風云衛星系列及CLDAS土壤水分產品多尺度精度驗證與評價：以青藏高原那曲地區為例*

王卓穎，劉楊曉月，楊 驥，劉昭華

（1．江西理工大學土木與測繪工程學院，贛州 341000；2．廣東省科學院廣州地理研究所，廣州 510170；3．南方海洋科學與工程廣東省實驗室（廣州），廣州 511458）

土壤水分是全球陸面?大氣熱量交換的重要載體[1?3]，通過控制蒸發與蒸騰速率顯著影響植被生長發育狀態，是地表碳氮水循環、生態環境演化變遷研究中不可或缺的對象[4?5]。獲取高精度的土壤水分產品對于全球氣候變化研究、生態系統演替分析、旱澇監測預警、農作物長勢分析與估產等具有重要的支撐作用[6]。

土壤水分數據獲取方式主要有地面站點監測、衛星遙感反演和陸面模型同化三類[7]。其中，地面監測網絡通過在地表固定深度埋設傳感器對既定點位的土壤水分進行實時監測。地面監測網絡獲取的土壤水分數據精度高、時間間隔短（小時/分鐘級監測頻率），但空間范圍非常有限，因此常用作驗證數據參與其它類型土壤水分產品的評價與分析[8]。衛星遙感主要利用可見光-近紅外、熱紅外、微波波段基于輻射傳輸方程來開展土壤水分反演，其中微波遙感因不受天氣因素影響、對土壤水分敏感性高、反演數據質量普遍優于光學遙感等優點，被認為是星載傳感器監測土壤水分的高效方法[9?11]。但受傳感器自身誤差、地形和植被衰減等因素影響，微波遙感產品數據與實際數據之間存在誤差。相較而言，數據同化方法通過集成多源異構數據驅動陸面模式生成長時間序列土壤水分數據，在過程模型的動態框架內，通過集合卡爾曼濾波、四維變分、模擬退火等算法同化大氣驅動數據、地表參數數據和地面觀測數據，代入陸面模型通過spin-up 生成初始場，利用驅動數據和初始場信息驅動陸面模式進行積分運算得到土壤水分產品[12]。陸面模型同化產品時間序列長，覆蓋范圍廣，但反演過程中，所用的驅動數據與模型參數等因素帶來的不確定性使其表現與地面觀測值間存在差異。因此，評估這兩類土壤水分反演產品的有效性及精度并改進它們的反演方法是國內外研究學者的研究熱點與重難點問題。

近年來，國際上多套基于衛星遙感和陸面模式同化的土壤水分產品已在相關領域得到廣泛關注和研究，圍繞其數據質量利用地面站點網絡在美國、歐洲、澳大利亞等地開展了一系列評價驗證與不確定性分析研究。王安乾等[13]在塔里木河流域利用經驗正交函數分解對ECV（Essential Climate Variables）土壤水分產品的適用性進行了驗證，認為ECV 產品在擬合土壤含水量變化趨勢與空間分布上表現良好。Bi 等[14]利用青藏高原站點實測數據對GLDAS-1和GLDAS-2 兩套土壤水分產品進行了評價，認為兩者均能較好地捕捉土壤水分的時間變化，但存在低估地表土壤含水量的現象。姜少杰等[1]利用隨機森林方法對FY-3B 升降軌、FY-3C 升降軌微波遙感土壤水分數據產品分別融合后，認為在內蒙古地區融合后產品的表現優于SMOS（Soil Moisture and Ocean Salinity）和AMSR2（Advanced Microwave Scanning Radiometer 2）衛星土壤水分產品。Al-Yaari 等[15?17]采用多線性回歸法反演土壤水分，并對SMAP（Soil Moisture Active Passive）和SMOS 兩套數據進行精度評價，認為SMAP 的單通道算法產品和SMOS 產品具有良好的相關性。Chen 等[18]利用青藏高原實測數據對SMAP、SMOS 和AMSR2 的精度分析后發現，SMAP 產品在獲取土壤水分振幅和時空變化上較為優異；SMOS 數據集在那曲地區表現優良，但在帕里網絡中存在土壤水分時空變化獲取困難的問題；而AMSR2 數據集則夸大了時空變化。王雅正等[19]認為山東地區FY-3B/3C 與自動站觀測數據時間一致性較好，相關性和誤差存在明顯的季節變化。在國際對地觀測領域競爭日趨激烈的背景下，迫切需要對國產土壤水分數據進行系統評價，探究土壤水分精度的時空演化特征，為提高國產土壤水分產品的精度提供參考，為增強國產土壤水分產品的可用性和知名度起到促進作用。

青藏高原有“世界第三極”之稱[20]，特殊的地形和氣候特征使其成為北半球氣候變化的啟張器和調節器，它對全球氣候變化也具有高敏感性和調節性[21?22]。故而，研究該區域的土壤水分對分析全球氣候變化有著重要意義。由于青藏高原面積廣袤、地形復雜、自然環境嚴酷，地面觀測站點布設有限，獲取其整個區域長時間序列的土壤水分實測數據難度較大。因此，選擇有代表性的土壤水分產品對精確重現青藏高原土壤濕度變化情況具有重要意義。

本研究擬選取2015年1月1日?12月31日中國氣象局國家衛星氣象中心自主研制的FY-3B/3C 升降軌土壤水分產品、國家氣象信息中心研制的中國氣象局陸面數據同化系統CLDAS-V2.0 土壤水分產品以及全球陸地資料同化系統GLDAS-1 Noah 土壤水分產品，基于青藏高原那曲地區大（1°×1°）、中（0.3°×0.3°）和小（0.1°×0.1°）三個尺度土壤水分監測網絡進行評價驗證，以期為青藏高原氣候變化分析與模擬，以及土壤水分產品校正和算法優化提供參考。

1 材料與方法

1.1 研究區域概況

研究區域為地處西藏北部、青藏高原腹地的那曲地區（29°55′?36°30′N，83°55′?95°05′E），面積約40 萬km2，平均海拔在4500m 以上，地勢廣闊平坦，具有豐富的天然牧草資源。該地區屬于高原亞寒帶半干旱氣候區，干濕季分明，月均降水量最大在7月，最小在12月或1月，年平均降水量為476.5mm[23]。那曲地區植被類型主要為高寒草原和高寒草甸，土壤類型主要為高山草甸土、草甸沼澤土和高山草原土。圖1a 展示了研究區域的空間位置、海拔與土地覆被情況，其中海拔高程數據源自美國航空航天局發布的 ASTER GDEM（Advanced Spaceborne Thermal Emission and Reflection Radio meter Global Digital Elevation Model）[24?25]，數據獲取地址為http://reverb.echo.nasa.gov/reverb/；土地覆被數據源自歐洲航天局發布的土地覆被產品（Climate Change Initiative- Land Cover Product），數據獲取地址為https://www.eas-landcover-cci.org。

圖1 研究區地理位置及站點分布Fig.1 Spatial location of study area and distribution of observation stations

1.2 土壤水分實測數據

青藏高原中部土壤溫濕度觀測網數據集（Central Tibetan Plateau Soil Moisture and Temperature Monitoring Network,CTP-SMTMN）作為實測土壤水分數據，用于驗證并分析土壤水分產品的可靠性及精度，可由國家青藏高原科學數據中心（http://data.tpdc.ac.cn/）獲取。該觀測網由中國科學院青藏高原研究所建立，在研究區范圍內共布設56 個站點，如圖1b 所示。依據站點密度進一步將觀測網劃分為大尺度觀測網（1°×1°）、中尺度觀測網（0.3°×0.3°）和小尺度觀測網（0.1°×0.1°），各尺度觀測網內分別包含36、21 和9 個站點，站點分布情況分別見圖1c?圖1e。觀測站點采用5TM 或EC?TM 型號土壤溫濕度傳感器獲取土壤濕度數據，采樣間隔為30min，測量深度包括0?5cm、10cm、20cm 和40cm。考慮土壤質地和土壤有機碳含量對測量值的影響，對數據進行了校正，校正后精度為±（1%～2%），并對30min 分辨率數據計算算術平均值得到日分辨率土壤水分數據[26?30]。

選取空間分辨率為 1°×1°、0.3°×0.3°和0.1°×0.1°，時間覆蓋范圍為2015年1月1日?12月31日的0?5cm、0?10cm 和10?40cm日分辨率土壤水分實測數據作為理論真值，對各土壤水分產品進行精度評價分析。為了保證數據的可靠性，僅當每天地面有效監測數據超過24 個，即至少覆蓋12h，才認為該日的土壤水分實測值有效。

1.3 土壤水分產品數據

1.3.1 風云系列土壤水分產品

風云（FY）三號系列衛星是中國自主研制的第二代氣象極軌衛星，共有四顆衛星，其中A 星2007年發射、B 星2010年發射、C 星2014年發射、D 星2017年發射[31?32]。風云三號系列衛星首次搭載全功率雙極化微波輻射成像儀（Micro-Wave Radiation Imager,MWRI）在10.65、18.7、23.8、36.5 與89GHz開展對地觀測。其中，以10.65GHz 為中心波長的X波段對土壤水分具有較好的估測能力，反演精度可達3～6 個百分點（vol.%）[33?34]。因此，基于X 波段亮溫數據和一種改進的單通道算法[35]反演得到全球逐日土壤水分體積含水量產品（m3·m?3）。

目前風云衛星遙感數據服務網（http://satellite.nsmc.org.cn）開放獲取的土壤水分產品主要有兩種：（1）FY-3B 衛星升降軌土壤水分產品，由國家衛星氣象中心基于FY-3B 的MWRI 微波亮溫數據自主研制，利用Njoku 等[36]提出的迭代算法進行反演，并采用Shi 等[37]的裸土輻射參數化算法對于其糙度參數進行修改。其中FY-3B 衛星每日13：40地方時升軌（Ascending），1：40 地方時降軌（Descending）[1]。

（2）FY-3C 衛星升降軌土壤水分產品，由國家衛星氣象中心基于FY-3C 的MWRI 微波亮溫數據反演而來，反演算法與FY-3B 相同。其中FY-3C 衛星每日22：00 地方時升軌，10：00 地方時降軌[19]。相比FY-3B，FY-3C 對觀測數據類型和數據結構進行了優化，當天即可獲取覆蓋全球的數據，具有精度更高、穩定性更強、功能更全面的優點。

1.3.2 中國氣象局陸面數據同化系統土壤水分產品

為了貫徹落實中國氣象局關于建設中國長時間序列、高時空分辨率陸面實況格點融合產品的指導思想，國家氣象信息中心于2015年開始研制中國氣象局陸面數據同化系統CLDAS-V2.0，對149 種多源地面觀測數據、衛星遙感數據和數值模式產品等進行融合同化[38?39]，集成多種陸面模式模擬生成的東亞區域（0-65°N，60-160°E）、逐日、多深度（0-5cm、0-10cm、10-40cm、40-100cm、100-200cm）、0.0625°×0.0625°（約6km）經緯度網格的土壤體積含水量產品[40?41]。陸面數據同化系統可模擬生成具有時間、空間、物理一致性的土壤水分產品。CLDAS-V2.0 土壤水分產品從中國氣象數據網-青藏高原科學考察基本資料服務專題（http://tipex.data.cma.cn/）申請獲取。

1.3.3 全球陸面數據同化系統土壤水分產品

全球陸面數據同化系統GLDAS 數據集由美國宇航局、美國海洋和大氣局與國家環境預報中心聯合開發研制，融合多種衛星資料和地表觀測資料，并對陸面模型資料模擬同化生成[42]。該數據集具有驅動場穩定、時間序列長和覆蓋全球等特點，被廣泛應用于氣象學與水文學領域的研究。研究采用GLDAS-1 基于Noah 模型生成的0.25°×0.25°土壤水分數據集，數據集可從戈達德地球科學資料和信息服務中心（Goddard Earth Sciences Data and Information Services Center,GES DISC）（https://disc.gsfc.nasa.gov/）獲取[43]。

1.4 研究方法

1.4.1 數據預處理

選用空間分辨率為25km×25km 的FY-3B/3C 升降軌土壤水分日分辨率產品、空間分辨率為0.0625°×0.0625°的CLDAS-V2.0日分辨率產品和空間分辨率為0.25°×0.25°的GLDAS-1 Noah日分辨率產品，數據時間覆蓋范圍均為2015年1月1日-12月31日。為保證數據時空一致性，需要對原始數據進行WGS-84 地理坐標轉換，并對轉換后的影像數據拼接和裁剪，再根據 1°×1°、0.3°×0.3°和0.1°×0.1°三個尺度觀測網中站點空間位置對影像像元內土壤水分值與像元內站點實測數據進行空間匹配。另外，為了便于評價土壤水分產品與站點實測數據的一致性，統一所有土壤水分數據單位為土壤體積含水率，即m3·m?3。

鑒于風云衛星X 波段傳感器微波穿深范圍在地表3cm 左右和陸面模型同化數據中土壤濕度值為一定厚度土壤層的均值，故根據不同的測量深度將所有土壤水分產品劃分為0-5cm、0-10cm 和10-40cm三組。測量深度為0-5cm 時，利用實測值評價風云和CLDAS-V2.0 土壤水分產品的精度；測量深度為0-10cm 和10-40cm 時，利用實測值驗證CLDASV2.0 土壤水分產品精度并引入GLDAS-1 Noah 土壤水分產品進行對比分析。

1.4.2 評價指標

評價指標包括偏差（Bias）、相關系數（Correlation Coefficient,R）、均方根誤差（Root Mean Square Error,RMSE）和無偏均方根誤差（unbiased Root Mean Square Difference,ubRMSD）等。

偏差表示土壤水分產品數據接近站點實測數據的程度，偏差越接近0，產品精度越高。相關系數表示土壤水分產品與站點實測數據之間的線性相關程度，通常R 值越接近1，相關性越高，土壤水分產品表現越佳。均方根誤差表示土壤水分產品與實測值之間的偏差，因其對異常值的敏感性高，均方根誤差能很好地反映數據的精確度，均方根誤差越小，精度越高。無偏均方根誤差是均方根誤差的無偏估計，是土壤水分評價研究中常用的誤差參數，無偏均方根誤差越小，數據集精度越高。具體計算方法為

式中，Gi是地面站點實測數據，Si是衛星或數據同化土壤水分產品數據，i 為1、2、3、…、n，n為觀測總數據量，是地面站點實測數據均值，是衛星或數據同化土壤水分產品數據均值。

2 結果與分析

2.1 不同觀測網尺度土壤水分與降水的時間序列演化特征

圖2a-圖2c 分別代表小、中、大尺度觀測網下那曲地區站點實測值、各土壤水分產品與降水量的時間序列演化趨勢。由圖可以看出，3-10月為那曲地區的融化期，其余時期為冰凍期，冰凍期間土壤中液態水轉變為冰晶，數值變化較小。當該地區進入雨季（5-10月），土壤水分對降水響應明顯，土壤含水量隨著降水量增加而增加。降水量在8月達到峰值，實測值在峰值后達到最大，不同觀測網尺度下各土壤水分產品數據與站點實測值的土壤水分值變化趨勢均保持一致。但是，衛星土壤水分產品連續性較差，部分時段缺少有效數據，FY-3B/3C 的日間反演產品連續性優于夜間反演產品。

圖2 小（a）、中（b）、大（c）尺度觀測網中不同土層土壤水分與降水時間序列演化趨勢Fig.2 Daily series of soil moisture(FY-3B/3C ascending and descending,CLDAS,GLDAS and in-situ data)and precipitations at three depths of small(a),middle(b)and large(c)scale observation sparse network in different soil layers

由圖可知，大尺度觀測網中，0-5cm 深度，受到降水量增加的影響，從3月土壤開始解凍，站點實測土壤水分值上升，風云與CLDAS土壤水分產品取值增加，各土壤水分產品均能夠較好地描述土壤水分變化特征。但當8月土壤水分達到最大值時，CLDAS土壤含水量估計值與實測數據相差較小，而風云系列衛星土壤水分產品估計值約為0.5m3·m?3，為實測值的兩倍，高估了那曲地區站點實際土壤含水量。0-10cm 深度，CLDAS 普遍高估土壤含水量，GLDAS 模擬能力更優。但降水事件發生后，GLDAS出現明顯的突增，再隨著降水量減少而逐漸接近實測數據。10-40cm 深度，GLDAS土壤水分數據變化較小，且全年明顯高估土壤含水量。而CLDAS 與實測數據變化基本吻合，但隨著降水量增加，CLDAS出現高估現象。中尺度觀測網中，0-5cm 深度，CLDAS 估計值更接近站點實測值，能夠準確反映當地土壤水分變化。0-10cm 深度，GLDAS 對土壤水分的估計更準確，尤其是冰凍期。10-40cm 深度，GLDAS 估計過高，且變化幅度較小，模擬能力較差。小尺度觀測網中，0-5cm 深度，雨季時CLDAS 表現優秀，對土壤水分估計較為準確。0-10cm 深度時，GLDAS 與實測值變化趨勢擬合程度更高。10-40cm深度，雨季時估計值與實測值更接近，但其余時段GLDAS 估計過高，且變化幅度較小。而冰凍期CLDAS 估計較為準確，在融化期對土壤水分估計過高。綜上所述，降水是影響土壤水分實測值與估計值出現波動的重要因素，但波動隨著土壤深度增加而減弱。不同尺度觀測網中，0-5cm 深度，CLDAS優于風云系列土壤水分產品；0-10cm 深度，GLDAS優于CLDAS；10-40cm 深度，CLDAS 優于GLDAS。綜上所述，空間尺度的變化對統計結果影響不大，但對兩類產品土壤水分估計值精度影響程度較大，小尺度上各土壤水分產品估計值更貼近站點實測值，精度顯著提升。

2.2 不同觀測網尺度土壤水分產品Bias 與歸一化植被指數的時間序列演化特征

圖3a-圖3c 為小、中、大三個尺度觀測網中三種土壤深度里各土壤水分產品Bias 值與歸一化植被指數（Normalized Difference Vegetation Index,NDVI）的時間序列演化特征。由圖可以看出，當那曲地區處于融化期，植被生長，NDVI 增大，并于7月和9月出現極大值。大尺度觀測網中，0-5cm 深度，受到植被吸收和散射微波信號的影響，FY-3B/3C 在極大值區域Bias 指標為正值，最大值約為0.3m3·m?3，其余日期為負偏差。與受植被覆蓋密度影響顯著的衛星土壤水分產品不同，CLDAS 的偏差指標絕對值全年在0～0.1m3·m?3范圍內，精度更高。0-10cm 深度，CLDAS 和GLDAS 兩種數據同化產品的Bias 指標值始終在0～0.1m3·m?3，且GLDAS 的偏差指標值更接近于0，對當地土壤水分估計更加準確。10-40cm 時，GLDAS 的Bias 指標值波動幅度較小，但普遍高于CLDAS。整體上看CLDAS 數據質量更優。隨著空間分辨率的提高，小尺度觀測網各土壤水分產品的Bias 值低于大中尺度觀測網，精度提高。綜上所述，土壤含水量與植被生長呈正相關關系，但植被覆蓋密度對數據同化產品精度影響較小，對衛星土壤水分產品精度影響顯著。

圖3 小（a）、中（b）、大（c）尺度觀測網中不同土層土壤水分產品Bias 值與NDVI 的時間序列演化趨勢Fig.3 Daily series of Bias between in-situ data and soil moisture products(FY-3B/3C ascending and descending,CLDAS and GLDAS)and NDVI of small(a),middle(b)and large(c)scale observation sparse network in different soil layers

2.3 不同觀測網尺度各土壤水分產品與實測值的一致性分析

2.3.1 不同尺度土壤水分產品統計特征值比較

不同尺度觀測網的空間分辨率不同，內含觀測站點數量及分布信息不一致，致使不同尺度下的土壤水分信息表現不一。故本研究探討了大（1°×1°）、中（0.3°×0.3°）、小（0.1°×0.1°）三個觀測尺度中多源土壤水分產品在不同深度時的模擬能力。從圖4可以看出，在不同尺度觀測網上，各類數據集土壤含水體積模擬能力表現差異較大。整體上看，在不同空間尺度下，CLDAS 產品精度均為最佳，說明空間尺度的差異性對統計結果的影響較小，這與范科科等[44]研究結果一致。但空間尺度的差異性對同一地區的各類土壤水分產品精度造成了一定的影響。由圖4 看出，小尺度觀測網土壤水分產品精度高于大中尺度觀測網，在同一深度，小尺度觀測網上土壤水分產品與實測數據的相關系數最高，Bias、RMSE 和ubRMSD 最小。

圖4 青藏高原那曲地區多尺度土壤水分產品統計特征值分布Fig.4 The spatial statistical indices for soil moisture products at multi-scale sparse observation network in Naqu over the Qinghai-Tibetan Plateau

2.3.2 大尺度觀測網

圖5 為大尺度觀測網下在不同深度時多源土壤水分產品與站點實測值間相關系數及顯著性檢驗結果的分布情況。從圖中可以看出，那曲地區各土壤水分產品與大尺度觀測網中36 個站點實測值的相關系數由東南向西北遞減。0-5cm 深度，CLDAS與站點實測數據的相關性最高，其次是FY-3B 升軌產品，表現最差的是FY-3B 降軌產品。由圖6 可以看出，CLDAS 相關性最高，Bias、RMSE 和ubRMSD偏低，數據質量最優。衛星土壤水分產品中，FY-3B升軌產品與站點實測值相關系數大于0.6 的站點有24 個（圖5a），偏差、均方根誤差和無偏均方根誤差均值分別為 0.030m3·m?3、0.106m3·m?3和0.082m3·m?3，為所有衛星土壤水分產品中最低，土壤含水量模擬能力最優。風云系列衛星日間反演產品與站點實測值間的多數P 值小于0.01，為高度顯著相關（圖5a、5d），FY-3B 降軌產品全部P 值大于0.05，為顯著相關。0-10cm 深度，CLDAS 與觀測網內36 個站點土壤水分數據的相關性更高，但GLDAS 的Bias、RMSE 和ubRMSD 更低，其中Bias均值為0.030m3·m?3，GLDAS 對那曲地區的土壤含水量估計更準確。10-40cm 深度，CLDAS 相關性更高（圖5h、5i 和圖6a3），精度更高。CLDAS、GLDAS產品與所有站點的相關系數均通過0.01 水平的顯著性檢驗。

圖5 大尺度觀測網土壤水分產品與站點實測值相關系數（R）及顯著性檢驗結果（P）Fig.5 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at large scale sparse observation network

圖6 不同土層大尺度觀測網中土壤水分產品與站點數據統計指標的盒須圖Fig.6 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at large scale sparse observation network in different soil layers

2.3.3 中尺度觀測網

從中尺度觀測網（0.3°×0.3°）角度看，在0-5cm深度，CLDAS 整體表現最優。風云系列土壤水分產品中，FY-3B/3C日間反演產品偏差、均方根誤差和無偏均方根誤差分布情況相似，但與實測數據相關系數大于0.6 的站點個數，FY-3B 升軌和FY-3C 降軌土壤水分產品分別有19 個和16 個（圖7a、7d），相關系數均值分別為0.74 和0.71，FY-3B 升軌產品數據質量更高。而FY-3B 降軌產品與個別站點的相關系數為負值，Bias、RMSE 和ubRMSD 偏高，精度最差。圖7 顯示，除FY-3B 降軌產品外，衛星土壤水分產品與站點實測值間多數站點極顯著相關，個別站點中度顯著相關。在0-10cm 深度，CLDAS 和GLDAS 的R 和ubRMSD 指標分布相似（圖8），但GLDAS 的Bias 和RMSE 較低，對土壤水分估計更加準確。在10-40cm 深度，CLDAS 與GLDAS 的Bias、RMSE 和ubRMSD 接近，兩者與實測值間多數極顯著相關，但相關系數大于0.6 的站點個數分別為16 和3，R 均值分別為0.70 和0.37，CLDAS 精度明顯優于GLDAS。

圖7 中尺度觀測網土壤水分產品與站點實測值相關系數（R）及顯著性檢驗結果（P）Fig.7 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at middle scale sparse observation network

圖8 不同土層中尺度觀測網中土壤水分產品與站點數據統計指標的盒須圖Fig.8 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at middle scale sparse observation network in different soil layers

2.3.4 小尺度觀測網

就小尺度觀測網（0.1°×0.1°）來看，圖9 中，風云系列衛星日間數據集、CLDAS 和GLDAS土壤水分產品數據與站點實測值的相關系數均通過0.01水平的顯著性檢驗。圖10 中，0-5cm 深度，CLDAS表現最優，與站點實測值相關性高，Bias、RMSE 和ubRMSD 最低。衛星土壤水分產品中FY-3B 升軌數據精度最高，其次是FY-3C 降軌數據，FY-3B 降軌數據質量最差。0-10cm 深度，CLDAS 與多數站點數據相關性更高（圖9f、9g），但圖10 顯示，兩種數據同化產品的RMSE 和ubRMSD 分布情況接近，GLDAS的Bias更低，GLDAS數據質量高于CLDAS。10-40cm 深度，CLDAS 和GLDAS 與實測數據相關系數大于0.8 的站點個數分別為8 個和1 個，且CLDAS 的Bias 絕對值明顯小于GLDAS，RMSE 和ubRMSD 指標優于GLDAS。故在10-40cm 深度，CLDAS 在那曲地區適用性較好。

圖9 小尺度觀測網土壤水分產品與站點實測值相關系數（R）及顯著性檢驗結果（P）Fig.9 Correlation coefficient(R)and significance test(P)for soil moisture products and observed dataset at small scale sparse observation network

圖10 不同土層小尺度觀測網中土壤水分產品與站點數據統計指標的盒須圖Fig.10 Boxplots of spatial statistical parameters between soil moisture products and in-situ data at small scale sparse observation network in different soil layers

3 結論與討論

3.1 結論

本研究利用2015年青藏高原那曲地區觀測站點土壤水分實測數據對風云三號系列衛星土壤水分產品、CLDAS 和GLDAS土壤水分同化產品進行了精度評估驗證，比較了大、中、小尺度觀測網中測量深度為0-5cm、0-10cm 和10-40cm 時各土壤水分產品的優勢與劣勢。

從時間序列上看，不同尺度觀測網下，衛星土壤水分產品出現空值較多，連續性較差。當那曲地區進入融化期，風云系列衛星土壤水分產品精度降低，數據同化產品精度變化較小。當那曲地區進入雨季，站點實測值隨著降水增加而增大，在8月降水達到峰值時取得最大值。降水事件發生后，衛星土壤水分產品出現高估現象，但整體上，各土壤水分產品均能與站點實測數據變化趨勢保持一致，能夠較好地捕捉當地土壤水分變化情況。

從空間尺度上來看，不同尺度觀測網內各土壤水分產品與站點實測數據的相關性分布情況不一，精度由東南向西北遞減。隨著空間分辨率提升，土壤水分產品精度增加，小尺度觀測網中各數據集精度高于大尺度觀測網。陸面數據同化產品精度高于衛星土壤水分產品，風云系列衛星土壤水分產品日間反演數據集精度高于夜間反演數據集。0-5cm 深度時，CLDAS 精度最高，其次是FY-3B 升軌數據，最差是FY-3B 降軌數據；0-10cm 深度時，GLDAS 數據質量優于CLDAS；10-40cm 時，CLDAS 精度更高。說明空間尺度差異是造成結果異質性的主要原因之一。由于小尺度觀測網中實測站點數量較少，單個站點監測值僅能表示有限區域范圍的土壤水分，難以真正代表數公里格網像元的土壤水分整體情況。當尺度增大，單個像元內布設的站點增多，觀測密度增加，空間代表性增強，評價結果趨于穩定，可信度較高。

3.2 討論

本研究僅選取2015年數據在青藏高原那曲地區開展驗證分析，觀測站點數據少、時間序列短，而影響土壤水分的因素復雜多樣，精度驗證結果的適用性仍需進一步驗證。

卓嘎等指出，那曲地區夏季土壤水分日變化較為平緩，而秋季2cm 深度土壤水分日變化明顯[45]。當日土壤水分積累期為11：00-17：00，并于17：00左右達到峰值，隨后開始衰減，直到次日8：00 結束，完成一天的循環[46]。衛星土壤水分產品獲取的是衛星每日過境探測到的瞬時值[19]，而實測數據與陸面數據同化系統土壤水分值為日均值。因此，CLDAS 精度高于風云系列衛星土壤水分產品，且衛星日間土壤水分產品精度高于夜間產品[47]。說明本研究使用的時空匹配方法是衛星土壤水分產品與陸面數據同化系統產品精度存在差異的影響因素之一。因此，在下一步研究中將尋找其它時空匹配方法以提升匹配的合理性和準確度。

同樣地，站點布設區域受到地形、氣候、降水、植被等因素影響，5-10月不同尺度觀測網中各深度的土壤水分產品精度出現波動，尤其是衛星土壤水分產品變化顯著[48?49]。那曲地區站點所處土壤類型主要為高山草甸土，其近地表層為草根盤結層。該地區東部土壤質地均為壤質土，土壤有機質含量在2%以上，而西部地區土壤質地60%為壤質土，40%為砂質土，且有機質含量普遍低于東部土壤[50]。當那曲地區進入融化期或發生降水事件后，水分滲透土壤，經土粒的引力作用逐漸向土壤深層進行再分配，而后通過草甸根系吸收蒸騰作用以及表層土壤的蒸發回到大氣中。由于壤質土偏黏、吸水能力強，隨著入滲的水分增多，土壤水含量增加，致使土壤水分產品與站點的相關系數由東南向西北方向遞減。小尺度觀測網中站點數量較少，分布較集中，土壤類型單一，因此，小尺度觀測網中各土壤水分產品精度高于大尺度觀測網[44]。CLDAS土壤水分產品融合多源數據，加入氣溫、氣壓和降水等參數后使用CLDM3.5 模式進行陸面過程模擬土壤水分，故當降水后，CLDAS土壤水分產品與觀測數據更為吻合。而土壤表層中存在飽和含水量的土壤層導致衛星傳感器探測深度比站點傳感器探頭探測深度更淺，使得風云系列衛星土壤水分產品對土壤水分估計過高。因此，建議在后續土壤水分產品研制過程中考慮加入植被、地形、降水等因素的影響，持續迭代優化反演和同化算法，以獲得更高精度的土壤水分產品，更加科學、有效地提升中國土壤水分產品精度、穩定性和應用價值。