SMOS土壤介電常數可靠性研究

馬戰林　楊娜　崔學皓　左西俊

摘要 [目的]研究SMOS土壤介電常數的可靠性及對SMOS反演土壤水分精度的影響。[方法]針對美國大陸地區，基于USCRN實測數據計算Mironov介電常數，驗證SMOS-Mironov介電常數。[結果]Mironov介電常數對土壤水分參數敏感，與土壤溫度的量化關系不顯著；在0～23.5、0～0.4 m3/m3，SMOS-Mironov介電常數和土壤水分與USCRN的總體相關系數分別為0.49、0.54，但總體仍較USCRN偏低，SMOS反演的個別數據異常突出；東西部分異與地表覆被類型有一定的空間相似性，SMOS反演建模及輔助信息的采用需針對特定的地類做進一步優化；在空間分布上，各站點數據量和數值呈顯著的東西部分異特征，各站點數據量與降水量的相關系數為-0.02，初步證實降水對各站點的數據量無顯著影響，但會影響反演精度。[結論]該研究為我國土壤水分變化監測及農業干旱預測提供數據支持。

關鍵詞 干旱預測；SMOS；Mironov介電常數；USCRN

中圖分類號 S-3 文獻標識碼 A 文章編號 0517-6611（2018）17-0001-05

Abstract [Objective]To explore the reliability of the soil dielectric constant and the effect of SMOS retrieval soil moisture accuracy.[Method]The study was aimed to verify the SMOSMironov dielectric constant based on the USCRN field soil moisture by counting the Mironov dielectric constant in the continental United States.[Result]Mironov dielectric constant was sensitive to soil moisture and havent taken the clear quantitative relationship with the soil temperature.In the range of 0～23.5，0～0.4 m3/m3，the correlation coefficient of the SMOSMironov dielectric constant and soil moisture with the USCRN were 0.49 and 0.54.But SMOS was still low with USCRN and the SMOSs retrieval data were abnormal prominent at several areas.EastWest difference and the land cover had shown definite space similarity.The SMOS Retrieval model and the auxiliary data need do further optimization for specific land cover.In the spatial distribution，the data and numerical value of each site presented significant different characteristics between the East and the West.The correlation coefficient between the amount of data and precipitation at each station was -0.02.It was preliminarily proved that precipitation had no significant influence on the amount of data at each site，but could affect the accuracy of retrieval.[Conducsion]The study provides data support for soil moisture change monitoring and agricultural drought prediction in China.

Key words Drought prediction；SMOS；Mironov dielectric constant；USCRN network

土壤濕度決定植被的蒸發和光合作用，是植被群落生態環境的重要因子，影響植被生長發育、結構特征、分布規律及群落生產力及穩定性。土壤水分的獲取對生態環境評價及改善具有重要指導意義。SMOS（soil mironov and ocean salinity）是全球首顆被動微波土壤水分衛星，自2009年發射至今，已為氣象氣候、農業、環境等領域提供了關鍵的數據支撐[1-2]。研究表明，SMOS土壤水分的精度不理想[3-5]，有學者指出，微波輻射模型的不可靠是導致反演誤差的主要原因，其中包括土壤介電常數模型。

被動微波反演土壤水分的物理基礎是干燥土壤與液態水在介電常數上存在差異，而土壤含水量的不同導致介電常數發生顯著變化，而介電常數值及土壤粗糙度共同決定了某一類土壤的發射率，從而決定土壤自身的輻射亮溫和反射周圍環境的亮溫，輻射的亮溫信息經大氣傳輸進入微波輻射計天線端，根據天線端觀測的亮溫運用相關數學方法來反演土壤水分[6]。因此，在微波反演土壤水分過程中，土壤介電常數是模擬亮溫的重要前提，也是進一步反演土壤水分的關鍵物理基礎。2012年4月，SMOS將原用的Dobson模型改換為Mironov模型[5，7-9]，Mironov模型對土壤反射特性的物理表征更為嚴密，適用于更多的土壤類型，特別是針對沙地和接近0值的極端情況，仍可實現土壤水分的反演[10-11]。開展Mironov介電常數的可靠性研究對于掌握SMOS反演誤差機理十分必要[12]，但目前的驗證研究主要圍繞亮溫和土壤水分，對其研究較少。為此，筆者針對美國大陸地區，利用USCRN（U.S.Climate Reference Network）土壤水分與溫度實測資料計算Mironov介電常數，進而以其為參考驗證環境因子變化對SMOS-Mironov介電常數的影響，旨在對其數據量與數值做出總體評定，并初步證實真實觀測資料作為反演輔助信息的可行性。

1 材料與方法

1.1 研究區概況

研究區為美國大陸地區，美國的地形特點是東西兩側高，中間低，山脈均為南北走向。東部的阿巴拉契亞山自東北向西南擴展，與大西洋岸平行；西部的落基山脈號稱北美的脊骨，山體寬500 km，縱貫美國西部山峰高聳入云，為中部在平原豎起一座天然屏障。中部是占全國領土1/2的大平原。奔騰不息的密西西比河流經中部大平原，使之成為美國重要的農業區。美國本土位于北溫帶，大部分地區屬大陸性氣候，由于美國國土幅員遼闊，地形復雜，所受氣流影響也不同，因而全國各地氣候差異極大，主要分為5個氣候區。東北部沿海和五大湖地區是冬冷夏涼的大陸性溫帶闊葉林氣候；東南部沿海和墨西哥灣沿岸是冬暖夏涼的亞熱帶森林氣候；中部平原屬大陸性氣候；西部內陸高原和山地屬內陸性氣候；太平洋沿岸地區屬海洋性氣候。

1.2 數據來源 試驗所用數據見表1。SMOS Mironov介電常數（SMOS_DC）與土壤水分（SMOS_SM）均來自于Level 2數據。該數據的上級輸入是Level 1C觀測亮溫數據，它是土壤水分和植被光學厚度反演結果的主要存儲形式，在反演成功的前提下，將介電常數、亮度溫度、地表溫度等正向模擬過程參量一并存入。Level 2數據是免費的，該研究采用最新的V620版本。為避免積雪、冰凍等干擾，將研究時段選定為2016年4—10月。

美國氣象監測網USCRN（U.S.Climate Reference Network）由美國NOAA環境信息中心建設，以支持氣候影響研究為目標，面向全美（包括阿拉斯加和夏威夷）進行0～100 cm土層土壤水分、土壤溫度、外部溫度、降水、太陽輻射等氣象要素的連續觀測，頻率最高可達5 min/次，數據量豐富，質量可靠[12]。2016年，USCRN在美國大陸地區的站點數據為155個，其分布情況見圖1。USCRN加入了ISMN（International Soil Moisture Network）土壤水分共享計劃，數據免費。該研究使用的是5 cm土壤水分（USCRN_SM）、土壤溫度（USCRN_ST）逐時觀測數據，并由這2項參數根據式（1）～（6）計算Mironov介電常數（USCRN_DC）。

1.3 研究方法

2 結果與分析

2.1 介電常數對土壤水分、溫度的敏感性

土壤的成分長期相對穩定，一般情況下土壤質地參數可視為不變/緩變量[14]，根據式（1）～（6）Mironov介電常數主要是對土壤水分和土壤溫度的函數。其與土壤水分的數值關系見圖2a，近似指數形式。其中，USCRN_DC與土壤水分（USCRN_SM）呈“一對一”關系，數值曲線光滑、規則，絕大多數介電常數小于40，土壤水分低于0.6 m3/m3，與實際、理論相符。相比之下，SMOS的介電常數（SMOS_DC）與土壤水分（SMOS_SM）的數值曲線發散，基本為“一對多”的關系；介電常數和土壤水分分別集中在0～23.5和0～0.4 m3/m3，存在一定量異常值。可見SMOS對介電常數的反演偏高，對土壤水分的反演偏低。

由圖2b可知，在0～30 ℃，Mironov介電常數與其量化關系十分模糊；當土溫超過30 ℃時二者的數值關系才微弱顯現。由此可見，Mironov介電常數對土壤水分敏感但受土壤溫度影響較小。因此，能否在介電常數的建模中弱化土壤溫度參數值得探索，同時開展先驗土壤水分信息可靠性研究對于量化解析SMOS反演誤差非常關鍵。

2.2 可靠性

2.2.1 SMOS與USCRN的絕對差異。

SMOS_DC、SM對USCRN_DC、SM的數值分布見圖3。從相關性看，SMOS對介電常數的反演精度（R=0.28）比對土壤水分的反演精度（R=0.45）低，表明亮溫正向模擬過程中介電常數的不可靠性在進一步的土壤水分反演過程中并未被放大，可見其對反演誤差的貢獻有限，或不為主要誤差源。

取0～0.4 m3/m3為土壤水分的常規區間，由計算得Mironov介電常數為0～23.5，以此為閾值進行劃分，可見SMOS-Mironov介電常數對USCRN呈現出2個明顯的偏低和偏高聚集區，特別是偏高部分的異常十分突出（40～140）；在該范圍內，SMOS-Mironov介電常數和土壤水分與USCRN的總體相關系數分別為0.49、0.54。同時，SMOS土壤水分對USCRN的偏低和偏高表現與介電常數一致，異常區的對應顯著，但設置有高值截斷上限（1.0 m3/m3）。而Δ_DC與Δ_SM 的數值關系具有很強的相關性，相關系數達0.93，可探究SMOS在反演過程中是否存在系統誤差。

2.2.2 SMOS反演結果與地類和降水的相關性。以SMOS_DC=23.5、SMOS_SM=0.4 m3/m3為基本閾值，并將Δ_DC和Δ_SM作為輔助，按表2分組對SMOS-Mironov介電常數對USCRN的絕對差異做進一步量化分析。由數據量看，從低

到高排序情況為組2<5<1<3<6<7<4，在[SMOS_DC>23.5，SMOS_SM>0.4]的條件下，未發現[Δ_DC>0，Δ_SM≤0]的情況。引入2011年美國大陸地區覆被類型數據NLCD（national land cover database）[14]和USCRN降水觀測數據，探究其與地類和降水的相關性，結果見表2、3和圖4。

各分組在不同覆被下的數據量見表3。由表3可知，在整體分組情況下，[SMOS_DC<23.5，SMOS_SM<0.4]的總數據量占整體數據的97.23%，在[SMOS_DC>23.5，SMOS_SM>0.4]情況時數據量明顯低于[SMOS_DC<23.5，SMOS_SM<0.4]的數據量，可以發現SMOS在大多數情況下反演的數據可靠，可提供可靠的土壤水分信息。圖4在表3的基礎上，細化了各數據的數據量、分布、覆被及降水總量情況。

在[SMOS_DC>23.5，SMOS_SM>0.4]條件下，站點最少的組5有SD_Pierre_24_S、TX_Austin_33_NW和WY_Moose_1_NNE站點；站點間彼此遠離，TX_Austin_33_NW和WY_Moose_1_NNE站點的地表覆被類型均為灌木，約處于同緯度的SD_Pierre_24_S和WY_Moose_1_NNE站點的總降水量相近，但遠低于TX_Austin_33_NW站點。除MN_Goodridge_12_NNW、SD_Sioux_Falls_14_NNE、KS_Manhattan_6_SSW、IL_Champaign_9_SW、TX_Austin_33_NW和AL_Selma_13_WNW站點外，組1與組2有4個站點重合，重合站點主要集中在美國中部地區，地類無明顯相似；另組1中3站點MN_Goodridge_12_NNW、TX_Austin_33_NW、AL_Selma_13_WNW分別位于北、南和東偏南近沿海地區，且地類各不相同；組1中Δ_DC的數值差異較大，Δ_SM集中在0.03和0.12附近，而組2中Δ_DC和Δ_SM的數值差異不大，幾乎相同；但2組與降水均無顯著相關。組5、2、1介電常數和土壤水分對USCRN的總體相關系數分別為0.990、0.967、0.360（介電常數相關系數），0.997、0.977、0.495（土壤水分相關系數）。組3情況下，站點集中在美國東部，除位于南部的LA_Monroe_26_N和近海濱的FL_Everglades_City_5_NE外，其余各站數據量均較少。由表3可知，地表類型以低密度發展用地、常綠林、混合林為主。站點間Δ_DC的差異開始顯現，Δ_SM的差異進一步拉大，SMOS介電常數與土壤水分對USRCN的相關系數分別為-0.090、-0.054。而Δ_DC和Δ_SM對降水量的相關系數分別為-0.05、0.08。組3情況下，站點集中在美國東部，除位于南部的LA_Monroe_26_N和近海濱的FL_Everglades_City_5_NE外，其余各站數據量均較少。由表3可知，地表類型以低密度發展用地、常綠林、混合林為主。站點間Δ_DC的差異開始顯現，Δ_SM的差異進一步拉大，SMOS介電常數與土壤水分對USRCN的相關系數分別為-0.090、-0.054。而Δ_DC和Δ_SM對降水量的相關系數分別為-0.05、0.08。

在[SMOS_DC<23.5，SMOS_SM<0.4]條件下，組4站點遍布全美大陸。SMOS_SM≤0.4表達了土壤水分的常規狀況，因此該組數據量最高，但東多西少、北多南少。Δ_DC>0、Δ_SM>0則表明SMOS對介電常數和土壤水分的反演較USCRN均偏低，相關系數分別為0.765、0.781。Δ_DC和Δ_SM的數值分布及站點間差異較為相似，東部高、西部低的趨勢十分明顯，特別是與降水量在空間上呈現較好的相關。地表覆被類型以灌木、草本和落葉林為主，但西部類型少且均一，東部類型多且分散，與Δ_DC、Δ_SM的東西差異在空間位置上相對應。由此可初步推斷，降水對SMOS反演精度有影響，SMOS在低矮覆被地區反演土壤水分精度高且數據量豐富，而針對某些覆被類型的反演建模有待改善。在SMOS_SM<0.4、Δ_DC≤0條件下，組6、7分別為Δ_SM>0和Δ_SM≤0的2種情況。站點數量和空間分布與組4基本相同，但數據量相對較少。組6中各站點Δ_DC與Δ_SM數值幾乎一致，其最大、最小和均值分別為-0.001、-3.160、-0.724，SMOS_DC、SM與USCRN的相關系數很高，分別為0.990、0.988，與降水無顯著相關。組7數據量較高的站點與組4數據量較低的站點在空間位置上相對應，在一定程度上可視其為反演異常點，即圖2、3中的高值區部分。SMOS介電常數和土壤水分對USCRN的相關系數分別為0.719、0.758，與降水的相關系數為-0.405、-0.120，這在一定程度上反映SMOS的介電常數對降雨響應顯著。

3 結論

介電常數是表征土壤層微波輻射的關鍵參量，該研究進一步證實了Mironov介電常數模型對土壤水分的敏感性，并初步分析了降水和地表覆被類型對SMOS反演精度的影響。SMOS在低矮植被地區具有反演數據量豐富、精度高等特點，此反演的土壤水分數據可為我國相關單位服務。覆被類型對反演的數據量及精度有很大影響，這與算法中在不同覆被類型下模型的選擇及參數的設置有關。該研究證實了降雨對數據量并無明顯的影響，但降雨對反演的精度有影響，這與SMOS的過境的瞬時時間及降雨事件的影響有關，此種情況有待進一步分析。

在被動微波土壤水分反演體系中，按照先驗土壤水分（及土壤溫度）→介電常數→亮度溫度（Level 1C觀測、Level 2模擬）→反演土壤水分的完整流程來看，該研究還缺乏對亮度溫度這個環節的研究，因此，輔助信息、正演模型的可靠性對SMOS反演精度的量化影響尚未形成定論，這是該研究的不足之處。發揮地面上密集觀測站網的優勢、充分利用已有的實測資源，在高空、非接觸式探測的基礎上，進一步以地面、真實觀測為輔助實現SMOS快速校正和反演優化，是兼具研究價值和現實意義的課題，也是今后的重點研究方向。

參考文獻

[1] VAN DER SCHALIE R，PARINUSSA R M，RENZULLO L J，et al.SMOS soil moisture retrievals using the land parameter retrieval model：Evaluation over the Murrumbidgee Catchment，southeast Australia[J].Remote sensing of environment，2015，163：70-79.

[2] GRUBER A，SU C H，ZWIEBACK S，et al.Recent advances in （soil moisture） triple collocation analysis[J].International journal of applied earth observation and geoinformation，2016，45：200-211.

[3] ZAWADZKI J，KEDZIOR M.Soil moisture variability over Odra watershed：Comparison between SMOS and GLDAS data[J].International journal of applied earth observation and geoinformation，2016，45：110-124.

[4] CHAMPAGNE C，ROWLANDSON T，BERG A，et al.Satellite surface soil moisture from SMOS and Aquarius：Assessment for applications in agricultural landscapes[J].International journal of applied earth observation and geoinformation，2016，45：143-154.

[5] VAN DER SCHALIE R，KERR Y H，WIGNERON J P，et al.Global SMOS soil moisture retrievals from the land parameter retrieval model[J].International journal of applied earth observation and geoinformation，2016，45：125-134.

[6] WIGNERON J P，JACKSON T J，ONEILL P，et al.Modelling the passive microwave signature from land surfaces：A review of recent results and application to the Lband SMOS & SMAP soil moisture retrieval algorithms[J].Remote sensing of environment，2017，192：238-262.

[7] PANCIERA R，WALKER J P，KALMA J D，et al.Evaluation of the SMOS L-MEB passive microwave soil moisture retrieval algorithm[J].Remote sensing of environment，2009，113（2）：435-444.

[8] KERR Y H，WALDTEUFEL P，RICHAUME P，et al.The SMOS soil moisture retrieval algorithm[J].IEEE Transactions on Geoscience & Remote Sensing，2012，50（5）：1384-1403.

[9] KERR Y，REUL N，MARTNNEIRA M，et al.ESAs soil moisture and ocean salinity missionachievements and applications after more than 6 years in orbit[J].Remote sensing of environment，2016，180：1-2.

[10] MIALON A，RICHAUME P，LEROUX D，et al.Comparison of dobson and mironov dielectric models in the SMOS soil moisture retrieval algorithm[J].IEEE Transactions on Geoscience & Remote Sensing，2015，53（6）：3084-3094.

[11] DRUSCH M，HOLMES T，ROSNAY P D，et al.Comparing ERA40based Lband brightness temperatures with skylab observations：A calibration/validation study using the community microwave emission model[J].Journal of hydrometeorology，2009，10（1）：213-226.

[12] WANG Z Y，CHE T，LIOU Y A.Global sensitivity analysis of the LMEB model for retrieving soil moisture[J].IEEE Transactions on Geoscience & Remote Sensing，2016，54（5）：2949-2962.

[13] MIRONOV V L，FOMIN S V.Temperature and mineralogy dependable model for microwave dielectric spectra of moist soils[J].PIERS Online，2009，5（5）：411-415.

[14] 趙天杰.被動微波遙感土壤水分[D].北京：北京師范大學，2012.