內蒙古地區FY-3B/3C微波遙感土壤水分數據產品的融合與評估*

姜少杰，宋海清，李云鵬**，潘學標，姜會飛

內蒙古地區FY-3B/3C微波遙感土壤水分數據產品的融合與評估*

姜少杰1，宋海清1，李云鵬1**，潘學標2，姜會飛2

（1．內蒙古自治區生態與農業氣象中心，呼和浩特 010051；2．中國農業大學資源與環境學院，北京 100193）

土壤水分是陸?氣耦合系統的重要組成部分，土壤水分監測在氣候、水文、農業等領域具有重要意義。與站點資料相比，遙感數據能夠較好地反應區域格點上土壤水分的變化。基于2018年作物生長季（5?10月）觀測站點表層（0?10cm）土壤水分逐日觀測資料，選用與觀測站點資料時空一致的FY-3B升軌/降軌、FY-3C升軌/降軌、AMSR2、SMOS衛星土壤水分產品，對各遙感數據進行檢驗。首先利用加權平均法對FY-3B升軌/降軌、FY-3C升軌/降軌產品數據進行融合，然后利用隨機森林方法融合形成FY-3B/3C數據集，對比評價AMSR2、SMOS、FY-3B/3C在內蒙古地區的適用性。結果表明：FY-3B升軌/降軌、FY-3C升軌/降軌中日間的數據質量好于夜間，通過加權平均融合后的FY-3B和FY-3C數據質量無顯著改善，利用隨機森林模型融合形成的FY-3B/3C數據產品質量得到顯著提升。在雨季和高植被覆蓋區（東北部），SMOS、AMSR2、FY-3B/3C三個數據產品中FY-3B/3C數據質量均好于SMOS和AMSR2。整體來看，SMOS在內蒙古中部和東南部地區適用性較好，AMSR2在全區適用性較差，FY-3B/3C在全區適用性最好。

FY-3B/3C；土壤水分；數據融合；遙感監測；適用性

土壤水分是陸?氣耦合系統中能量和水分傳遞的重要參量，是水循壞中的重要指標[1?4]。土壤水分與全球氣候相互反饋[5?7]、氣候變化引起土壤水分變化，直接影響陸面熱量和水分，從而導致大氣環流變化，大氣環流又影響全球氣候變化。土壤水分是植物生長發育的主要水分來源，是直接反映作物生長、土壤干旱、水資源存儲能力的關鍵要素[8?9]。因此，在水分缺乏的地區，土壤水分的監測和校正對該地區合理利用水資源具有重要的指導作用。

傳統水分觀測主要基于陸面站網，可以有效觀測站點的土壤水分動態變化，但對于獲取區域大尺度土壤水分的時空變化較為困難。從20世紀70年代開始，微波反演的方法得到應用，美國國家航空航天局（NASA）對地表亮溫和土壤水分之間的關系進行了相關研究。微波遙感方法分為主動微波方法和被動微波方法，后者應用較為廣泛，其遙感波長更長，穿透力較強。同時微波輻射計方法能夠在更大的區域觀測，具有觀測周期短、對土壤水分濕度監測更加精確等優勢。被動微波遙感反演方法可以有效解決大尺度區域上格點土壤水分的時空變化問題[10?11]，但對于衛星反演的數據需進一步評估和檢驗。目前已有較多微波方法進行土壤水分反演，并獲得了相應的土壤水分產品。

國內外對不同衛星土壤水分產品的評估工作開展較多，目前應用較為廣泛的衛星/傳感器有微波先進散射儀（ASCTA）、先進微波掃描輻射計地球觀測系統（AMSR?E）、先進微波掃描輻射計2（AMSR2）[4, 12?15]、歐空局土壤濕度和海水鹽度SMOS[2, 15?17]、中國的風云衛星FY-3B和FY-3C[18?20]。Cui等[19]利用兩個土壤水分觀測網對青藏高原地區的FY-3B/MWRI反演數據進行驗證，同時與基本氣候變量（ECV）進行對比檢驗，發現FY-3B升軌的數據質量明顯優于降軌的數據質量，在凍土期和植被指數（NDVI）較低的地區FY-3B升軌數據要優于ECV。Chen等[21]利用青藏高原2個地面觀測站網對SMAP、SMOS、AMSR-2反演的土壤水分產品進行評價，研究表明SMOS能夠較好地反應青藏高原地區土壤水分的時空變化，MSOS在半濕潤地區（那曲）表現較好，但在半干旱區域（帕里）表現較差，AMSR-2在青藏高原對時空變化的反應較差。Liu等[22]對SMMR、SSM/I、TRMM和AMSR-E衛星數據通過亮溫反演并對反演數據進行融合，融合數據表明澳大利亞近地水文中有較強的厄爾尼諾?南方濤動現象。萬紅等[23]通過評估FY-3B土壤水分產品在青藏高原的適用性表明，FY-3B的土壤水分產品與青藏高原地區的降水分布一致，土壤水分產品在各個季節都能夠較好地反應青藏高原地區的土壤水分變化。徐作敏等[20]利用變分法對FY-3C土壤水分進行研究，結果表明FY-3C土壤水分產品在時空分布上能夠較為準確地反映實際情況，通過變分法訂正后的土壤水分產品的準確性得到提高。目前，國內外對FY-3B和FY-3C土壤水分產品評估和融合的研究報道仍較少。本研究利用內蒙古生態與農業氣象中心提供的2018年5月1日?10月31日的土壤水分實測數據，對FY-3B、FY-3C產品進行驗證并融合形成FY-3B/3C土壤水分產品，將FY-3B/3C、SMOS和AMSR2土壤水分產品進行對比驗證分析，評價FY-3B/3C融合在內蒙古不同區域的適用性，為基于風云衛星土壤水分產品的相關研究和應用提供支持。

1 資料與方法

1.1 數據及其來源

地面觀測資料為內蒙古自治區（97°12′? 126°04′E，37°24′?53°23′N，海拔1000m以上）地面自動站2018年作物生長季（5?10月）0?10cm土壤體積含水量逐日觀測數據。數據經過篩選和質量控制，將土壤水分大于0.5cm3·cm?3的數據進行剔除，并將不合理站點去除，為了減少灌溉等不確定因素的影響，最終篩選出37個固定地段自動站有效觀測數據。由于區域內氣候差異大，將整個研究區分為東北（NE）、東南（SE）、中部（M）、西部（W）4個分區，不同區域站點分布見圖1。

圖1 內蒙古自治區氣象站點分布及研究分區

FY-3B和FY-3C衛星由中國發射，搭載的為微波輻射成像儀（MWRI），MWRI有5個頻率，每個頻率有兩個極化模式。MWRI能夠測量10.65GHz-89GHz的水平和垂直偏振亮度溫度。通過亮溫反演分別獲得FY-3B升軌（13：30）/降軌（1：30）和FY-3C升軌（22：30）/降軌（10：30）的土壤水分產品。選用FY-3B升軌/降軌和FY-3C升軌/降軌土壤水分日值產品，其空間分辨率為25km×25km，數據下載于中國國家氣象衛星中心（http://satellite.nsmc.org.cn/PortalSite/Data/DataView.aspx）。歐空局發射的SMOS主要用來觀測地表水和海鹽度，SMOS搭載的為合成孔徑微波成像輻射計（MIRAS），該衛星的中心頻率為1.143GHz，能夠有效避免人為輻射噪音和環境的干擾，保證監測的精度[24]。選用SMOS的日值土壤水分產品，其空間分辨率為0.25°×0.25°，數據下載于歐空局（https:// smos-diss.eo.esa.int/oads/access）。日本宇宙航空開發機構（JAXA）發射的地球水環境變化監測衛星“GCOM-W1”上搭載AMSR2傳感器，提供地球水和能量循環的長期監測數據[10]。選用AMSR2日值土壤水分產品，其空間分辨率為0.25°×0.25°，數據下載于美國國家航空航天局（https://search.earthdata. nasa.gov/search）。

采用6套土壤水分日產品數據集，即FY-3B升軌/降軌、FY-3C升軌/降軌、SOMS和AMSR2，數據覆蓋時間為2018年5月1日?10月31日。土壤水分產品取值范圍為0～0.5m3·m?3，其中?999為空值。以內蒙古自治區地面土壤水分觀測站網同期實測數據為參照，對比評價SMOS、AMSR2以及融合產品FY-3B/3C在內蒙古地區的適應性。

1.2 數據融合與評估方法

1.2.1 融合方法

通過編程處理對遙感數據和觀測站點的數據進行空間匹配。由于衛星空間分辨率與站點不完全匹配，需要利用遙感像元內土壤水分值與像元內站點的土壤水分進行位置臨近匹配，以減少空間誤差。同時，需要利用遙感過境日數據與該日站點土壤水分進行時間匹配。根據FY-3B升軌/降軌和FY-3C升軌/降軌數據分別通過加權平均法進行數據融合形成FY-3B、FY-3C數據集，加權平均要求衛星觀測傳感器相一致，觀測物體要一致。兩星升軌和降軌土壤水分數據融合方程分別為

式中，y1和y2分別為FY-3B升軌和降軌數據，y3和y4分別為FY-3C升軌和降軌數據，z1和z2分別為融合后FY-3B和FY-3C土壤水分數據。

根據站點觀測數據，利用隨機森林（RF）模型對FY-3B、FY3C數據集進行二次融合，獲得FY-3B/3C數據集。隨機森林模型是一種由多個決策樹模型組成的集成機器學習方法。該模型的基礎模型為決策樹模型，決策樹模型是通過遞歸將訓練樣本劃分成為較小的子集構建樹。隨機森林從原始訓練集中使用Bootstraping方法隨機放回采樣取出m個樣本，共進行n次采樣。生成n個訓練集并構建n個決策樹進行訓練，根據每個決策樹最好的特征進行分裂，由生成的多個決策樹構建成隨機森林，最終根據多顆決策樹的均值決定預測結果。

式中，x1、x2作為遙感融合數據的特征值，分別為FY-3B、FY-3C的土壤水分產品，y為模型的輸出值，即土壤水分預測值FY-3B/C。

1.2.2 評估方法

根據地面觀測站網數據，利用Python Linear Model中Linear Regularization Model方法對FY-3B升軌/降軌、FY-3C升軌/降軌，以及升軌/降軌融合后的FY-3B、FY-3C土壤水分產品進行評估和驗證。利用Python的Linear Regularization Model方法分別評估比較FY3B/3C、SMOS、AMSR2的結果，分析FY-3B/3C數據產品在內蒙古地區的適應性，利用最小二乘法，獲得線性回歸方程，分別計算偏差（Bias）、相關系數（r）、均方根誤差（RMSE）等指標。

2 結果與分析

2.1 FY-3B/C土壤水分數據的融合

2.1.1 各星升軌/降軌數據的融合

2018年作物生長季（5?10月）整個研究區域內FY-3B衛星升軌/降軌和FY-3C衛星升軌/降軌的樣本數量分別為4270、3315個和3853、4150個。按照“鄰近”原則，選取與站點匹配的格點數據進行相關分析，結果見圖2。由圖中可見，FY-3B衛星升軌、降軌以及兩者以等權重融合（式3）后的FY-3B數據與鄰近站點土壤含水量間的相關系數（R）分別為0.41、0.36和0.40，偏差（Bias）分別為0.026cm3·cm?3、0.045cm3·cm?3和0.033cm3·cm?3，均方根誤差（RMSE）分別為0.098cm3·cm?3、0.108cm3·cm?3和0.100cm3·cm?3。FY-3C衛星升軌、降軌以及兩者以等權重融合（式4）后的FY3C數據與鄰近站點土壤含水量間的相關系數（R）分別為0.37、0.39和0.38，偏差（Bias）分別為0.035cm3·cm?3、0.029cm3·cm?3和0.032cm3·cm?3，均方根誤差（RMSE）分別為0.105cm3·cm?3、0.099cm3·cm?3和0.101cm3·cm?3。可見，FY-3B升軌（13：00）數據要好于降軌（1：30）數據，FY-3C降軌（10：30）數據要好于升軌（22：30）數據，對于同一衛星而言，白天的數據質量好于夜間的數據質量。升軌與降軌土壤水分數據融合后的FY-3B和FY-3C數據樣本分別為5609個和5652個，數據集中程度更高，數據質量優于夜間衛星數據質量，但差于白天數據。

圖2 內蒙古區域2018年5?10月FY-3B（1）和FY-3C（2）衛星的升軌（a）、降軌（b）及兩者等權重融合（c）土壤水分與鄰近觀測站點實測值的相關分析

2.1.2 兩星數據融合

圖3顯示，FY-3B和FY-3C兩星融合后的數據FY-3B/3C的樣本數量為6176個，將兩星所有數據按照隨機森林模型進行融合，兩星融合后的數據FY-3B/3C與鄰近站點土壤含水量間的相關系數（R）為0.90，偏差（bias）為?0.0003cm3·cm?3，均方根誤差（RMSE）為0.037cm3·cm?3。由圖可見，通過隨機森林模型對數據進行融合后，與FY-3B和FY-3C相比，融合后的數據FY-3B/3C相關系數得到顯著提升，絕對誤差（bias）顯著減小，同時均方根誤差也顯著減小。

圖3 2018年5?10月FY-3B和FY3C兩星土壤水分數據融合值與鄰近觀測站點土壤實測水分的相關分析

2.2 FY-3B/C土壤水分融合數據的分區評估

2.2.1 與站點實測值對比

根據圖1中區域劃分方式，按區域計算FY-3B/3C系列、SMOS、AMSR2數據，并與站點實測數據進行比較，各區域遙感數據和實測數據為各區內數據的平均值。由圖4可見，在西部區域，與實測值相比，FY-3B/3C變異程度最小，SMOS數據的變異程度最大，AMSR2的土壤水分偏干，其余數據集的土壤水分偏濕。中部區域上，與觀測值相比，FY-3B/3C變異程度最小，AMSR2變異程度最大，SMOS、AMSR2偏干，其余數據集的土壤水分偏濕。東南區域上，與觀測值相比，FY-3B/3C變異程度最小，AMSR2變異程度最大，FY-3B/3C、SMOS、AMSR2土壤水分偏干，其余數據集的土壤水分偏濕。東北區域上，FY-3B/3C變異程度最小，FY-3C變異程度最大，FY-3B/3C、SMOS土壤水分偏干，其余數據集的土壤水分偏濕。從月份上看，5?7月和9?10月各遙感數據值與站點實測值較為接近，7?9月各遙感數據值與站點實測值相差較大。

2.2.2 與其它衛星數據對比

圖5顯示，各區域內FY-3B/3C、AMSR2、SMOS數據與站點實測數據相關性比較中，以FY-3B/3C的相關性最好，SMOS次之，AMSR2最差。不同區域中，東北區域的相關性均較差，中部區域相關性均較好。由表1可知，東北區域內，FY-3C升軌和SMOS數據集與實測數據間相關顯著（P＜0.05），其余數據集與實測數據間均為極顯著相關（P＜0.01）；東南區域內，SMOS數據集與實測數據間均未通過顯著性檢驗，其余數據集與實測數據間均為極顯著相關（P＜0.01）；中部和西部區域上，遙感數據集與實測數據間均為極顯著相關（P＜0.01）。在西部區域上，FY-3B/3C數據的R、RMSE、Bias最好，SMOS最差，中部區域上，FY-3B/3C的R、RMSE、Bias最好，SMOS和AMSR2的R、RMSE、Bias均較好，東南區域上，FY-3B/3C的R、RMSE、Bias指標最好，AMSR2的最差，東北區域上，FY-3B/3C的R、RMSE、Bias最好，SMOS較差，AMSR2無法反演出有效數據。FY-3B和FY-3C經過隨機森林模型融合后，數據質量得到極大提升，但東北區域數據質量較差，所以融合后與觀測數據的相關系數提升幅度最小，東南和中部區域上融合后的相關系數提升較大。

圖4 2018年5?10月4個區域0?10cm土壤濕度（FY衛星和實測）時間序列

圖5 2018年5?10月各站實測土壤水分與FY-3B/3C、SMOS、AMSR2土壤水分數據的相關系數

表1 2018年5?10月內蒙古不同區域0?10cm日平均土壤水分遙感數據與站點觀測值間關系分析

注:*、**分別表示相關系數通過0.05、0.01水平的顯著性檢驗。?表示在東北區域上無相應指標。

Note:*is P<0.05，**is P<0.01. ? represents there are no correlation indicator in Northeast region. R is correlation coefficient, BIAS is deviation rate, RMSE is root mean square error.

3 結論與討論

利用2018年內蒙古地區作物生長季（5?10月）觀測站點日平均表層土壤水分（0?10cm）對9套遙感數據集進行評估驗證，將FY-3B和FY-3C進行融合，比較FY-3B/3C、SMOS和AMSR2數據集在不同區域上的優勢及劣勢，評估FY-3B/3C在內蒙古地區的適用性。

通過對FY-3B升軌/降軌和FY-3C升軌/降軌評估發現，FY衛星在白天的數據質量要優于夜間質量，印證了Cui等[19]研究。將升軌和降軌數據通過等權重法進行融合，融合后數據樣本數量得到提升，數據質量無顯著改善。通過隨機森林模型對FY-3B和FY-3C融合后，融合后的數據與觀測值相關性得到顯著提升（R=0.9），RMSE和Bias顯著降低，數據質量顯著提升。

從不同區域時間序列上看，西部區域上，FY-3B/3C與站點實測值更為接近，SMOS與站點實測值差異較大。其它區域上，AMSR2數據與站點實測值差異較大，數據質量較差。觀測期內（5?10月），以7?9月各個數據集與觀測值差異最大，遙感數據反演受到地形、降水、植被等因素影響較為敏感[10,12,25?27]。隨著降水和植被覆蓋度從西部到東北遞增，FY-3B和FY-3C、SMOS和AMSR2遙感數據與站點觀測數據的差異逐漸變大，經過隨機森林方法融合后的FY-3B/3C數據在降雨季和高植被覆蓋區誤差明顯減小。

根據區域分析，經過融合的FY-3B/3C在各個區域上具有明顯的優勢，數據質量好于其它數據集。整體來看，SMOS在中部和東南部（半干旱和半濕潤地區）適用性較好，AMSR2在內蒙古地區適用性較差，FY-3B/3C在內蒙古地區適用性好[21, 28?29]。

本研究在對數據進行評估時，觀測的站點數據相對較少，時間序列不足，對數據評估結果存在一定的偶然性，可以增加陸面模式的土壤水分產品對遙感數據進行評估[6,12,30]。在利用隨機森林模型進行擬合時，由于時間序列不足，模型的適用性還有待進一步驗證。從空間上看，東部區域土壤水分總體相對較差，從時間上看，7?9月土壤水分總體較差，這主要受到降水和植被覆蓋的影響，尤其7?9月東北區域上表現較為明顯。由于土壤水分反演受到較多因素的影響，反演產品的數據準確性較低，所以利用融合產品可以有效提高土壤水分準確性，整體來看FY-3B/3C在不同區域上優勢較為明顯。在對遙感數據進行驗證時，由于遙感數據的空間分辨率在25km，而站點和遙感數據按照空間位置臨近匹配，遙感數據和站點數據空間存在一定差異，可以進一步降低遙感的空間分辨率，提高反演產品的精度[5, 26, 31]及遙感數據和站點數據匹配的準確性。

[1]McColl K A,Alemohammad S H,Akbar R,et al.The global distribution and dynamics of surface soil moisture[J].Nature Geoscience,2017,10(2):100-104.

[2]Al Bitar A,Leroux D,Kerr Y H,et al.Evaluation of SMOS soil moisture products over continental US using the SCAN/SNOTEL Network[J].Ieee Transactions on Geoscience and Remote Sensing,2012,50(5):1572-1586.

[3]Assouline S.Infiltration into soils:conceptual approaches and solutions[J].Water Resources Research,2013,49(4):1755-1772.

[4]Sahoo A K,Houser P R,Ferguson C,et al.Evaluation of AMSR-E soil moisture results using the in-situ data over the little river experimental watershed,georgia[J].Remote Sensing of Environment,2008,112(6):3142-3152.

[5]馬柱國,符淙斌,謝力,等.土壤濕度和氣候變化關系研究中的某些問題[J].地球科學進展,2001,16(4):563-568.

Ma Z G,Fu Z B,Xie L,et al.Some problems in the study on the relationship between soil moisture and climatic change[J].Advances in Earth Science,2001,16(4):563-568.(in Chinese)

[6]宋海清,李云鵬,張靜茹,等.內蒙古地區多種土壤濕度資料的初步評估[J].干旱區資源與環境,2016,30(8):139-144.

Song H Q,Li Y P,Zhang J R,et al.Evaluation of ERA5 reanalysis soil moisture over Inner Mongolia[J].Journal of Arid Land Resources and Environment,2016,30(8):139-144. (in Chinese)

[7]Seneviratne S I,Corti T,Davin E L,et al.Investigating soil moisture–climate interactions in a changing climate:a review[J].Earth-Science Reviews,2010,99(3-4):125-161.

[8]姚艷麗,傅瑋東,邢文淵,等.基于MODIS資料的新疆土壤水分遙感應用研究[J].中國農業氣象,2011,32(S1):161-164.

Yao Y L,Fu W D,Xing W Y,et al.Research on the remote sensing of soil moisture based on MODIS data in Xinjiang[J].Chinese Journal of Agrometeorology,2011,32(S1):161-164.(in Chinese)

[9]賀俊杰,王英舜,李云鵬,等.利用EOS/MODIS植被供水指數監測錫林郭勒地區土壤濕度[J].中國農業氣象,2013,34(2):243-248.

He J J,Wang Y S,Li Y P,et al.Soil moisture monitoring with EOS/MODIS VSWI product in Xilingol[J].Chinese Journal of Agrometeorology,2013,34(2):243-248.(in Chinese)

[10]Zhang X,Zhao J,Sun Q,et al.Soil moisture retrieval from AMSR-E data in Xinjiang,China:models and validation[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(1):117-127.

[11]Nicolai-Shaw N,Zscheischler J,Hirschi M,et al.A drought event composite analysis using satellite remote-sensing based soil moisture[J].Remote Sensing of Environment,2017,203:216-225.

[12]Kim H,Parinussa R,Konings A G,et al.Global-scale assessment and combination of SMAP with ASCAT(active) and AMSR2(passive) soil moisture products[J].Remote Sensing of Environment,2018,204:260-275.

[13]Parinussa R M,Holmes T R H,Wanders N,et al.A preliminary study toward consistent soil moisture from AMSR2[J].Journal of Hydrometeorology,2015,16(2):932-947.

[14]Kolassa J,Gentine P,Prigent C,et al.Soil moisture retrieval from AMSR-E and ASCAT microwave observation synergy(part 2):product evaluation[J].Remote Sensing of Environment,2017,195:202-217.

[15]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.

[16]Srivastava P K.Satellite soil moisture:review of theory and applications in water resources[J].Water Resources Management,2017,31(10):3161-3176.

[17]Lee J H,Zhao C F,Kerr Y.Stochastic bias correction and uncertainty estimation of satellite-retrieved soil moisture products[J].Remote Sensing,2017,9(8):847.

[18]Liao M,Zhang P,Yang G L,et al.Preliminary validation of the refractivity from the new radio occultation sounder GNOS/FY-3C[J].Atmospheric Measurement Techniques,2016,9(2):781-792.

[19]Cui Y K,Long D,Hong Y,et al.Validation and reconstruction of FY-3B/MWRI soil moisture using an artificial neural network based on reconstructed MODIS optical products over the Tibetan Plateau[J].Journal of Hydrology,2016,543:242-254.

[20]徐作敏,唐世浩,王昊.基于變分法的FY-3C土壤水分產品適用性分析[J].灌溉排水學報,2019,38(S1):68-74.

Xu Z M,Tang S H,Wang H.Applicability analysis of FY-3C's soil moisture based on variational correction method[J].Journal of Irrigation and Drainage,2019,38(S1):68-74.(in Chinese)

[21]Chen Y,Yang K,Qin J,et al.Evaluation of SMAP,SMOS,and AMSR2 soil moisture retrievals against observations from two networks on the Tibetan Plateau[J].Journal of Geophysical Research:Atmospheres,2017,122(11):5780-5792.

[22]Liu Y Y,van Dijk A I J M,de Jeu R A M,et al.An analysis of spatiotemporal variations of soil and vegetation moisture from a 29-year satellite-derived data set over mainland Australia[J].Water Resources Research,2009,45(7):4542-4548.

[23]萬紅,高碩,郭鵬.青藏高原地區FY-3B微波遙感土壤水分產品適用性研究[J].干旱區資源與環境,2018,32(4):132-137.

Wan H,Gao S,Guo P.Applicability evaluation of FY-3B remote sensing soil moisture products in the Tibetan plateau[J].Journal of Arid Land Resources and Environment,2018,32(4):132-137.(in Chinese)

[24]李瑞娟,李兆富,郝睿,等.亞洲區域AMSR2與SMOS土壤水分產品對比研究[J].遙感技術與應用,2019,34(1):125-135.

Li R J,Li Z F,Hao R,et al.A regional-scale performance evaluation of SMOS and AMSR2 soil moisture products over Asia[J].Remote Sensing Technology and Application,2019,34(1):125-135.(in Chinese)

[25]Lin L F,Ebtehaj A M,Flores A N,et al.Combined assimilation of satellite precipitation and soil moisture:a case study using TRMM and SMOS data[J].Monthly Weather Review,2017,145(12):4997-5014.

[26]Knipper K R,Hogue T S,Franz K J,et al.Downscaling SMAP and SMOS soil moisture with moderate-resolution imaging spectroradiometer visible and infrared products over southern Arizona[J].Journal of Applied Remote Sensing,2017,11(2):026021.

[27]Park S,Im J,Park S,et al.AMSR2 soil moisture downscaling using multisensor products through machine learning approach[A].2015 IEEE International Geoscience and Remote Sensing Symposium(IGARSS)[C].Milan,Italy:IEEE,2015:1984-1987.

[28]Su Z,Wen J,Dente L,et al.The Tibetan Plateau observatory of plateau scale soil moisture and soil temperature(Tibet-Obs) for quantifying uncertainties in coarse resolution satellite and model products[J].Hydrology and Earth System Sciences,2011,15(7):2303-2316.

[29]Chen Y Y,Yang K,Qin J,et al.Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau[J].Journal of Geophysical Research-Atmospheres,2013,118(10):4466-4475.

[30]鄧明珊,孟憲紅,馬英賽,等.基于GLDAS產品的青藏高原土壤濕度特征分析[J].干旱氣象,2018,36(4):595-602.

Deng M S,Meng X H,Ma Y S,et al.Analysis on soil moisture characteristics of Tibetan Plateau based on GLDAS[J].Journal of Arid Meteorology,2018,36(4):595-602.(in Chinese)

[31]Khodayar S,Coll A,Lopez-Baeza E.An improved perspective in the spatial representation of soil moisture:potential added value of SMOS disaggregated 1 km resolution "all weather" product[J].Hydrology and Earth System Sciences,2019,23(1):255-275.

Data Fusion and Evaluation of Soil Moisture Products from FY-3B/3C Microwave Remote Sensing in Inner Mongolia

JIANG Shao-jie1, SONG Hai-qing1, LI Yun-peng1, PAN Xue-biao2, JIANG Hui-fei2

(1.Ecological and Agricultural Meteorology Center of Inner Mongolia Autonomous Region, Hohhot 010051, China; 2.College of Resources and Environmental Sciences, China Agricultural University, Beijing 100193)

Soil moisture is one of the most important components of land-atmosphere coupling system, and soil moisture monitoring plays a significant part in climate, hydrology, and agriculture. Active microwave and passive microwave are two basic microwave approaches which are used to monitor soil moisture. As of now, the passive microwave method is widely used due to its longer wavelengths and stronger penetrating power. It was considered that the passive microwave retrieved method could work well in effectively monitoring spatial and temporal changes of soil moisture in large-scale areas. However, the data retrieved by satellites needs further evaluation and verification. At present, various microwave methods have been proposed for soil moisture retrieve, and a number of corresponding soil moisture products have also been published. Compared to station-based data, remote sensing data can better reveal the dynamic change of soil moisture in a certain region at grid points. Based on the observed data of station-based soil moisture at the upper soil layer (0?10cm) during the growing season (May?October) in 2018, this paper collected and examined the remote senescing datasets from FY-3B, FY-3C, ASMR2 and SMOS which were consistent with the station-based data in time and space. Furthermore, the applicability of FY-3B/3C fusion in different regions of Inner Mongolia was evaluated, which may provide a reliable scientific basis for the application of soil moisture products based on Fengyun Satellites and other related researches. The ascending and descending data of FY-3B and FY-3C were fused respectively by employing weighted average method. In order to evaluate and compare the applicability of remote senescing datasets from AMSR2, FY-3B/3C and SMOS in Inner Mongolia, FY-3B/3C datasets were then formed by random forest method. The results showed that daytime data were of better quality than night data of FY-3B ascending/descending and FY-3C ascending/descending. The data quality of fused FY-3B and FY-3C processed by weighted average method exhibited no significantly improved. And the data quality of FY-3B/3C products formed by random forest models was significantly enhanced. In the rainy season of high vegetation coverage area (NE), the quality of FY-3B/3C data products were better than those of SMOS and AMSR2. Overall, in Inner Mongolia，SMOS is more applicable in Middle (M) and Southeast (SE) regions, AMSR2 has poor applicability in the whole region, while FY-3B/3C performs the best.

FY-3B/3C; Soil moisture; Data fusion; Remote sensing monitoring; Applicability

10.3969/j.issn.1000-6362.2020.08.006

姜少杰,宋海清,李云鵬,等.內蒙古地區FY-3B/3C微波遙感土壤水分數據產品的融合與評估[J].中國農業氣象,2020,41(8):529-538

2020?01?06

李云鵬，E-mail：lyp5230@163.com

國家重點研發計劃重大自然災害監測預警與防范專項（2018YFC1506606）；內蒙古自治區科技計劃項目（201602103）；國家自然科學基金項目（41775156）；內蒙古自治區氣象局科技創新項目（nmqxkjcx201702；nmqxkjcx201806）；內蒙古自治區自然科學基金面上項目（2017MS0410；2018MS04005）；內蒙古科技重大專項（2020ZD0005）；內蒙古科技計劃項目（2019GG016）

聯系方式：姜少杰，E-mail：jiang470004510@163.com