全球土壤水分产品融合数据集（2015–2019） 全球变化数据学报 原文 Word 原文 PDF Dataset
全球变化数据学报 | Journal of Global Change Data & Discovery | 202004139401

全球土壤水分产品融合数据集（2015–2019）

王卓颖1，刘杨晓月2,3,*
DOIhttps://doi.org/10.3974/geodp.2020.04.01

摘要

在2015–2019年ESA CCI v05.2多源卫星融合土壤水分产品（ECV SM，1d，0.25°× 0.25°）基础上，利用2015年问世的SMAP土壤水分产品对ECV进行时空序列插补，采用重投影、重采样和加权计算实现ECV SM的补全与完善。基于欧洲区域的8个土壤水分地面实测网络共计134个监测站点数值对其结果进行对比分析和验证，表明融合后的土壤水分产品不仅空间完整性得到显著提升（提升约20%），数据质量也比原始的 ECV SM有所改善。数据集存储格式为.tif，由1,737个文件组成，数据量为6.71 GB。

关键词

土壤水分全球尺度逐日数据2015–2019

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.2020.08.03.V1

1 前言

土壤水分一般指单位体积土壤中所含液态水的体积，是全球气候变化、陆地表面水文 过程、碳循环的关键物理量之一[1, 4]。土壤水分通过改变土壤热容量，控制地表蒸发和植被蒸腾，影响植被生长[5, 7]。因此，获取土壤水分含量数据不仅对于分析陆地生态系统演替、碳氮水循环过程具有关键科学意义，而且对于开展旱涝灾害预警、进行农作物估产具有重要实际应用价值[8, 11]。

卫星遥感技术是获取全球尺度、连续时间序列陆地表层土壤水分数据的重要手段，海量丰富的卫星土壤水分产品为开展全球气候演化分析提供了前所未有的机遇[12, 13]。但受到卫星扫描间隙、射频干扰、植被光学厚度、冰冻季节等影响，基于卫星遥感反演的土壤水分产品存在大量的空值区域[14, 16]。不同微波波段（如C波段、X波段、K波段、Ka波段、L波段）对地表土壤水分的敏感度也不尽相同[17]。为了提高卫星土壤水分产品的时空序列完整性和数据质量，欧洲太空局（European Space Agency，ESA）在2010年起致力于融合多源卫星遥感数据，形成一套迄今为止时间序列最长的多源卫星数据融合全球地表土壤水分产品（Essential Climate Variable Soil Moisture，ECV SM）[18, 20]。ECV土壤水分产品的时间序列长度、空间序列完整性以及数据精度相较于单波段卫星土壤水分产品有了显著提升，但与同化产品相比其空间覆盖率仍有较大提升空间。因此，融入新的卫星土壤水分产品是提升ECV土壤水分产品空间完整性和数据质量的有效手段。本数据集将2015年问世的L波段SMAP（Soil Moisture Active Passive）土壤水分产品[21]与ECV土壤水分产品融合[22]，经过重投影、重采样和插补[23, 26]，最终得到了2015年3月31日至2019年12月31日全球地表土壤水分0.25 分辨率逐日数据集。

2 数据集元数据简介

《全球土壤水分产品融合数据集（2015–2019）》[27]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、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。

表 1《全球土壤水分产品融合数据集（2015–2019）》元数据简表
条目描述
数据集名称全球土壤水分产品融合数据集（2015–2019）
数据集短名Global_SM
作者信息刘杨晓月 ABB-3889-2020，广东省科学院广州地理研究所，lyxy@lreis.ac.cn
地理区域全球数据年代 2015–2019 时间分辨率逐日
数据格式.tif数据量6.71 GB空间分辨率0.25×0.25
数据集组成包括1,737个数据文件，自2015年3月31日至2019年12月31日期间每天有一个数据文件，以SM-yyyymmdd.tif 形式命名，如SM-20160101.tif 是2016年1月1日的全球土壤水分融合数据
基金项目博士后创新人才支持计划（BX20200100）；国家对地观测科学数据中心（NODAOP2020002）；南方海洋科学与工程广东省实验室（广州）人才团队引进重大专项（GML2019ZD0301）
数据计算环境Python 2.7
出版与共享服务平台全球变化科学研究数据出版系统http://www.geodoi.ac.cn
地址北京市朝阳区大屯路甲11号100101，中国科学院地理科学与资源研究所
数据共享政策全球变化科学研究数据出版系统的“数据”包括元数据（中英文）、通过《全球变化数据仓储电子杂志（中英文）》发表的实体数据和通过《全球变化数据学报（中英文）》发表的数据论文。其共享政策如下：（1）“数据”以最便利的方式通过互联网系统免费向全社会开放，用户免费浏览、免费下载；（2）最终用户使用“数据”需要按照引用格式在参考文献或适当的位置标注数据来源；（3）增值服务用户或以任何形式散发和传播（包括通过计算机服务器）“数据”的用户需要与《全球变化数据学报（中英文）》编辑部签署书面协议，获得许可；（4）摘取“数据”中的部分记录创作新数据的作者需要遵循10%引用原则，即从本数据集中摘取的数据记录少于新数据集总记录量的10%，同时需要对摘取的数据记录标注数据来源[28]
数据和论文检索系统DOI，DCI，CSCD，WDS/ISC，GEOSS，China GEOSS，Crossref

3 数据研发方法

3.1 数据来源

本数据集中所采用的ECV土壤水分产品为基于多源主动微波（ERS-1、ERS-2、MetOp-A、ASCAT）和被动微波产品（SMMR、SSM/I、TMI、AMSR-E、AMSR-2、Windsat、SMOS）融合的全球逐日土壤水分产品[21]。本数据集采用的SMAP土壤水分产品为基于L波段被动微波辐射计反演的2015–2019年全球逐日土壤水分产品，空间分辨率为36 km[22]。大量已有研究表明L波段对地表土壤水分的敏感度优于其他微波波段，对地面的穿透深度与土壤水分地面监测传感器的埋深最为接近。研发机构从SMAP卫星传感器设计到反演算法构建均强化了对地面人为射频的抗干扰能力，经验证表明，SMAP土壤水分产品的数值精度和时空序列拟合度均优于构成ECV的每种卫星土壤水分产品[23, 29, 31]。

数据集评价过程中使用的土壤水分地面实测数据源于国际土壤水分网络[32]，本研究选用的8个土壤水分地面实测网络的基本属性信息如表2所示。

表 2土壤水分地面实测网络基本属性信息
名称所在国家站点数量区域气候主要土地覆被类型
REMEDHUS西班牙20温带海洋气候耕地、灌丛
FR_Aqui法国4地中海气候耕地、林地
FMI瑞典20亚寒带针叶林气候稀树草原
HOBE丹麦27温带海洋气候耕地、林地
BIEBRZA_S波兰18温带大陆性气候草地、湿地
TERENO德国5温带海洋气候耕地、林地
RMSN罗马尼亚19温带大陆性气候耕地、林地
SMOSMANIA法国21地中海气候多类型混合

3.2 研究方法

本研究旨在提高ECV土壤水分产品数据完整性同时促进数据精度稳中有升。首先，利用土壤水分地面实测数据对SMAP和ECV土壤水分产品进行质量评价。对实测土壤水分数据采取质量控制措施，实测值一般以小时为单位测定土壤含水量，仅当一天内有效数据超过12小时才认定为有效数据，计算加权平均值得到各网络各站点日尺度土壤水分实测值。选取拟合优度（R）、偏差（Bias）和无偏均方根误差（ubRMSE）作为误差参数来系统验证ECV、SMAP数据精度。结果表明SMAP升降轨土壤水分产品精度显著优于ECV数据，可作为ECV插补的优质数据源。第二，为提高有效数据百分比，计算SMAP升轨与降轨数据的加权平均得到日尺度SMAP土壤水分产品。对SMAP进行投影转换和空间重采样，使其与ECV空间属性一致。第三，基于Python读取并遍历ECV日尺度数据，检索空值区域。第四，采用逐日数据逐行逐列遍历的方式，使用与ECV空间属性一致的SMAP日尺度土壤水分产品对ECV进行插补，得到融合的全球土壤水分产品，并对该产品的空间完整性和数据精度进行评价验证。具体数据研制流程如图1所示：

4 数据结果与验证

4.1 数据集组成

数据集包含1,737个文件，格式为.tif，时间范围从2015年3月31日到2019年12月31日，空间范围覆盖全球，时间分辨率为日尺度，空间分辨率为0.25°×0.25°（约25 km× 25 km）。数据单位为m3m–3，即单位体积土壤的含水量，取值范围是[0, 1]。文件命名方式为SM-yyyymmdd.tif。

图 1
下载
图 1土壤水分产品融合算法流程图

4.2 数据结果

图2为ECV土壤水分产品与融合后的土壤水分产品对比，由图可知，土壤水分的时空分布特征与区域季相节律周期高度吻合，主要取值范围是0–0.5 m3m–3。以2016年1月1日、4月1日、7月1日、10月1日的数据作为融合产品在冬、春、夏、秋四季的样例，比较可得融合后的土壤水分产品空间覆盖完整性较原始ECV土壤水分产品有非常显著的改善。冬春季节高纬度地区地表温度恒定在0 ℃以下，地表为冻土状态，微波仅能测定土壤中液态水的含量，故表现为空值。格陵兰岛和南极大陆终年被冰雪覆盖，同样表现为空值。

4.3 数据结果验证

4.3.1 完整性评价

由图3可知，融合后土壤水分产品的全球地表覆盖率较ECV土壤水分产品显著提升约20%，填补了ECV在亚马孙热带雨林、刚果盆地热带雨林地区的土壤水分数据空白，为进行土壤水分时空尺度连续分析提供便利。同时，可以观察到土壤水分高覆盖率区域主要分布在60°S–60°N的中低海拔、非植被密集覆盖之处。高寒气候区冬季寒冷漫长，微波信号无法测得液态水回波信号；此外，微波信号难以穿透植被密集覆盖区（>5 kgm–2）。

图 2
下载
图 2ECV土壤水分产品（1月(a)、4月(c)、7月(e)、10月(g)）与融合后的土壤水分产品（1月(b)、4月(d)、7月(f)、10月(h)）（单位：m3m–3）
图 3
下载
图 3ECV土壤水分产品(a)与融合后的土壤水分产品(b)空间覆盖率（单位：%）

4.3.2 精度验证

利用取自8个土壤水分网络共计134个站点实测数据，对ECV和SMAP升（A）、降（D）轨土壤水分产品开展验证评价。结果如图4–6所示，图中自上而下的水平线分别代表最大值、上四分位、中位数、下四分位和最小值，虚线是均值，点代表异常值。SMAP土壤水分产品拟合优度和偏差的评价结果优于ECV，无偏均方根误差的评价结果与ECV相当，充分表明SMAP土壤水分产品的质量可靠性，可以作为有效的融合数据来改善ECV土壤水分产品的完整性。

图 4
下载
图 4ECV和SMAP土壤水分产品拟合优度（R）验证结果对比图

利用实测数据对土壤水分融合结果进行精度验证，验证结果如表3所示，融合土壤水分产品与ECV土壤水分产品精度水平相当[33]，在REMEDHUS、FR_Aqui、RSMN和SMOSMANIA的精度优于ECV，能够有效捕捉土壤水分时空序列演化趋势，精确拟合土壤水分地面实测值[34]。总体来说，土壤水分融合结果可以准确反映地面实测数据的分布情况及数值变化。

为进一步分析融合土壤水分产品取值分布与地面实测数据的拟合情况，本研究绘制了实测数据、ECV、土壤水分融合产品的概率分布函数曲线（Probability Distribution Function，PDF）。如图7所示，三类土壤水分数据的取值均符合正态分布，地面实测数据（黑线）的取值离散化较为显著，相比而言，ECV土壤水分产品（红线）取值聚集现象明显，而土壤水分融合产品（蓝线）能够有效调整ECV数据取值过于密集分布情况，与实测值曲线更为接近。

图 5
下载
图 5ECV和SMAP土壤水分产品偏差（Bias）验证结果对比图
图 6
下载
图 6ECV和SMAP土壤水分产品无偏均方根误差（ubRMSE）验证结果对比图
表 3ECV融合土壤水分产品精度评价结果统计表
土壤水分实测网络拟合优度R偏差Bias无偏均方根误差ubRMSE拟合优度R偏差Bias无偏均方根误差ubRMSE
REMEDHUS0.750.090.050.770.080.04
FR_Aqui0.760.110.040.770.110.04
FMI0.11‒0.080.07‒0.040.000.06
BIEBRZA_S-10.60‒0.340.140.58‒0.350.13
TERENO0.670.020.060.570.020.06
RSMN0.560.110.050.580.100.05
SMOSMANIA0.620.080.100.680.070.06
图 7
下载
图 7ECV土壤水分产品与融合后的土壤水分产品PDF概率密度分布图

5 讨论和总结

为保证数据质量，在土壤水分融合前后利用分布在8个实测网络的134个站点实测数据对ECV、SMAP升降轨以及融合后的土壤水分产品进行了验证，结果表明本研究获得的土壤水分融合结果能够有效拟合地面实测数据的取值和时空序列演化趋势。本研究的主要贡献是在保证精度和稳定性的基础上提升了ECV土壤水分产品的空间的覆盖完整性，得到一种高精度、高地表覆盖率的土壤水分融合产品。

本研究以地面站点实测数据作为“理想真值”验证卫星土壤水分产品精度。然而，站点尺度数据与0.25°×0.25°分辨率栅格像元的空间代表性差异巨大，且在下垫面性质复杂的区域尤为显著。因此，基于地面站点实测数据的精度评价能够在一定程度上检验土壤水分融合产品的质量，但不能完全准确地等价于数据集精度。

空值图斑是卫星土壤水分产品普遍存在的现象，本研究基于高精度SMAP对ECV土壤水分产品进行插补，是提升卫星土壤水分产品空间覆盖率的有效方式之一。基于数学模型构建土壤水分与多源地表参数（如降水、气温、植被指数）的映射关系反演土壤水分也是重要的卫星土壤水分插补方法，有待进一步深入研究。

作者分工：王卓颖采集和处理了数据、验证了数据精度、撰写了数据论文；刘杨晓月对数据集的研制做了总体设计、构建了模型和算法等。

参考文献

  1. [1]Mei, S. Y., Walker, J. P., Rüdiger, C., et al. A comparison of SMOS and AMSR2 soil moisture using representative sites of the OzNet monitoring network [J]. Remote Sensing of Environment, 2017, 195: 297‒312.
  2. [2]Tang, R., Li, Z. L., Tang, B. An application of the Ts–VI triangle method with enhanced edges determination for evapotranspiration estimation from MODIS data in arid and semi-arid regions: implementation and validation [J]. Remote Sensing of Environment, 2010, 114(3): 540‒551.
  3. [3]Liu, Y., Yao, L., Jing, W., et al. Comparison of two satellite-based soil moisture reconstruction algorithms: a case study in the state of Oklahoma, USA [J]. Journal of Hydrology, 2020, 10(2): 1‒18.
  4. [4]Liu, Y., Jing, W., Wang, Q., et al. Generating high-resolution daily soil moisture by using spatial downscaling techniques: a comparison of six machine learning algorithms [J]. Advances in Water Resources, 2020, 141: 103601.
  5. [5]Dong, J., Crow, W. T., Tobin, K. J., et al. Comparison of microwave remote sensing and land surface modeling for surface soil moisture climatology estimation [J]. Remote Sensing of Environment, 2020, 242: 111756.
  6. [6]Rigden, A., Mueller, N., Holbrook, N., et al. Combined influence of soil moisture and atmospheric evaporative demand is important for accurately predicting US maize yields [J]. Nature Food, 2020, 1(2): 127‒133.
  7. [7]邴龙飞, 苏红波, 邵全琴等. 近30年来中国陆地蒸散量和土壤水分变化特征分析[J]. 地球信息科学学报, 2012, 14(1): 1‒13.
  8. [8]Lakshmi, V., Piechota, T., Narayan, U., et al. Soil moisture as an indicator of weather extremes [J]. Geophysical Research Letters, 2004, 31(11): 1‒4.
  9. [9]Liu, J., Shi, C., Sun, S., et al. Improving land surface hydrological simulations in China using CLDAS meteorological forcing data [J]. Journal of Meteorological Research, 2019, 33(6): 1194‒1206.
  10. [10]Qin, J., Yang, K., Lu, N., et al. Spatial upscaling of in-situ soil moisture measurements based on MODIS-derived apparent thermal inertia [J]. Remote Sensing of Environment, 2013, 138: 1‒9.
  11. [11]刘苏峡, 邢博, 袁国富等. 中国根层与表层土壤水分关系分析[J]. 植物生态学报, 2013, 37(1): 1‒17.
  12. [12]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.
  13. [13]Liu, Y., Yang, Y., Jing, W., et al. Comparison of different machine learning approaches for monthly satellite-based soil moisture downscaling over northeast China [J]. Remote Sensing, 2018, 10(1): 31.
  14. [14]Draper, D. W. Radio frequency environment for earth-observing passive microwave imagers [J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2018, 11(6): 1913‒1922.
  15. [15]Piepmeier, J. R., Johnson, J. T., Mohammed, P. N., et al. Radio-Frequency interference mitigation for the Soil Moisture Active Passive Microwave Radiometer [J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 52(1): 761‒775.
  16. [16]Zou, X., Zhao, J., Weng, F., et al. Detection of radio-frequency interference signal over land from FY-3B microwave radiation imager (MWRI) [J]. Advances in Meteorological Science & Technology, 2013, 50(12): 4994‒5003.
  17. [17]Sabaghy, S., Walker, J. P., Renzullo, L. J., et al. Spatially enhanced passive microwave derived soil moisture: capabilities and opportunities [J]. Remote Sensing of Environment, 2018, 209: 551‒580.
  18. [18]Hollmann, R., Merchant, C. J., Saunders, R., et al. The ESA climate change initiative: satellite data records for essential climate variables [J]. Bulletin of the American Meteorological Society, 2013, 94(10): 1541‒1552.
  19. [19]Dorigo, W. A., Gruber, A., Jeu, R. A. M. D., et al. Evaluation of the ESA CCI soil moisture product using ground-based observations [J]. Remote Sensing of Environment, 2015, 162(2): 380‒395.
  20. [20]Chakravorty, A., Chahar, B. R., Sharma, O. P., et al. A regional scale performance evaluation of SMOS and ESA-CCI soil moisture products over India with simulated soil moisture from MERRA-Land [J]. Remote Sensing of Environment, 2016, 186: 514‒527.
  21. [21]ESA CCI Soil Moisture [DB/OL]. https://www.esa-soilmoisture-cci.org/.
  22. [22]SMAP Data [DB/OL]. https://nsidc.org/data/smap/smap-data.html.
  23. [23]Spencer, M., Wheeler, K., White, C., et al. The Soil Moisture Active Passive (SMAP) mission L-Band radar/radiometer instrument [A]. Geoscience and Remote Sensing Symposium, 2010 IEEE International, 2010: 3240–3243.
  24. [24]O’Neill, P., Entekhabi, D., Njoku, E., et al. The NASA Soil Moisture Active Passive (SMAP) mission: Overview [A]. Geoscience and Remote Sensing Symposium (IGARSS), 2010 IEEE International, 2010: 1210‒1223.
  25. [25]Ma, H., Zeng, J., Chen, N., et al. Satellite surface soil moisture from SMAP, SMOS, AMSR2 and ESA CCI: a comprehensive assessment using global ground-based observations [J]. Remote Sensing of Environment, 2019, 231: 111215.
  26. [26]Liu, Y., Yang, Y., Jing, W. Potential applicability of SMAP in ECV soil moisture gap-filling: a case study in Europe [J]. IEEE Access, 2020, 8(133): 114‒127.
  27. [27]刘杨晓月. 全球土壤水分产品融合数据集（2015–2019）[J/DB/OL]. 全球变化数据仓储电子杂志, 2020. https://doi.org/10.3974/geodb.2020.08.03.V1.
  28. [28]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]. https://doi.org/10.3974/dp.policy.2014.05 (2017年更新).
  29. [29]Stillman, S., Zeng, X. Evaluation of SMAP soil moisture relative to five other satellite products using the climate reference network measurements over USA [J]. IEEE Transactions on Geoscience & Remote Sensing, 2018, 99: 1‒10.
  30. [30]Chen, F., Crow, W. T., Bindlish, R., et al. Global-scale evaluation of SMAP, SMOS and ASCAT soil moisture products using triple collocation [J]. Remote Sensing of Environment, 2018, 214: 1‒13.
  31. [31]Zhang, X., Zhang, T., Zhou, P., et al. Validation analysis of SMAP and AMSR2 soil moisture products over the United States using ground-based measurements[J]. Remote Sensing, 2017, 9(2): 104.
  32. [32]International Soil Moisture Network. https://ismn.geo.tuwien.ac.at/en/.
  33. [33]Cui, C., Xu, J., Zeng, J., et al. Soil moisture mapping from satellites: an inter-comparison of SMAP, SMOS, FY3B, AMSR2, and ESA CCI over two dense network regions at different spatial scales [J]. Remote Sensing, 2017, 10(2): 33.
  34. [34]Burgin, M. S., Colliander, A., Njoku, E. G., et al. A comparative study of the SMAP passive soil moisture product with existing satellite-based soil moisture products [J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 55(5): 2959‒2971.