基于Triple-Collocation多源地表温度数据融合方法研究

为充分利用多源地表温度数据,提高区域尺度下地表温度精度,改善地表温度遥感产品的适用性。以淮河流域为研究区,Triple-Collocation(TC)方法为基础,采用最小二乘法,由中分辨率光谱成像仪(MODIS)地表温度与风云三号可见光红外扫描辐射计(FY-3C/VIRR)地表温度遥感产品,结合地面观测站实测数据,研究多源数据融合方法。将淮河流域39个气象站点分为融合站点与验证站点,由融合站点采用反距离插值(IDW)算法得到区域连续地表温度数据,与FY-3C/VIRR地表温度数据、MODIS地表温度数据,融合得到淮河流域地表温度。与地面验证站点对比分析表明,融合后的地表温度,其R^(2)、RMSE和MAE分别为0.98、1.10 K、0.88 K,优于MODIS地表温度的0.92、2.59 K、2.18 K和FY-3C地表温度产品的0.84、6.68 K、5.35 K,精度得到了显著的提高。淮河流域不同月份的温度变化季节性规律明显,且变化主要出现在中部及东部地区,最高温度变化值都达到了20 K以上。

基于Triple-collocation方法的多源降水产品评估

多源降水产品在过去十几年来得到了广泛的应用,然而在数据缺失区其可靠性检验的难度较大。采用Triple-Collocation(TC)方法可以在未知真值的情况下,对三组相互独立的产品进行交叉评估。基于TC方法,综合评估了卫星遥感产品、再分析产品与地面实测数据集在中国区域的不确定性。研究所选空间分辨率为0.25°,时间分辨率为日尺度,数据选用时段为2013—2015年。首先,在中国南方对TC方法进行可靠性验证。通过与传统方法所得结果(相关性系数CC与均方根误差RMSE)对比,相对偏差仅为4.5%与3.0%,而后将方法应用于整个中国大陆区域(除台湾地区),并重点关注青藏高原数据缺失区。结果显示:在卫星产品中,IMERG整体表现最优;在青藏高原无台站网格点上,IMERG与ERA-interim所得平均CC分别为0.63与0.61,略优于地面实测数据集(0.58),这表明卫星遥感产品与再分析产品在青藏高原区域具有一定的优势和应用潜力;实测数据在台站稀疏区域的高不确定性也得到了进一步验证。研究成果证明了TC方法在中国大陆区域的适用性和可靠性,为数据缺失区的降水产品评估提供新的思路和方法。

基于2D Triple-Collocation和机器学习方法的多源遥感土壤湿度融合与降尺度研究

为提高卫星遥感土壤湿度产品精度及空间分辨率,支撑水文过程的高精度模拟与预报,首先基于SMOS、SMAP、ASCAT 3种遥感土壤湿度产品,采用2D Triple-Collocation(2D TC)从时空两方面分析不同产品精度并基于最小二乘框架融合。而后分析支持向量机(SVM)、随机森林(RF)、极端梯度提升机(XGBoost)3种机器学习方法的降尺度效果及适用性,并对融合成果降尺度。研究结果表明:多源遥感融合成果较单一卫星遥感产品RMSE更小(RMSE=0.04 m3/m3),且优化了单一卫星监测数据缺失及高估的问题。3种基于融合成果的降尺度模型均有较好的抗过拟合能力,其中以XGBoost表现最优,其测试集R2较RF、SVM测试集分别提高了4.5%、36.6%,RMSE分别降低了15%、46.9%。以CLDAS产品为参考,XGBoost降尺度成果较融合成果R值提高了16.53%,RMSE降低了17.50%。融合与降尺度方法组合能有效提高遥感土壤湿度产品空间分辨率及精度,适用性更好。

基于Triple-Collocation的地面观测与卫星遥感数据融合的雪深反演

针对单一被动微波遥感反演雪深的精度和空间分辨率不足的问题,提出了一种星-地多源数据融合的雪深反演方法。以北疆每日站点观测雪深、AMSR-E遥感反演雪深和SSM/I遥感反演雪深数据为研究对象,首先利用地统计方法结合地面站点观测数据估计北疆区域的雪深,然后采用Triple-Collocation方法分别估计三个雪深数据的误差方差,最后结合最小二乘原理实现星-地雪深观测数据的融合。对融合雪深与地面雪深观测数据进行验证分析,结果显示,与AMSR-E和SSM/I遥感反演雪深相比,融合的雪深与地面观测雪深的相关性更高;融合的雪深的精度有一定程度的提高。实验结果证明了多源数据融合方法的有效性。

基于Triple-Collocation方法的微波遥感土壤水分产品不确定性分析及数据融合

微波遥感可以获取大范围的地表土壤水分信息,以及由此得到全球尺度的土壤水分产品。但由于传感器观测配置和反演方法等诸多因素的影响,使得不同的土壤水分产品在精度和可靠性方面存在差异。基于Triple-Collocation(TC)方法,在青藏高原那曲地区的0.25°×0.25°和1.0°×1.0°两个空间尺度上对AMSR2、SMAP和SMOS 3种土壤水分遥感产品进行不确定性分析,开展基于随机误差的数据融合算法研究。研究结果表明:不同遥感产品间的随机误差在空间分布上存在显著的不一致性,使得应用传统的算术平均方法进行数据融合不具有普适性。基于此不确定性,对3种产品配赋相应的权重进行融合,相比于3种土壤水分原始数据集,融合产品不仅具有更丰富的数据量,也会对数据精度有所改善。当遥感产品间的随机误差接近时,等权重和优化权重的融合结果非常接近;当遥感产品间的随机误差差异较大时,基于不确定性的数据融合方法相比等权重方法可以明显的提高融合数据的精度。

多源土壤湿度产品在云南省的适用性评估

为了解不同土壤湿度产品在云南省的适用性和可靠性,基于云南省的94个站点数据以及TC(triplecollocation)方法评估5种不同土壤湿度数据在云南省的适用性及不同干湿条件下的表现,包括ERA5-Land(the fifth global atmospheric analysis dataset for the land component of the European Centre for Medium-Range Weather Forecasts(ECMWF))、GLDAS(Global Land Data Assimilation System)、SMAP(Soil Moisture Active and Passive)、MERRA-2(Modern-Era Retrospective Analysis for Research and Applications,Version 2)和ESA CCI(European Space Agency Climate Change Initiative)。结果表明:与站点数据相比,5个产品的偏差均为正偏差(0.090~0.122),明显高估了云南省的土壤湿度,但变化趋势与幅度一致,都能捕获到土壤湿度的时间变化。基于站点数据的评估结果显示:在年尺度上,ERA5-Land和SMAP与站点数据吻合程度最高,相关系数(R)分别为0.456和0.454,其次是ESA CCI(0.439);干湿季的评估结果显示,所有产品相关性均低于年尺度,且湿季高于干季,但湿季表现出更大的正偏差,其中SMAP在干季(0.323)和湿季(0.418)均表现最优。基于TC方法的评估结果显示:ERA5-Land(0.925)和ESA CCI(0.931)相关性最高;其次是GLDAS(0.890)和MERRA-2(0.864);干湿季的评估结果与站点数据的评估一致,相较于年尺度大部分产品的相关性也呈下降趋势,且干季降幅更大;SMAP干湿季R分别为0.828和0.770,表现最差;MERRA-2湿季的R(0.912)和ESD(error standard deviation)(0.020)优于其年尺度评估结果。综合来看,ESA CCI相关性较高且精度最好,更适用于云南省表层土壤湿度的监测。