大，旱澇情況多發(fā)，所以使用多源衛(wèi)星監(jiān)測山東地區(qū)土壤濕度變化對農(nóng)業(yè)生產(chǎn)具有重要意義[28]。此前對于山東地區(qū)土壤濕度的研究都基于土壤水分自動站觀測數(shù)據(jù)，對其觀測效果以及山東省土壤水分時空分布規(guī)律及分區(qū)進行了相關(guān)研究[29?30]。為了充分利用各個觀測方式的優(yōu)勢，將衛(wèi)星與自動站的觀測結(jié)果結(jié)合分析，本研究對山東地區(qū)FY-3B、FY-3C 的土壤濕度產(chǎn)品質(zhì)量進行系統(tǒng)分析和評估，并與SMAP和SMOS 的土壤濕度產(chǎn)品進行對比，以期為深入了解風(fēng)云衛(wèi)星土壤濕度產(chǎn)品的適用性，旨在為深入應(yīng)用和改進上述產(chǎn)品提供參考和依據(jù)。

1 資料與方法

1.1 研究區(qū)域

山東省位于東部沿海（34°?38°N，114°?122°E），屬于溫帶季風(fēng)氣候，降水集中，雨熱同季。山東省光照資源充足，熱量條件可滿足農(nóng)作物一年兩作。降水季節(jié)分布很不均衡，全年降水量有60%～70%集中于夏季，易形成澇災(zāi)，春、冬及晚秋易發(fā)生旱災(zāi)，對農(nóng)業(yè)生產(chǎn)影響極大[31]。由圖1可見，山東省絕大部分地區(qū)都為農(nóng)田，種植的農(nóng)作物分夏秋兩季，夏糧主要是冬小麥，生長季節(jié)10月初?翌年6月，秋糧主要是玉米，生長季節(jié)6月?9月下旬。由于春冬季降水不足，需對冬小麥進行補充灌溉才能獲得最佳產(chǎn)量[32]。因此，加強農(nóng)業(yè)區(qū)土壤濕度監(jiān)測對提高山東省水資源利用效率具有重要意義。

1.2 數(shù)據(jù)及其來源

1.2.1 被動微波遙感衛(wèi)星土壤濕度數(shù)據(jù)

FY-3B 和FY-3C 衛(wèi)星由中國發(fā)射，其上搭載的儀器為被動微波輻射儀MWRI。FY-3B 升軌和降軌時間分別為13：40 和1：40，F(xiàn)Y-3C 升軌和降軌時間分別為22：00 和10：00。中國國家衛(wèi)星氣象中心利用微波輻射儀觀測到的亮度溫度1 級產(chǎn)品，結(jié)合輻射傳輸模式，開發(fā)了官方的土壤濕度2 級產(chǎn)品，反映土壤表層1?2cm 范圍內(nèi)的土壤濕度，以體積含水量（m3·m?3）表示[33]，估計誤差為0.06m3·m?3。使用空間分辨率為25km 的FY-3B 和FY-3C 2 級日產(chǎn)品，起止時間為2018年1月1日?12月31日，數(shù)據(jù)下載于風(fēng)云衛(wèi)星遙感數(shù)據(jù)服務(wù)網(wǎng)（http://satellite.nsmc.org.cn/portalsite/default.aspx）。在當(dāng)前的官方算法中，使用垂直（V）和水平（H）極化的X 波段（10.7GHz）亮度溫度來獲取土壤濕度。首先從Ka 波段（36.5GHz）V 極化亮度溫度中校正了表面溫度帶來的偏差。根據(jù)歸一化植被指數(shù)（NDVI）與植被含水量（VWC）之間的經(jīng)驗關(guān)系來估算植被光學(xué)厚度。風(fēng)云衛(wèi)星的反演算法與其它算法的顯著區(qū)別是其使用了新的表面發(fā)射模型（即Qp模型），該模型使用高級積分方程模型（Advanced Integral Equation Model，AIEM）進行了參數(shù)設(shè)置，建立理論模型以校正表面粗糙度的影響[34]。Shi 等[35?36]發(fā)現(xiàn)，在大觀測角度下，表面粗糙度對微波發(fā)射在大小和方向上的影響在H和V 極化是不同的。即隨著表面粗糙度的增加，H極化的微波發(fā)射率將增加，而V 極化的微波發(fā)射率將減小。因此，可以通過組合來自兩個極化的發(fā)射信號來最小化表面粗糙度的影響。除亮度溫度外，土壤濕度反演算法還涉及輔助數(shù)據(jù)，包括土壤類型數(shù)據(jù)和全球陸面分類數(shù)據(jù)[37]。

SMAP 衛(wèi)星由美國國家航空航天局（National Aeronautics and Space Administration，NASA）發(fā)射[8]。其升軌、降軌時間分別為18：00 和6：00。NASA提供了4 種不同的遙感土壤濕度產(chǎn)品，即被動、主動、主動?被動和增強型被動土壤濕度產(chǎn)品。其被動土壤濕度產(chǎn)品通過V-pol 單通道算法（SCA-V）[23]，使用在L 波段工作的輻射儀（radiometer）觀測到的亮度溫度來反演土壤頂部5cm 以上的土壤濕度，精度為0.04m3·m?3，每2～3d 覆蓋地球表面一次。1 級產(chǎn)品為亮度溫度數(shù)據(jù)，2 級產(chǎn)品為半軌道數(shù)據(jù)，3 級數(shù)據(jù)為日綜合數(shù)據(jù)。使用空間分辨率為36km 的SMAP 被動遙感3 級日產(chǎn)品，起止時間為2018年1月1日?12月31日，數(shù)據(jù)下載于美國國家航空航天局網(wǎng)站（https://search.earthdata.nasa.gov/search）。

SMOS 衛(wèi)星由歐洲航天局（European Space Agency，ESA）發(fā)射，SMOS-BEC 產(chǎn)品由巴塞羅那衛(wèi)星中心（Barcelona Expert Center，BEC）開發(fā)[38]。其升軌、降軌時間分別為6：00 和18：00。SMOS衛(wèi)星使用在L 波段工作的干涉輻射儀（radiometer）觀測的亮度溫度來反演土壤表層5cm 以上的土壤濕度。在SMOS 反演算法中，通過最小化觀測和估計的亮度溫度之間的差異，使用多角度亮度溫度觀測值同時獲取土壤水分和植被光學(xué)深度。研究使用的SMOS-BEC 土壤濕度數(shù)據(jù)為被動遙感3 級日產(chǎn)品，空間分辨率為25km，起止時間為2018年1月1日?12月31日，數(shù)據(jù)下載于巴塞羅那衛(wèi)星中心（http://bec.icm.csic.es/）。

1.2.2 地基觀測站土壤濕度產(chǎn)品

為了提高農(nóng)業(yè)地區(qū)的干旱監(jiān)測和預(yù)警能力，中國氣象局于2009年開始建立自動土壤水分觀測站（Automatic Soil Moisture，ASM）。目前已在各個地區(qū)建立了2000 多個觀測站。觀測站主要使用DNZ1、DNZ2 和DNZ3 三種類型觀測儀器，其工作原理均基于頻率反射法，其中DNZ1 使用駐波法，DNZ2 和DNZ3 使用電容法[23]。其觀測值包括從地表到地下200cm 處，每10cm 進行一次測量，共20 個測量深度。觀測到的參數(shù)包括土壤體積含水量、相對土壤濕度、土壤重量水含量和土壤有效水儲量。山東省共有229 個觀測站（圖1），以驗證衛(wèi)星土壤濕度。觀測站每小時記錄一次測量值，為了與衛(wèi)星土壤濕度的深度進行比較，使用0?10cm 土層的土壤濕度數(shù)據(jù)，起止時間為2018年1月1日?12月31日，資料由國家氣象信息中心提供。

1.2.3 MODIS 歸一化植被指數(shù)產(chǎn)品

中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）搭載在Aqua和Terra 兩顆衛(wèi)星上，能夠?qū)χ脖还趯拥娜~面積、葉綠素和冠層結(jié)構(gòu)進行連續(xù)的時空比較，通過日平均、大氣校正和雙向表面反射反演，生成不同空間分辨率的歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）產(chǎn)品[39]。NDVI 產(chǎn)品由Aqua衛(wèi)星的MYD13Q1 和Terra 衛(wèi)星的MOD13Q1 組成[40]，時間分辨率為16d，空間分辨率為250m，由于兩個產(chǎn)品生成時間相差8d，所以通過組合得到時間分辨率為8d 的NDVI 數(shù)據(jù)。

1.3 方法

利用自動土壤水分觀測站數(shù)據(jù)，對山東地區(qū)FY-3B、FY-3C、SMAP 和SMOS 土壤濕度質(zhì)量進行評估。由于各來源產(chǎn)品數(shù)據(jù)集在空間、時間尺度以及探測深度不完全一致，因此首先需要進行時空匹配。空間匹配主要通過 EASE-Grid（Equal-Area Scalable Earth Grid）投影方式的轉(zhuǎn)換方程，將衛(wèi)星格點轉(zhuǎn)換成經(jīng)緯度，自動站對應(yīng)的衛(wèi)星觀測值由周圍4個格點的值加權(quán)平均得到，權(quán)重為各格點到自動站距離的反比。EASE-Grid 投影方式的轉(zhuǎn)換方程為

式中，r 為列號，s 為行號，λ 為經(jīng)度弧度，φ為緯度弧度，R 為地球半徑（6371.228km），C 為格點分辨率，0r 為地圖原點的列號， s0為地圖原點的行號。

時間匹配：逐小時的自動站觀測數(shù)據(jù)會周期性地出現(xiàn)波動極大的異常值，通過取異常值前后時刻數(shù)據(jù)的平均值來代替異常值。因為衛(wèi)星日產(chǎn)品其實是衛(wèi)星過境時的瞬時值，由于衛(wèi)星升降軌每天的過境時間固定，所以取衛(wèi)星過境時刻對應(yīng)的自動站小時數(shù)據(jù)，與衛(wèi)星的日產(chǎn)品數(shù)據(jù)進行匹配。對衛(wèi)星數(shù)據(jù)，當(dāng)同一天在升軌和降軌上都有記錄時取平均值，如果只有一個軌道有有效值則取該值，如果在任一軌道上均未獲得有效值則記為缺測。

各土壤濕度產(chǎn)品基本信息見表1。

使用4 個指標(biāo)分析FY-3B、FY-3C、SMAP 和

SMOS 產(chǎn)品與自動站實測數(shù)據(jù)間的偏差情況，即平均偏差（Average Difference，AD）、均方根誤差（Root Mean Square Error，RMSE）、無偏均方根誤差（Unbiased RMSE，ubRMSE）和相關(guān)系數(shù)（Correlation Coefficient，R）。平均偏差為衛(wèi)星反演值與自動站觀測值的差值，表示衛(wèi)星反演土壤濕度與自動站土壤濕度測量值之間的系統(tǒng)差異。正偏差表示衛(wèi)星反演值比自動站觀測值大，而負值表示衛(wèi)星反演值小于自動站觀測值。均方根誤差表示相對于自動站土壤濕度測量值，衛(wèi)星反演土壤濕度的絕對差或準(zhǔn)確度。

為了更好地估算衛(wèi)星土壤濕度產(chǎn)品的絕對誤差，采用無偏均方根誤差ubRMSE，它消除了表征隨機誤差RMSE 的偏差。ubRMSE 計算式為

相關(guān)系數(shù)R 表示衛(wèi)星反演土壤濕度和自動站土壤濕度測量值之間的相對精度，計算式為

式中 ， mvsiat表示衛(wèi)星反演土壤濕度（m3·m?3），mviis是自動站土壤濕度測量值，N 表示樣本總數(shù)，i表示特定樣本。對于時間分析，每個站點的N 值不同，僅使用兩個數(shù)據(jù)集中都含有效數(shù)據(jù)的日期進行計算。對于空間分析，每個日期的N 值均變化，僅使用兩個數(shù)據(jù)集中都含有效數(shù)據(jù)的測站進行計算。是對于時間分析，單個站點整個評估期內(nèi)衛(wèi)星土壤的平均濕度（m3·m?3），或?qū)τ诳臻g分析，為1d內(nèi)所有有效站的衛(wèi)星土壤濕度；表示自動站測量的土壤濕度平均值（m3·m?3）； σsat和 σis分別是衛(wèi)星和自動站濕度的標(biāo)準(zhǔn)偏差（m3·m?3）。

表1 土壤濕度產(chǎn)品基本信息Table 1 Information of soil moisture products

2 結(jié)果與分析

2.1 FY-3B 和FY-3C 產(chǎn)品時間序列特征分析

對2018年研究區(qū)域內(nèi)229 個ASM 站點觀測數(shù)據(jù)進行平均，作為ASM 土壤濕度時間序列，對自動站各站點時空匹配的衛(wèi)星數(shù)據(jù)分別進行平均，作為各衛(wèi)星產(chǎn)品的土壤濕度時間序列，結(jié)果見圖2。由圖可見，ASM 站點觀測土壤濕度數(shù)據(jù)（10cm 深）變化幅度相對較小，一年中表現(xiàn)為相對穩(wěn)定的變化特點，變化范圍在0.1～0.3m3·m?3。由于探測土壤濕度的儀器都是微波輻射儀，因此FY-3B 與FY-3C 土壤濕度的變化過程相似。與ASM 實測數(shù)據(jù)相比，F(xiàn)Y-3B 和FY-3C 土壤濕度數(shù)據(jù)連續(xù)性較好，全年分別有292d和271d 有數(shù)據(jù)記錄，1?2月因為冬季土壤處于凍土條件下而無衛(wèi)星數(shù)據(jù)。FY-3B 和FY-3C 數(shù)據(jù)的變化幅度較大，變化范圍為0.07～0.5m3·m?3，從圖中可以看出有兩個峰值，分別為4?5月和8?9月，正好與冬小麥成熟期（4?5月）和玉米成熟期（7?9月）相對應(yīng)。SMAP 的連續(xù)性最好，共有361d 有數(shù)據(jù)記錄，變化趨勢與FY-3B/3C 相似，但是變化幅度較緩和，其數(shù)值與自動站更加接近，變化范圍為0.04～0.4m3·m?3。SMOS 有265d 有數(shù)據(jù)記錄，數(shù)據(jù)量少，全年的連續(xù)性差，且數(shù)值整體偏小，波動較大。

圖3為229 個站點衛(wèi)星反演數(shù)據(jù)與自動站觀測數(shù)據(jù)的偏差指標(biāo)。由圖可見，總體而言，4 個衛(wèi)星反演值均比自動站觀測值要小，F(xiàn)Y-3B 和FY-3C 的平均偏差最小，僅?0.028m3·m?3和?0.010m3·m?3，與FY-3B 和FY-3C 數(shù)據(jù)相比，SMAP 和SMOS 數(shù)據(jù)反應(yīng)出土壤更加干燥，平均偏差為?0.072m3·m?3和?0.144m3·m?3。平均偏差的不同可能與衛(wèi)星和自動站的感應(yīng)深度不一致有關(guān)。如果以山東地區(qū)區(qū)域平均值時間序列評估（圖2），F(xiàn)Y-3B 和FY-3C 表現(xiàn)與SMAP 相似，三者均方根誤差（RMSE）分別為0.094m3·m?3、0.093m3·m?3和0.089m3·m?3，相關(guān)系數(shù)（R）分別為0.31、0.33 和0.33，但是SMAP 的無偏均方根誤差（ubRMSE）比FY-3B 和FY-3C 小，為0.05m3·m?3，說明其去除系統(tǒng)偏差后有較高的應(yīng)用價值。SMOS 在4 個衛(wèi)星中的表現(xiàn)較差，其平均偏差和相關(guān)系數(shù)最小，均方根誤差最大。綜上所述，F(xiàn)Y-3B和FY-3C 土壤濕度產(chǎn)品的時間序列季節(jié)變化最明顯，與農(nóng)作物的生長期有明顯的一致性，且與自動站觀測數(shù)據(jù)偏差最小。

圖2 2018年各衛(wèi)星反演產(chǎn)品山東區(qū)域土壤濕度值和自動站觀測值（ASM）的逐日變化過程（VSM）Fig.2 Daily variation of retrieval soil moisture of satellite products and automatic soil moisture(ASM) observations in Shandong during 2018(VSM)

圖3 2018年各衛(wèi)星反演產(chǎn)品山東區(qū)域土壤濕度值與自動站觀測值（ASM）所有站點時間序列偏差指標(biāo)的箱線圖Fig.3 Box plots of temporal statistical parameters of all stations between the retrieval soil moisture of satellite products and the automatic soil moisture (ASM) observations in Shandong during 2018

圖4 2018年各衛(wèi)星反演產(chǎn)品山東區(qū)域土壤濕度值與各自動站觀測值（ASM）所有站點時間序列偏差指標(biāo)的空間分布Fig.4 Spatial distribution of temporal statistical parameters of all stations between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.2 FY-3B 和FY-3C 產(chǎn)品空間特征分析

圖3中評估數(shù)據(jù)較大的分布范圍還表明，即使對于同一衛(wèi)星土壤濕度產(chǎn)品，不同位置的時間一致性也不同。為進一步說明其一致性的空間變化，對4 個衛(wèi)星產(chǎn)品的偏差指標(biāo)在研究區(qū)域的分布進行分析。由圖4可見，對于FY-3B 和FY-3C 數(shù)據(jù)，西部的偏差為負，東部為正（圖4a1、4a2），說明在山東西部衛(wèi)星反演的土壤偏干，東部偏濕。均方根誤差和無偏均方根誤差具有相似的分布，其中大多數(shù)低值區(qū)域位于山東中西部（圖4b1、4b2，圖4c1、4c2）。同時，除了北部地區(qū)，F(xiàn)Y-3B 和FY-3C 與自動站觀測值在山東其它地區(qū)相關(guān)系數(shù)較高（圖4d1、4d2）。SMAP 產(chǎn)品顯示出與FY-3B、FY-3C 相似的偏差分布，表現(xiàn)為西部土壤濕度為負偏差、東部為正偏差（圖4a3），結(jié)合圖3a 可知，整體上SMAP 衛(wèi)星反演的土壤偏干。均方根誤差和無偏均方根誤差分布也與FY-3B、FY-3C 相似，但是SMAP 無偏均方根誤差（ubRMSE）更?。▓D4b3、4c3），說明SMAP在去除系統(tǒng)誤差之后可以提高產(chǎn)品的質(zhì)量。相關(guān)系數(shù)除了西部個別站點為負，整體較好（圖4d3）。由圖4a4，SMOS 的土壤濕度產(chǎn)品幾乎低估了所有站點的土壤濕度，且均方根誤差和相關(guān)系數(shù)在4 個衛(wèi)星數(shù)據(jù)里面表現(xiàn)最差（圖4b4、4d4），說明SMOS土壤濕度產(chǎn)品在山東地區(qū)的適用性較差。結(jié)合圖3可以看出，4 個衛(wèi)星的平均偏差和均方根誤差的極端異常值個數(shù)都小于5%，4 個衛(wèi)星與觀測站相關(guān)系數(shù)大于0 的站點個數(shù)，F(xiàn)Y-3B 和FY-3C 分別有61%和60%，SMAP 和SMOS 為70%和65%，說明衛(wèi)星與大部分站點都具有一致性，其中SMAP表現(xiàn)最好。

對全年所有有效日期（衛(wèi)星數(shù)據(jù)在一日內(nèi)覆蓋超過一半及以上自動站）計算衛(wèi)星反演值與自動站觀測值的偏差指標(biāo)。FY-3B、FY-3C、SMAP 和SMOS的有效天數(shù)分別為204、169、261 和70d。由圖5可見，對于FY-3B 和FY-3C，平均偏差的平均值分別為?0.015m3·m?3和?0.004m3·m?3，但是不同有效日期的平均偏差差別很大。與不同站點的時間表現(xiàn)（圖3）相比，F(xiàn)Y-3B 和FY-3C 與自動站測量值在空間上的一致性較差（圖5）。RMSE 分別從0.094m3·m?3和0.093m3·m?3增至0.122m3·m?3和0.118m3·m?3，R 分別從0.31 和0.33 減至0.02 和0.04。SMAP 產(chǎn)品空間上的表現(xiàn)也遠不及時間上，平均偏差、均方根誤差和無偏均方根誤差均變差，相關(guān)系數(shù)從0.33 降至0.03。SMOS 產(chǎn)品的平均偏差最小，均方根誤差最大，同樣反映了SMOS 在山東地區(qū)的適用性較差。

圖5 2018年各衛(wèi)星反演產(chǎn)品山東區(qū)域土壤濕度值與自動站觀測值（ASM）所有有效日期空間偏差指標(biāo)的箱線圖Fig.5 Box plots of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.3 FY-3B 和FY-3C 土壤濕度產(chǎn)品偏差原因分析

圖6為2018年山東地區(qū)區(qū)域平均歸一化植被指數(shù)（NDVI）的時間變化，較高的NDVI 說明地表的植被生物量較大，與農(nóng)作物的成熟期相對應(yīng)。冬小麥的成熟期為4?5月，玉米成熟期為7?9月。圖7為衛(wèi)星反演值與自動站觀測值偏差指標(biāo)的時間變化，偏差指標(biāo)的變化總體上有明顯的區(qū)別，對于FY-3B 和FY-3C，平均偏差（AD）呈現(xiàn)雙峰趨勢，在5月和8月左右達到極大值，分別為0.11m3·m?3和0.25m3·m?3，與圖6的峰值相對應(yīng)。除峰值區(qū)外，其它日期FY-3B 和FY-3C 的平均偏差均為負偏差，說明FY-3B 和FY-3C 衛(wèi)星反演土壤濕度受植被的生物量影響較大。在5月和8月，當(dāng)?shù)孛嬷参锷锪窟_到最大時，F(xiàn)Y-3B 和FY-3C 的均方根誤差（RMSE）和無偏均方根誤差（ubRMSE）較大，相關(guān)系數(shù)（R）較小，而SMAP 和SMOS 的偏差指標(biāo)并未顯示明顯的趨勢。FY-3B、FY-3C 的平均偏差（AD）與NDVI 的相關(guān)系數(shù)分別達到0.79 和0.76，而SMAP和SMOS 的平均偏差（AD）與NDVI 的相關(guān)系數(shù)僅0.54 和?0.18。這可能是因為FY-3B 和FY-3C 的土壤濕度產(chǎn)品是由X 波段觀測到的亮度溫度反演的，X波段的探測深度為表層土壤1?2cm 以上，其觀測受地表植被的影響較大，NDVI較大時，F(xiàn)Y-3B和FY-3C反演得到的土壤濕度也會隨之較大，導(dǎo)致平均偏差增大，所以平均偏差與NDVI 的變化趨勢具有一致性。而SMAP 和SMOS 衛(wèi)星使用L 波段，探測深度為土壤表層5cm 以上，觀測到的亮度溫度受地表植被的影響較小，所以其偏差指標(biāo)未出現(xiàn)與FY-3B 和FY-3C 相同的季節(jié)性變化。

圖6 2018年山東地區(qū)歸一化植被指數(shù)（NDVI）16d 平均值的時間序列Fig.6 The time series of the 16-day average of the normalized difference vegetation index(NDVI) in Shandong during 2018

圖7 2018年各衛(wèi)星反演產(chǎn)品山東區(qū)域土壤濕度值與自動站觀測值（ASM）所有有效日期下空間偏差指標(biāo)的季節(jié)變化Fig.7 Seasonal variation of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

3 結(jié)論與討論

3.1 結(jié)論

本研究利用2018年山東地區(qū)中國土壤水分自動觀測站的表層觀測數(shù)據(jù)，對多源衛(wèi)星被動微波遙感土壤濕度產(chǎn)品精度進行了分析評估，包括FY-3B 和FY-3C 的2 級日產(chǎn)品，以及SMAP 和SMOS 的3 級日產(chǎn)品，發(fā)現(xiàn)FY-3B 和FY-3C 產(chǎn)品與自動站觀測數(shù)據(jù)在時間上一致性較好，從時間表現(xiàn)的空間分布來看，F(xiàn)Y-3B 和FY-3C 產(chǎn)品在山東西部偏干，在東部偏濕，除了山東北部，其它地區(qū)的相關(guān)系數(shù)都較好。若將自動站觀測結(jié)果視為真實值，F(xiàn)Y-3B 和FY-3C衛(wèi)星反演值的RMSE 為0.09m3·m?3（RMSE），略低于可接受的0.06m3·m?3精度。同時，SMAP 產(chǎn)品的表現(xiàn)與FY-3B 和FY-3C 相似，并且其無偏均方根誤差（ubRMSE）為0.05m3·m?3，說明SMAP 在去除系統(tǒng)偏差后的應(yīng)用價值較高，而SMOS 的3 級土壤濕度產(chǎn)品無論是時間上還是空間上，在山東地區(qū)的適用性都很一般。在空間上，衛(wèi)星土壤濕度與自動站觀測數(shù)據(jù)的一致性都相對有限，但是空間上統(tǒng)計參數(shù)的時間序列表明，F(xiàn)Y-3B 和FY-3C 的觀測數(shù)據(jù)的相關(guān)性和誤差有明顯的季節(jié)變化，在5月和8月往往會高估土壤濕度，在其余時間會低估，SMAP 與SMOS 無相應(yīng)季節(jié)變化。這主要是因為FY-3B 和FY-3C 使用X 波段觀測亮度溫度受地表植被的影響較大，而SMAP 和SMOS 使用的L 波段受地表植被的影響較小。

3.2 討論

因為各個衛(wèi)星的日產(chǎn)品實際上是衛(wèi)星每日過境時探測到的瞬時值，所以本研究在對衛(wèi)星與自動站進行時間匹配時，使用的是衛(wèi)星過境時間的自動站小時數(shù)據(jù)，這比之前用自動站日平均結(jié)果與衛(wèi)星升降軌的平均值進行時間匹配的方法更加合理。在空間匹配上，由于衛(wèi)星數(shù)據(jù)的分辨率為25km 和36km，與之前對站點和衛(wèi)星數(shù)據(jù)按照空間位置臨近匹配不同，本研究中站點對應(yīng)的衛(wèi)星觀測值為所在網(wǎng)格周圍4 個格點的加權(quán)平均值，權(quán)重為站點到格點距離的倒數(shù)，降低了自動站數(shù)據(jù)與衛(wèi)星數(shù)據(jù)的差異性。后續(xù)可以進一步提高衛(wèi)星遙感的空間分辨率，提高反演產(chǎn)品的精度來增加匹配的準(zhǔn)確性。

不同的衛(wèi)星使用的頻率不一樣，對土壤濕度探測的深度不一致，反演的算法也不同，因此很難直接比較不同衛(wèi)星產(chǎn)品之間的精度高低，所以本研究對比評估不同衛(wèi)星數(shù)據(jù)與自動站數(shù)據(jù)的偏差指標(biāo)，發(fā)現(xiàn)不同衛(wèi)星各自的特點，并進一步分析差異的原因，有益于后續(xù)優(yōu)化衛(wèi)星數(shù)據(jù)的質(zhì)量。對于FY-3B和FY-3C，其平均偏差有明顯的季節(jié)變化，與NDVI的相關(guān)系數(shù)很高，因此后續(xù)的工作將開發(fā)新的算法，將植被指數(shù)的影響加入其中，以獲得質(zhì)量更高的風(fēng)云衛(wèi)星土壤濕度數(shù)據(jù)。對于SMAP，后續(xù)研究將進一步評估其系統(tǒng)誤差，并在算法中去除系統(tǒng)誤差來提高SMAP 產(chǎn)品的精度。

此外，由于本研究僅使用了2018年的數(shù)據(jù)，因此不能從長時間序列角度來對這4 種衛(wèi)星產(chǎn)品進行評估，存在著不確定性，后續(xù)研究可以通過使用更長時間尺度的產(chǎn)品進行評估，并在此基礎(chǔ)上生成一組長時間序列高精度的土壤濕度數(shù)據(jù)。