潘庄灌区20-m/12-d土壤水分数据集（2020）

王俊杰¹，张 娣²，石慧娟³，林人财²，王 锦⁴，魏 征^2*

1. 德州市潘庄灌区运行维护中心，德州 253000；
2. 中国水利水电科学研究院，北京 100038；
3. 德州市水利局，德州 253014；
4. 中国科学院空天信息创新研究院，北京 100101

摘 要：土壤水分是能量循环、水碳循环、农业过程和水文气象等的重要影响因子。以2020年时序Sentinel-1 SAR影像为基础，以潘庄灌区为研究区，利用后向散射系数与土壤湿度建立线性回归模型，进而反演得到高空间分辨率土壤水分；同时采用机器学习方法中的支持向量机，识别提取研究区农田，得到潘庄灌区20-m/12-d土壤水分数据集（2020）。该数据对灌区蓄水管理、干旱预警以及灌溉规划等具有重要参考价值。数据集包括：（1）潘庄灌区范围矢量数据；（2）潘庄灌区2020年31期土壤水分数据，时间分辨率为12 d，空间分辨率为20 m。数据集存储为.shp和.tif格式，由43个数据文件组成，数据量为5.16 GB（压缩为4个文件，1.09 GB）。

关键词：土壤水分；Sentinel-1；后向散射系数；潘庄灌区

DOI: https://doi.org/10.3974/geodp.2022.01.18

CSTR: https://cstr.escience.org.cn/CSTR:20146.14.2022.01.18

数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：
https://doi.org/10.3974/geodb.2021.10.08.V1 或 https://cstr.escience.org.cn/CSTR:20146.11.2021.10.08.V1.

1 前言

土壤水分（Soil Moisture, SM）在能量循环和水碳循环过程中发挥重要作用，影响气象、水文和农业过程[1,2]。土壤水分在干旱、洪水和雷暴天气预测亦占据主导地位[3,4]。土壤水分测量方法众多，如烘干法[5]、模型输出[6]和遥感估算[7]等。卫星遥感技术的发展使不同时空尺度的土壤水分监测更加便捷。遥感方法又分为光学遥感和微波遥感，光学遥感受云和雨等天气条件影响较大，应用受限，南方地区尤为突出；微波遥感使用比可见光和红外波段更长的波长，受云和雨等天气条件的影响较小，具有独特优势。微波遥感通常用于表层土壤水分监测，如ASCAT（The Advanced Scatterometer）[8,9]、SMOS（Soil Moisture Ocean Salinity）[8,10]和以及SMAP（Soil Moisture Active and Passive）[8,11,12]等，但空间分辨率较低（约40 km[13]），不能满足农业精细化管理和水资源高效利用等方面的要求。近几十年来，SAR在估算土壤表面特征，特别是地表粗糙度[14]和土壤湿度[15]方面具有显著优势。L、C和X波段的SAR数据被广泛用于土壤水分反演[16–19]。相关学者[18,20]研究表明，Sentinel-1携带的C波段传感器显示出对植被覆盖地表土壤特征的反演能力。Sentinel-1数据既可用于土壤水分的反演，也可用于SMOS或SMAP土壤水分的降尺度研究。利用主动和被动微波遥感数据融合方法，可以获得更高精度的土壤水分。本数据集主要根据后向散射系数对土壤水分敏感这一特性，得到后向散射系数与CLDAS（CMA Land Data Assimilation System）土壤湿度数据的拟合关系，进而反演得到高空间分辨率土壤水分；同时采用机器学习中的支持向量机法[21]识别提取研究区农田，最终得到高空间分辨率农田土壤水分数据集，为农业精细化管理、水资源高效利用提供技术支撑。

2 研究区概况

潘庄灌区（36°24′N–37°51′N，116°57′E–115°51′E，）是我国大型引黄灌区，位于山东省德州市西部，东邻李家岸灌区，南靠黄河，与济南市隔河相望，西部与德州市接壤，西北部及北部以卫运河、漳卫新河为界与河北省相毗邻[22]，于1972年建成并投入使用，包括德城、陵城、宁津、武城、平原、夏津、禹城、齐河等8县（市、区），总面积为5,851 km²。灌区最大年降水量为1,018 mm，最小年降水量仅为286 mm，多年平均降水量为562 mm，7–9月占年降水量的65%，灌区降水年内年际分布不均。年均蒸发量为1,240 mm。潘庄灌区是鲁西北地区重要的粮食棉花生产基地，且为德州市提供了大量优质水源，为德州市经济发展与农业生产作出重要贡献[23]。

图1 潘庄灌区地理位置

下载

3 数据集元数据简介

《潘庄灌区20-m/12-d土壤水分数据集（2020）》[24]名称、作者信息、地理区域、数据年代、时间分辨率、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。

4 数据研发方法

4.1 数据来源

所用的数据主要为Sentinel-1[1]数据，为干涉宽幅模式的斜距单视复数影像，C波段，极化方式为垂直-垂直（Vertical-vertical，VV）、垂直-水平（Vertical-horizontal，VH）极化，多视后空间分辨率为20 m。其他辅助数据包括Landsat8[2]、潘庄灌区边界矢量、90 m数字高程模型（Digital Elevation Model, DEM）数据[3]、中国气象局陆面数据同化系统（CMA Land Data Assimilation System，CLDAS）土壤湿度数据[4]。所用Sentinel-1数据的具体参数示于表2。

4.2 研究方法

技术路线如图2所示。本文以时序Sentinel-1影像为数据源，以潘庄灌区为研究区，根据雷达后向散射系数对土壤水分敏感这一特性，建立线性回归模型，通过后向散射系数与CLDAS土壤湿度数据拟合系数，进而反演得到高空间分辨率土壤水分；同时采用机器学习方法中的支持向量机识别提取研究区农田，得到农田范围，进而得到农田区域土壤水分，这对蓄水管理、干旱预警、灌溉规划等具有重要参考价值。支持向量机（Support Vector Machine, SVM）分类是一种建立在统计学习理论上的机器学习方法，其决策边界是对学习样本求解的最大边距超平面，解决复杂数据分类问题，适用于高维特征空间和小样本统计学习[26]。

图2 技术路线

下载

5 数据结果

5.1 数据集组成

数据集由潘庄灌区范围数据、潘庄灌区2020年土壤水分数据组成，详细信息见表3。其中2020年潘庄灌区土壤水分数据包含31个文件，格式为.tif，时间范围从2020年1月5日至12月30日，时间分辨率为12 d，空间分辨率为20 m，数据单位为cm³/cm³，即土壤体积含水量，文件命名方式为SSM_yyyymmdd.tif，如SSM_20201230.tif表示2020年12月30日土壤水分数据。

5.2 数据结果

图3为冬小麦、夏玉米生长季不同极化方式土壤水分反演精度对比。在冬小麦季节，是潘庄灌区引黄灌溉的重要时段，土壤水分受灌溉影响较大，夏玉米季节则主要是受降水影响。选择灌区作物生长旺盛的4 d（冬小麦，2020年4月10日、5月6日；夏玉米，2020年7月27日、8月20日）进行分析。在冬小麦、夏玉米生长季节，VV极化与VH极化相比，农田后向散射系数较高，高9–11 db，VV、VH极化方式的后向散射系数值分布的主要范围分别为（–16，–8）、（–24，–12），不同时期由于降雨或灌溉导致土壤水分状况的差异性，后向散射系数亦表现出较大差异。由图3可知，2020年8月20日，VH极化反演精度略高于VV极化；2020年4月10日、5月6日和7月27日，VV极化反演精度均高于VH极化，R²分别高0.118、0.033和0.136。因此，选择VV极化方式的后向散射系数与CLDAS土壤湿度数据建立回归模型进行土壤水分反演。不同作物类型对土壤水分反演结果存在差异，夏玉米生长季节的反演结果优于冬小麦生长季节（夏玉米，R²=0.505、0.492；冬小麦，R²=0.444、0.345）。

图3 冬小麦、夏玉米生长季不同极化方式土壤水分反演

下载

图4为不同极化方式土壤水分空间分布结果。选择灌区作物生长旺盛的4 d（卫星过境时间连续，2020年7月27日、8月8日、8月20日、9月1日）和5 km×5 km空间范围进行分析。由图4可知，灌区道路、建筑等地物去除效果明显。两种极化方式下反演所得土壤水分其相关系数R介于0.383–0.525之间。

图4 不同极化方式土壤水分空间分布

下载

图5为作物（冬小麦、夏玉米）生长季土壤水分制图，该土壤水分估算方法在潘庄灌区得到应用。图5a为潘庄灌区2020年4月10日农田土壤水分制图，土壤水分主要集中在0.16–0.36 cm³/cm³之间；图5b为潘庄灌区2020年7月27日农田土壤水分制图，土壤水分主要集中在0.14–0.28 cm³/cm³之间。这与CLDAS土壤水分湿度数据趋势基本一致，可为灌区灌溉管理、干旱预测、作物估产等提供参考。

图5 潘庄灌区作物生长季土壤水分分布图

下载

6 讨论与总结

Sentinel-1反演土壤水分的精度表现为VV极化优于VH极化方式，决定系数R²介于0.369–0.508之间。灌区道路、建筑等地物去除效果明显。两种极化方式下反演所得土壤水分相关系数R介于0.383–0.525。以CLDAS土壤湿度数据为参考，将其与Sentinel-1影像的后向散射系数建立回归模型。然而，0.0625°× 0.0625°空间分辨率土壤水分栅格像元的空间代表性差异巨大，在下垫面性质复杂的区域尤为显著。Sentinel-1影像空间分辨率高，在对后向散射系数重采样至与土壤水分栅格数据相同分辨率时，可能会产生一定误差。此外，虽通过反演获得高空间分辨率土壤水分数据，但时间分辨率较低，还不能满足时间连续的要求。下一步，可开展基于站点的土壤水分观测，将其输入反演模型进行求解，可有效降低空间代表性差异的影响；Sentinel-1数据既可用于土壤水分的反演[27]，也可用于SMOS或SMAP土壤水分的降尺度研究[16]，将来可利用主动和被动微波遥感数据融合方法，获得更高时空分辨率土壤水分。

作者分工：王俊杰对数据集的开发做了总体设计；张娣和石慧娟下载和处理了潘庄灌区遥感数据；魏征设计了模型算法；林人财和王锦撰写了数据论文。

利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。

参考文献

• [1] Alizadeh, M. R., Nikoo, M. R. A fusion-based methodology for meteorological drought estimation using remote sensing data [J]. Remote Sensing of Environment an Interdisciplinary Journal, 2018, 211: 229–247.
• [2] Dorigo, W., Wagner, W., Albergel, C., et al. ESA CCI Soil Moisture for improved Earth system understanding: State-of-the art and future directions [J]. Remote Sensing of Environment, 2017, 203: 185–215.
• [3] Mccoll, K. A., He, Q., Lu, H., et al. Short-term and long-term surface soil moisture memory time scales are spatially anticorrelated at global scales [J]. Journal of Hydrometeorology, 2019, 20(6): 1165–1182.
• [4] Kim, H., Lakshmi, V. Global dynamics of stored precipitation water in the topsoil layer from satellite and reanalysis data [J]. Water Resources Research, 2019, 55(4): 3328–3346.
• [5] 徐爱珍, 胡建民, 熊永等. TDR法、干烧法及烘干法测定土壤含水量的比较研究[J]. 水资源与水工程学报, 2018, 29(2): 253–256.
• [6] 王国帅, 史海滨, 李仙岳等. 基于HYDRUS-1D模型的荒漠绿洲水盐运移模拟与评估[J]. 农业工程学报, 2021, 37(8): 87–98.
• [7] Bai, L. L., Long, D., Yan, L. Estimation of surface soil moisture with downscaled land surface temperatures using a data fusion approach for heterogeneous agricultural land [J]. Water Resources Research, 2019, 55(2): 1105–1128.
• [8] 郑超磊, 胡光成, 陈琪婷等. 遥感土壤水分对蒸散发估算的影响[J]. 遥感学报, 2021, 25(4): 990–999.
• [9] 谢秋霞, 贾立, 陈琪婷等. 闪电河流域农牧交错带微波遥感土壤水分产品评价[J]. 遥感学报, 2021, 25(4): 974–989.
• [10] Merlin, O., Escorihuela, M. J., Mayoral, M. A., et al. Self-calibrated evaporation-based disaggregation of SMOS soil moisture: an evaluation study at 3 km and 100 m resolution in Catalunya, Spain [J]. Remote Sensing of Environment, 2013, 130: 25–38.
• [11] Chan, S. K., Bindlish, R., O'Neill, P., et al. Development and assessment of the SMAP enhanced passive soil moisture product [J]. Remote Sensing of Environment, 2018, 204: 2539–2542.
• [12] Das, N. N., Entekhabi, D., Dunbar, R. S., et al. The SMAP mission combined active-passive soil moisture product at 9 km and 3 km spatial resolutions [J]. Remote Sensing of Environment, 2018, 211: 204–217.
• [13] Zribi, M., Andre, C., Decharme, B. A method for soil moisture estimation in Western Africa based on ERS scatterometer [J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(2): 438–448.
• [14] Zribi, M., Gorrab, A., Baghdadi, N. A newsoil roughness parameter for themodelling of radar backscattering over bare soil [J]. Remote Sensing of Environment, 2014, 152: 62–73.
• [15] Gorrab, A., Zribi, M., Baghdadi, N., et al. Potential of X-Band TerraSAR-X and COSMO-SkyMed SAR data for the assessment of physical soil parameters [J]. Remote Sensing, 2015, 7(1): 747–766.
• [16] Gao, Q., Zribi, M., Escorihuela, M. J., et al. Synergetic use of Sentinel-1 and Sentinel-2 data for soil moisture mapping at 100 m resolution [J]. Sensors, 2017, 17(9): 1966.
• [17] Li, J., Wang, S. Using SAR-Derived vegetation descriptors in a Water Cloud Model to improve soil moisture retrieval [J]. Remote Sensing, 2018, 10(9): 1370.
• [18] Bousbih, S., Zribi, M., El Hajj, M., et al. Soil moisture and irrigation mapping in a semi-arid region, based on the synergetic use of Sentinel-1 and Sentinel-2 data [J]. Remote Sensing, 2018, 10(12): 1953.
• [19] Amazirh, A., Merlin, O., Er-Raki, S., et al. Retrieving surface soil moisture at high spatio-temporal resolution from a synergy between Sentinel-1 radar and Landsat thermal data: a study case over bare soil [J]. Remote Sensing of Environment, 2018, 211: 321–337.
• [20] Bao, Y., Lin, L., Wu, S., et al. Surface soil moisture retrievals over partially vegetated areas from the synergy of Sentinel-1 and Landsat 8 data using a modified water-cloud model [J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 72: 76–85.
• [21] Gao, Q., Zribi, M., Escorihuela, M., et al. Irrigation mapping using Sentinel-1 time series at field scale [J]. Remote Sensing, 2018, 10(9): 1495.
• [22] 李建民, 王俊杰, 晏清洪. 山东省潘庄灌区水土资源平衡分析[J]. 水利发展研究, 2020, 20(9): 47–50, 58.
• [23] 冯云强, 李庆玉, 王合军等. 山东潘庄灌区超声波水位系统组网方案探析[J]. 地下水, 2007(4): 117–118.
• [24] 王俊杰, 石慧娟, 魏征等. 潘庄灌区20-m/12-d土壤水分数据集（2020）[J/DB/OL]. 全球变化数据仓储电子杂志, 2021. https://doi.org/10.3974/geodb.2021.10.08.V1. https://cstr.escience.org.cn/CSTR:20146.11.2021.10.08.V1.
• [25] 全球变化科学研究数据出版系统. 全球变化科学研究数据共享政策[OL]. DOI: 10.3974/dp.policy.2014.05 (2017年更新).
• [26] 张东彦, 戴震, 徐新刚等. 基于时序Sentinel-2影像的现代农业园区作物分类研究[J]. 红外与激光工程, 2021, 50(5): 262–272.
• [27] Yu, F., Zhao, Y. A new semi-empirical model for soil moisture content retrieval by ASAR and TM data in vegetation-covered areas [J]. Science China Earth Sciences, 2011, 54(12): 1955–1964.