劉楊曉月，楊雅萍

1.中國(guó)科學(xué)院地理科學(xué)與資源研究所，資源與環(huán)境信息系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101

2.江蘇省地理信息協(xié)同創(chuàng)新中心，江蘇 南京 210023

引 言

土壤水分指的是單位體積土壤中的水分含量，通常以m3/m3或%來表示。土壤水分通過改變土壤熱容量，控制地表蒸發(fā)和植被蒸騰作用，進(jìn)而影響農(nóng)作物生長(zhǎng)狀況[1-3]。獲取時(shí)空連續(xù)的土壤水分含量數(shù)據(jù)對(duì)于農(nóng)田旱澇災(zāi)害預(yù)警、農(nóng)作物長(zhǎng)勢(shì)與估產(chǎn)分析具有重要實(shí)際應(yīng)用價(jià)值。

星載微波遙感技術(shù)是獲取大尺度、連續(xù)時(shí)間序列土壤水分?jǐn)?shù)據(jù)的重要手段[4-6]，但是單波段微波遙感反演的土壤水分?jǐn)?shù)據(jù)普遍存在大量空值圖斑、空間分辨率低、時(shí)間分辨率受到衛(wèi)星任務(wù)周期限制，難以滿足在多尺度區(qū)域進(jìn)行連續(xù)時(shí)間序列監(jiān)測(cè)分析的需求。

近幾十年來，國(guó)內(nèi)外研究機(jī)構(gòu)圍繞多源微波遙感融合土壤水分產(chǎn)品研制開展了大量研究，研制了多套開放獲取的數(shù)據(jù)集[7-10]。本文將從國(guó)內(nèi)外兩方面回顧多源微波遙感融合土壤水分?jǐn)?shù)據(jù)集的研究進(jìn)展，分析取得的成就和存在的問題，展望星載微波遙感土壤水分融合反演數(shù)據(jù)集的發(fā)展前景。

1 多源微波遙感融合土壤水分?jǐn)?shù)據(jù)集

國(guó)內(nèi)外研究機(jī)構(gòu)利用濾波、多元回歸、統(tǒng)計(jì)分布校正、機(jī)器學(xué)習(xí)等方法，通過融合多傳感器多波段的微波數(shù)據(jù)及光學(xué)數(shù)據(jù)研制了多套土壤水分?jǐn)?shù)據(jù)集，本章主要介紹了其中6種大區(qū)域尺度的數(shù)據(jù)集，具體內(nèi)容如下所示。

1.1 國(guó)外多源微波遙感融合土壤水分產(chǎn)品

1.1.1 ECV土壤水分?jǐn)?shù)據(jù)

歐空局自2010 年起將土壤水分視為必要?dú)夂蜃兞浚‥ssential Climate Variable，ECV）之一并致力于研制長(zhǎng)時(shí)間序列的多源微波遙感融合地表（0～5cm）土壤水分?jǐn)?shù)據(jù)集。截至2022 年4月，共有12 個(gè)版本的ECV 土壤水分?jǐn)?shù)據(jù)集面向公眾發(fā)布，每個(gè)更新版本在時(shí)間范圍和傳感器組合上均進(jìn)行了迭代優(yōu)化提升，當(dāng)前最新版本是V06.1[10]。該版本包含3套土壤水分產(chǎn)品，即主動(dòng)微波融合、被動(dòng)微波融合、主被動(dòng)融合土壤水分?jǐn)?shù)據(jù)。其中，主動(dòng)微波產(chǎn)品融合了4種主動(dòng)微波傳感器數(shù)據(jù)，包括AMI-WS ERS1、AMI-WS ERS2、ASCAT A 和ASCAT B；被動(dòng)微波產(chǎn)品融合了10 種被動(dòng)微波傳感器數(shù)據(jù)，包括AMSR-E、AMSR2、SMOS、SMAP、GPM、FY-3B、Windsat、TMI、SSM/I 和SMMR；主被動(dòng)融合土壤水分?jǐn)?shù)據(jù)融合了以上所有14種微波數(shù)據(jù)。融合算法基于上述數(shù)據(jù)的土壤水分估算值開展，主要包括3個(gè)重要步驟：（1）基于TCA（Triple Collocation Analysis）方法的誤差表征；（2）數(shù)據(jù)集特定偏差匹配；（3）融合誤差校正后的數(shù)據(jù)集。

諸多研究圍繞ECV 土壤水分產(chǎn)品開展了一系列質(zhì)量評(píng)價(jià)與真實(shí)性檢驗(yàn)研究。Dorigo 等[11]結(jié)合全球28個(gè)土壤水分地面監(jiān)測(cè)網(wǎng)絡(luò)檢驗(yàn)了主被動(dòng)融合ECV 土壤水分?jǐn)?shù)據(jù)的質(zhì)量，發(fā)現(xiàn)其與不同地面監(jiān)測(cè)網(wǎng)絡(luò)的擬合度差異巨大，整體質(zhì)量隨時(shí)間向現(xiàn)在推進(jìn)而逐步提升，但在2007-2010年間表現(xiàn)為質(zhì)量持續(xù)下降趨勢(shì)。Liu 等[12]利用位于亞洲、歐洲、北美洲和大洋洲的土壤水分地面監(jiān)測(cè)網(wǎng)絡(luò)驗(yàn)證了ECV 土壤水分?jǐn)?shù)據(jù)精度，結(jié)果表明主被動(dòng)融合的ECV土壤水分在取值精度與擬合時(shí)間動(dòng)態(tài)演化趨勢(shì)方面具有顯著優(yōu)勢(shì)，被動(dòng)融合的ECV土壤水分基本上可以準(zhǔn)確擬合地面實(shí)測(cè)值，而主動(dòng)融合的ECV 土壤水分則存在較多的異常值。McNally等[13]評(píng)價(jià)了1979-2013年期間主被動(dòng)融合的ECV 土壤水分在東非的精度，研究表明1979-1992年間數(shù)據(jù)空間覆蓋率不足40%，自1998年開始超過50%，并在2007年達(dá)到最大值（超過80%），之后穩(wěn)定在該水平。

1.1.2 SMOPS土壤水分?jǐn)?shù)據(jù)

美國(guó)海洋和大氣管理局研發(fā)了基于多源微波遙感數(shù)據(jù)融合的SMOPS（Soil Moisture Products System）土壤水分?jǐn)?shù)據(jù)集，旨在獲得具有高覆蓋率、短時(shí)滯性的地表產(chǎn)品[14]。SMOPS 融合了包括GPM、SMAP、GCOM-W1、SMOS、Metop-A 和Metop-B 在內(nèi)的6 種微波遙感數(shù)據(jù)，基于單波段反演算法進(jìn)行融合。SMOPS將單波段算法反演的結(jié)果與其他星載傳感器土壤水分?jǐn)?shù)據(jù)（如：ASCAT、AMSR2）基于GLDAS 模型進(jìn)行進(jìn)一步融合輸出結(jié)果來提升數(shù)據(jù)的地表覆蓋率。SMOPS 歷經(jīng)3 個(gè)版本，當(dāng)前最新版本是V3.0。與前序版本相比，V3.0數(shù)據(jù)的先進(jìn)性體現(xiàn)在：（1）融合了具有抗輻射傳輸干擾能力、對(duì)土壤水分信號(hào)敏感的被動(dòng)微波遙感數(shù)據(jù)；（2）使用基于主動(dòng)微波的ASCAT 和Metop 的長(zhǎng)時(shí)序土壤水分?jǐn)?shù)據(jù)集作為參考；（3）在融合過程中加入了更加可靠的輔助數(shù)據(jù)，包括由亮溫計(jì)算而來的發(fā)射率、S-NPP 近實(shí)時(shí)植被指數(shù)、S-NPP 土地覆被數(shù)據(jù)；（4）基于累積分布函數(shù)將各土壤水分產(chǎn)品統(tǒng)一至GLDAS土壤水分取值框架下來校正偏差。

許多學(xué)者致力于SMOPS數(shù)據(jù)集的真實(shí)性檢驗(yàn)。Yin等[14]基于遍布美國(guó)的SCAN土壤水分監(jiān)測(cè)網(wǎng)對(duì)不同版本的SMOPS 土壤水分進(jìn)行評(píng)價(jià)，結(jié)果表明，與V1.0和V2.0相比，V3.0數(shù)據(jù)與地面實(shí)測(cè)值的擬合優(yōu)度顯著提高，均方根誤差和無偏均方根誤差明顯降低。Wang等[15]基于全球22個(gè)監(jiān)測(cè)網(wǎng)數(shù)據(jù)對(duì)SMOPS V3.0 和ECV v4.5 土壤水分?jǐn)?shù)據(jù)產(chǎn)品進(jìn)行驗(yàn)證評(píng)價(jià)，結(jié)果顯示：（1）SMOPS 在所有月份空間覆蓋率均高于ECV，其中7 月份最高；（2）ECV 數(shù)據(jù)在擬合優(yōu)度和均方根誤差方面均略勝一籌；（3）在ECV數(shù)據(jù)空缺而SMOPS 數(shù)據(jù)有值的區(qū)域，SMOPS 數(shù)據(jù)精度較高；（4）ECV 在赤道氣候區(qū)、大多數(shù)暖溫帶氣候區(qū)，以及若干大陸性氣候區(qū)和干旱氣候區(qū)具有精度優(yōu)勢(shì)，而SMOPS 僅在若干大陸性氣候區(qū)具有精度優(yōu)勢(shì)。

此外，考慮到GLDAS 土壤水分?jǐn)?shù)據(jù)質(zhì)量對(duì)SMOPS V3.0 土壤水分具有顯著影響，且模型同化可能導(dǎo)致原始微波數(shù)據(jù)的有效信息丟失，SMOPS研發(fā)團(tuán)隊(duì)在V3.0的基礎(chǔ)上繼續(xù)深入探索新一代衛(wèi)星土壤水分?jǐn)?shù)據(jù)產(chǎn)品融合方法[16]，旨在獲得一種僅依賴現(xiàn)有微波土壤水分觀測(cè)值、無需輔助數(shù)據(jù)集即可實(shí)現(xiàn)的估算模型。該方法首先將以百分比為單位的ASCAT數(shù)據(jù)轉(zhuǎn)換成體積含水量，使所有數(shù)據(jù)保持單位一致并重采樣至0.25°分辨率。其次，以SMAP土壤水分?jǐn)?shù)據(jù)為主要參考，通過建立在此期間與其他微波數(shù)據(jù)的多元線性模型，將其他微波數(shù)據(jù)的取值統(tǒng)一至SMAP 數(shù)據(jù)框架中。將構(gòu)建的多元線性模型進(jìn)行時(shí)間尺度拓展，應(yīng)用于其他微波數(shù)據(jù)的整個(gè)生命周期。最后，利用等權(quán)平均法計(jì)算得出融合的土壤水分?jǐn)?shù)據(jù)，稱為SMOPScdr。經(jīng)驗(yàn)證表明，SMOPScdr 數(shù)據(jù)的無偏均方根誤差明顯小于SMOPS V3.0 數(shù)據(jù)，進(jìn)一步印證該算法的精度優(yōu)勢(shì)，為SMOPS 數(shù)據(jù)迭代優(yōu)化奠定了良好的算法基礎(chǔ)。

1.1.3 SMAP土壤水分?jǐn)?shù)據(jù)

美國(guó)航空航天局在2015 年發(fā)起SMAP（Soil Moisture Active Passive）土壤水分監(jiān)測(cè)計(jì)劃，利用搭載于同一衛(wèi)星的L 波段雷達(dá)（主動(dòng)微波）和輻射計(jì)（被動(dòng)微波）反演土壤水分產(chǎn)品[7]。雷達(dá)傳感器在2015年7月出現(xiàn)無法修復(fù)的故障，此后致力于反演被動(dòng)微波及改進(jìn)的被動(dòng)微波SMAP土壤水分?jǐn)?shù)據(jù)集。被動(dòng)微波土壤水分主要基于τ-ω模型進(jìn)行反演，通過對(duì)亮溫?cái)?shù)據(jù)進(jìn)行Backus-Gilbert插值得到改進(jìn)的被動(dòng)微波土壤水分?jǐn)?shù)據(jù)產(chǎn)品。

此后，研究團(tuán)隊(duì)聯(lián)合SMAP 輻射計(jì)數(shù)據(jù)和Sentinel 1A/B 的C 波段雷達(dá)數(shù)據(jù)研發(fā)了高分辨率主被動(dòng)微波融合的SMAP/Sentinel地表土壤水分?jǐn)?shù)據(jù)集[9]。算法首先利用滑動(dòng)窗口濾波將Sentinel后向散射數(shù)據(jù)從25m重采樣至1km分辨率，然后基于1km 空間分辨率將SMAP 亮溫?cái)?shù)據(jù)降尺度至1km 和3km，基于統(tǒng)一分辨率的Sentinel和SMAP數(shù)據(jù)采用τ-ω模型反演高分辨率土壤水分?jǐn)?shù)據(jù)。

自SMAP系列土壤水分?jǐn)?shù)據(jù)集發(fā)布以來，國(guó)內(nèi)外諸多學(xué)者對(duì)其進(jìn)行了多視角、多區(qū)域尺度、多下墊面類型的評(píng)價(jià)驗(yàn)證[17-19]，結(jié)果整體表明：（1）SMAP日尺度被動(dòng)微波反演數(shù)據(jù)精度達(dá)到預(yù)期水平，即無偏均方根誤差不超過0.04 m3/m3，主被動(dòng)融合數(shù)據(jù)精度接近預(yù)期水平，主動(dòng)微波反演數(shù)據(jù)無偏均方根誤差不超過0.06 m3/m3；基于同化模型融合的土壤水分?jǐn)?shù)據(jù)無偏均方根誤差也達(dá)到了預(yù)期要求。（2）相較于其他單傳感器反演的土壤水分?jǐn)?shù)據(jù)集，SMAP 具有顯著精度優(yōu)勢(shì)；與未將SMAP融合的ECV數(shù)據(jù)相比，SMAP與地表實(shí)測(cè)數(shù)據(jù)的擬合優(yōu)度更高，而ECV 在無偏均方根誤差和偏差取值上略勝一籌。（3）SMAP/Sentinel土壤水分產(chǎn)品能夠較為準(zhǔn)確地刻畫地表真實(shí)土壤含水量情況。

1.2 國(guó)內(nèi)多源微波遙感融合土壤水分產(chǎn)品

1.2.1 RSSSM土壤水分?jǐn)?shù)據(jù)

中國(guó)科學(xué)院生態(tài)環(huán)境研究中心傅伯杰院士團(tuán)隊(duì)研發(fā)了全球土壤水分產(chǎn)品RSSSM（Remotesensing-based Surface Soil Moisture）[20]。該數(shù)據(jù)集基于神經(jīng)網(wǎng)絡(luò)算法融合了包括SMAP、AMSRE、AMSR2、Windsat、FY-3B、ASCAT、TMI、SMOS-IC 等在內(nèi)的11 種微波遙感土壤水分?jǐn)?shù)據(jù)，并以SMAP土壤水分?jǐn)?shù)據(jù)作為模型主要訓(xùn)練對(duì)象。在構(gòu)建訓(xùn)練數(shù)據(jù)集時(shí)，首先在統(tǒng)一的時(shí)空框架下，整合匯聚土壤水分質(zhì)量影響因子，其次利用正態(tài)分布對(duì)土壤水分產(chǎn)品異常值進(jìn)行去噪處理，取兩者的交集作為訓(xùn)練集的輸入數(shù)據(jù)；取對(duì)應(yīng)的SMAP 數(shù)據(jù)作為訓(xùn)練集的目標(biāo)數(shù)據(jù)。為了使模型具有更好的區(qū)域適用性，算法以經(jīng)緯網(wǎng)格為邊界，劃分成百萬個(gè)子區(qū)域進(jìn)行神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練建模，并通過對(duì)格網(wǎng)邊界模擬數(shù)據(jù)計(jì)算加權(quán)平均值來模糊區(qū)域界限。鑒于各微波土壤水分?jǐn)?shù)據(jù)延續(xù)時(shí)段不同，且SMAP 僅覆蓋2015-2018年區(qū)間，因此采用迭代模擬法逐階段獲取土壤水分?jǐn)?shù)據(jù)：首先，以2015-2018 年區(qū)間的訓(xùn)練樣本和訓(xùn)練目標(biāo)數(shù)據(jù)構(gòu)建擬合模型，將模型應(yīng)用于2012-2018 年區(qū)間由同樣元素構(gòu)成的訓(xùn)練樣本，獲取2012-2018年區(qū)間的土壤水分第一階段擬合值；其次，以SMAP 和第一階段擬合值為訓(xùn)練目標(biāo)，以ASCAT、SMOS、TMI和FY-3B數(shù)據(jù)為訓(xùn)練樣本，建模獲取2011-2012年土壤水分?jǐn)M合值；依據(jù)此模式逐輪迭代，最終獲得2003-2018年全球地表土壤水分產(chǎn)品。

為了明晰RSSSM的精度，首先，基于SMAP數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練精度進(jìn)行檢驗(yàn)分析，發(fā)現(xiàn)兩者的時(shí)間序列擬合優(yōu)度整體上可達(dá)0.97，略高于空間擬合優(yōu)度。其次，使用29 個(gè)全球地面監(jiān)測(cè)站點(diǎn)網(wǎng)絡(luò)對(duì)其進(jìn)行驗(yàn)證，同時(shí)加入了單微波波段反演（SMAP、ASCAT）、多源主被動(dòng)微波遙感融合（ECV）、模型同化與再分析（GLDAS、ERA5 Land、GLEAM）土壤水分?jǐn)?shù)據(jù)集作為對(duì)照組參與評(píng)價(jià)。結(jié)果表明：RSSSM 整體精度優(yōu)于除SMAP外的所有對(duì)照組數(shù)據(jù)，時(shí)間序列精度和空間覆蓋率優(yōu)于ECV土壤水分?jǐn)?shù)據(jù)。

1.2.2 NNsm土壤水分?jǐn)?shù)據(jù)

清華大學(xué)盧麾教授團(tuán)隊(duì)研制了土壤水分產(chǎn)品NNsm（Neural Network soil moisture）[21]。該數(shù)據(jù)集將SMAP 數(shù)據(jù)的優(yōu)勢(shì)轉(zhuǎn)化至AMSR-E 和AMSR2 數(shù)據(jù)中，形成一套高精度、高穩(wěn)定性、時(shí)序拓展性強(qiáng)的土壤水分?jǐn)?shù)據(jù)。數(shù)據(jù)研發(fā)主要包括校正、訓(xùn)練和模擬三部分。首先，基于AMSRE 與AMSR2 的重合區(qū)間進(jìn)行亮溫校正，通過構(gòu)建線性回歸方程以AMSR2 亮溫為參考對(duì)AMSR-E 亮溫進(jìn)行定標(biāo)，獲得統(tǒng)一基準(zhǔn)的亮溫?cái)?shù)據(jù)。其次，基于地表溫度、亮溫?cái)?shù)據(jù)計(jì)算反射率和微波植被指數(shù)作為算法輸入層，將SMAP土壤水分產(chǎn)品作為輸出層，將AMSR系列數(shù)據(jù)基于線性插值重采樣至與SMAP 相同的36km 分辨率，得到訓(xùn)練樣本庫，并構(gòu)建人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化訓(xùn)練。最后，基于樣本數(shù)據(jù)構(gòu)建的ANN 模型，輸入2002-2019 年的AMSR 系列訓(xùn)練數(shù)據(jù)，可得2002-2019年日尺度36km分辨率全球土壤水分?jǐn)?shù)據(jù)集。

經(jīng)驗(yàn)證發(fā)現(xiàn)：（1）NNsm 與SMAP 土壤水分產(chǎn)品具有良好的相關(guān)性（平均相關(guān)系數(shù)0.80，均方根誤差0.029m3/m3）。（2）以全球14個(gè)實(shí)測(cè)網(wǎng)絡(luò)為參考真值對(duì)NNsm 進(jìn)行評(píng)價(jià)，結(jié)果表明NNsm在訓(xùn)練時(shí)段和模擬時(shí)段輸出的土壤水分產(chǎn)品均能夠準(zhǔn)確擬合實(shí)測(cè)的日尺度和季節(jié)尺度動(dòng)態(tài)演化序列。（3）NNsm 數(shù)據(jù)質(zhì)量顯著優(yōu)于原有的AMSR-E 和AMSR2 標(biāo)準(zhǔn)土壤水分?jǐn)?shù)據(jù)，數(shù)據(jù)誤差小于ECV而擬合優(yōu)度略差于ECV。

1.2.3 高分辨率中國(guó)區(qū)域土壤水分?jǐn)?shù)據(jù)

中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所毛克彪研究員團(tuán)隊(duì)研發(fā)了中國(guó)區(qū)域土壤水分?jǐn)?shù)據(jù)集[22]。該數(shù)據(jù)集在研制過程中融合了包括AMSR-E、AMSR2、SMOS-IC 在內(nèi)的被動(dòng)微波土壤水分?jǐn)?shù)據(jù)以及包括地表溫度和植被指數(shù)在內(nèi)的光學(xué)遙感數(shù)據(jù)、坡度坡向數(shù)據(jù)。在降尺度過程中，首先以長(zhǎng)時(shí)間序列AMSR-E 數(shù)據(jù)為參考，通過構(gòu)建線性回歸方程校正與其時(shí)間重合范圍內(nèi)的SMOS-IC 數(shù)據(jù)；再以校正后的SMOS-IC 數(shù)據(jù)為參考，構(gòu)建線性回歸方程校正與其時(shí)間重合范圍內(nèi)的AMSR2 數(shù)據(jù)，從而獲得經(jīng)過一致性校正的2002-2018年土壤水分時(shí)序數(shù)據(jù)。其次，基于土壤水分與地表溫度、植被指數(shù)呈現(xiàn)負(fù)相關(guān)的理論基礎(chǔ)，在地形校正的基礎(chǔ)上利用地表溫度與植被指數(shù)計(jì)算月尺度0.05°分辨率TVDI數(shù)據(jù)，作為降尺度的權(quán)重指標(biāo)?；跉w一化TVDI權(quán)重乘法計(jì)算得到降尺度的土壤水分?jǐn)?shù)據(jù)。

利用中國(guó)氣象局監(jiān)測(cè)網(wǎng)絡(luò)站點(diǎn)數(shù)據(jù)對(duì)降尺度土壤水分?jǐn)?shù)據(jù)集進(jìn)行整體評(píng)價(jià)，發(fā)現(xiàn)降尺度數(shù)據(jù)在月尺度、季節(jié)尺度和年尺度均能夠較為準(zhǔn)確地?cái)M合實(shí)測(cè)數(shù)據(jù)，整體精度較高。降尺度土壤水分與RSSSM數(shù)據(jù)也呈現(xiàn)良好的時(shí)空一致性。就不同月份而言，數(shù)據(jù)在9 月精度最高，12 月誤差最大。此外，土壤水分與降水呈現(xiàn)良好的時(shí)間序列一致性演化趨勢(shì)，說明該數(shù)據(jù)集可應(yīng)用于高精度水文與干旱監(jiān)測(cè)。

1.3 適用性分析

多源微波遙感融合數(shù)據(jù)具有單一星載傳感器無可比擬的時(shí)間拓展優(yōu)勢(shì)，且融合后土壤水分?jǐn)?shù)據(jù)的空間覆蓋率顯著提高；通過融合多瞬時(shí)過境的微波信號(hào)數(shù)據(jù)，使得土壤水分?jǐn)?shù)據(jù)具有更好的日尺度時(shí)間代表性，能夠更加有效地刻畫土壤含水量在一天中的整體狀態(tài)。不同的微波遙感融合土壤水分產(chǎn)品各具特色（表1），適用場(chǎng)景也有所區(qū)分：

表1 不同微波遙感融合土壤水分產(chǎn)品特征Table 1 Basic attributes of different microwave fused soil moisture products

對(duì)于長(zhǎng)時(shí)間序列全球尺度土壤水分研究，ECV、RSSSM、NNsm數(shù)據(jù)均可以滿足需求；對(duì)于區(qū)域尺度高分辨率土壤水分分析，可應(yīng)用SMAPSentinel土壤水分?jǐn)?shù)據(jù)和高分辨率中國(guó)區(qū)域土壤水分?jǐn)?shù)據(jù)；對(duì)于分析多深度土壤水分垂直演化規(guī)律的研究，可使用SMAP 4 級(jí)無縫地表及根區(qū)土壤水分?jǐn)?shù)據(jù)；對(duì)于近實(shí)時(shí)土壤水分動(dòng)態(tài)監(jiān)測(cè)，可應(yīng)用小時(shí)級(jí)時(shí)滯的SMOPS 土壤水分等數(shù)據(jù)；對(duì)于具有高精度需求的土壤水分相關(guān)研究，可采用SMAP土壤水分?jǐn)?shù)據(jù)。

2 取得進(jìn)展與面臨挑戰(zhàn)

2.1 取得進(jìn)展

歷經(jīng)近半個(gè)世紀(jì)，星載微波遙感技術(shù)持續(xù)迭代發(fā)展，為多源微波土壤水分?jǐn)?shù)據(jù)融合奠定了豐富的數(shù)據(jù)基礎(chǔ)。利用多傳感器、多過境時(shí)間、多波段的微波數(shù)據(jù)和累積分布函數(shù)、線性回歸、神經(jīng)網(wǎng)絡(luò)、陸面過程模式同化等融合方法，國(guó)內(nèi)外研究機(jī)構(gòu)和團(tuán)隊(duì)研制了多種時(shí)空連續(xù)、近實(shí)時(shí)、多深度、可擴(kuò)展、高精度的土壤水分產(chǎn)品，為掌握全球多尺度土壤水分在時(shí)間、經(jīng)度、緯度、深度4個(gè)維度的演化特征提供了全方位數(shù)據(jù)支撐，為氣候變化效應(yīng)分析、陸表水循環(huán)過程探索、生態(tài)系統(tǒng)碳氮水循環(huán)格局研究、洪澇干旱災(zāi)害預(yù)警、農(nóng)作物長(zhǎng)勢(shì)分析與估產(chǎn)等科學(xué)研究提供了充分的土壤水分?jǐn)?shù)據(jù)儲(chǔ)備。同時(shí)，隨著科學(xué)研究?jī)?nèi)容深化與細(xì)化，對(duì)土壤水分?jǐn)?shù)據(jù)質(zhì)量的要求日益增長(zhǎng)，使得土壤水分產(chǎn)品面臨著巨大的迭代優(yōu)化機(jī)遇和挑戰(zhàn)。

2.2 面臨挑戰(zhàn)

2.2.1 空間完整性與空間分辨率有待提升

基于多源微波遙感數(shù)據(jù)融合的土壤水分?jǐn)?shù)據(jù)集較單一星載傳感器反演結(jié)果而言，空間覆蓋率已得到大幅改善，然而融合后的數(shù)據(jù)仍存在局部的空缺區(qū)域。因此，空間完整性需要進(jìn)一步提升。同時(shí)，為了滿足區(qū)域尺度乃至田塊尺度的研究需求，土壤水分?jǐn)?shù)據(jù)產(chǎn)品的空間分辨率需要進(jìn)一步提高。目前，有研究利用地面站點(diǎn)土壤水分觀測(cè)數(shù)據(jù)和高分辨率微波數(shù)據(jù)與原始土壤水分?jǐn)?shù)據(jù)融合，實(shí)現(xiàn)插補(bǔ)與降尺度重建[23]；有研究利用地表參數(shù)（如植被指數(shù)、地表溫度、蒸散發(fā)、反照率、土地覆被、數(shù)字高程模型）與土壤水分的密切耦合關(guān)系，將高分辨率光學(xué)遙感地表參數(shù)數(shù)據(jù)加入融合模型，實(shí)現(xiàn)土壤水分原分辨率與高分辨率重建[24]；有研究利用同化模型，實(shí)現(xiàn)土壤水分產(chǎn)品的地表無縫和多深度模擬重建[25]。以上進(jìn)展均為土壤水分產(chǎn)品多尺度重建奠定了方法基礎(chǔ)，但是在多尺度重建過程中需要謹(jǐn)慎考慮尺度轉(zhuǎn)換效應(yīng)，即在不同空間分辨率（從25km到公里級(jí)再到十米級(jí)）尺度下，土壤水分與各地表參數(shù)的復(fù)雜非線性關(guān)系是否保持相對(duì)穩(wěn)定，土壤水分與各地表參數(shù)在不同分辨率尺度的耦合關(guān)系波動(dòng)對(duì)尺度轉(zhuǎn)換結(jié)果的精度影響效應(yīng)如何。

2.2.2 輔助遙感數(shù)據(jù)優(yōu)化選取

鑒于土壤水分與諸多地表參數(shù)的雙向反饋響應(yīng)關(guān)系，選取合適的地表參數(shù)作為輔助融合遙感數(shù)據(jù)有助于提升融合產(chǎn)品的時(shí)空擬合優(yōu)度。國(guó)內(nèi)外學(xué)者對(duì)輔助遙感數(shù)據(jù)優(yōu)化選取進(jìn)行了大量研究，通過計(jì)算參數(shù)貢獻(xiàn)率來衡量其在土壤水分融合中的重要性程度[26-27]。但是，由于不同區(qū)域下墊面類型與水熱組合異質(zhì)性，各研究選取的地表參數(shù)組合方式大相徑庭，使得在全球尺度難以形成統(tǒng)一的輔助地表參數(shù)組合共識(shí)。通常來說，數(shù)字高程模型在地形起伏大的區(qū)域貢獻(xiàn)率顯著高于地勢(shì)平緩地區(qū)；歸一化植被指數(shù)適用于植被覆蓋適中區(qū)域，而增強(qiáng)植被指數(shù)適用于植被密集覆蓋區(qū)（如森林）；白晝地表溫度與土壤水分的相關(guān)性優(yōu)于夜間地表溫度及地表溫度日較差。同時(shí)，地表參數(shù)數(shù)據(jù)多由可見光、近紅外、熱紅外波段回波信號(hào)反演而來，易受云雨天氣的影響而產(chǎn)生異常值和空值條帶。因此，融合的土壤水分產(chǎn)品將不可避免地受地表參數(shù)遙感數(shù)據(jù)質(zhì)量的影響。尤其是在多云雨時(shí)節(jié)（如我國(guó)華南地區(qū)梅雨季），幾乎無法獲取有效的光學(xué)波段數(shù)據(jù)產(chǎn)品，可考慮采用微波波段遙感數(shù)據(jù)（如降水）與靜態(tài)數(shù)據(jù)（地形地勢(shì)、土壤屬性、時(shí)空屬性）作為輔助參數(shù)參與土壤水分?jǐn)?shù)據(jù)融合。

2.2.3 從算法級(jí)到數(shù)據(jù)產(chǎn)品級(jí)的跨越

近幾十年來，大量研究針對(duì)微波遙感土壤水分?jǐn)?shù)據(jù)時(shí)空拓展、多尺度重建方法開展了研究，取得了顯著進(jìn)展，輻射傳輸模型、統(tǒng)計(jì)模型、機(jī)器學(xué)習(xí)模型、水文模型等系列模型在多源微波土壤水分估算應(yīng)用中均有所突破，且經(jīng)評(píng)價(jià)驗(yàn)證可知模擬結(jié)果精度較高[28-29]。特別是傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型在高精度土壤水分融合模擬中展現(xiàn)出出色的能力。但大量算法在經(jīng)過區(qū)域測(cè)試后尚未投入批量化全球土壤水分研制，原因包括但不限于：（1）算法具有區(qū)域適用異質(zhì)性，基于單一算法模型在全球多氣候區(qū)、多下墊面類型區(qū)域進(jìn)行土壤水分?jǐn)M合可能會(huì)出現(xiàn)不同程度的時(shí)空精度波動(dòng)，需進(jìn)一步進(jìn)行精度評(píng)估分析與誤差校正，并提供與土壤水分?jǐn)?shù)據(jù)對(duì)應(yīng)的時(shí)空精度等級(jí)數(shù)據(jù)（如Quality flag）；（2）從算法設(shè)計(jì)實(shí)現(xiàn)到業(yè)務(wù)化、工程化批量運(yùn)行過程中需要全面提升算法模型的集成度、模塊化、規(guī)范化和自動(dòng)化程度；（3）實(shí)現(xiàn)全球土壤水分產(chǎn)品級(jí)的持續(xù)研發(fā)更新需要充分的計(jì)算機(jī)算力、存儲(chǔ)傳輸能力和人力等保障。因此，亟需優(yōu)化提升算法的成熟度，發(fā)掘云服務(wù)器簡(jiǎn)單高效、處理能力可彈性伸縮的計(jì)算服務(wù)能力，推進(jìn)微波遙感土壤水分?jǐn)?shù)據(jù)研制從算法級(jí)到數(shù)據(jù)產(chǎn)品級(jí)的跨越，提高優(yōu)質(zhì)算法的應(yīng)用價(jià)值。

2.2.4 國(guó)產(chǎn)微波遙感土壤水分?jǐn)?shù)據(jù)時(shí)間擴(kuò)展性有待提升

作為表征氣候變化和農(nóng)業(yè)干旱程度的重要指標(biāo)，開展土壤水分持續(xù)監(jiān)測(cè)對(duì)于了解掌握全球水資源演化特點(diǎn)、開展農(nóng)作物估產(chǎn)、切實(shí)保障糧食安全具有重要戰(zhàn)略意義。SMAP、SMOS、AMSR2 等國(guó)際機(jī)構(gòu)研制的星載微波土壤水分?jǐn)?shù)據(jù)集持續(xù)進(jìn)行時(shí)序拓展更新，為探索研究地表土壤含水量時(shí)空分布提供了豐富的遙感數(shù)據(jù)資源支撐。我國(guó)自主研發(fā)、開放獲取的微波遙感土壤水分產(chǎn)品主要以FY-3B、FY-3C 為代表。其中，F(xiàn)Y-3B 全球地表25km 土壤水分日尺度產(chǎn)品時(shí)間范圍涵蓋2011年7月12日至2019年8月19日；FY-3C 全球地表25km 土壤水分日尺度產(chǎn)品時(shí)間范圍涵蓋2014 年5 月29 日至2020 年2 月3 日。此外，裝載微波傳感器的FY-3D和FY-3E衛(wèi)星相繼于2019年11月、2021年7月發(fā)射升空。但是，自FY-3B、FY-3C 相繼停止服務(wù)之后開放獲取的國(guó)產(chǎn)星載微波土壤水分?jǐn)?shù)據(jù)產(chǎn)品便難覓蹤跡。雖然國(guó)際上開源的土壤水分產(chǎn)品能夠繼續(xù)為相關(guān)科學(xué)研究和應(yīng)用監(jiān)測(cè)提供充分的數(shù)據(jù)支持，但仍迫切需要具有自主知識(shí)產(chǎn)權(quán)、關(guān)鍵核心技術(shù)、開放獲取、持續(xù)優(yōu)化更新的國(guó)產(chǎn)微波遙感土壤水分產(chǎn)品來實(shí)現(xiàn)已有國(guó)產(chǎn)土壤水分?jǐn)?shù)據(jù)的有效延續(xù)與積累增值，促進(jìn)我國(guó)有關(guān)部門與領(lǐng)域?qū)W者在國(guó)際氣候變化舞臺(tái)更好地發(fā)聲，進(jìn)一步深化擴(kuò)大我國(guó)在水文水資源衛(wèi)星觀測(cè)領(lǐng)域的國(guó)際知名度和影響力。

3 總 結(jié)

綜上所述，目前國(guó)內(nèi)外典型的多源微波遙感融合土壤水分?jǐn)?shù)據(jù)集各有優(yōu)勢(shì)和適用特點(diǎn)。如何充分利用現(xiàn)有海量微波遙感、光學(xué)遙感、站點(diǎn)觀測(cè)數(shù)據(jù)，設(shè)計(jì)高性能土壤水分模擬融合算法，集百家之長(zhǎng)，研發(fā)高時(shí)空分辨、高精度、長(zhǎng)時(shí)間序列、地表無縫覆蓋、短時(shí)滯的全球多深度土壤水分算法流程框架并投入業(yè)務(wù)化運(yùn)行，實(shí)現(xiàn)對(duì)過去、現(xiàn)在乃至未來多情景模式下多尺度陸表干濕狀況的精準(zhǔn)掌控，促進(jìn)對(duì)氣候變化背景下全球水循環(huán)格局時(shí)空演化規(guī)律的理解，是未來環(huán)境遙感與數(shù)據(jù)融合領(lǐng)域值得持續(xù)深入探究的重要科學(xué)方向。

利益沖突聲明

所有作者聲明不存在利益沖突關(guān)系。