風云三號衛星微波遙感土壤水分產品在山東地區的適用性分析*

王雅正，楊元建**，劉 超，師春香

（1.南京信息工程大學大氣物理學院，南京 210044；2.國家氣象信息中心，北京 100081）

土壤濕度是地球能量循環和水循環的重要環境變量[1]。如今可以獲得的大量衛星土壤濕度產品，在氣象學、水文學、氣候學和農業學等方面都起到重要作用[2]。大尺度土壤濕度的精確測量有助于作物產量估算、干旱預測和農業區域的災害監測，尤其在需要定期灌溉但是水資源又有限的干旱半干旱地區[3]。

表層土壤濕度可以通過多種方法獲得，例如地基觀測設備、陸面模式和遙感技術等[4]。自第一個被動微波衛星傳感器在1978年發射以來，被動微波衛星傳感器被廣泛應用于土壤濕度的反演[5]，例如歐洲的Soil Moisture and Ocean Salinity (SMOS)[6?7]、美國的Special Sensor Microwave/Imager(SSM/I)和Soil Moisture Active/Passive(SMAP)[8]、日本的Advanced Microwave Scanning Radiometer for the Earth Observing System(AMSR-E)[9?10]和 Advanced Microwave Scanning Radiometer 2(AMSR2)[11]、中國的風云三號系列衛星(FY-3A、FY-3B、FY-3C)[12?14]。由于不同的土壤濕度產品基于不同的衛星數據和算法[15]，其質量和連續性在空間和時間上都有差別[16]，所以對衛星觀測土壤濕度數據的評估驗證是一個極為重要的工作，它不僅有助于評估所提供的土壤濕度估算值的實際準確性，而且方便理解產品在不同下墊面和不同時空上的優缺點[17]。

國內外已經對 ASCAT、SMOS、SMAP、AMSR-E、AMSR2、FY-3B 和FY-3C 等衛星土壤濕度產品的適用性開展了許多評估工作[2?3,6,18?22]。Parinussa 等[14]最先對FY-3B 官方算法和地表參數反演模式（Land Parameter Retrieval Model，LPRM）得到的土壤濕度產品與地基觀測土壤濕度數據進行對比，其結果顯示兩種產品都能準確探測夜間土壤濕度的時間變化，與地基觀測數據的一致性在稀疏至中等植被區域較高，隨著植被指數的增加一致性降低。Cui 等[23]對FY-3B 和其它7 種衛星土壤濕度產品質量進行了詳細評估，發現在西班牙網格區域FY-3B 產品與地基觀測數據在時間序列上一致性最好，在美國區域SMAP 產品表現最好。萬紅等[24]基于土壤水分觀測網的地面實測數據，發現FY-3B土壤濕度產品在青藏高原地區的適用性較高，在各個季節都能較好地反應青藏高原地區的土壤濕度變化。莊媛等[25]對中國區域按省份評估了4 種衛星土壤濕度產品，發現ASCAT（Advanced Scattermeter）作為主動微波遙感產品質量最優，在被動微波遙感產品中WINDSAT 略優于FY-3B，而SMOS 在中國區域受無線電頻率干擾嚴重，所以其質量較差。Zhu等[26]對中國河南地區FY-3C 和其它3 種衛星土壤濕度產品進行了質量評估，發現FY-3C 土壤濕度產品和地基觀測數據在時間和空間上的一致性都較差，SMAP 在時間和空間上都比FY-3C 表現要好。Fu 等[27]基于東北地區農田建立的土壤水分觀測網格，發現FY-3B 在農作物生長季節（5?9月）的大部分時間，其在研究區域的土壤濕度數據缺失嚴重，但在后期恢復，并且比 JAXA（Japan Aerospace Exploration Agency）和LPRM 產品更接近地基觀測數據。

山東作為農業大省，耕地率、農業增長值長期穩居全國各省第一，但是山東地區降水季節變化大，旱澇情況多發，所以使用多源衛星監測山東地區土壤濕度變化對農業生產具有重要意義[28]。此前對于山東地區土壤濕度的研究都基于土壤水分自動站觀測數據，對其觀測效果以及山東省土壤水分時空分布規律及分區進行了相關研究[29?30]。為了充分利用各個觀測方式的優勢，將衛星與自動站的觀測結果結合分析，本研究對山東地區FY-3B、FY-3C 的土壤濕度產品質量進行系統分析和評估，并與SMAP和SMOS 的土壤濕度產品進行對比，以期為深入了解風云衛星土壤濕度產品的適用性，旨在為深入應用和改進上述產品提供參考和依據。

1 資料與方法

1.1 研究區域

山東省位于東部沿海（34°?38°N，114°?122°E），屬于溫帶季風氣候，降水集中，雨熱同季。山東省光照資源充足，熱量條件可滿足農作物一年兩作。降水季節分布很不均衡，全年降水量有60%～70%集中于夏季，易形成澇災，春、冬及晚秋易發生旱災，對農業生產影響極大[31]。由圖1可見，山東省絕大部分地區都為農田，種植的農作物分夏秋兩季，夏糧主要是冬小麥，生長季節10月初?翌年6月，秋糧主要是玉米，生長季節6月?9月下旬。由于春冬季降水不足，需對冬小麥進行補充灌溉才能獲得最佳產量[32]。因此，加強農業區土壤濕度監測對提高山東省水資源利用效率具有重要意義。

1.2 數據及其來源

1.2.1 被動微波遙感衛星土壤濕度數據

FY-3B 和FY-3C 衛星由中國發射，其上搭載的儀器為被動微波輻射儀MWRI。FY-3B 升軌和降軌時間分別為13：40 和1：40，FY-3C 升軌和降軌時間分別為22：00 和10：00。中國國家衛星氣象中心利用微波輻射儀觀測到的亮度溫度1 級產品，結合輻射傳輸模式，開發了官方的土壤濕度2 級產品，反映土壤表層1?2cm 范圍內的土壤濕度，以體積含水量（m3·m?3）表示[33]，估計誤差為0.06m3·m?3。使用空間分辨率為25km 的FY-3B 和FY-3C 2 級日產品，起止時間為2018年1月1日?12月31日，數據下載于風云衛星遙感數據服務網（http://satellite.nsmc.org.cn/portalsite/default.aspx）。在當前的官方算法中，使用垂直（V）和水平（H）極化的X 波段（10.7GHz）亮度溫度來獲取土壤濕度。首先從Ka 波段（36.5GHz）V 極化亮度溫度中校正了表面溫度帶來的偏差。根據歸一化植被指數（NDVI）與植被含水量（VWC）之間的經驗關系來估算植被光學厚度。風云衛星的反演算法與其它算法的顯著區別是其使用了新的表面發射模型（即Qp模型），該模型使用高級積分方程模型（Advanced Integral Equation Model，AIEM）進行了參數設置，建立理論模型以校正表面粗糙度的影響[34]。Shi 等[35?36]發現，在大觀測角度下，表面粗糙度對微波發射在大小和方向上的影響在H和V 極化是不同的。即隨著表面粗糙度的增加，H極化的微波發射率將增加，而V 極化的微波發射率將減小。因此，可以通過組合來自兩個極化的發射信號來最小化表面粗糙度的影響。除亮度溫度外，土壤濕度反演算法還涉及輔助數據，包括土壤類型數據和全球陸面分類數據[37]。

SMAP 衛星由美國國家航空航天局（National Aeronautics and Space Administration，NASA）發射[8]。其升軌、降軌時間分別為18：00 和6：00。NASA提供了4 種不同的遙感土壤濕度產品，即被動、主動、主動?被動和增強型被動土壤濕度產品。其被動土壤濕度產品通過V-pol 單通道算法（SCA-V）[23]，使用在L 波段工作的輻射儀（radiometer）觀測到的亮度溫度來反演土壤頂部5cm 以上的土壤濕度，精度為0.04m3·m?3，每2～3d 覆蓋地球表面一次。1 級產品為亮度溫度數據，2 級產品為半軌道數據，3 級數據為日綜合數據。使用空間分辨率為36km 的SMAP 被動遙感3 級日產品，起止時間為2018年1月1日?12月31日，數據下載于美國國家航空航天局網站（https://search.earthdata.nasa.gov/search）。

SMOS 衛星由歐洲航天局（European Space Agency，ESA）發射，SMOS-BEC 產品由巴塞羅那衛星中心（Barcelona Expert Center，BEC）開發[38]。其升軌、降軌時間分別為6：00 和18：00。SMOS衛星使用在L 波段工作的干涉輻射儀（radiometer）觀測的亮度溫度來反演土壤表層5cm 以上的土壤濕度。在SMOS 反演算法中，通過最小化觀測和估計的亮度溫度之間的差異，使用多角度亮度溫度觀測值同時獲取土壤水分和植被光學深度。研究使用的SMOS-BEC 土壤濕度數據為被動遙感3 級日產品，空間分辨率為25km，起止時間為2018年1月1日?12月31日，數據下載于巴塞羅那衛星中心（http://bec.icm.csic.es/）。

1.2.2 地基觀測站土壤濕度產品

為了提高農業地區的干旱監測和預警能力，中國氣象局于2009年開始建立自動土壤水分觀測站（Automatic Soil Moisture，ASM）。目前已在各個地區建立了2000 多個觀測站。觀測站主要使用DNZ1、DNZ2 和DNZ3 三種類型觀測儀器，其工作原理均基于頻率反射法，其中DNZ1 使用駐波法，DNZ2 和DNZ3 使用電容法[23]。其觀測值包括從地表到地下200cm 處，每10cm 進行一次測量，共20 個測量深度。觀測到的參數包括土壤體積含水量、相對土壤濕度、土壤重量水含量和土壤有效水儲量。山東省共有229 個觀測站（圖1），以驗證衛星土壤濕度。觀測站每小時記錄一次測量值，為了與衛星土壤濕度的深度進行比較，使用0?10cm 土層的土壤濕度數據，起止時間為2018年1月1日?12月31日，資料由國家氣象信息中心提供。

1.2.3 MODIS 歸一化植被指數產品

中分辨率成像光譜儀（Moderate Resolution Imaging Spectroradiometer，MODIS）搭載在Aqua和Terra 兩顆衛星上，能夠對植被冠層的葉面積、葉綠素和冠層結構進行連續的時空比較，通過日平均、大氣校正和雙向表面反射反演，生成不同空間分辨率的歸一化植被指數（Normalized Difference Vegetation Index，NDVI）產品[39]。NDVI 產品由Aqua衛星的MYD13Q1 和Terra 衛星的MOD13Q1 組成[40]，時間分辨率為16d，空間分辨率為250m，由于兩個產品生成時間相差8d，所以通過組合得到時間分辨率為8d 的NDVI 數據。

1.3 方法

利用自動土壤水分觀測站數據，對山東地區FY-3B、FY-3C、SMAP 和SMOS 土壤濕度質量進行評估。由于各來源產品數據集在空間、時間尺度以及探測深度不完全一致，因此首先需要進行時空匹配。空間匹配主要通過 EASE-Grid（Equal-Area Scalable Earth Grid）投影方式的轉換方程，將衛星格點轉換成經緯度，自動站對應的衛星觀測值由周圍4個格點的值加權平均得到，權重為各格點到自動站距離的反比。EASE-Grid 投影方式的轉換方程為

式中，r 為列號，s 為行號，λ 為經度弧度，φ為緯度弧度，R 為地球半徑（6371.228km），C 為格點分辨率，0r 為地圖原點的列號， s0為地圖原點的行號。

時間匹配：逐小時的自動站觀測數據會周期性地出現波動極大的異常值，通過取異常值前后時刻數據的平均值來代替異常值。因為衛星日產品其實是衛星過境時的瞬時值，由于衛星升降軌每天的過境時間固定，所以取衛星過境時刻對應的自動站小時數據，與衛星的日產品數據進行匹配。對衛星數據，當同一天在升軌和降軌上都有記錄時取平均值，如果只有一個軌道有有效值則取該值，如果在任一軌道上均未獲得有效值則記為缺測。

各土壤濕度產品基本信息見表1。

使用4 個指標分析FY-3B、FY-3C、SMAP 和

SMOS 產品與自動站實測數據間的偏差情況，即平均偏差（Average Difference，AD）、均方根誤差（Root Mean Square Error，RMSE）、無偏均方根誤差（Unbiased RMSE，ubRMSE）和相關系數（Correlation Coefficient，R）。平均偏差為衛星反演值與自動站觀測值的差值，表示衛星反演土壤濕度與自動站土壤濕度測量值之間的系統差異。正偏差表示衛星反演值比自動站觀測值大，而負值表示衛星反演值小于自動站觀測值。均方根誤差表示相對于自動站土壤濕度測量值，衛星反演土壤濕度的絕對差或準確度。

為了更好地估算衛星土壤濕度產品的絕對誤差，采用無偏均方根誤差ubRMSE，它消除了表征隨機誤差RMSE 的偏差。ubRMSE 計算式為

相關系數R 表示衛星反演土壤濕度和自動站土壤濕度測量值之間的相對精度，計算式為

式中 ， mvsiat表示衛星反演土壤濕度（m3·m?3），mviis是自動站土壤濕度測量值，N 表示樣本總數，i表示特定樣本。對于時間分析，每個站點的N 值不同，僅使用兩個數據集中都含有效數據的日期進行計算。對于空間分析，每個日期的N 值均變化，僅使用兩個數據集中都含有效數據的測站進行計算。是對于時間分析，單個站點整個評估期內衛星土壤的平均濕度（m3·m?3），或對于空間分析，為1d內所有有效站的衛星土壤濕度；表示自動站測量的土壤濕度平均值（m3·m?3）； σsat和 σis分別是衛星和自動站濕度的標準偏差（m3·m?3）。

表1 土壤濕度產品基本信息Table 1 Information of soil moisture products

2 結果與分析

2.1 FY-3B 和FY-3C 產品時間序列特征分析

對2018年研究區域內229 個ASM 站點觀測數據進行平均，作為ASM 土壤濕度時間序列，對自動站各站點時空匹配的衛星數據分別進行平均，作為各衛星產品的土壤濕度時間序列，結果見圖2。由圖可見，ASM 站點觀測土壤濕度數據（10cm 深）變化幅度相對較小，一年中表現為相對穩定的變化特點，變化范圍在0.1～0.3m3·m?3。由于探測土壤濕度的儀器都是微波輻射儀，因此FY-3B 與FY-3C 土壤濕度的變化過程相似。與ASM 實測數據相比，FY-3B 和FY-3C 土壤濕度數據連續性較好，全年分別有292d和271d 有數據記錄，1?2月因為冬季土壤處于凍土條件下而無衛星數據。FY-3B 和FY-3C 數據的變化幅度較大，變化范圍為0.07～0.5m3·m?3，從圖中可以看出有兩個峰值，分別為4?5月和8?9月，正好與冬小麥成熟期（4?5月）和玉米成熟期（7?9月）相對應。SMAP 的連續性最好，共有361d 有數據記錄，變化趨勢與FY-3B/3C 相似，但是變化幅度較緩和，其數值與自動站更加接近，變化范圍為0.04～0.4m3·m?3。SMOS 有265d 有數據記錄，數據量少，全年的連續性差，且數值整體偏小，波動較大。

圖3為229 個站點衛星反演數據與自動站觀測數據的偏差指標。由圖可見，總體而言，4 個衛星反演值均比自動站觀測值要小，FY-3B 和FY-3C 的平均偏差最小，僅?0.028m3·m?3和?0.010m3·m?3，與FY-3B 和FY-3C 數據相比，SMAP 和SMOS 數據反應出土壤更加干燥，平均偏差為?0.072m3·m?3和?0.144m3·m?3。平均偏差的不同可能與衛星和自動站的感應深度不一致有關。如果以山東地區區域平均值時間序列評估（圖2），FY-3B 和FY-3C 表現與SMAP 相似，三者均方根誤差（RMSE）分別為0.094m3·m?3、0.093m3·m?3和0.089m3·m?3，相關系數（R）分別為0.31、0.33 和0.33，但是SMAP 的無偏均方根誤差（ubRMSE）比FY-3B 和FY-3C 小，為0.05m3·m?3，說明其去除系統偏差后有較高的應用價值。SMOS 在4 個衛星中的表現較差，其平均偏差和相關系數最小，均方根誤差最大。綜上所述，FY-3B和FY-3C 土壤濕度產品的時間序列季節變化最明顯，與農作物的生長期有明顯的一致性，且與自動站觀測數據偏差最小。

圖2 2018年各衛星反演產品山東區域土壤濕度值和自動站觀測值（ASM）的逐日變化過程（VSM）Fig.2 Daily variation of retrieval soil moisture of satellite products and automatic soil moisture(ASM) observations in Shandong during 2018(VSM)

圖3 2018年各衛星反演產品山東區域土壤濕度值與自動站觀測值（ASM）所有站點時間序列偏差指標的箱線圖Fig.3 Box plots of temporal statistical parameters of all stations between the retrieval soil moisture of satellite products and the automatic soil moisture (ASM) observations in Shandong during 2018

圖4 2018年各衛星反演產品山東區域土壤濕度值與各自動站觀測值（ASM）所有站點時間序列偏差指標的空間分布Fig.4 Spatial distribution of temporal statistical parameters of all stations between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.2 FY-3B 和FY-3C 產品空間特征分析

圖3中評估數據較大的分布范圍還表明，即使對于同一衛星土壤濕度產品，不同位置的時間一致性也不同。為進一步說明其一致性的空間變化，對4 個衛星產品的偏差指標在研究區域的分布進行分析。由圖4可見，對于FY-3B 和FY-3C 數據，西部的偏差為負，東部為正（圖4a1、4a2），說明在山東西部衛星反演的土壤偏干，東部偏濕。均方根誤差和無偏均方根誤差具有相似的分布，其中大多數低值區域位于山東中西部（圖4b1、4b2，圖4c1、4c2）。同時，除了北部地區，FY-3B 和FY-3C 與自動站觀測值在山東其它地區相關系數較高（圖4d1、4d2）。SMAP 產品顯示出與FY-3B、FY-3C 相似的偏差分布，表現為西部土壤濕度為負偏差、東部為正偏差（圖4a3），結合圖3a 可知，整體上SMAP 衛星反演的土壤偏干。均方根誤差和無偏均方根誤差分布也與FY-3B、FY-3C 相似，但是SMAP 無偏均方根誤差（ubRMSE）更?。▓D4b3、4c3），說明SMAP在去除系統誤差之后可以提高產品的質量。相關系數除了西部個別站點為負，整體較好（圖4d3）。由圖4a4，SMOS 的土壤濕度產品幾乎低估了所有站點的土壤濕度，且均方根誤差和相關系數在4 個衛星數據里面表現最差（圖4b4、4d4），說明SMOS土壤濕度產品在山東地區的適用性較差。結合圖3可以看出，4 個衛星的平均偏差和均方根誤差的極端異常值個數都小于5%，4 個衛星與觀測站相關系數大于0 的站點個數，FY-3B 和FY-3C 分別有61%和60%，SMAP 和SMOS 為70%和65%，說明衛星與大部分站點都具有一致性，其中SMAP表現最好。

對全年所有有效日期（衛星數據在一日內覆蓋超過一半及以上自動站）計算衛星反演值與自動站觀測值的偏差指標。FY-3B、FY-3C、SMAP 和SMOS的有效天數分別為204、169、261 和70d。由圖5可見，對于FY-3B 和FY-3C，平均偏差的平均值分別為?0.015m3·m?3和?0.004m3·m?3，但是不同有效日期的平均偏差差別很大。與不同站點的時間表現（圖3）相比，FY-3B 和FY-3C 與自動站測量值在空間上的一致性較差（圖5）。RMSE 分別從0.094m3·m?3和0.093m3·m?3增至0.122m3·m?3和0.118m3·m?3，R 分別從0.31 和0.33 減至0.02 和0.04。SMAP 產品空間上的表現也遠不及時間上，平均偏差、均方根誤差和無偏均方根誤差均變差，相關系數從0.33 降至0.03。SMOS 產品的平均偏差最小，均方根誤差最大，同樣反映了SMOS 在山東地區的適用性較差。

圖5 2018年各衛星反演產品山東區域土壤濕度值與自動站觀測值（ASM）所有有效日期空間偏差指標的箱線圖Fig.5 Box plots of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

2.3 FY-3B 和FY-3C 土壤濕度產品偏差原因分析

圖6為2018年山東地區區域平均歸一化植被指數（NDVI）的時間變化，較高的NDVI 說明地表的植被生物量較大，與農作物的成熟期相對應。冬小麥的成熟期為4?5月，玉米成熟期為7?9月。圖7為衛星反演值與自動站觀測值偏差指標的時間變化，偏差指標的變化總體上有明顯的區別，對于FY-3B 和FY-3C，平均偏差（AD）呈現雙峰趨勢，在5月和8月左右達到極大值，分別為0.11m3·m?3和0.25m3·m?3，與圖6的峰值相對應。除峰值區外，其它日期FY-3B 和FY-3C 的平均偏差均為負偏差，說明FY-3B 和FY-3C 衛星反演土壤濕度受植被的生物量影響較大。在5月和8月，當地面植物生物量達到最大時，FY-3B 和FY-3C 的均方根誤差（RMSE）和無偏均方根誤差（ubRMSE）較大，相關系數（R）較小，而SMAP 和SMOS 的偏差指標并未顯示明顯的趨勢。FY-3B、FY-3C 的平均偏差（AD）與NDVI 的相關系數分別達到0.79 和0.76，而SMAP和SMOS 的平均偏差（AD）與NDVI 的相關系數僅0.54 和?0.18。這可能是因為FY-3B 和FY-3C 的土壤濕度產品是由X 波段觀測到的亮度溫度反演的，X波段的探測深度為表層土壤1?2cm 以上，其觀測受地表植被的影響較大，NDVI較大時，FY-3B和FY-3C反演得到的土壤濕度也會隨之較大，導致平均偏差增大，所以平均偏差與NDVI 的變化趨勢具有一致性。而SMAP 和SMOS 衛星使用L 波段，探測深度為土壤表層5cm 以上，觀測到的亮度溫度受地表植被的影響較小，所以其偏差指標未出現與FY-3B 和FY-3C 相同的季節性變化。

圖6 2018年山東地區歸一化植被指數（NDVI）16d 平均值的時間序列Fig.6 The time series of the 16-day average of the normalized difference vegetation index(NDVI) in Shandong during 2018

圖7 2018年各衛星反演產品山東區域土壤濕度值與自動站觀測值（ASM）所有有效日期下空間偏差指標的季節變化Fig.7 Seasonal variation of spatial statistical parameters of all valid dates between the retrieval values of satellite products and ASM observations in Shandong during 2018

3 結論與討論

3.1 結論

本研究利用2018年山東地區中國土壤水分自動觀測站的表層觀測數據，對多源衛星被動微波遙感土壤濕度產品精度進行了分析評估，包括FY-3B 和FY-3C 的2 級日產品，以及SMAP 和SMOS 的3 級日產品，發現FY-3B 和FY-3C 產品與自動站觀測數據在時間上一致性較好，從時間表現的空間分布來看，FY-3B 和FY-3C 產品在山東西部偏干，在東部偏濕，除了山東北部，其它地區的相關系數都較好。若將自動站觀測結果視為真實值，FY-3B 和FY-3C衛星反演值的RMSE 為0.09m3·m?3（RMSE），略低于可接受的0.06m3·m?3精度。同時，SMAP 產品的表現與FY-3B 和FY-3C 相似，并且其無偏均方根誤差（ubRMSE）為0.05m3·m?3，說明SMAP 在去除系統偏差后的應用價值較高，而SMOS 的3 級土壤濕度產品無論是時間上還是空間上，在山東地區的適用性都很一般。在空間上，衛星土壤濕度與自動站觀測數據的一致性都相對有限，但是空間上統計參數的時間序列表明，FY-3B 和FY-3C 的觀測數據的相關性和誤差有明顯的季節變化，在5月和8月往往會高估土壤濕度，在其余時間會低估，SMAP 與SMOS 無相應季節變化。這主要是因為FY-3B 和FY-3C 使用X 波段觀測亮度溫度受地表植被的影響較大，而SMAP 和SMOS 使用的L 波段受地表植被的影響較小。

3.2 討論

因為各個衛星的日產品實際上是衛星每日過境時探測到的瞬時值，所以本研究在對衛星與自動站進行時間匹配時，使用的是衛星過境時間的自動站小時數據，這比之前用自動站日平均結果與衛星升降軌的平均值進行時間匹配的方法更加合理。在空間匹配上，由于衛星數據的分辨率為25km 和36km，與之前對站點和衛星數據按照空間位置臨近匹配不同，本研究中站點對應的衛星觀測值為所在網格周圍4 個格點的加權平均值，權重為站點到格點距離的倒數，降低了自動站數據與衛星數據的差異性。后續可以進一步提高衛星遙感的空間分辨率，提高反演產品的精度來增加匹配的準確性。

不同的衛星使用的頻率不一樣，對土壤濕度探測的深度不一致，反演的算法也不同，因此很難直接比較不同衛星產品之間的精度高低，所以本研究對比評估不同衛星數據與自動站數據的偏差指標，發現不同衛星各自的特點，并進一步分析差異的原因，有益于后續優化衛星數據的質量。對于FY-3B和FY-3C，其平均偏差有明顯的季節變化，與NDVI的相關系數很高，因此后續的工作將開發新的算法，將植被指數的影響加入其中，以獲得質量更高的風云衛星土壤濕度數據。對于SMAP，后續研究將進一步評估其系統誤差，并在算法中去除系統誤差來提高SMAP 產品的精度。

此外，由于本研究僅使用了2018年的數據，因此不能從長時間序列角度來對這4 種衛星產品進行評估，存在著不確定性，后續研究可以通過使用更長時間尺度的產品進行評估，并在此基礎上生成一組長時間序列高精度的土壤濕度數據。