基于降尺度和分層優化采樣的土壤水分制圖方法研究

王春梅 韓樂然 謝秋霞 余濤 占玉林

摘? 要：如何獲取能夠代表衛星觀測尺度、并揭示空間異質性的土壤水分數字地圖，是被動微波土壤水分產品真實性檢驗研究的關鍵問題。本研究選取河北省深州市為研究區域，首先基于MODIS長時間序列的NDVI、LST和Albedo產品數據集，綜合利用HANT重構方法和降尺度模型優選，獲取1km分辨率的土壤水分估算結果。其次，為保證檢驗真值的高精度要求，本研究基于地面實測數據的空間異質性和空間相關性規律，構建了研究區域的土壤水分分層優化采樣模型，制作了高精度土壤水分數字地圖。結果表明，聯合應用降尺度和分層優化采樣方法，土壤水分制圖精度大大提高，其中絕對誤差減少了一倍，均控制在7.5%以內，相關系數也大大提高。

關鍵詞：土壤水分? 真實性檢驗? 降尺度? 采樣

中圖分類號：P333 ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? 文章編號：1674-098X（2021）01（b）-0094-05

Surface Soil Moisture Mapping Based on Downscaling and Stratified Optimal Sampling Methods

WANG Chunmei1，2*? HAN Leran1，3? XIE Qiuxia1，3? YU Tao1，2? ZHAN Yulin1，2

（1. Aerospace Information Research Institute， Chinese Academy of Sciences， Beijing， 100101 China; 2. National Engineering Laboratory for Remote Sensing and Satellite Application， Beijing， 100101 China; 3. University of Chinese Academy of Sciences， Beijing， 100049 China）

Abstract： It is a key to obtain the digital map of soil moisture， which can represent the observation scale of satellite remote sensing sensor and reveal the spatial heterogeneity of soil moisture. This study collaborated the downscaling and stratified optimal sampling methods to construct the digital map of soil moisture with high accuracy using FY-3B soil moisture product， MODIS products and in-situ soil moisture measurement data in 2016 in Shenzhou city， Hebei province. First， the soil moisture data with 1km spatial resolution were estimated based on the HANT reconstruction method and downscaling optimization model from NDVI， LST and Albedo products of MODIS. Then， the stratified optimal sampling model was built in this study area according to spatial heterogeneity and spatial correlation rules of in-situ soil moisture measurement data to ensure the high accuracy of the “truth” values. Results showed that combination algorithm of downscaling and stratified optimal sampling methods could improve the accuracy of soil moisture further， reduce the absolute error within 7.5% and increase the correlation coefficient.

Key Words： Soil moisture; Validation; Downscale; Sampling

隨著全球氣候變化和陸面數據同化研究對土壤水分反演的精度要求不斷提高，被動微波土壤水分產品的真實性檢驗變得極為重要。因此，如何獲取能夠代表衛星觀測尺度、并揭示空間異質性的土壤水分數字地圖，是被動微波土壤水分產品真實性檢驗研究的關鍵問題。高精度土壤水分制圖方法一直是真實性檢驗遙感學科的熱點問題和挑戰性問題，主要與四類數據密切相關：實測樣本數據、影像數據、模擬數據和先驗知識數據[1-6]。

本研究基于實測數據和遙感影像數據，聯合利用土壤水分產品降尺度和優化采樣方法，構建高精度土壤水分數字地圖。該研究不但對豐富遙感真實性檢驗學科理論和技術具有重要意義，而且能夠降低大尺度土壤水分產品誤差，提高在相關行業領域的應用價值，同時也為其他低分辨率遙感產品的真實性檢驗提供借鑒。

1? 研究區

本文選取河北省衡水市深州市為研究區，中心經緯度為38.05°N，115.47°E。在深州研究區共開展了4次野外試驗，玉米生長期主要集中在6～9月份，4次野外實驗包含了玉米整個生長周期（2016/6/27，2016/7/21，2016/8/14，2016/9/07）：苗期階段，穗期階段和花粒階段。根據研究區范圍和農作物的長勢情況，共選取23個樣區，每個樣區包含3個采樣點，共獲得69個采樣點信息。采用烘干稱重法測量地表0～5cm內的土壤含水量，烘干稱重法獲得每個采樣點土壤濕重、干重以及土壤容重，獲得土壤體積含水量（縮寫SMC）。

2? 研究方法

2.1 降尺度

本研究使用FY3-B土壤水分產品獲取指定區域、指定日期的土壤水分數據;并對FY3-B土壤水分數據進行降尺度處理，通過使用回歸模型將25km分辨率FY3-B 土壤水分數據空間分辨率提高為1km分辨率土壤水分數據：

（1）

其中A25為反照率（A）的25km平均值，V25為植被指數NDVI（V）的25km平均值，T25為地表溫度LST（T）的25km平均值，m和n分別是FY3-B像素中第i行和第j列中1km像素的數量;Aij是FY3-B中第i行和第j列中1Km像素的反照率值，Vij是FY3-B中第i行和第j列中1Km像素的NDVI值、Tij是FY3-B中第i行和第j列中1Km像素的地表溫度LST值;

本研究分布采用了三種不同的回歸統計模型， 其中，方程（2）和（3）分別引用了國外專家（choi等，2012;Kim等，2012）[7-8]和國內專家王安琪[9]等提出的統計模型，方程（4）是本文作者提出的統計模型。

SMC=a1+a2A+a3V+a4T+a5AV+a6AT+a7VT? ? ? ? ? ? ?（2）

SMC=a8+a9A*V*T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

SMC=a10+a11A+a12V+a12T? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

其中，SMC是土壤水分;a1、a2、……、a12是回歸系數;A為反照率、V為植被指數、T為地表溫度。

首先，將公式（1）計算的A25、V25和T25分別帶入公式（2）～（4），根據對應像元尺度25km分辨率的FY3-B土壤水分數據SM25，通過回歸分析計算模型中的回歸系數。

其次，將MODIS產品1km分辨率的反照率（A），植被指數NDVI（V）和地表溫度LST（T）帶入模型公式（2）～（4），相應計算得到了1km分辨率的土壤水分值SMC。

2.2 地面優化采樣

無論是土壤水分反演算法模型的構建，還是土壤水分產品的真實性檢驗，都需要土壤水分地面實測數據的支持。土壤水分具有較大的時空變異，尤其是表層土壤水分，實測數據的合理采樣布局，對非均質土壤水分制圖研究有很大影響[10-11]。

在像元土壤含水量分層采樣中，將像元大小為M的總體分成L個不相重疊的層，它們的大小分別為M1，M2，…，ML。第q（q=1，2，…，L）層的權重為Wq=Mq / M，可認為是第q層面積占整個像元面積的比例[19]。分層采樣的總體估計均值是L個樣本均值的加權平均，。和的方差分別為：

（5）

（6）

式中：σq，nq和fq=nq/Mq分別為第q層的標準差、樣本數目和抽樣比。若數據滿足正態分布，在1—α的置信水平下，可代替式（5）中的，則所有層的合理取樣數目可表示為

（7）

分層采樣除了能確定像元內總的合理取樣數目（n0）外，還能進一步估計像元內各單元層的取樣數目。第q層的取樣數目np為

（8）

最后，各層采樣數目確定后，就需要利用隨機組合方法確定各層中的抽樣點位置，具體思路如下：

（1）從各層的實測數據n中分別隨機選出m個數據（m=np），每次的選擇需要隨機重復s（s=）次。

（2）計算每次選擇得到的np個樣本集，共獲得組的采樣布局，以此作為地面優化抽樣數據點。

3? 結果與討論

3.1 土壤水分降尺度

選取研究區內待檢驗的長時間序列被動微波土壤水分產品，根據過境時間下載MODIS數據產品，包括16d合成NDVI、日LST和8d合成Albedo產品。

研究中引入Hants時間序列重構方法，將16d合成NDVI進行重構成單日NDVI?；贛ODIS單日數據產品，構建單日時間尺度上的被動微波土壤水分值與NDVI、LST和Albedo的相關性顯著的擬合方程。結果表明，不同擬合方程中FY-3B土壤水分與各先驗參量的相關性都表現顯著，其中本研究提出的擬合方程相關性也極為顯著（R=0.54，Significance F =0.0000**），如表1。

進一步利用構建的擬合方程對空間分辨率為25km的被動微波土壤水分數據進行降尺度，以獲取單日的1km尺度土壤水分數字地圖（圖1）。從圖上看出，2016/6/27苗期，土壤水分均值都低于10%，而2016/7/21穗期，土壤水分相對都較高，大多都高于16%。

3.2 地面優化采樣分析

單一遙感手段通常難以刻畫地表土壤水分的時空動態，如果想提高空間精度，必須補充觀測數據。為進一步提高土壤水分估計值的精度，本研究利用地面實測數據的優化采樣對土壤水分降尺度進行優化改進。

考慮到在1km區域尺度上大量收集高質量且具有表征性的地面樣本觀測數據費時費力，因此，本研究基于1km土壤水分信息的空間異質性和空間相關性規律，采取空間概率分布的優化分層策略，構建土壤水分預先采樣模型。

對單日的1km尺度被動微波土壤水分數字地圖進行空間異質性和空間相關性分析，根據公式（5）～（8），得到研究區土壤水分預采樣結果。如表2所示，當DOY=178，202，226和249時，研究區內分別至少需要15、5、10和34個樣點。地面樣點的空間布局如圖1所示，這是進行精度改進的地面合理采樣布局。需要說明的是，圖1中的d，從示意圖中只顯示了23個樣點，但實際上應該是包含了34個樣點，這其中的11個樣點，由于地面采樣間距比較近，所以在這個比例尺下的示意圖中無法全部顯示。

3.3 土壤水分精度評價

根據預采樣模型的地面樣點布局，開展被動微波降尺度土壤水分信息精度改進。為進行精度評價，本研究采用四次野外同步的69個地面實測數據集作為真值驗證數據。

表3是土壤水分產品精度改進前后的對比分析結果。結果表明，通過土壤預采樣方法，精度大大提高，其中絕對誤差減少了一倍，均控制在7.5%以內，相關系數也大大提高，表現更為顯著。

4? 結語

針對被動微波低分辨率像元內的異質性給土壤水分產品的真實性檢驗帶來的難題，本研究的目的在于獲取能夠代表衛星觀測尺度、并揭示空間異質性的土壤水分數字地圖，這是被動微波土壤水分產品真實性檢驗研究的關鍵問題。為了實現上述目的，本研究利用降尺度方法和分層優化采樣方法，構建了高精度土壤水分數字地圖，實現了融合多源數據類型的土壤水分制圖研究。

參考文獻

[1] C. Cui， J. Xu， J. Zeng， et al. Soil Moisture Mapping from Satellites： An Intercomparison of SMAP， SMOS， FY3B， AMSR2， and ESA CCI over Two Dense Network Regions at Different Spatial Scales[J]. Remote Sensing， 2018， 10（1）：33-52.

[2] Chenyang X ， John Q ， Xianjun H ， et al. Downscaling of Surface Soil Moisture Retrieval by Combining MODIS/Landsat and In Situ Measurements[J]. Remote Sensing， 2018， 10（2）：210-226.

[3] Karthikeyan L， Pan M， Wanders N ， et al. Four decades of microwave satellite soil moisture observations： Part 2. Product validation and inter-satellite comparisons[J]. Advances in Water Resources， 2017， 109：236-252.

[4] Yee M S ， Walker J P ， Rüdiger， Christoph， et al. A comparison of SMOS and AMSR2 soil moisture using representative sites of the OzNet monitoring network[J]. Remote Sensing of Environment， 2017， 195：297-312.

[5] 楊鐸.基于天地圖的農業一張圖系統設計與實現[J].科技資訊，2020（1）：5-6.

[6] 程葛鑒，于歡，孔博，等.面向對象遙感影像分析技術應用現狀與展望[J].科技資訊，2020（16）：12-13.

[7] Choi M ， Hur Y . A microwave-optical/infrared disaggregation for improving spatial representation of soil moisture using AMSR-E and MODIS products[J]. Remote Sensing of Environment， 2012， 124：259-269.

[8] Kim， J.， and T. S. Hogue. Improving Spatial Soil Moisture Representation through Integration of AMSR-E and MODIS Products[J]. IEEE Transactions on Geoscience and Remote Sensing， 2012，50 （2）： 446-460.

[9] 王安琪，施建成，宮輝力，等.降尺度土壤水分信息與植被生長參量的時空關系[J].農業工程學報，2012， 28（1）：164-169.

[10] Orlóci L. Community organization： recent advances in numerical methods[J].Canadian Journal of Botany-Revue Canadienne de Botanique， 1988，66： 2626-2633.

[11] Brus DJ， Sp?tjens LEEM， de Gruijter JJ. A sampling scheme for estimating the mean extractable phosphorus concentration of fields for environmental regulation[J]. Geoderma， 1999， 89： 129-148.