基于多源遙感數據的土壤水分反演不確定性分析
——以美國大陸為例

張子璇

（河海大學，江蘇南京 211100）

土壤水分定量地描述了非飽和土壤孔隙空間中存在的水量[1]，獲得及時的、高精度的土壤水分數據，在水文、氣候以及水資源管理等方面具有十分重要的研究意義[2]。

模型作為連接地表參數與土壤水分真實值之間的橋梁，合適的模型能夠提高土壤水分反演的精度。馬春鋒[3]利用RMSE值比較和評估了9個微波后向散射模型，進一步加深了對微波散射機理的理解，也為土壤水分的反演提供了模型支持。

受到研究區稀疏現場觀測數據的限制，一些研究會使用地表模型產品、衛星土壤水分產品作為因變量訓練土壤水分模型。這些產品本身就具有較大的不確定性，這種不確定性可能會傳遞給反演模型。

為了研究土壤水分反演過程中存在的不確定性，本文以美國大陸為研究區，針對3種反演模型進行不確定性分析與評價。

以現場觀測數據、衛星產品、地表模型產品分別作為土壤水分反演模型的因變量，分析由反演模型的因變量帶來的不確定性。

1 研究區與數據資料

1.1 研究區概況

研究區是位于北美洲中部的美國大陸，該地區臨近北大西洋和北太平洋，北部與加拿大接壤，南部靠近墨西哥灣，區域地形復雜多樣，整體地勢西高東低。

東部主要由丘陵和低山組成，包括阿巴拉契亞山脈和大西洋沿岸低地。

中部是一片遼闊的大平原，約為美國的國土總面積的一半。

西部是地質構造最復雜的區域，由科羅拉多高原、懷俄明高原、哥倫比亞高原、大峽谷、內華達山脈和喀斯喀特山脈組成。

1.2 數據資料

為了全面考慮與土壤水分反演相關的變量，本文生成了29個來自被動微波遙感數據（SMAP、AMSR-2、SMOS、FY-3B）、光學遙感數據（MODIS）、地表模型產品（ERAInterim）以及其他輔助數據（DOY、GlobeLand30、SRTM、HWSD）的多源特征。

由于多源特征原始的空間分辨率不一致，對這些特征進行重采樣，與最低空間分辨率的SMAP產品相同，即36 km。

在時間上，所有的多源特征數據都使用了接近6：00的數據，現場觀測數據也應選擇相同時間的數據。

在空間上，基于“點”的現場觀測數據與基于“面”的衛星觀測數據存在空間尺度不匹配的問題。

為了盡可能地減少這個問題造成的誤差，對土壤水分產品36 km×36 km網格內的現場觀測數據進行平均，在已有的許多研究中也采用了同樣的方法[4-5]。

點面時空匹配后，共有1 999組驗證樣本，分為訓練樣本（60%）和測試樣本（40%）。

2 研究方法

為了定量地描述土壤水分反演的結果，使用4種常見的誤差指標，用于評價多源特征與土壤水分參考值之間的關系[6]。

（1）相關系數（R）。

描述土壤水分特征與現場觀測數據的關聯程度。

（2）均方根誤差（RMSE）。

衡量土壤水分特征與現場觀測數據之間的偏差。

（3）偏差（bias）。

描述土壤水分特征的期望與現場觀測數據的差距。

（4）無偏均方根誤差（ubRMSE）。

去除偏差的均方根誤差。

式中：x——多源特征數據；y——土壤水分參考值。

數據資料如表1所示。

表1 多源土壤水分特征數據

3 結果分析

3.1 反演模型不確定性分析

隨機森林（RF）、反向傳播神經網絡（BPNN）、廣義回歸神經網絡（GRNN）是3種常見的土壤水分反演模型。從評價指標分析，RF模型比BPNN和GRNN模型精度更高。

相對于BPNN模型，R值提高了0.151 9；相較于GRNN模型，R值提高了0.101 2。從R值與RMSE值的標準差結果分析，RF模型的標準差值低于BPNN和GRNN模型，不確定性更低。

從模型運行時間分析，RF模型運行一次需要的時間比BPNN和GRNN模型更短。GRNN模型在3種模型中運行一次需要的時間最長。BPNN模型的運行時間也相對較短，但其精度明顯低于其他2個模型。

3種反演模型的評價結果如表2所示。

表2 BPNN、GRNN和RF土壤水分反演模型的評價結果

3.2 模型因變量不確定性分析

分別以現場觀測數據、衛星產品SMAP和地表模型產品ERA-Interim作為因變量訓練土壤水分反演模型。

使用現場觀測數據作為模型因變量時土壤水分反演精度最高（R=0.791 9），R值與RMSE值的標準差小于以SMAP或ERA-Interim作為因變量時的評價結果，表明以現場觀測數據作為模型因變量的不確定性更小。

以SMAP或ERA-Interim作為因變量時評價精度都比較低，偏差值與標準差值較大，表明使用地表模型產品或衛星土壤水分產品作為因變量訓練土壤水分模型，會傳遞較大的不確定性。研究區現場觀測數據足夠建立土壤水分反演模型時，應當考慮以現場觀測數據作為參考，保證土壤水分反演的模型質量。

不同模型因變量的評價結果如表3所示。

表3 不同土壤水分反演模型因變量的評價結果

2015年8月不同土壤水分反演模型因變量的月均土壤水分圖如圖1所示。

圖1 不同土壤水分反演模型因變量的月均土壤水分圖

以現場觀測數據作為模型因變量的土壤水分圖與現場觀測數據土壤水分圖更一致，且能夠較好地反映土壤水分的空間變化。

以衛星產品SMAP和模型產品ERA-Interim作為因變量均低估了土壤水分值，無法較好地反映土壤水分的空間變化。

4 結語

土壤水分在全球陸地水、能量和碳循環中起到關鍵的作用，具有十分重要的研究意義。以美國大陸為研究區，針對土壤水分反演模型的不確定性、土壤水分反演模型因變量的不確定性分別進行分析。對于土壤水分反演模型，RF模型比BPNN和GRNN模型精度更高，不確定性更低。對于土壤水分反演模型因變量，使用現場觀測數據作為模型因變量時，土壤水分反演精度最高，使用地表模型產品或衛星土壤水分產品作為因變量訓練土壤水分模型，會傳遞較大的不確定性。未來研究中可以對多源特征進行選擇，提高土壤水分反演的精度，本文評價不確定性的方法也可以擴展到其他區域乃至全球范圍。