基于生成对抗网络模型的SMAPL4土壤水分产品降尺度分析

土壤水分是地表和大气水热过程交换的重要纽带,对于农业生产以及优化种植结构具有重要意义,NASA卫星下的SMAPL4是一种以被动微波遥感技术为手段对土壤湿度监测的产品,具有可穿透云层和全天候监测等能力,但其较低空间分辨率很难满足小尺度或小区域范围的实际研究需求。鉴于此,根据云南省姚安县高原灌区特殊的地理位置,引用相关系数推演得出与研究区土壤水分空间分布有关的解释变量,沿用随机森林算法,耦合1 km包含地表温度和归一化植被指数的MODIS地表产品,建立基于RF全局窗口线性回归的1 km级被动微波土壤水分空间降尺度模型;而后堆叠地表温度(LST)、归一化植被指数(NDVI)、降水量(Prec)、地表蒸散量(ET)等4个变量形成条件生成对抗网络框架,并使用均方误差(RMSE)和条件生成对抗性损失函数训练神经网络来建立低分辨率和高分辨率映射关系,随即获得降尺度后土壤水分空间分布结果;最后将实际采样和监测站点提供数据做空间平均聚合后,与SMAPL4原始结果的CGAN、RF降尺度结果进行对比分析。结果表明:LST、NDVI、Prec、ET与土壤水分的相关性均值均大于0.44,具有相关关系,条件生成对抗网络降尺度结果对指标R^(2)和Bias表现效果最好,均值分别为0.7和0.032;RF降尺度结果对RMSE的效果最好,均值为0.006。同比SMAPL4原始数据,RF结果空间分布更为平滑,但极值差异性较大;CGAN结果能有效表征土壤含水空间分布状况,其数据变异性和极值表征能力更为突出。经RMSE与对抗性损失函数训练后,认为0.2~0.28的值域分布为降尺度后的研究区土壤水分数值分布结果。

基于SMAP卫星雷达资料的海冰密集度反演技术研究

SMAP是美国于2015年初发射的一颗卫星,搭载了L波段的雷达。它采用圆锥扫描方式,具有固定的入射角、较大的幅宽和千米级的分辨率,在海冰监测方面具有独特的优势。本文利用SMAP卫星雷达资料分别与德国Bremen大学海冰密集度产品和美国国家冰雪数据中心(NSIDC)海冰密集度产品建立3.125km和25km匹配数据集,分析了L波段雷达后向散射系数、极化比和归一化极化差与海冰密集度之间相关性,建立基于人工神经网络的海冰密集度反演算法。为了验证SMAP卫星雷达资料反演海冰密集度的精度,本文选择德国Bremen大学和美国冰雪数据中心发布的海冰密集度产品分别与SMAP海冰密集度产品进行对比分析,SMAP海冰密集度与Bremen海冰密集度的偏差为0.07、均方根误差为0.14;与NSIDC海冰密集度的偏差为0.04、均方根误差为0.18,这表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性。

CYGNSS/SMAP数据融合半经验模型的土壤湿度反演

星载GNSS反射信号(GNSS-R)的土壤湿度反演易受陆地多变环境因素影响,目前,对于星载GNSS-R土壤湿度反演中误差分析及反演模型外推性能分析较少。综合多种误差修正模型,包括GNSS卫星发射功率误差、植被和地表粗糙度对反射信号强度的衰减,通过修正提高陆地点反射率的准确性,建立了反射率-土壤湿度的CYGNSS/SMAP数据融合的反演半经验模型。实现了一年高精度外推反演,反演偏差为-0.0037 cm^(3)/cm^(3),均方根误差(RMSE)为0.0264 cm^(3)/cm^(3),相关系数为0.9636。提出了分季节的外推模型,提高了低含水量季节的外推精度。实验区域的经度为90°E~130°E,纬度为20°N~38°N,利用2019年10月至2020年9月的CYGNSS/SMAP数据进行训练,外推2020年10月至2021年9月的土壤湿度。经误差模型修正反射率后,模型的反演偏差提升6.80%,均方根误差提升3.30%。针对实验区域内冬、春季土壤含水量较低时反演精度差的问题,提出了同季节外推的分季节训练模型,相对一年数据量的训练模型,冬季反演的均方根误差提升21.58%,春季提升21.05%。将2021年6月1—10日的反演结果与CLDAS地面实测土壤湿度进行对比,反演偏差为0.0058 cm^(3)/cm^(3),均方根误差为0.0854 cm^(3)/cm^(3),具有较好的准确性。研究证明了使用反射率误差修正模型及反射率-土壤湿度半经验模型反演土壤湿度的有效性,对推广星载GNSS-R土壤湿度反演业务化应用具有积极意义。

融合CYGNSS和SMAP卫星数据监测飓风强度

为提高海洋飓风强度的观测频次和测量准确度,对综合利用热带气旋全球导航卫星系统(CYGNSS)和土壤湿度主动[KG-*5]-[KG-*5]被动探测(SMAP)卫星数据监测飓风强度进行了研究.首先,介绍了卫星数据特征;然后,以佛罗伦萨飓风为例,提出了融合这两种卫星数据监测海洋飓风强度的方法,其中包括卫星数据预处理、基于像素级影像融合方法的高风速区域提取和飓风强度测量;最后,将融合两种卫星数据测得的10场飓风的强度与美国国家飓风中心(NHC)提供的飓风最大风速值进行对比分析,并采用平均绝对误差、均方根偏差和相关系数3个指标评价这两种风速测量结果之间的差异.结果表明:与仅利用SMAP卫星数据相比,本文方法能以更高的频次监测飓风强度,可获得更加完整的飓风高风速区域;与美国国家飓风中心提供的飓风最大风速值相比,本文方法监测飓风强度结果的平均绝对误差变动范围为3.9~10.2 m/s,均方根偏差变动范围为4.6~12.5 m/s,相关系数变动范围为0.5707~0.9152,验证了提出的海洋飓风强度监测方法的有效性.

基于SMAP卫星雷达资料的海冰检测技术

利用SMAP卫星雷达资料与美国国家冰雪数据中心(NSIDC)发布的近实时逐日极区网格化海冰密集度数据建立匹配数据集,分析了海冰和海水的L波段雷达后向散射特性差异,建立了基于线性判别分析算法的海冰检测算法。选择Sentinel-1A SAR极地地区的海冰影像对SMAP卫星雷达资料海冰检测产品进行实验验证,结果显示二者的海冰边缘线一致,说明SMAP海冰检测算法具有较高的精度。利用SMAP卫星雷达资料制作了北极和南极地区海冰覆盖图,计算了海冰覆盖面积,通过与美国国家冰雪数据中心(NSIDC)海冰覆盖面积比较发现,SMAP检测的北极地区海冰面积略大于NSIDC,相对偏差为3.3%,SMAP检测的南极地区海冰面积略小于NSIDC,相对偏差为1.8%,表明二者的覆盖面积基本一致,证实了SMAP海冰检测算法的精度。

古尔班通古特沙漠SMAP土壤水分产品降尺度分析

SMAP(Soil Moisture Active Passive,SMAP)产品空间分辨率低的特征限制了在地表高异质性的干旱区沙漠稀疏植被区的适用性。考虑到干旱区沙漠植被区特殊的环境特征,在地表温度(Land Surface Temperature,LST)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)、数字高程模型(Digital Elevation Model,DEM)等传统降尺度因子的基础上,增加了与荒漠地表土壤水分关联性更强的增强型修改土壤植被指数(Enhanced Modified Soil-Adjusted Vegetation Index,EMSAVI)与比值沙地亮度指数(Ratio Sand Brightness Index,RSBI)分别作为反映研究区植被盖度和裸沙分布状况的降尺度因子,利用随机森林算法(Random Forest,RF),构建了干旱区土壤水分降尺度模型。结果表明:(1)由相关性分析可知,EMSAVI(r_(干)=-0.37,r_(湿)=-0.34)、RSBI(r_(干)=-0.42,r_(湿)=-0.25)对荒漠土壤水分均有较好的指示作用且效果优于NDVI(r_(干)=-0.21,r_(湿)=0.08);(2)EMSAVI和NDVI重要性分别为18.7%、13.2%,EMSAVI在构建降尺度模型时贡献度更高。(3)构建的干、湿季干旱区土壤水分降尺度模型得到的结果与SMAP产品的R^(2)分别达到了0.916,0.910,RMSE分别达到了0.0075 cm^(3)·cm^(-3)、0.0063 cm^(3)·cm^(-3),较传统模型的RMSE均降低了0.0013 cm^(3)·cm^(-3)。(4)通过计算LBP(Local Binary Patterns)的差值(LBP_(C))对空间一致性评价,新构建降尺度模型的结果(0.0585)优于传统降尺度(0.0645)。研究结果将短波红外波段引入到植被指数建立的EMSAVI,可较好地应用于干旱区沙漠稀疏植被区土壤水分降尺度研究。

Validation and correction of sea surface salinity retrieval from SMAP

In this study, sea surface salinity(SSS) Level 3(L3) daily product derived from soil moisture active passive(SMAP)during the year 2016, was validated and compared with SSS daily products derived from soil Moisture and ocean salinity(SMOS) and in-situ measurements. Generally, the root mean square error(RMSE) of the daily SSS products is larger along the coastal areas and at high latitudes and is smaller in the tropical regions and open oceans. Comparisons between the two types of daily satellite SSS product revealed that the RMSE was higher in the daily SMOS product than in the SMAP, whereas the bias of the daily SMOS was observed to be less than that of the SMAP when compared with Argo floats data. In addition, the latitude-dependent bias and RMSE of the SMAP SSS were found to be primarily influenced by the precipitation and the sea surface temperature(SST). Then, a regression analysis method which has adopted the precipitation and SST data was used to correct the larger bias of the daily SMAP product. It was confirmed that the corrected daily SMAP product could be used for assimilation in high-resolution forecast models, due to the fact that it was demonstrated to be unbiased and much closer to the in-situ measurements than the original uncorrected SMAP product.

SMAP卫星土壤水分产品对比研究与误差分析

基于站点的传统土壤水分测量方法耗时耗力,土壤水分主动被动监测任务(SMAP)利用微波遥感提供高效及时的土壤水分产品。为了对比研究微波遥感产品的优劣势,对比分析现有的4种SMAP土壤水分产品,并利用实测数据检验不同产品的土壤水分反演精度。实验结果表明:SMAP主动产品精度较低;被动、主被动产品与地面实测结果具有良好的一致性,精度较高;增强被动产品精度最高。此外,还对土壤水分产品的误差来源进行了讨论,从而促进其在陆地水、能量和碳循环中的应用。

基于地理加权回归的吉林省微波土壤水分降尺度研究

微波遥感是土壤水分监测的重要手段,但微波遥感土壤水分产品的空间分辨率较低,难以满足区域尺度的应用需求。使用地理加权回归模型,以1 km MODIS产品的遥感地表温度(LST)和归一化植被指数(NDVI)作为辅助数据,将空间分辨率为9 km的SMAP被动微波土壤水分数据降尺度为1 km,利用吉林省地面实测土壤水分数据,对降尺度后的SMAP数据进行了精度验证。结果表明,该降尺度方法在吉林省适用性较好,降尺度结果与SMAP数据在空间分布上保持了较高的一致性,小幅度提高了SMAP数据的精度,显著提高了SMAP数据的空间细节和纹理特征。

一种改进的星载GNSS-R森林生物量反演方法

基于Tau-Omega模型提出一种涉及地面土壤湿度修正的星载全球导航卫星系统反射测量(GNSS-R)森林地上生物量反演方法。选择SMAP卫星的土壤湿度作为辅助数据,运用Tau-Omega模型对旋风卫星导航系统(CYGNSS)反射率做出改正,提高建模参数的准确性。将SMAP卫星提供的植被光学深度(VOD)和地上植被生物量(AGB)地图作为生物量参考数据,比较了改正前后观测值与参考数据的相关性变化。结果表明,改正后相关系数提升明显,改正后参数较反射率与VOD的相关系数从0.54提升到了0.67,与AGB的相关系数从0.46提升到了0.56。随后通过人工神经网络分别基于改正后的参数和反射率建立GNSS-R VOD和AGB反演模型。结果表明,所提方法能够有效提高VOD和AGB的反演精度,且在生物量水平较低的地区改进效果更优。对于VOD反演,改进后相关系数从0.70提升到了0.83,RMES从0.21降低到了0.17;对于AGB反演,改进后相关系数从0.61提升到了0.71,RMES从74 t/hm^(2)降低到了65 t/hm^(2)。

基于随机森林的黄河源区土壤湿度降尺度研究

土壤湿度作为全球水循环的重要变量,影响大气和地表水分交换。为获取高精度高空间分辨率的土壤湿度数据,以黄河源区为研究区域,基于9 km空间分辨率的SMAP(soil moisture active passive)遥感地表土壤湿度(SSM)和随机森林模型,结合地表反照率、叶面积指数、归一化植被指数、地表温度、高程、土壤质地数据建立降尺度模型,获取黄河源区1 km空间分辨率的地表土壤湿度,分析不同时期(冻期、融期)土壤湿度变化规律及降尺度模型的效果,探讨土壤湿度的空间分布特征。结果表明:(1)相较于站点观测资料,SMAP SSM在冻期高估了地表土壤湿度,在非冻期对土壤湿度高位数表现为低估。(2)降尺度后的土壤湿度数据(1 km×1 km)在精度上高于SMAP SSM。(3)在冻期,对划分冻融期的土壤湿度数据应用降尺度模型效果优于不划分冻融期的降尺度效果;而在非冻期,不划分冻融期应用降尺度模型效果更佳。(4)从土壤湿度空间分布上看,SMAP SSM与降尺度结果具有一致性,土壤湿度总体上呈现东高西低的特点。研究结果可为黄河源区土壤湿度时空变化研究提供理论依据,对源区水资源分布规律提供参考。

阶段模型修正的星载GNSS-R土壤湿度反演方法

本文提出了一种基于CYGNSS数据的星载GNSS-R土壤湿度反演方法。首先,基于CYGNSS数据提取地表反射率参数,联合SMAP数据中提取的植被光学厚度、地表粗糙度和温度等辅助信息,初步构建了土壤湿度反演理论模型,并利用神经网络模型确定了土壤湿度反演的精细数学模型;然后,将该模型处理获得的土壤湿度以35%为分界点,利用本文提出的阶段函数模型提高反演精度,并使用2018年10月—2019年5月的CYGNSS数据,获得了全球范围内星载GNSS-R土壤湿度;最后,通过与SMAP提供的土壤湿度数据进行对比,评估了本文提出的星载GNSS-R土壤湿度反演方法的有效性,并对获取的星载GNSS-R土壤湿度进行了时间序列分析。结果表明,本文提出的土壤湿度反演方法的结果与SMAP土壤湿度具有良好的一致性,且随时间变化的趋势也相符合,为高精度土壤湿度反演提供了一种思路。

基于遥感与地面实测的青藏高原冻土流域土壤温湿度变化分析

为研究青藏高原冻土流域土壤温湿度变化特征,在唐古拉冻土流域基于多源遥感(SMAP、ESA CCI)监测数据进行表层土壤温湿度的时空分布刻画,基于地面实测站点(唐古拉冻土气象站、DFIR冻土积雪气象站)数据进行不同深度土壤温湿度的动态分析,并进行遥感与地面站点表层土壤温湿度的对比研究。结果表明,唐古拉冻土流域海拔较低处土壤温度高于海拔较高处,流域东部土壤湿度高于西部;土壤温湿度变化随着埋深加深明显滞后,且冻结期土壤湿度呈现出明显的两段式下降趋势;SMAP土壤温湿度数据与地面站点监测数据相关性较好,相比ESA CCI数据,SMAP数据准确度更高。

一种基于GA改进的土壤湿度反演方法

通过神经网络和机器学习算法,对SMAP土壤湿度数据进行降尺度反演,提高空间分辨率。采用GA改进的贝叶斯神经网络算法和随机森林算法,建立"天宫二号"8,9,10通道光谱反射率与土壤湿度数据之间的模型,进行降尺度反演。结果表明,SMAP土壤湿度数据的空间分辨率由3 km提高至100 m,采用GA改进的贝叶斯神经网络反演算法时,R2为0.788,RMSE为0.142 m3·m^-3;采用GA改进的随机森林算法进行反演时,R2为0.825,RMSE为0.125 m3·m^-3。对SMAP土壤湿度数据进行降尺度反演时,GA改进的随机森林方法模型精度更高,训练效果更好,算法复杂度更低,可以实现较为准确的大范围土壤湿度降尺度反演。

基于多源卫星遥感产品的土壤湿度融合与降尺度研究

针对卫星遥感土壤湿度产品时空分辨率较低、难以满足中小流域洪水预报要求的问题,以秦淮河流域为研究区,将SMOS、SMAP和AMSR2等3种卫星遥感土壤湿度产品采用集合平均的方式进行融合,在地形湿度指数与土壤湿度关联关系的基础上建立空间降尺度方法,从而实现精细尺度的土壤湿度获取。研究结果表明,多源遥感融合产品相较于原有卫星具有更小的均方根误差,在日均值和季度均值上都更为接近实测结果,改善了单颗卫星监测时段间隔大、监测数据不准确的弊端,具有更好的适用性。

新型遥感卫星土壤水分产品在不同地表覆盖下的精度验证与分析

近年来,土壤水分遥感卫星数据被广泛应用在气候、水文、农业等领域的研究中,微波土壤水分数据产品的适用性分析显得越来越重要。本研究分别以美国国家航空航天局的FLUXNET2015数据集和欧洲航天局发起并进行集中数据托管的ISMN网络为基准,运用统计学的方法(偏差、均方根误差和时间序列相关系数),在2012年7月至2014年12月,以IGBP(国际地圈生物圈计划)为标准的地表覆盖类型进行分类,在全球范围内的FLUXNET站点对SMOS-L3-SM和AMSR2-LPRM-SM两种遥感土壤水分产品与实测数据进行了对比验证,并在2016年1月至2017年12月,以30 m全球地表覆盖产品(GlobeLand30)为标准的地表覆盖类型进行分类,在全球范围内的ISMN站点对SMAP-L3-SM和AMSR2-LPRM-SM两种遥感土壤水分产品与实测数据进行了对比验证。结果表明:三种遥感土壤水分产品在草地等低矮植被类型低矮稀疏植被覆盖区域的土壤水分产品反演精度均要高于高大茂密植被覆盖的区域,且SMOS和AMSR2产品在地表覆盖为针叶林下反演精度较低,SMAP和AMSR2产品在地表覆盖为湿地下反演精度较低,SMAP产品的反演精度要高于AMSR2产品。

受渍指数构建及其在长江中下游小麦渍害风险评估中的应用

渍害是长江中下游地区影响小麦生长发育的一种主要农业气象灾害,针对目前渍害评估方法中考虑致灾因子不全面和没有考虑作物耐渍性生育期差异等问题,该研究提出了以整个生长季受渍指数表征小麦受渍程度特征的量化模型。该模型综合考虑了土壤低氧对根系影响和不同生育期内小麦耐渍性差异,并将2016—2022年SMAP(soil moisture active passive)土壤表层含水率产品数据代入模型中计算长江中下游地区各栅格点(10 km×10 km)受渍指数值,通过分析受渍指数与小麦产量的关系,确定受渍指数5.3为是否受渍的阈值,从而得到长江中下游地区受渍率空间分布,并依据受渍率进行分区风险评估。结果表明:湖北省、安徽省、江苏省小麦发生渍害地区主要集中在长江沿线,即各省南部,主要以中风险区为主;湖南省、江西省小麦发生渍害高风险区主要集中在各省的中部,2省其他区域都为中风险区。长江中下游地区全域无渍害区面积占20.0%,低风险区占14.8%,中风险区占30.1%,高风险区占35.7%。研究可为作物渍害精细化风险评估提供可靠的方法与手段。

XGBoost和DSCGAN模型协同的SMAP土壤水分降尺度方法

卫星微波遥感的SMAP土壤水分产品可以用于大陆和全球尺度,但因为空间分辨率低,难以满足中小尺度的应用。经验性降尺度方法是空间降尺度常用方法,但因为需要依赖于光学遥感获取降尺度因子,所以易受云雾影响导致无法获得时间连续的高空间分辨率土壤水分。为了解决这个问题,我们结合机器学习和深度学习方法进行了降尺度研究。首先,获取地表温度、植被指数、反照率、土地覆盖、地形数据、土壤质地等降尺度因子。然后,利用机器学习模型(Random Forest、LightGBM、XGBoost)建立SMAP土壤水分产品数据与降尺度因子的经验降尺度模型。选择其中精度较好的XGBoost模型将SMAP-L4土壤水分产品的空间分辨率由9 km降尺度至1 km。最后,基于9 km和1 km土壤水分数据对训练DSCGAN超分辨率模型,并利用该模型获取研究区域时空连续的土壤水分数据。结果表明,降尺度得到的土壤水分与SMAP原数据之间的相关性系数R为0.96,均方根误差RMSE为0.034 m^(3)/m^(3),偏置bias为0.011 m^(3)/m^(3),无偏均方根误差ubRMSE为0.034 m^(3)/m^(3)。与实测站点之间的相关性系数R为0.696,均方根误差RMSE为0.192 m^(3)/m^(3),偏置bias为-0.171 m^(3)/m^(3),无偏均方根误差ubRMSE为0.089 m^(3)/m^(3)。本文方法为生产时空连续的更高空间分辨率的地表土壤水分提供了一个框架,可以满足区域水分调查和农业干旱监测等小尺度应用需求。

基于SMOS、SMAP数据的青藏高原季风及植被生长季土壤水分长消特征研究

青藏高原地理位置特殊、环境特征显著,是地球系统作用的关键参与和决策者。利用大尺度的星载微波遥感数据开展其土壤水分研究,不仅能为理解典型地区对全球水、气、能、热交互机制的量化影响提供理论支持,还能够为证实遥感数据的可靠性提供实践依据。以SMOS(2011—2020)和SMAP(2016—2020)卫星土壤水分数据为主,以ISMN实测数据、GPCP降水数据、MOD16A2蒸散发数据、C3S地表类型数据为辅,利用土壤水分(年均值,■)与时间之间的相关系数(R_(xt)),研究青藏高原土壤水分在季风及植被生长季(7—9月)的时空分布及长消特征;进而利用偏相关系数(R_(xy,z)),初步分析了土壤水分与降水和蒸散发的耦合关系。结果显示,青藏高原土壤水分在时间上呈现先减(2011—2015年)后增(2015—2018年)随后波动变化(2018—2020年)的趋势,在空间上呈现自西北向东南逐渐升高的趋势;大部分地区的土壤水分与降水的耦合表现强于蒸散发;SMOS和SMAP对青藏高原土壤水分时空特征的捕捉具有较高的一致性。

耦合MOD16和SMAP的微波土壤湿度降尺度研究

局域尺度上的水文或农业应用亟需较高空间分辨率的土壤湿度(SM)数据,微波土壤湿度空间降尺度是实现这一需求的重要途径。其中"光学/热红外与微波数据融合"的降尺度方法展现出了较大的应用潜力,然而这类方法依赖于遥感地表温度LST (Land Surface Temperature)或由LST分解得到的SM指数,受限于LST"云污染"、LST与SM解耦效应和LST分解不确定性等问题。为规避上述问题,本文通过构建3种地表蒸散效率LEE(Land surface Evapotranspiration Efficiency)与SM的降尺度函数关系(指数、余弦、余弦平方),利用MODIS地表蒸散数据(MOD16A2)计算得到的LEE (空间分辨率500 m)实现了SMAP土壤湿度产品(空间分辨率36 km)的空间降尺度。研究从动态范围、能量守恒、SM地面稀疏验证站、SM地面核心验证站等角度对降尺度算法进行评价分析。结果表明,本算法有效增加了原SM产品的空间细节特征、保持了原SM产品的动态范围并且降尺度前后能量守恒;与地面验证数据的对比分析表明,降尺度结果有效保持了原SM与地面实测数据的良好一致性;敏感性分析表明,余弦平方函数对MOD16A2产品误差的敏感性相对最小。