xuleihuanying的个人博客分享 http://blog.sciencenet.cn/u/xuleihuanying

博文

遥感土壤湿度精度评估与数据同化

已有 861 次阅读 2021-10-16 09:51 |个人分类:论文|系统分类:论文交流

image.png

卫星遥感具有大范围对地观测的能力,而模型能够进行前向模拟和未来预测。这里分享下来自武汉大学测绘遥感信息工程国家重点实验室在遥感土壤湿度领域的相关研究:

(1)首次在全球尺度分析了8种根区土壤湿度的精度及影响因素,包括GLDAS NOAH, ERA-5, MERRA-2, NCEP R1, NCEP R2, JRA-55, SMAP level 4和SMOS level 4数据。

(2)基于一种进化粒子滤波算法,在VIC水文模型中同化SMAP遥感土壤湿度,生成时空连续的土壤湿度估计,提出一种基于降水、蒸散发和土壤湿度的新型干旱指数,用于区域干旱的综合监测。

01

全球根区土壤水分产品精度分析

 

论文标题:

In-situ and triple-collocation based evaluations of eight global root zone soil moisture products

 

发表期刊:

Remote Sensing of Environment

 

原文链接:

https://www.sciencedirect.com/science/article/pii/S0034425720306210

 

https://www.researchgate.net/publication/347291818_In-situ_and_triple-collocation_based_evaluations_of_eight_global_root_zone_soil_moisture_products


 image.png

研究背景

根区土壤水分是植被生长、干旱监测和农业水管理的关键变量。目前地表土壤水分(0-5cm)可以通过卫星遥感反演获取,而根区土壤水分(0-100cm)则需要通过模型模拟的方式获得。目前主流的地表微波土壤水分产品,如SMAP,SMOS和CCI等经过了大量的地面验证,而根区土壤水分数据,如SMAP Level 4,SMOS Level 4,MERRA-2,ERA-5和JRA-55等的精度评估仍然非常匮乏。与此同时,地表土壤水分、降雨驱动和数据同化等多种因素对根区土壤水分产品精度的影响机制尚不明确。

数据方法

 

本文基于ISMN站点和triple collocation方法评估了GLDAS NOAH, ERA-5, MERRA-2, NCEP R1, NCEP R2, JRA-55, SMAP level 4和SMOS level 4根区土壤水分数据的精度,并进一步分析了影响其精度的因素,包括地表土壤水分、降雨、数据同化、验证方法等,对提高根区土壤水分精度有一定指导意义。

 

研究区域如图1所示,采用259个高质量地面站点,将其在不同土壤深度测量的土壤水分值进行深度加权得到根区0-100cm的平均值。验证时间段为2015年4月1日至2020年3月31日。SMOS地表土壤水分受无线电频率干扰的影响,在此使用SMOS-IC产品中的TB-RMSE指标来代表其影响。降雨数据从根区土壤湿度的驱动数据中获得,SMOS Level 4数据是根据地表土壤水分推算得到的,无降雨驱动数据。在259个地面站点中,202个站点含有降雨观测值。数据统一空间分辨率为25km。

 

与此同时,由于地面站点在全球区域的稀疏性,本文进一步使用了triple collocation方法来评估根区土壤水分产品的精度。Triple collocation需要三种误差独立的数据集来进行随机误差的评价,这里通过不同数据之间的组合构建三元组,来进行数据的误差估计。稠密的地面站点可以认为接近地面真值,可以评估系统误差,而triple collocation只能评估随机误差,二者在一定程度上可以相互补充。

表1 本文使用的根区土壤湿度数据

Data name

Institution

Soil layers

Time period

Temporal latency

Resolution

Assimilation or use of SSM?

Evaluation regions in previous studies

Key results (SSM and RZSM)

References

GLDAS NOAH v2.1

NASA

0-10cm, 10-40cm, 40-100cm, 100-200cm

2000-present

Main product: 3-4 month;

Early product: 1.5 month

~25km×25km

No

Tibetan Plateau; Malaysia; Mongolia Plateau;

Underestimate the SSM while well simulate the soil moisture for 20–40 cm   layer in Tibetan Plateau;

Wet bias in Malaysian region;

Overestimate SSM and fail to capture temporal dynamics in Mongolia

Bi et al. (2016); Das et al. (2019); Xin et al. (2014)

ERA-5

ECMWF

0-7cm, 7-28cm, 28-100cm, 100-289cm

1979-present

~4 days

~25km×25km

Yes

CONUS; India; Global

Better soil moisture estimation than ERA-Interim;

ERA‐5 outperforms JRA-55 and MERRA-2 for the monsoon season soil   moisture in India;

ERA5 shows higher skills than MERRA-2, ERA-Interim and JRA-55 in terms   of soil moisture

Balsamo et al. (2018); Li et al. (2020); Mahto and Mishra (2019)

MERRA-2

NASA

0-5cm, 10-100cm

1980-present

~2 months

~56km×70km

No, but assimilate many satellite radiances

North America; Australia; Europe; China

MERRA-2 have the highest SSM and RZSM skill, slightly higher than that   of ERA-Interim/Land and higher than that of MERRA

Reichle et al. (2017b)

NCEP R1

NCEP

0-10cm, 10-200cm

1948-present

~4 days

~208km×213km

No, but assimilate satellite radiances

Global

NCEP R2 does a better job of simulating interannual variations, the mean   seasonal cycle, and the persistence of soil moisture versus NCEP R1

Lu et al. (2005)

NCEP R2

NCEP

0-10cm, 10-200cm

1979-present

~1 month

~208km×213km

No, but assimilate satellite radiances

China

NCEP R2 shows improved interannual variability and better seasonal   patterns of soil moisture than NCEP R1;

NCEP R1 shows a temporal scale close to observations versus NCEP R2

Li et al. (2005)

JRA-55

JMA

0-200cm (vary with land cover)

1958-present

~1 month

~62km×62km

No, but assimilate satellite radiances

Global

ERA-Interim performs slightly better (more than 2.0 dB) than JRA-55   while showing very similar spatial SNR patterns overall;

SMOS shows a strong dry bias in almost all regions versus ERA-Interim,   and also in northern latitudes as well as central Africa and South America   versus JRA-55.

Miyaoka et al. (2017)

SMAP Level 4

NASA

0-100cm

March 31, 2015-present

~4 days

9km×9km

Yes

Global; France; Malaysia

SMAP radiometer-based soil moisture data product meets its expected   performance of 0.04 m3/m3;

The combined radar-radiometer product is close to its expected   performance of 0.04 m3/m3;

The radar-based product meets its target accuracy of 0.06 m3/m3; SMAP-36   km and SMAP-9 km products provide more precise SSM estimates than SMOS   products, mainly due to higher sensitivity of SMOS to Radio Frequency   Interference noise;

An overestimation of SMAP soil moisture products to in-situ data was   noticed in Malaysia;

Descending and ascending soil moisture products showed similar   performances;

Higher performances with lower soil wetness/organic carbon, sparse   vegetation;

Temperate and arid climate zones presented better performances than cold   zone

Das et al. (2019); El Hajj et al. (2018); Zhang et al. (2019)

SMOS Level 4

CATDS

0-100cm

January 2010- February 2020

-

25km×25km

Yes

China; Netherlands; CONUS; Global

A systematic dry bias of the SMOS soil moisture was found in Maqu and   Twente regions for ascending pass data;

An underestimation of the soil moisture from SMOS compared to the   SCAN/SNOTEL local measurements;

SMOS meets the accuracy of 0.04 m3/m3 over specific nominal cases, but   differences are observed over many sites;

SMOS INRA-CESBIO (SMOS-IC) product provides soil moisture intra-seasonal   variability and dynamic range information more accurate than all four LSMs.

Al Bitar et al. (2012); Dente et al. (2012); Dong et al. (2020)



结果和分析

图 2 展示了区域平均的根区土壤湿度,GLDAS, ERA-5, MERRA-2, NCEP R2, JRA-55和SMAP具有相似的季节变异模式,而SMOS在很多区域有一定的低估现象。NCEP R1相对于NCEP R2在亚洲和北美洲区域季节变异更大。图 3 为基于地面站点验证的结果,总体上,在北美区域,SMAP具有最高的相关系数和最小的RMSE。在欧洲区域,SMOS具有最小的RMSE,而GLDAS相关性较高。

image.png

图 2. 区域平均的根区土壤湿度


image.png

图 3. 基于地面站点的根区土壤湿度精度评估结果

从显著性水平上看(图 4),地表和根区土壤水分产品的精度是密切相关的。R2是可解释的方差,SMAP地表土壤水分的精度可以解释~6%的根区土壤水分产品精度,说明SMAP根区土壤水分产品的精度受其地表产品的影响较小,而SMOS可以解释~38%。SMOS根区产品的误差很大一部分来自于SMOS地表产品的偏差(高的R2),而ubRMSE只能解释很少的部分。

image.png


图 4. 地表和根区土壤水分产品精度的关系

图 5 是基于triple collocation方法得到的根区土壤湿度评估结果,在全球尺度,MERRA-2和真值的相关性最高,误差标准差最小,其次是GLDAS、SMAP、JRA-55、ERA-5和NCEP R2。在区域尺度上的精度评估结果和全球尺度的结果基本一致,在不同的区域有一定的差别,SMOS 和 RCEP R1 验证结果基本上差于其它产品。

image.png

图 5. 基于triple collocation方法的根区土壤水分产品精度评估

结论

l  基于地面站点验证的结果中,SMAP Level 4根区土壤湿度产品在北美区域具有最高的相关性和最小的RMSE。

l  基于triple collocation方法评估的结果中,MERRA-2精度最优,其次是GLDAS和SMAP。

l  Triple collocation方法和地面站点验证结果可以相互补充。



02

基于进化粒子滤波的SMAP土壤水分数据同化

 

论文标题:

Continental drought monitoring using satellite soil moisture, data assimilation and an integrated drought index

 

发表期刊:

Remote Sensing of Environment

 

原文链接:

https://www.sciencedirect.com/science/article/pii/S0034425720303989

 

https://www.researchgate.net/publication/343796438_Continental_drought_monitoring_using_satellite_soil_moisture_data_assimilation_and_an_integrated_drought_index

image.png


研究背景

SMAP 卫星观测地表土壤水分的重访周期为2-3天,因此其土壤水分观测在时空上有一定的缝隙。陆面模式和水文模型可以模拟得到时空连续的土壤水分,其模拟精度依赖于初始条件的准确性。初始条件的不确定性可以通过数据同化的方式进行改进,即通过同化观测数据来提高模型模拟的精度。经典的集合卡尔曼滤波数据同化算法要求观测和模型误差服从高斯分布,对于现实世界不服从高斯分布的情况具有很大限制。粒子滤波数据同化方法对于非线性非高斯问题具有很好的适用性,但是存在粒子退化和多样性匮乏问题。因此,本文基于一种改进的粒子滤波数据同化算法,同化 SMAP 土壤水分观测到 VIC 水文模型当中,得到时空连续的土壤湿度,并根据土壤湿度、降水、潜在蒸散发变量提出一种新型干旱指数,用于区域尺度的干旱监测。

数据方法

图 1 为本文使用的数据同化和干旱监测的整体框架。首先通过 VIC 水文模型进行模拟得到先验的土壤湿度状态,再通过遗传算法-马尔科夫链蒙特卡罗得到更新的先验状态,然后利用粒子滤波重采样方法对先验状态进行更新,得到后验的土壤湿度。随后,借助copula将后验土壤湿度、降水减去潜在蒸散发构建联合分布函数,并进行分布转换和高斯逆得到综合的干旱指数,用于区域整体干旱状态的监测和评价。

image.png

图 1. 数据同化和干旱监测框架

结果和分析

图 2 为两种不同数据同化方法得到的根区土壤湿度验证结果,基于改进粒子滤波(EPFM)的结果要优于集合卡尔曼滤波(EnKF)和不进行数据同化(OL)的模拟结果,其分位数平均的相关系数分别为0.56(EPFM),0.54(EnKF)和0.47(OL),ubRMSE 分别为0.054(EPFM),0.061(EnKF)和0.058m3/m3(OL)。相对于OL模拟,EPFM数据同化方法的偏差在美国东南部区域更大,原因在于SMAP土壤湿度观测和地面站点观测有一定偏差。

image.png

图 2. 基于集合卡尔曼滤波(EnKF)和改进粒子滤波(EPFM)数据同化方法同化 SMAP 观测得到的地表土壤水分验证结果

图 3 为不同干旱指数对美国北部平原2017年5月的骤旱监测结果,美国干旱监测者(USDM)在5月初监测到很少的干旱区域,在5月末监测到部分区域的轻度到中度的干旱。而气象干旱指数SPEI表明,在5月上旬很多区域发生了轻度到中度的气象干旱,一直持续到5月末。同化的土壤湿度干旱指数SSMI_DA表明,土壤湿度在上旬只有很少区域出现异常,中下旬则在很多区域出现干旱。同化的农业气象干旱指数SPESMI_DA则基本能够捕捉到气象干旱和土壤湿度干旱的总体变化。

image.png


图 3. 不同干旱指数对美国北部平原2017年5月的骤旱监测结果

结论

l  将SMAP卫星土壤水分同化到VIC水文模型中,提供时空连续的土壤湿度估计。

l  改进的粒子滤波数据同化算法对于SMAP土壤湿度的同化效果较好。

l  基于降水、潜在蒸散发、土壤湿度,提出了一种新型干旱指数SPESMI。




https://blog.sciencenet.cn/blog-3454870-1308144.html

上一篇:[转载]时空预测综述:方法、不确定性、可预测性及未来方向
下一篇:[转载]面向干旱灾害监测和评估的参数化多变量干旱指数

0

评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2021-12-4 12:35

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部