不同尺度的土壤含水量主被动微波联合反演方法研究

Soil moisture retrieval on both active and passive microwave data scales

摘要

土壤含水量是水文、农业和气象等领域的关键参数,而微波遥感是目前监测土壤含水量最有效的手段之一。本文利用主动微波与被动微波数据,结合其他多源遥感数据,运用随机森林算法分别在主动微波数据分辨率尺度和被动微波数据分辨率尺度下完成主被动微波数据的土壤含水量联合反演。首先对被动微波尺度的地表覆盖类型与归一化植被指数(NDVI)参数进行空间分辨率优化,再利用回归ReliefF方法对两种尺度所用的输入变量的重要性进行评估,并对输入变量进行优选,最后对比主被动微波数据土壤含水量联合反演和单独利用主动/被动微波数据进行反演的精度,分析主被动微波联合反演方法的有效性。结果表明:在主动微波尺度,主被动微波联合反演的精度相比单独利用主动微波数据反演的精度有所提升,相关系数r由0.691升至0.744,RMSE由0.084 8 cm³/cm³降至0.079 6 cm³/cm³;在被动微波尺度,主被动微波联合反演的精度反而比单独利用被动微波数据反演的精度更低,相关系数r由0.944变为0.939,RMSE由0.043 5 cm³/cm³变为0.045 1 cm³/cm³。因此在主动微波尺度更适合进行主被动微波的联合反演。

关键词

土壤含水量 / 微波遥感 / 联合反演 / 随机森林 / 空间优化 / 重要性评估

Key words

soil moisture / microwave remote sensing / joint retrieval / random forest / spatial optimization / importance evaluation

0 引言

土壤含水量是影响土壤表面温度和土壤蒸腾的重要因素,是探究气候变化和气候预测的重要变量^[1-2],也是生态、水文、农业等领域研究的重要参数^[3⇓-5]。获取大范围地表土壤含水量时空分布信息是一个迫切需要解决的问题,传统的土壤含水量测定方法包括时域计法^[6]、重量法^[7]等,这些方法可以较为精准地获得测量点处的土壤含水量值,但无法提供大面积区域的土壤含水量信息,很难对土壤空间异质性规律进行分析^[8],并且需要耗费大量的人力物力,还会对当地的土壤环境造成破坏^[9-10]。

近些年来,遥感技术已得到突飞猛进的发展。因其具备观测面积广、数据获取快、重访周期短等特点,遥感技术已广泛应用在土壤含水量的反演之中^{[11⇓⇓-14]}。其中,微波遥感技术所受到的天气影响较小,具有穿透地表植被冠层、全天时全天候观测的能力,且微波遥感传感器所接收到的来自地面的发射或反射信号性质与土壤的介电性质高度相关,这保证了微波遥感反演土壤含水量的理论基础^[15]。

多年来,研究者们已根据地表微波散射机理与辐射传输过程,从数学物理的角度建立了经典的物理模型^[16-18],并通过结合实地实验数据对模型中地表粗糙度等参数进行简化,创建了一系列半经验模型^[19-22]。这些物理模型和半经验模型虽然可以精确表征微波与地表介质相互作用的物理过程,构建精度较高的模拟数据集,但模型的表达式和涉及的参数均较复杂,导致模型适用性较差。机器学习(Machine Learning)是计算机通过算法和数据训练挖掘事物背后隐藏的规律和本质的行为,即利用数据训练所得到的经验与新知识,不断将系统性能进行完善的过程。机器学习是汇集了神经生物学、概率统计、信息论和人工智能等多领域知识的交叉学科,凭借着无需将物理关系显式表达、对非线性问题具有良好描述和能够处理更加多元化的信息等优势,机器学习已经在解决土壤含水量反演的问题中发挥了重要作用^[23-26]。

按照工作原理,微波遥感可以分为主动微波遥感与被动微波遥感。由于主动微波数据具有较高的空间分辨率,被动微波数据具有较高的时间分辨率,将主被动微波数据进行结合,则有助于充分利用二者的优点,能够更好地获取土壤含水量的时空信息^[27]。而机器学习算法的灵活性使其在多源数据融合问题上具有一定优势,因此学者们也纷纷开展运用机器学习算法与主被动微波数据进行土壤含水量估算的研究。Rodríguez-Fernández等^[28]利用L波段SMOS亮度温度和C波段ASCAT后向散射系数作为神经网络的输入变量,利用模拟土壤含水量数据作为输出变量,探讨了不同输入变量情况下土壤含水量的反演效果,证实了神经网络对土壤含水量时空变化的捕捉能力。Ge等^[29]同样利用SMOS与ASCAT数据,并加入NDVI和地表温度等参数作为输入变量,对比了普通神经网络与深度卷积神经网络在土壤含水量反演问题中的表现,结果显示两种机器学习算法所得到的土壤含水量估计值均能较好地与真实值相吻合,深度卷积神经网络的反演精度略高于普通神经网络。Santi等^[30]提出了基于SMAP、AMSR2和Sentinel-1卫星的多源数据联合模型,利用人工神经网络模型获取意大利北部农业区空间分辨率为0.1°的土壤含水量产品。

综合现有的研究成果,在利用机器学习算法和主被动微波数据联合反演土壤含水量的领域,目前尚存在一些有待探究的问题:(1)主动微波数据和被动微波数据空间分辨率差异显著,需要在两种数据各自的空间尺度下对土壤含水量联合反演的效果进行对比探究;(2)被动微波数据通常具有较低的空间分辨率,在低分辨率的像元中常常存在较强的空间异质性,包含多种不同的地物,具有多种不同类型与密度的植被,并可能存在不同的土壤含水量分布模式,在这样大的像元覆盖面积情况下,如果各个参量仅用单一值来表征,将会导致反演问题误差的增大与反演结果不确定性增加^[31-32];(3)机器学习算法输入变量的选择很重要,对输入变量的优选有助于提升反演精度^[33]。

就上述问题,本文以北美洲部分区域为研究区,利用主动微波数据(Sentinel-1后向散射系数)、被动微波数据(SMAP亮度温度)和其他多源遥感数据,就土壤含水量反演问题分别在主动微波数据分辨率尺度和被动微波数据分辨率尺度展开讨论。首先针对被动微波尺度较低的空间分辨率,提出经过空间分辨率优化的、能够反映地表覆盖和NDVI在像元内细节特征的新参数作为机器学习算法的输入变量;其次采用回归ReliefF方法对机器学习反演算法的各输入变量的重要性进行评估,分别在两种尺度确立反演土壤含水量的最优输入变量组合;最后在两种尺度进行主被动微波数据联合反演,并对比联合反演的精度与单独利用主动/被动微波数据反演的精度,以评估主被动微波数据联合反演的可行性。

1 研究区与数据

研究区选择为24.2°N ~ 51.5°N,125.2°W ~ 58.8°W矩形范围内的陆地区域,如图1所示。在数据方面,综合考虑了各数据的可获取时段,最终选择2015年4月至2019年3月作为研究时间范围。值得注意的是,本研究并没有选取该时段内每一天的数据,而是选取了每个月的5日和20日这两日的数据,这样做可以在一定程度上减少数据量,降低数据处理的时间成本,同时也使数据保留了多年的时序特征,从而保证了样本的质量。本研究用到的数据种类较多,包括土壤含水量地面实测数据、土壤含水量模型模拟数据、被动微波数据、主动微波数据、地表植被指数数据、地表温度数据、地表覆盖类型数据和地形数据等。

土壤含水量地面实测数据来源于国际土壤湿度观测网(The International Soil Moisture Network,ISMN),ISMN致力于建立与维护全球土壤含水量数据库, 站网数据免费向公众开放,为遥感土壤含水量反演的校正与验证提供了大量数据支撑。图1展示了研究区内所有具有有效实测数据的站点,这些站点来自10个不同的土壤数据观测站网,隶属于不同观测站网的站点用不同的颜色来表示。鉴于被动微波遥感所能探测土壤含水量的深度,本研究仅保留了地表5 cm以内的实测数据,并依据数据质量标识,进一步筛选标识为“G”(Good)的土壤含水量观测值。此外,本研究关注的是日平均土壤含水量的反演,故需将各站点在各取样日期的有效观测值取平均。研究所用到的各土壤数据观测站网的站点数量与全部研究时间范围内所得到的日平均土壤含水量观测值总数,见表1。

土壤含水量模型模拟数据来源于欧洲中期天气预报中心的全球范围大气再分析产品ERA5-Land, ERA5-Land数据以ERA5的陆地部分数据为基础进行重新推演,提供了全球自1950年以来多种陆地与大气参数的逐小时估计值,数据空间分辨率约为0.1°,ERA5-Land数据具有很强的时空连续性,目前已经运用在很多研究中以解决实测数据资料匮乏的问题^[29,34-35]。本研究选用其中的Volumetric Soil Water Layer 1图层,代表了地表下方0~7 cm土壤层中包含的水分。由于该数据为逐小时数据,因此需要对研究时间范围内各日期每日24 h的土壤含水量值求平均。

被动微波数据来源于SMAP卫星,采用SPL3SMP_E产品中所包含的9 km空间分辨率的亮度温度数据,选择该产品在2015年4月至2019年3月、每月5日和20日的亮度温度升轨数据(下午星数据PM)与降轨数据(上午星数据AM),升轨数据与降轨数据均包括H和V两个极化通道。在获取SMAP亮度温度数据后,还需根据SPL3SMP_E产品自带的数据质量评价图层,剔除数值超出额定范围和受到射频干扰的像元。

主动微波数据来源于Sentinel-1卫星,为了使SMAP亮度温度数据与Sentinel-1后向散射系数数据在时间与空间上相匹配,需参照上一步获取的SMAP亮度温度数据,选择成像日期与SMAP数据相同,且成像区域与SMAP数据存在重叠的Sentinel-1数据。本研究选用L1级地距影像(Ground Range Detected,GRD),并经过滤波、辐射定标和地理编码等预处理步骤,最终得到后向散射系数数据。

地表植被指数数据来源于MODIS MOD/MYD13A2植被指数产品,根据研究时间范围内的每个日期选取对应的MOD13A2与MYD13A2数据的NDVI图层,并将两个NDVI图层数值取平均,所得的结果视为各日期的NDVI值。

地表温度数据来源于MODIS MOD/MYD11A1地表温度产品,根据研究时间范围内的每个日期选取对应MOD11A1与MYD11A1数据的日间地表温度与夜间地表温度图层,首先去除被云、积雪覆盖的无效像元和地表温度小于273.15 K的像元,然后对MOD11A1日间地表温度和MYD11A1日间地表温度取平均值,再对MOD11A1夜间地表温度和MYD11A1夜间地表温度取平均值,最后将这两个平均值再取平均,所得的结果视为各日期的日平均地表温度。

地表覆盖类型数据来自MODIS MCD12Q1地表覆盖产品。对于MCD12Q1产品,选择其中IGBP分类方案对应的2015年至2019年的数据,并去除水体、湿地、城市用地、冰与雪等地物类别对应的像元。

地形数据来自SRTM DEM数据,利用ArcMap软件对DEM影像进行处理,得到坡度数据。高程数据与坡度数据都将用于接下来的土壤含水量反演研究。

2 方法

2.1 随机森林算法

本研究所用的机器学习算法为随机森林算法。随机森林(Random Forest)最早由Breiman于2001年提出^[36],是一系列二元分类回归树(Classification And Regression Tree)的有序集成,能够凭借大量分类回归树对结果的正确预测获得更高的预测精度^[37]。图2^[38]为随机森林算法的结构示意图。随机森林算法的实现主要包括以下步骤:(1)按照设定的比例,从训练数据集中有放回地抽取N次,组成N个用于训练的数据子集;(2)对每个训练数据子集进行训练,形成由N棵决策树构成的随机森林;(3)综合各决策树的决策结果,对于分类问题则取众数类别,对于回归问题则计算其算术平均值,得到最终的预测值。

由于本研究所解决的问题为数值反演问题,故随机森林模型的类型设定为回归模型。此外,随机森林模型也有一些基础参数需要设置,经不断调试与改进,最终将树的数量设定为100,叶结点上最小样本量设定为5,树的最大深度设定为“auto”,即不限制最大深度,每个叶节点最大特征数设定为“auto”,即叶节点分裂时将所有的特征均考虑在内。

2.2 输入变量的初步选择与被动微波数据尺度的参数空间分辨率优化

在进行主被动微波联合反演土壤含水量之前,首先要在主动微波尺度和被动微波尺度对输入变量进行初步选择。除了主动微波的VH/VV通道后向散射系数σ_VH/VV、雷达入射角θ和被动微波的H/V通道亮度温度T_bH/V等参数,参照Liu等^[39]的研究,将归一化植被指数NDVI、地表温度LST、地表覆盖类型LC、高程elevation、坡度slope和数据获取日期也作为机器学习算法反演土壤含水量的输入变量。针对两种不同尺度下的土壤含水量反演,需分别对作为输入变量的参数进行调整。

对于主动微波尺度,Liu等^[39]指出,地表覆盖类型参数作为输入变量并未对土壤含水量的反演精度带来提升效果,因此在主动微波尺度土壤含水量反演中,地表覆盖类型参数将不予考虑。同时,对于数据获取日期,在Liu等^[39]的研究中用月份来表示,在本研究中则改用更精确的年内天数DOY来表示。

对于被动微波尺度,本研究针对其低空间分辨率,提出经过空间分辨率优化的,能够反映地表覆盖类型和NDVI在像元内细节特征的新参数。对于上一节经过预处理的MODIS地表覆盖类型数据和NDVI数据,将MODIS地表覆盖类型重新分类成5个典型地类,即森林、灌木、草地、农田和裸土,具体重分类原则如表2所示,然后求出每个SMAP像元所包含的5个典型地类像元的面积占比,分别记作Perc_F、Perc_S、Perc_G、Perc_C和Perc_B,同时将重分类得到的5个典型地类图层与NDVI值图层相匹配,计算每个SMAP像元中各典型地类所对应的MODIS NDVI像元的平均值,分别记作NDVI_F、NDVI_S、NDVI_G、NDVI_C和NDVI_B。

图3描述了“SMAP像元中典型地类的占比”和“SMAP像元中典型地类对应的NDVI平均值”的计算方法。为了解释方便,这里对单个SMAP像元内的细节进行展示。假设X₁、X₂和X₃是MODIS地表覆盖类型数据中的3种地类,根据上文所述的重分类方法,它们均属于5个典型地类中的某一类别X,那么SMAP像元中X地类的占比Perc_X就等于SMAP像元中X地类的面积S_X(MODIS地表覆盖类型数据中X₁、X₂、X₃的面积总和)除以SMAP像元的总面积S_{SMAP_pixel},而地类X对应的NDVI的平均值NDVI_X则为X地类所对应的MODIS NDVI的数值总和 {\sum }_i\mathrm{N}\mathrm{D}\mathrm{V} {\mathrm{I}}_{\mathrm{X}\_i}(i=1,2,…,N_X)除以X类别所对应的MODIS像元的个数N_X。

表3列举了在两种数据尺度下初步选择作为输入变量与输出变量的参数。其中,Perc_X表示“SMAP像元中典型地类的占比”,即Perc_F、Perc_S、Perc_G、Perc_C和Perc_B 5个变量,NDVI_X表示“SMAP像元中典型地类对应的NDVI平均值”,即NDVI_F、NDVI_S、NDVI_G、NDVI_C和NDVI_B 5个变量。在输出变量的选择上,为了保证数据之间的空间分辨率相匹配,尽量降低数据重采样带来的误差,故将ISMN土壤含水量实测数据作为主动微波尺度的输出变量,将ERA5-Land土壤含水量模拟数据作为被动微波尺度的输出变量。

对于主动微波尺度的参数,将输入变量对应的数据统一至Sentinel-1后向散射系数分辨率,并将ISMN土壤含水量地面实测数据转化为与Sentinel-1数据空间分布一致的栅格数据;对于被动微波尺度的参数,将输入变量对应的数据统一至SMAP亮度温度分辨率,将ERA5-Land土壤含水量模型模拟数据同样重采样至SMAP亮度温度分辨率。接下来将两种尺度的各数据图层进行叠置。需要指出的是,在被动微波尺度中,所用到的SMAP亮度温度数据有上午星数据和下午星数据之分,两种数据在同一日期具有不同的空间覆盖,因此需要将上午星亮度温度数据图层与下午星亮度温度数据图层分别与其他图层叠置。在各数据图层进行叠置后,保留各图层值均为有效值的像元,每个像元对应一个样本。对于被动微波尺度,还需将上午星亮度温度对应的样本与下午星亮度温度对应的样本合并。最终在主动微波尺度和被动微波尺度各得到一组样本,在本研究中,对于主动微波数据尺度,可得到2 306个样本,对于被动微波数据尺度,可得到331 645个样本。这两组样本将分别用于随机森林算法的训练与测试,每次的训练/测试过程将样本按照90%/10%的比例随机分配为训练/测试样本,利用训练样本对随机森林算法进行训练后,再利用测试样本检验其反演土壤含水量的精度。

2.3 输入变量重要性分析与参数优选

对输入变量的重要性进行分析并进行参数优选,有助于提高机器学习模型的性能。本研究选择回归ReliefF方法评估输入变量的重要性。回归ReliefF方法由Relief 方法演变而来,该方法除了对变量区分相近样本的能力进行评估以外,对变量重要性的权重计算公式也做出改进,使变量重要性的评估更加稳定^[40-41]。这里根据前面得到的样本,利用回归ReliefF方法分别对主动微波尺度与被动微波尺度各输入变量的重要性进行计算,再根据各变量的重要性排序,将输入变量依次加入随机森林模型中,根据土壤含水量反演的精度指标变化对输入变量进行优选,选出接下来用于主被动微波联合反演的输入变量组合。本研究所用精度评价指标为相关系数r与均方根误差(RMSE),可以用下列关系式来表示:

(1) r = \frac{\stackrel{n}{\sum _{i=1}}(\mathrm{S}\mathrm{M}{\mathrm{C}}_i-\overline{\mathrm{S}\mathrm{M}\mathrm{C}})({\stackrel{︿}{\mathrm{S}\mathrm{M}\mathrm{C}}}_i-\overline{\stackrel{︿}{\mathrm{S}\mathrm{M}\mathrm{C}}})}{\sqrt{\stackrel{n}{\sum _{i=1}}(\mathrm{S}\mathrm{M}{\mathrm{C}}_i{-\overline{\mathrm{S}\mathrm{M}\mathrm{C}})}^2}\sqrt{\stackrel{n}{\sum _{i=1}}({\stackrel{︿}{\mathrm{S}\mathrm{M}\mathrm{C}}}_i{-\overline{\stackrel{︿}{\mathrm{S}\mathrm{M}\mathrm{C}}})}^2}}

(2) \mathrm{R} \mathrm{M} \mathrm{S} \mathrm{E} = \sqrt{\frac{1}{n}\stackrel{n}{\sum _{i=1}}(\mathrm{S}\mathrm{M}{\mathrm{C}}_i-{\stackrel{︿}{\mathrm{S}\mathrm{M}\mathrm{C}}}_i{)}^2}

其中:SMC_i与分别代表第i个样本的土壤含水量实测值与样本数据集的平均土壤含水量实测值;与代表第i个样本的土壤含水量估计值与样本数据集的平均土壤含水量估计值;n代表样本的总数量。

2.4 土壤含水量主被动微波数据联合反演

经过参数优选后,在主动微波尺度和被动微波尺度各得到一组优选输入变量组合,在优选输入变量组合的基础上,可以进一步进行土壤含水量主被动微波数据联合反演。若将SMAP亮度温度参数重采样至主动微波尺度并加入对应的输入变量组合中,则为主动微波尺度的联合反演;若将Sentinel-1后向散射系数参数重采样至被动微波尺度并加入对应的输入变量组合中,则为被动微波尺度的联合反演。通过对比主被动微波联合反演的精度与单独利用主动微波/被动微波数据反演的精度评价指标,即可评估主被动微波联合反演的可行性。

3 结果

3.1 输入变量的优选

表4和表5分别列出了两种尺度初步选择作为输入变量的参数的重要性评估结果。对于主动微波尺度,重要性排序前三位的变量为坡度(slope)、高程(elevation)和归一化植被指数(NDVI);对于被动微波尺度,重要性排序前三位的变量为高程(elevation)、数据获取日期(DOY)和地表温度(LST)。

接下来,再根据两种输入变量组合的重要性排序,将两组参数分别按重要性由高到低的顺序依次添加到随机森林模型中并进行土壤含水量反演,图4为主动微波尺度对应的变量依次加入模型后得到的相关系数r与RMSE,图5为被动微波尺度对应的变量依次加入模型后得到的相关系数r与RMSE。

可以看到,在主动微波尺度,向随机森林反演模型中依次加入排名前4位的参数(slope、elevation、NDVI和LST)时,相关系数r有所提升, RMSE出现下降趋势,在加入排名第5和第6的VH与VV通道的后向散射系数时,精度指标值未出现明显变化,而再将数据获取时间(DOY)加入模型后,相关系数r达到最大值0.691,RMSE降至最低值0.084 8 cm³/cm³。在被动微波尺度,除了加入排名第2的参数DOY后精度指标有所下降之外,在模型中依次加入其他排名靠前的参数都会使精度指标上升,直到将前10个参数都加入模型后,相关系数r达到0.944,RMSE降至0.043 5 cm³/cm³,此后再加入其他参数时,相关系数r和RMSE的值仅出现轻微波动,反演精度不再有明显的提升迹象。

3.2 主被动微波联合反演

从上面的结果来看,按重要性顺序向模型中加入一定数量的参数作为输入变量后,反演精度会趋于平稳不再有明显提升,为保证模型的简洁性,首先

对两种尺度作为土壤含水量反演输入变量的参数进行优选。优选的原则是:参数在重要性排序中排名靠前,且该参数或排在该参数后面的其他参数作为输入变量加入模型后会使反演精度有明显提升。输入变量优选的结果如表6所示。

得到两组优选输入变量之后,即可对主被动微波联合反演土壤含水量进行探究。表7列出了两种数据尺度下,主被动微波联合反演与单独利用主动微波/被动微波数据反演的精度评价指标对比。显然,对于主动微波尺度,利用后向散射系数与亮度温度的主被动微波联合反演要比单独利用后向散射系数的反演精度高,相关系数r从0.691提升至0.744,RMSE从0.084 8 cm³/cm³降至0.079 6 cm³/cm³。然而对于被动微波尺度,利用亮度温度与后向散射系数的主被动微波联合反演的精度反而略低于单独利用亮度温度的反演精度,后者相关系数r为0.944,RMSE为0.043 5 cm³/cm³,前者相关系数r为0.939,RMSE为0.045 1 cm³/cm³。

4 分析与讨论

从利用回归ReliefF方法评估两种尺度各输入变量重要性的结果中可以看到:(1)在不同的空间尺度利用随机森林算法进行土壤含水量反演,其输入变量的重要性排序也是不同的,同样的参数在不同尺度,对土壤含水量反演起到的作用会存在一定的差异;(2)并不是随机森林模型的输入变量越多,其反演土壤含水量的精度就越高,当输入变量队列中的参数达到一定数量时,再加入更多的参数并不一定会引起反演精度指标的提升,这也与Zhang等^[33]的研究结果是一致的;(3)高程(elevation)参数无论在主动微波尺度还是在被动微波尺度都是反演土壤含水量的关键参数,地形因素对土壤含水量分布的影响已在很多研究中被论证^[42⇓-44],本研究的结果也验证了高程参数的重要性;(4)在被动微波数据尺度,本研究提出了能够体现地表覆盖类型与NDVI在像元内部细节特征的两组新参数,然而从输入变量重要性排序结果来看,这两组参数作为输入变量的重要性排序普遍处于偏中后的位置,且在优选的输入变量组合中,只有NDVI_G、Perc_F、Perc_G和NDVI_F这4个参数被保留下来。事实上,这两组新参数是作为整体加入随机森林的输入变量之中的,而回归ReliefF方法是针对每个输入变量单独进行评估,因此不应只凭输入变量重要性排序结果就否定这两组新参数的作用。

表8列出了将本研究提出的新参数从输入变量组合中去掉后,被动微波尺度下的联合反演与单独利用被动微波数据的反演精度。通过表7与表8中反演精度指标的简单对比不难看出,当去掉新参数后,土壤含水量的反演精度指标与未去掉新参数的输入变量组合对应的精度指标相比有所下降,对于单独利用被动微波数据的反演,相关系数r由0.944降至0.929,RMSE由0.043 5 cm³/cm³升至0.048 3 cm³/cm³,对于联合反演,相关系数r由0.939降至0.926,RMSE由0.045 1 cm³/cm³升至0.049 3 cm³/cm³。这一对比结果说明本研究提出的新参数在土壤含水量反演问题中是具有积极作用的。

对于主动微波尺度的主被动微波联合反演,其精度指标优于单独利用主动微波数据的反演,这证明了在主动微波尺度下,主被动微波数据联合反演土壤含水量的有效性。虽然与Sentinel-1后向散射系数数据相比,SMAP亮度温度数据本身具有较低的空间分辨率,但从物理机制上来看,由于被动微波遥感对地表的探测是通过接收地表自身辐射的能量来实现的,相比于主动微波遥感通过发射电磁波并接收回波信号进行探测的过程,被动微波遥感受到植被冠层和地表粗糙度的影响更小,对土壤含水量的变化更加敏感,利用被动微波数据反演土壤含水量通常具有更高的反演精度^[45-46]。因此本研究中,在主动微波尺度,主被动微波联合反演要比单独利用主动微波数据反演效果更好。

对于被动微波尺度的主被动微波联合反演,其反演精度反而比仅用被动微波参数反演的精度低。其原因在于,Sentinel-1后向散射系数在重采样至SMAP亮度温度数据的分辨率时损失了较多的信息,导致重采样后的Sentinel-1后向散射系数与土壤含水量之间不再具有显著的相关性,因此将其作为模型的输入变量会引入一些无关信息,使得土壤含水量反演精度下降。

5 结论

本研究利用Sentinel-1数据、SMAP数据和其他多源遥感数据,利用随机森林算法分别在主动微波尺度与被动微波尺度进行土壤含水量反演研究。针对被动微波尺度的低空间分辨率,提出经过空间分辨率优化的地表覆盖类型与NDVI参数,即“SMAP像元中典型地类的占比”和“SMAP像元中典型地类对应的NDVI平均值”作为算法输入变量,并利用回归ReliefF方法对两种尺度输入变量组合中参数的重要性进行评估,根据评估结果对作为输入变量的参数进行优选,最后利用优选的输入变量在两种尺度完成主被动微波土壤含水量联合反演。

研究结果表明:对于主动微波数据尺度,经过输入变量优选后,单独用主动微波后向散射系数进行土壤含水量反演的相关系数r为0.691,RMSE为0.084 8 cm³/cm³,而加入了被动微波亮度温度参数的土壤含水量联合反演,相关系数r为0.744,RMSE为0.079 6 cm³/cm³。对于被动微波数据尺度,单独用被动微波亮度温度进行土壤含水量反演的相关系数r为0.944,RMSE为0.043 5 cm³/cm³,而加入了主动微波后向散射系数参数的土壤含水量联合反演,相关系数r为0.939,RMSE为0.045 1 cm³/cm³。从结果来看,在主动微波尺度的主被动微波联合反演是有效的,从精度指标来看要比单独用主动微波数据的反演精度指标更优,而在被动微波尺度,相比于单独用被动微波数据的反演,主被动微波联合反演并没有在精度上有所提升,甚至反而出现下降。因此我们认为,土壤含水量的主被动微波联合反演更适合在主动微波数据尺度来进行,一方面在主动微波数据尺度,联合反演有助于反演精度的提升,在数值上相关系数r提升了7.7%,RMSE下降了6.1%;另一方面,在反演结果的空间分辨率上,主动微波尺度分辨率高,在数据空间精细化程度上更具优势。

值得注意的是,在本研究中,每个ISMN站点实测数据所表达的土壤含水量空间范围较小,实测数据的数量也十分有限,使得在主动微波尺度所得到的样本量偏少,导致随机森林模型的训练还不够充分,因此在主动微波尺度,土壤含水量反演的绝对精度是偏低的。后续的研究将对研究区进行扩展,例如扩展至全球范围,探究在增加样本量后土壤含水量主被动微波联合反演的效果。此外也将对机器学习反演算法进行调整,尝试利用深度学习算法完成主被动微波联合反演的研究,通过与现有算法对比来分析其优劣性。

参考文献

[1] DAI A G, TRENBERTH K E, QIAN T T. A global dataset of palmer drought severity index for 1870-2002: relationship with soil moisture and effects of surface warming[J]. Journal of Hydrometeorology, 2004, 5(6): 1117-1130.

[2] LOEW A, STACKE T, DORIGO W, et al. Potential and limitations of multidecadal satellite soil moisture observations for selected climate model evaluation studies[J]. Hydrology and Earth System Sciences, 2013, 17(9): 3523-3542.

[3] PETROPOULOS G P, IRELAND G, SRIVASTAVA P K, et al. An appraisal of the accuracy of operational soil moisture estimates from SMOS MIRAS using validated in situ observations acquired in a Mediterranean environment[J]. International Journal of Remote Sensing, 2014, 35(13): 5239-5250.

[4] HIRSCHI M, SENEVIRATNE S I, SCH\AR C. Seasonal variations in terrestrial water storage for major midlatitude river basins[J]. Journal of Hydrometeorology, 2006, 7(1): 39.

[5] ROBINSON D A, CAMPBELL C S, HOPMANS J W, et al. Soil moisture measurement for ecological and hydrological watershed-scale observatories: a review[J]. Vadose Zone Journal, 2008, 7(1): 358-389.

[6] 逄春浩. 土壤水分测定方法的新进展: TDR测定仪[J]. 干旱区资源与环境, 1994, 8(2): 69-76.

[7] REYNOLDS S G. The gravimetric method of soil moisture determination Part I: a study of equipment, and methodological problems[J]. Journal of Hydrology, 1970, 11(3): 258-273.

[8] JACKSON T J, BINDLISH R, COSH M H, et al. Validation of soil moisture and ocean salinity (SMOS) soil moisture over watershed networks in the U.S[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(5): 1530-1543.

[9] 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): 125-161.

[10] 雷志斌, 孟庆岩, 田淑芳, 基于GF-3和Landsat8遥感数据的土壤水分反演研究[J]. 地球信息科学学报, 2019, 21(12): 1965-1976.

[11] DE JEU R A M, WAGNER W, HOLMES T R H, et al. Global soil moisture patterns observed by space borne microwave radiometers and scatterometers[J]. Surveys in Geophysics, 2008, 29(4): 399-420.

[12] MOHANTY B P, COSH M H, LAKSHMI V, et al. Soil moisture remote sensing: state-of-the-science[J]. Vadose Zone Journal, 2017, 16(1): 1-9.

[13] 陈书林, 刘元波, 温作民. 卫星遥感反演土壤水分研究综述[J]. 地球科学进展, 2012, 27(11): 1192-1203.

[14] COLLIANDER A, JACKSON T J, BINDLISH R, et al. Validation of SMAP surface soil moisture products with core validation sites[J]. Remote Sensing of Environment, 2017, 191: 215-231.

[15] 张滢, 丁建丽, 周鹏. 干旱区土壤水分微波遥感反演算法综述[J]. 干旱区地理, 2011, 34(4): 671-678.

[16] FUNG A K, PAN G W. A scattering model for perfectly conducting random surfaces I. Model development[J]. International Journal of Remote Sensing, 1987, 8(11): 1579-1593.

[17] PAN G W, FUNG A K. A scattering model for perfectly conducting random surfaces II. Range of validity[J]. International Journal of Remote Sensing, 1987, 8(11): 1595-1605.

[18] CHEN K S, WU T D, TSANG L, et al. Emission of rough surfaces calculated by the integral equation method with comparison to three-dimensional moment method simulations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(1): 90-101.

[19] OH Y, SARABANDI K, ULABY F T. An empirical model and an inversion technique for radar scattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 370-381.

[20] OH Y, SARABANDI K, ULABY F T. Semi-empirical model of the ensemble-averaged differential Mueller matrix for microwave backscattering from bare soil surfaces[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(6): 1348-1355.

[21] DUBOIS P C, VAN ZYL J, ENGMAN T. Measuring soil moisture with imaging radars[J]. IEEE Transactions on Geoscience and Remote Sensing, 1995, 33(4): 915-926.

[22] SHI J C, WANG J, HSU A Y, et al. Estimation of bare surface soil moisture and surface roughness parameter using L-band SAR image data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(5): 1254-1266.

[23] BAGHDADI N, EL HAJJ M, ZRIBI M. Coupling SAR C-band and optical data for soil moisture and leaf area index retrieval over irrigated grasslands[C]// 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). July 10-15, 2016, Beijing. IEEE, 2016: 3551-3554.

[24] EL HAJJ M, BAGHDADI N, ZRIBI M, et al. Soil moisture retrieval over irrigated grassland using X-band SAR data[J]. Remote Sensing of Environment, 2016, 176: 202-218.

[25] YAO P P, SHI J C, ZHAO T J, et al. Rebuilding long time series global soil moisture products using the neural network adopting the microwave vegetation index[J]. Remote Sensing, 2017, 9(1): 35.

[26] LU Z, CHAI L N, LIU S M, et al. Estimating time series soil moisture by applying recurrent nonlinear autoregressive neural networks to passive microwave data over the Heihe River Basin, China[J]. Remote Sensing, 2017, 9(6): 574.

[27] 赵天杰, 张立新, 蒋玲梅, 利用主被动微波数据联合反演土壤水分[J]. 地球科学进展, 2009, 24(7): 769-775.

[28] RODRÍGUEZ-FERNÁNDEZ N, AIRES F, RICHAUME P, et al. Soil moisture retrieval using neural networks: application to SMOS[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(11): 5991-6007.

[29] GE L L, HANG R L, LIU Y, et al. Comparing the performance of neural network and deep convolutional neural network in estimating soil moisture from satellite observations[J]. Remote Sensing, 2018, 10(9): 1327.

[30] SANTI E, PALOSCIA S, PETTINATO S, et al. On the synergy of SMAP, AMSR2 and SENTINEL-1 for retrieving soil moisture[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 65: 114-123.

[31] BAI X J, ZENG J Y, CHEN K S, et al. Parameter optimization of a discrete scattering model by integration of global sensitivity analysis using SMAP active and passive observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(2): 1084-1099.

[32] ZENG J Y, SHI P F, CHEN K S, et al. On the relationship between radar backscatter and radiometer brightness temperature from SMAP[J]. IEEE Transactions on Geoscience and Remote Sensing, 2022, 60: 3115140.

[33] ZHANG L, ZHANG Z X, XUE Z H, et al. Sensitive feature evaluation for soil moisture retrieval based on multi-source remote sensing data with few in-situ measurements: a case study of the continental U.S[J]. Water, 2021, 13(15): 2003.

[34] 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.

[35] 唐豪, 王晓云, 陈伏龙, 基于ERA5-Land数据集的玛纳斯河径流模拟研究[J]. 地学前缘, 2022, 29(3): 271-283.

[36] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[37] MIN M, LI J, WANG F, et al. Retrieval of cloud top properties from advanced geostationary satellite imager measurements based on machine learning algorithms[J]. Remote Sensing of Environment, 2020, 239: 111616.

[38] 王思楠. 融合多源遥感和机器学习算法的土壤水分反演和干旱监测及植被响应研究[D]. 呼和浩特: 内蒙古农业大学, 2022.

[39] LIU Q X, GU X F, CHEN X R, et al. Soil moisture content retrieval from remote sensing data by artificial neural network based on sample optimization[J]. Sensors, 2022, 22(4): 1611.

[40] 梁鸿, 魏倩, 孙运雷. 基于改进的RReliefF算法的超参数重要性分析[J]. 计算机与数字工程, 2020, 48(8): 1840-1845, 2045.

[41] KIRA K, RENDELL L A. The feature selection problem: traditional methods and a new algorithm[C]// Proceedings of the tenth national conference on artificial intelligence. July 12-16, 1992, San Jose, California. ACM, 1992: 129-134.

[42] MOHANTY B P, SKAGGS T H. Spatio-temporal evolution and time-stable characteristics of soil moisture within remote sensing footprints with varying soil, slope, and vegetation[J]. Advances in Water Resources, 2001, 24(9): 1051-1067.

[43] JOSHI C, MOHANTY B P, JACOBS J M, et al. Spatiotemporal analyses of soil moisture from point to footprint scale in two different hydroclimatic regions[J]. Water Resources Research, 2011, 47(1): W01508.

[44] LIN H, BOUMA J, WILDING L P, et al. Advances in hydropedology[J]. Advances in Agronomy, 2005, 85: 1-89.

[45] 宋沛林. 基于AMSR被动微波辐射计的地表土壤含水量估算方法改进及应用研究[D]. 杭州: 浙江大学, 2019.

[46] 李占杰, 陈基培, 刘艳民, 土壤水分遥感反演研究进展[J]. 北京师范大学学报(自然科学版), 2020, 56(3): 474-481.

基金资助

国家重点研发计划项目(2021YFE0117300)

国家民用空间基础设施陆地观测卫星共性应用支撑平台项目(2017-000052-73-01-001735)

国家国防科技工业局高分辨率对地观测系统重大专项(30-Y60B01-9003-22/23)