人工智能驱动的土壤水分数据时空序列重建研究(精)

第1章绪论 1.1研究背景与意义 土壤水分（Soil Moisture，SM）是表示一定深度土层土壤干湿程度的物理量，又称土壤水分含量。地表土壤水分是陆地表面水分存储和交换的重要介质与形式，对气候和环境变化有显著的反馈机制（González-Zamora et al.，2019；Mei et al.，2017；李得勤等，2015；Guo et al.，2006；Koster et al.，2004）。土壤水分是表征农业干旱、水文过程、地表蒸散量和区域气候变化的一个重要指标（Feng et al.，2017；Seneviratne et al.，2010；程街亮，2008；Drusch，2007；Western et al.，2003），也是全球气候变化、环境演替研究的重要组成部分及数据基础（Jing et al.，2018a；McNally et al.，2016；Shi et al.，2011；Koster et al.，2004）。系统研究土壤水分有利于分析作物长势、进行旱情分析和产量预测（Jiang and Weng，2017；Seneviratne et al.，2011）。 当前众多国际组织和机构致力于研究土壤水分空间分布特征和时间序列变化。美国国家航空航天局（National Aeronautics and Space Administration，NASA）和欧洲空间局（European Space Agency，ESA）建立陆地表层土壤水分航空实验（Passive and Active Land Band Sensor，PALS），主要针对土壤水分基础理论开展实验研究，分析空间微波遥感探测地表土壤水分的*佳波段（Dorigo et al.，2017；Dorigo et al.，2015）；美国国家航空航天局开展Hydros计划，监测全球冻土状态并进行全球土壤水分变化制图（Balsamo et al.，2006；O'Neill et al.，2006a）；美国国家航空航天局发起土壤湿度主动-被动探测（Soil Moisture Active Passive，SMAP）项目，通过获取土壤水分和冻融数据，分析地球水、能量和碳循环之间的关联性，并提升监测和预测诸如洪水和干旱等自然灾害的能力（郑兴明，2012；Das et al.，2011；O'Neill et al.，2010）。 土壤水分时空序列演替被广泛认为是水、能量和碳循环的主要驱动力之一，在气候系统中起着至关重要的作用，是近年来土壤水分领域研究的热点（Paulik et al.，2014；Legates et al.，2011；Xu et al.，2004）。因此，一些研究聚焦于土壤水分在诸如蒸发（Miralles et al.，2014）、降水（De Jeu et al.，2011）、热浪（Hirschi et al.，2010）的发生和植被发育（Schrier et al.，2013）等过程中的作用。此外，土壤水分也是影响陆气相互作用的重要水文变量（Jing et al.，2018b；Vereecken et al.，2008；Western et al.，2004；Brubaker and Entekhabi，1996）。感热通量和潜热通量之间的能量分配受地表湿度的强烈控制（Dirmeyer et al.，1999；Cahill et al.，1999）。通过这种控制，土壤水分影响局地气象要素，包括边界层高度和云量等（Betts and Ball，1998）。 因此，土壤水分数据对于深刻理解气候变化和全球水循环有深刻意义，在干旱监测、植被长势分析、农产品估产等方面具有高度应用价值。 随着航天技术、通信技术和信息技术的飞速发展，对地观测限制条件越来越少，数据获取更加方便、更新能力大幅提升。伴随微波、近红外、可见光遥感的发展，逐渐出现一系列多元化基于卫星的土壤水分反演数据。与可见光-近红外波段相比，微波具有穿云透雾的感知力，监测地面数据不受天气状况影响。因此主流的基于卫星的土壤水分数据主要是微波遥感数据，分为主动微波和被动微波两种。 被动微波传感器重返周期多为1～1.5天，空间分辨率普遍较低（约25km）。该类数据多用于估计大尺度范围、长时间序列的土壤水分及制图中。相比而言，主动微波传感器获取的数据空间分辨率较高（10～30m），但重访周期显著较长（16～25天）。合成孔径雷达（Synthetic Aperture Radar，SAR）的后向散射频率更高，对植被覆盖区和农作物区域的土壤水分估计精度明显低于裸地，误差较大。因此，在进行土地覆被类型多元化（包含原生植被、景观植被、农田、裸地等）区域土壤水分数据时空序列分析时，多采用基于被动遥感或主被动遥感结合的卫星土壤水分数据。 卫星过境时并非地表所有位置在重访周期内都能过境一次，而是基于卫星极地轨道高度、成像宽度、重访周期、升/轨扫描间隙等因素的权衡，因此造成土壤水分数据频繁出现空值。人为发射无线电信号干扰微波信号接收、浓密森林覆盖的区域微波无法穿透植被，以及被动微波传感器难以将土壤和植被的混合信号分解开等问题，进一步降低了卫星遥感微波土壤水分产品的完整性和质量。这些问题进一步限制了它在中小区域尺度的实际应用，如区域水文模型构建、地表循环过程分析、植被长势分析、农作物估产、流域土壤持水力估算中的精度等。综上所述，当前卫星遥感微波土壤水分产品存在空间破碎度高、数据不完整、空间分辨率低等问题，亟须发展时空连续的高分辨率土壤水分数据产品。时空连续高精度数据是研究土壤水分的关键基础支撑，而目前土壤水分重建方法繁多，参数选择自由度高，尚缺乏成熟、通用、高质量的理论体系和实践方法。因此，探索高效自动的卫星土壤水分数据重建及降尺度算法，生成时空连续数据，对于提升土壤水分产品精度和质量，推动土壤水分多源遥感数据融合具有重要理论意义和参考价值。 1.2国内外研究进展 1.2.1星载传感器土壤水分反演算法的主要原理和方法 自20世纪80年代以来，随着机载和星载遥感的发展和普及，遥感反演土壤水分的方法得到迅速发展。1980年，一项针对雷达L波段数据与土壤水分之间关系的研究结果表明，L波段数据与裸土土壤水分之间存在正相关关系（Chang et al.，1980）。1985年，表观热惯量（Apparent Thermal Inertia，ATI）概念的提出，使利用可见光-近红外反射率及热红外辐射温度差计算热惯量并估算土壤水分成为可能（Price，1985）。1988年，有学者开始利用扫描多通道微波辐射计（Scanning Multi-channel Microwave Radiometer，SMMR）和改进型甚高分辨率辐射计（Advanced Very High Resolution Radiometer，AVHRR）数据估算土壤水分，并分析了SMMR的极化方式及亮度温度与土壤水分之间的相关性（Choudhury and Golus，1988）。1999年，L波段ESTAR（Electronically Scanned Thinned Array Radiometer）被用于从被动微波数据中反演土壤水分，与实测数据的验证表明，反演算法合理有效（Jackson et al.，1999）。2001年，有研究基于SMMR SSM/I（Special Sensor Microwave/Imager）微波数据，建立C波段极化指数和X波段极化指数来反演土壤水分（Paloscia et al.，2002）。传感器通过卫星升轨降轨运行来获取微波辐射值，当卫星由南向北运行时，称为升轨；由北向南运行时，称为降轨。星载传感器常用微波为L波段、C波段和X波段（Marzialetti and Laneve，2016；Kim et al.，2009；Angiulli et al.，2004），其频率范围、波长范围如表1.1所示。 AMSR和SMOS是目前土壤水分研究中时间序列完整、全球尺度范围的被动微波土壤水分数据，ECV是现存时间序列*长，由七种主被动微波土壤水分产品合成的卫星土壤水分数据。本书研究拟选取这三类土壤水分产品进行对比和分析、降尺度重建和评价。基于本书的研究对象，主要对三种微波遥感土壤水分算法进行介绍。并在表1.2中总括各系列算法的优缺点。 1.AMSR算法 AMSR算法*初是根据微波亮度Tb与陆地表层土壤水分之间的耦合关系，借助迭代方程组同步计算表层土壤水分、植被含水量和地表温度（Land Surface Temperature，LST）。Njoku和Li（1999）主要使用AMSR传感器量测土壤水分在C、Ka和X波段的微波辐射值。在此基础上，Njoku和Chan（2006）进一步对算法优化升级，融合地形地貌与植被状态为一个变量，发展得到了归一化极化差异算法（Normalized Polarization Difference Algorithm，NPDA）。该方法**步是整合地形地貌与植被状态为一个变量：式中，Tb为植被覆盖区的地表亮温；Ts为单一地表亮温;Q为水平粗糙相关长度；g为地形与植被状态整合后的综合变量；α为相关系数;h为地表粗糙度参数;ζc为指数衰减参数;rp、rq分别为两种异质性极化方式的理想光滑平面反射率值。 该算法将使用极化率来替代表示单一通道亮温，目的是尽量削弱地表温度对土壤水分反演的影响，表达式如下：（1.3）式中，MPDI为极化率；TB，V为垂直极化得到的地表像元亮温；TB，H为水平极化得到的地表像元亮温。 基于以上参数反演土壤水分时，利用极化率分别在10.7GHz和18.7GHz的频率取值计算g，并在此基础上以极化率在10.7GHz频段的每年的逐月*小取值，通过回归拟合方程反演土壤水分mv值：式中，a0、a1为拟合经验参数值。 在计算植被光学厚度（Vegetation Optical Thickness）的基础上采用非线性迭代Brent方法计算表层土壤介电常数（Seiler and Seiler，2010），*后根据Wigneron模型反演表层土壤水分（Wigneron et al.，2007）。 AMSR土壤水分反演产品在全球范围得到广泛应用，但C、X波段近年来受到人为辐射频率干扰，有研究使用多时空鲁棒卫星技术（Robust Satellite Techniques）在全球范围评价了2002～2011年AMSR土壤水分反演产品的这两个波段受到的辐射干扰。结果表明，欧洲地区（尤其是英国和意大利）遭到X波段的射频干扰；印度、南美洲和日本受到的C波段强干扰（Lacava et al.，2012）。这一研究结论与前人的诸多调查结果相符。因此，不同频率波段的辐射干扰成为卫星遥感微波土壤水分产品区域性精度差异的主导因素之一。 2.SMOS反演算法 SMOS卫星土壤水分产品是基于卫星搭载的L波段频率1.42GHz合成孔径微波成像仪获取地表数据，对土壤水分和海水盐度开展反演的数据产品，其中土壤水分的反演基于优化植被参数和迭代算法展开。有学者研究发现，SMOS二维微波干涉仪数据可以对多类地表参数进行高质量反演，其多视角结构传感器以二维综合孔径原理为理论基础（Wigneron et al.，2000）。随后，多位学者通过深入研究提出用于反演全球大尺度范围地表参数的L波段亮温与土地覆被结构模型（Wigneron et al.，2007；Pellarin et al.，2006）。该模型根据地表覆盖和土地利用状态，将SMOS传感器接收的地表像元亮温（TB）分解为不同土地利用/土地覆被类型的加权组合形式：（1.5）式中，fB、fF、fH、fW分别为混合像元内裸土、森林、草地、水体的覆盖比例；TB，B、TB，F、TB，H、TB，W分