被動微波遙感近地表土壤凍融狀態數據產品對比及分析

邵婉婉，張廷軍

（蘭州大學資源環境學院西部環境教育部重點實驗室，甘肅蘭州730000）

0 引言

近地表土壤凍融循環過程是陸面過程的“開關”，全球近60%近地表土壤經歷凍融循環這一過程［1］。土壤的凍結起始日期、持續時間和范圍對地表能量過程［2］、水文過程［3-4］、植被動態［5］、二氧化碳交換［6］和生態系統功能［7］等都具有重要影響。研究近地表土壤凍融循環變化對探究當前氣候背景下陸-氣間相互作用具有重要意義［8］。監測季節凍土和多年凍土凍土的方法有：（1）傳統方法，主要包括判讀解譯各種地質圖、航空像片及鉆孔數據等［9］，并根據與凍土有關的區域特征進行外推［10］；（2）地球物理方法，主要是根據凍土在物理性質上表現出的高電阻率和高波速等特征，對凍土進行試驗性研究，如探地雷達等［11-12］；（3）數值模擬方法［7，13］，即利用物理模型計算土壤溫度，通過溫度直接判定地表土壤凍融狀態；（4）遙感手段［14-16］，例如利用衛星遙感技術進行多年凍土分布制圖。傳統方法和地球物理方法雖然能夠在點尺度上較為準確地描述近地表土壤凍融循環過程，并為其他方法的驗證提供真實的地表信息，但是并不能適用于大尺度規模研究和長時間序列趨勢研究，尤其在交通不便的山區和偏遠地區，觀測點稀疏或幾乎沒有。數值模擬方法則由于可靠的驅動資料（如雪的分布和土壤條件）相對有限，其應用仍然面臨著挑戰。遙感技術探測范圍大，獲取資料的速度快、周期短，并且受大氣影響和地面條件限制少，已經被成功地應用于區域尺度和全球尺度的近地表土壤凍融循環研究中。衛星遙感技術的發展，尤其是具全天候全天時監測能力的微波遙感技術的發展，為同步監測大范圍環境的近地表土壤的凍融狀態提供了高技術、高精度的有效手段［17］。

土壤凍融過程實際就是土壤水的相變過程，而水和冰介電特性差異較大，導致凍土和融土的輻射亮溫也存在顯著差異［18］。監測近地表土壤凍融狀態的亮溫數據主要來自于美國的SMMR（Scanning Multichannel Microwave Radiometer，1978—1987年）、SSM/I（Special Sensor Microwave/Imager）及SSMIS（Special Sensor Microwave Imager/Sounder，1987年至今）等傳感器，形成了一套不同分辨率多源時空連續（1978年至今）的被動微波亮溫產品，為氣候變化背景下凍土的時間變化規律和空間分布特征提供了連續的觀測數據［18］。利用被動微波衛星遙感亮溫監測近地表土壤凍融狀態大致經歷了理論基礎和算法的研制、算法的驗證和應用以及建立數據集三個主要過程［19］，為近地表土壤凍融研究奠定了良好的開始和基礎。

常用的算法主要有雙指標算法［20-22］及其演變而來的單指標算法［15］、時間序列變化檢測算法［23］、決策樹算法［24-25］和判別式算法［26-27］，并由此發布了一系列基于不同目的及訓練樣本數據的近地表土壤凍融數據集。根據Jin等［28］的研究，結合覆蓋不同地表類型的273個中國氣象臺站資料驗證后，雙指標算法的凍結分類精度、融化分類精度和總分類精度均超過80%，總分類精度最高可以達到89.9%。決策樹算法基于3個指標：散射指數（Scatter Index，SI）、37 GHz垂直極化亮溫，以及19 GHz水平極化和垂直極化（Polarization Difference，PD）的亮溫差實現對地表土壤凍融狀態的判別，并利用國際協同加強觀測期（CEOP）在青藏高原地區的土壤溫度和濕度觀測系統獲取的4 cm地溫數據代表淺層土壤真實凍融狀態驗證分類結果，其分類精度達87%［24-25］。Kim等［15］簡化了雙指標算法，只選取了37 GHz垂直極化通道亮溫作為判別依據，并利用模型模擬的氣溫數據進行驗證，結果表明上午過境和下午過境的年平均分類精度分別為84.3%和90.3%。

然而，這些算法的驗證和產品都是針對不同研究區域、不同時間段進行的，用來驗證的實地觀測資料也不一致。雖然每個算法都有很高的精度，但驗證使用的原始實地資料無法獲得進行重復統一驗證。到目前為止，還沒有針對這些數據集產品的統一驗證和對比分析，導致不同算法數據集之間的精度不具備可比性，對近地表凍融數據的直接應用存在一定的限制和很大不確定性。

本研究的主要目的是利用中國大陸氣象臺站實測地表0 cm土壤溫度資料，對比基于雙指標算法、決策樹算法、單指標算法和判別式算法建立的近地表土壤凍融數據集產品，分析利用被動微波衛星遙感亮溫監測近地表土壤凍融狀態的誤差及主要來源。由于基于判別式算法［26］建立的全球近地表土壤凍融狀態數據集的空間分辨率為0.25°，且其時間序列相對較短（2002—2014年），逐年數據完整度通常不到60%，嚴重影響各凍融指標的統計結果，因此在產品對比分析中將不再考慮。

1 數據與產品精度評價指標

1.1 近地表土壤凍融狀態數據集

本研究選取了三套近地表土壤凍融狀態數據集，分別為來自中國國家青藏高原科學數據中心發布的中國長時間序列地表凍融數據集——雙指標算法（1978—2015年）［29］、中國長時間序列地表凍融數據集——決策樹算法（1987—2009年）［30］，以及來自美國冰雪數據中心發布的單指標算法逐日地表凍融狀態數據集（1979—2017年，版本4）［31］，各數據集的基本信息見表1。

雙指標算法數據集采用SMMR（1978—1987年）和SSM/I（1987—2009年）逐日亮溫數據，由37 GHz垂直極化亮溫和37 GHz和19 GHz垂直極化亮溫梯度兩個指標將地表分類為凍結地表、融化地表、沙漠和水體四種類型［24-25］。

基于雙指標算法的理論基礎，通過樣本統計分析以及先驗知識，晉銳等［24-25］發展了適用于業務化運行的地表凍融狀態決策樹算法。采用的數據包括SSM/I的19 GHz垂直極化亮溫、22 GHz的水平和垂直極化亮溫、37 GHz垂直極化亮溫以及85 GHz垂直極化亮溫，并在國家青藏高原科學數據中心發布了1987—2009年中國地表凍融狀態數據集。由于85 GHz亮溫的缺失，1989—1991年沒有分類結果。

由于冰的發射率大于水的發射率，土壤發射率會隨著土壤凍結逐漸增加，但這種現象在微波頻率較高時逐漸消失。據此Kim等［15］提出了單指標算法，僅采用37 GHz垂直極化通道的亮溫，結合再分析資料ERA-Interim中的氣溫，統計地表土壤凍融邊界時37 GHz垂直極化亮溫的閾值，最終建立了1978—2017年全球逐日地表凍融狀態數據集。

表1 各算法地表土壤凍融狀態數據集基本信息Table 1 Essential information of the near-surface soil freeze/thaw status simulated with the single index algorithm，double index algorithm and decision tree algorithm

1.2 中國氣象站地表溫度資料

該數據來源于國家氣象科學數據中心所提供的“中國地面氣候資料日值數據集”，共計756個基本、基準地面氣象觀測站及自動站從1951年到現在的逐日數據集，涵蓋了氣溫、氣壓、降水量、風速風向等20個要素。這些氣象臺站均勻分布在中國大陸，但在南方部分地區近地表土壤幾乎沒有凍融過程，為了減少統計量，最終剔除了年平均凍結概率小于10%的站點。本研究中近地表土壤凍融狀態數據集采用的亮溫數據均來自午夜或凌晨過境衛星，避免了濕雪的影響；并且地表最低溫度是標定凍融邊界37 GHz垂直極化亮溫閾值的最優指標［28］。經過質量控制及篩選，本研究最終以1987—2008年435個氣象站逐日地表0 cm最低溫度作為驗證資料，對比分析近地表土壤凍融產品的判別結果。地表溫度是采用水銀球（水銀球直徑大約3 mm）溫度計測量的，溫度計的傳感器通常一半掩埋在地下，另一半暴露在空氣中，但在有積雪覆蓋時，所測溫度為積雪表面溫度，而不是地表溫度。因此在有積雪覆蓋時，假設近地表土壤為凍結狀態。日最低溫度是通過最低溫度表測量的［32-33］。

1.3 產品精度評價指標

本研究統計了每個逐年凍結首日、凍結終日和凍結天數，并以中國氣象臺站同時期的0 cm土壤溫度作為地表真實凍融狀態進行驗證。當氣象站實測地表土壤溫度小于0℃，表示地表處于凍結狀態；反之地表處于融化狀態。在計算凍結首日和凍結終日時統一采用儒略日，即每年第182天至次年181天為一個凍融周期（即每年7月1日到次年6月30日，以每年365天為例）。由于各數據集時間序列不同，但都有共同交集（表1），最終選取了1987—2008年為研究期，并以同年份站點資料的判別結果作為統一標準，方便產品之間的對比分析。最終統計了所有氣象臺站1987—2008年凍結首日、凍結終日和凍結天數的偏差（Bias）和均方根誤差（RMSE），計算方式如下：

式中：PM(i，s)代表基于近地表土壤凍融狀態數據集統計的第s個站點第i年的凍結指標（凍結首日、凍結終日或凍結天數）；Obs(i，s)代表基于氣象臺站觀測資料統計的第s個站點第i年的凍結指標；n代表所有站點所有年份的觀測次數。

2 結果與分析

2.1 地表凍融變化趨勢

根據氣象臺站觀測資料的統計結果［圖1（a），1（e），1（i）］，1987—2008年平均凍結首日呈推遲趨勢，推遲速率約為0.66 d·a-1，中國大陸凍結首日平均推遲14.5天；平均凍結終日則以0.68 d·a-1的速率提前，平均提前15天，凍結期（凍結首日和凍結終日之間的時間）縮短了近一個月。同時，平均凍結天數逐漸減少，減少速率為1.00 d·a-1，平均減少了22天。平均凍結期的縮短時間與平均凍結天數的減少基本上是一致的。

三套被動微波衛星遙感近地表土壤凍融狀態數據集的統計結果和地面觀測呈相同的變化趨勢，但單指標算法數據集的變化速率整體較小，而雙指標算法數據集凍結首日、凍結終日和凍結天數的變化速率均大于觀測結果。決策樹算法數據集則由于1989—1991年85 GHz亮溫數據缺失，其統計結果雖然整體變化趨勢與觀測結果一致，但其顯著性檢驗的結果為P＜0.1。綜上所述，1987—2008年三套被動微波衛星遙感近地表土壤凍融狀態數據集和氣象臺站資料統計的平均凍結首日、平均凍結終日和平均凍結天數的變化趨勢均呈現近地表土壤凍結首日推遲，凍結終日提前，凍結天數減少等特點（圖1）。

氣象站點觀測資料和衛星遙感算法輸出都展示了近地表土壤凍結指標1987—2008年在空間上較大的變化率特征（圖2）。由于三套被動微波衛星遙感近地表土壤凍融數據集在1987—2008年存在不同程度的數據缺失，因此此處僅統計數據集時間序列超過10年的站點，最終保留了337個氣象臺站的統計結果。根據氣象臺站觀測資料的統計結果及空間分布，幾乎所有氣象站的凍結首日、凍結終日和凍結天數的變化趨勢基本一致，其中321個氣象站凍結首日變化率大于0，即凍結首日推遲，平均速率為1.00 d·a-1；325個氣象站凍結終日變化率小于0，即凍結終日提前，提前速率為-0.92 d·a-1；335個氣象站凍結天數變化率小于0，即凍結天數減少，變化率為-1.67 d·a-1，并且在這些站點中大約50%站點的變化率通過了顯著性檢驗（P＜0.05）。

近地表土壤凍融狀態數據集產品在各氣象站變化率差異較大，站點之間凍融時間變化趨勢不一致，例如華中平原東部及青藏高原東部地區，近地表土壤凍結天數反而增加。據統計，單指標算法數據集凍結首日、凍結終日和凍結天數的平均變化率分別為0.51 d·a-1，-0.02 d·a-1和-0.49 d·a-1；雙指標算法數據集凍結首日、凍結終日和凍結天數的平均變化率分別為0.84 d·a-1，-1.48 d·a-1和-2.20 d·a-1；決策樹算法數據集凍結首日、凍結終日和凍結天數的平均變化率分別為0.20 d·a-1，-1.05 d·a-1和-1.10 d·a-1。

2.2 凍結首日、終日和凍結天數精度評價

統計結果表明（表2），氣象站點資料展示中國大陸從1987—2008年所有氣象臺站平均凍結首日大約在10月19日，平均凍結終日為4月17日，平均凍結天數約為136天；從中國大陸435個常規氣象站的觀測資料分析，平均凍結期（平均凍結首日與平均凍結終日之間的時間）為181天，即6個月，而平均凍結天數為136天，平均凍結期和平均凍結天數相差45天，這是因為在凍結首日和凍結終日之間，近地表土壤凍結狀態不是連續的。由于受天氣冷熱的波動，近地表土壤也經歷了相應的凍融變化。另外，平均凍結期長達半年，這主要是由于本研究選取的氣象站點均為分布在經歷凍融循環的偏北的區域，而南方不凍結的地區沒有氣象臺站被選擇。因此本文中的凍結期只代表經歷凍融循環過程地區的觀測站點平均凍結期，不能代表中國大陸的平均凍結期。

利用氣象站點資料同衛星遙感算法輸出結果比較，差異較大。單指標算法數據集的判別結果與站點資料最接近，平均凍結首日提前大約1天，平均凍結終日提前大約2天，平均凍結天數少了9天；但兩者的RMSE則高達30天左右。根據雙指標算法數據集的統計結果，整體高估了近地表土壤凍結，主要表現為平均凍結首日提早11天左右，平均凍結終日推遲了1天左右，凍結天數多19天左右，兩者的RMSE相差在35～49天。決策樹算法數據集的平均凍結首日和凍結終日分別推遲29天和提前27天，平均凍結天數少了大約41天，兩者的RMSE相差在45～62天，說明決策樹算法嚴重低估了地表凍結。

根據三套近地表土壤凍融狀態數據集和氣象臺站資料統計的站點結果（圖3），單指標算法凍結首日、凍結終日和凍結天數的偏差均相對較小，約有56%的站點凍結首日的偏差為正值，即超過一半的站點近地表土壤凍結首日晚于氣象臺站的觀測結果。整體而言大約26%的站點的偏差在±10天以內，但凍結天數的偏差仍較大，大約有25%的站點的凍結天數偏差在±30天以上。東部沿海地區，凍結首日和凍結終日偏差最大，因為水體凍結后發射率增幅較大，亮溫反而增加，呈現與其他地表覆蓋類型相反的變化特征。決策樹算法數據集凍結首日、凍結終日和凍結天數的偏差整體上都較大，主要表現為相比較于氣象臺站觀測資料的統計結果，超過60%的站點的凍結首日推遲了30天以上，凍結終日提前了30天以上，凍結天數減少了30天以上，但在青藏高原地區，凍結首日和凍結終日的偏差相比其他地區明顯偏低，主要原因是決策樹算法的37 GHz亮溫閾值節點是通過青藏高原地區的站點4 cm土壤溫度定標得到的，而青藏高原地區年均溫較低，導致決策樹算法整體上低估了近地表土壤凍結。另外，三套近地表土壤凍融狀態數據集的統計結果均表明，在東北地區和沿海地區，近地表土壤凍融時間的判別結果相對較差，整體而言利用被動微波衛星遙感亮溫監測近地表土壤凍融狀態的算法普遍低估了土壤的凍結狀態。

本研究進一步統計了1987—2008年近地表土壤凍融狀態數據集與氣象臺站觀測資料的凍結首日、凍結終日和凍結天數的RMSE（圖4），結果表明單指標算法和雙指標算法數據集各氣象站的RMSE空間分布相似，凍結首日和凍結終日的RMSE基本一致，但單指標算法凍結終日的RMSE整體較小，大約17%的氣象站的RMSE小于15天，只有不到3%的站點的RMSE超過60天；而雙指標算法則只有9%的氣象站的RMSE小于15天，20%的氣象站的RMSE超過了60天。而決策樹算法數據集的RMSE普遍較大，分別有13%、10%、45%的氣象站的凍結首日、凍結終日和凍結天數的RMSE超過60天。單指標算法數據集凍結指標的RMSE超過30天的站點一般分布在中國東北和青藏高原東部地區，該地區年均溫較低，近地表土壤凍結狀態持續時間一般較長，另外東部沿海地區有較少的站點的RMSE超過60天；雙指標算法RMSE超過30天的站點主要分布在低緯度地區。低緯度地區年均溫較高，凍結持續時間一般較短，但RMSE反而最大，說明雙指標算法較暖地區分類結果較差。

3 討論

3.1 地表凍融分類誤差

雖然利用被動微波衛星遙感亮溫結合凍融算法能夠監測近地表土壤的凍融狀態，并且其分類精度達到了80%以上［15，21，24-25］，但在長時間序列近地表土壤凍融狀態研究中，該方法無法準確獲取凍融過渡期近地表土壤的凍融狀態。在凍融過渡期較長、氣候變化緩慢、土壤含水量較多的地區，土壤中水分相變過程相對緩慢，淺層土壤中的水（冰）無法快速完全凍結（融化），長時間保持在0℃左右，土壤處于由融化（凍結）向凍結（融化）過渡的階段，無法僅用凍結或融化描述該狀態。另外，在氣溫日變化較大地區，淺層土壤可能在一天內出現反復凍融的現象，而被動微波衛星遙感亮溫僅能反映衛星過境時刻地表的輻射特征，容易導致誤分。

3.2 不同近地表土壤凍融狀態數據集精度差異

近年來關于利用被動微波衛星遙感監測地表凍融主要集中于算法的研制和參數調整，并且在參數調整和算法驗證過程中所采用的資料各不相同，雖然其整體驗證精度很高，但由于研究目的、研究時期和研究區域不同，近地表土壤凍融狀態數據集之間差異較大。判別式算法數據集由于空間分辨率較粗（0.25°），且時間序列較短，極大地限制了其實際應用。本研究基于相同的氣象臺站觀測資料，對比了三種近地表土壤凍融狀態數據集在1987—2008年對近地表土壤凍融時間的判別能力。結果表明單指標算法數據集與氣象臺站觀測資料的統計結果更加接近，而決策樹算法數據集的偏差和均方根誤差最大。主要原因是單指標算法是以再分析資料ERA-Interim中的氣溫為基礎數據，標定各地表像元逐年凍結邊界閾值，避免了在長時間序列研究中使用單一閾值。決策樹算法則是以青藏高原多年凍土區、季節凍土區和河流融區的3個站點的4 cm土壤溫度為基礎數據確定37 GHz垂直極化亮溫的閾值252 K。曹梅盛等［34］利用青海高原地區1983年SMMR亮溫資料結合5 cm土壤溫度，最終確定了37 GHz水平極化亮溫閾值為222.5 K；Zhang等［21］在識別美國無雪地表土壤凍融時，則選取了258.2 K作為37 GHz垂直極化亮溫凍結邊界的閾值；Han等［35］關于中國北部和蒙古國地表凍融的研究中，分別以258.2 K和260.1 K作為上午過境和下午過境時37 GHz垂直極化亮溫凍結邊界閾值。由此可見在不同區域、不同時間利用37 GHz亮溫凍結邊界的閾值作為判別地表凍融狀態的指標時，需要根據地表狀況進行重新標定，避免使用單一閾值。

雖然決策樹算法數據集的統計結果誤差較大，但其各項凍結指標的變化趨勢與氣象臺站觀測資料的結果基本一致，并且已經有研究表明了決策樹算法中37 GHz閾值對地表土壤凍融分類精度的影響顯著［36］。因此在使用決策樹算法判別地表土壤凍融時，盡量選取不同土地類型的觀測資料，調整各節點閾值，將大大提高分類精度。

3.3 本研究潛在誤差

本研究在進行近地表土壤凍融數據集之間的對比分析時，由于觀測資料匱乏，最終選取了地表0 cm逐日最低溫度作為標準狀態。但實際上微波對淺層土壤具有一定穿透力，因此亮溫和地溫并不來自同一深度，這也是本研究中近地表土壤凍融狀態數據集低估土壤凍結的原因之一。為了優化近地表土壤凍融算法參數，提高被動微波遙感識別土壤凍融狀態的分類精度，亟需大規模的同步地面觀測資料。

4 結論

本研究選取目前常用被動微波遙感近地表土壤凍融算法數據集產品，以氣象臺站實測資料為參考，系統對比了各產品對近地表土壤凍融狀態的判別能力，為近地表土壤凍融狀態數據集的直接應用提供了可靠的數據基礎。主要結論如下：

（1）利用被動微波遙感亮溫數據，結合近地表土壤溫度或氣溫數據，建立和驗證近地表土壤凍融算法能較好的探測近地表土壤凍融狀態，特別是其數據的連續性（1978年至今）及空間范圍（全球覆蓋），同時全天候工作等特點，使得利用被動微波衛星遙感探測近地表土壤凍融狀態研究有了長足的進展。然而，目前的近地表土壤凍融被動微波遙感算法還是經驗性的或半經驗性的，其輸出驗證也有很大的局限性和不確定性。本研究表明，利用基于被動微波衛星遙感數據建立的近地表土壤凍融狀態數據產品來研究區域或全球尺度的近地表土壤凍融長時間序列變化，需要引起特別關注。利用已有的凍融數據集可能會產生完全不同的，甚至錯誤的結論，因為被動微波衛星遙感近地表土壤凍融產品與實際觀測數據的偏差或均方根誤差可達30天以上，大于變化趨勢的標準離差，使其可靠性大幅度下降。

（2）選取37 GHz亮溫閾值對判別地表土壤凍融狀態的影響至關重要。以往的研究在不同區域、不同時間選取的閾值差別很大，變化在222.5～260.1 K之間，這顯示其驗證的可靠性及有效性存在較大誤差。

（3）站點觀測資料和地表土壤凍融狀態數據集產品的統計結果都表明地表土壤凍結呈現出凍結首日推遲，凍結終日提前，凍結天數減少的趨勢。但是，現有被動微波凍融算法獲取的變化趨勢誤差較大，難以反映真實情況。

（4）為了適應科研和應用需求，被動微波衛星遙感近地表土壤凍融算法需要進一步改進和驗證。在現有的被動微波衛星遙感亮溫的基礎上，努力提高算法輸出精度，探測近地表土壤凍融及研究其時空變化特征。