土壤湿度遥感估算同化研究综述
兰鑫宇, 郭子祺, 田野, 雷霞, 王婕
中国科学院遥感与数字地球研究所,北京 100101
*通讯作者:郭子祺(1963-),男,陕西西安人,研究员,主要从事环境遥感研究. E-mail: guozq@radi.ac.cn

兰鑫宇(1991-),女,黑龙江海伦人,硕士研究生,主要从事土壤水分同化研究. E-mail:lanxy@radi.ac.cn

摘要

土壤湿度是影响气候的至关重要的变量之一。利用数据同化方法反演大规模高精度土壤湿度数据是目前土壤水分研究的一个重要方向。结合国内外土壤湿度遥感估算研究现状,总结了土壤水分同化算法主要应用进程,梳理了目前实现土壤水分反演且应用广泛的陆面过程模型,Noah模型、通用陆面过程模型CLM、简单生物圈模型SiB2、北方生产力模拟模型BEPS,介绍了大范围卫星土壤水分数据集,包括陆面同化系统数据集、ASCAT数据集、AMSRE数据集及SMOS数据集,最后探讨了遥感土壤水分同化过程中存在的问题及发展方向。

关键词: 数据同化; 土壤湿度; 陆面过程模型; 遥感数据集
中图分类号:P934 文献标志码:A 文章编号:1001-8166(2015)06-0668-12
Review in Soil Moisture Remote Sensing Estimation Based on
Data Assimilation
Lan Xinyu, Guo Ziqi, Tian Ye, Lei Xia, Wang Jie
(Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China)
Abstract

Soil moisture is one of the critical variables that affect climate. Retrieving large-scale and high-precision soil moisture data with data assimilation technology is an important issue to study soil moisture. Combining with research status at home and abroad in estimating soil moisture, we sum up the major application process of assimilation algorithm in soil moisture, introduce the widely used land surface model which can retrieve the soil moisture, Noah, Common Land Model (CLM), Simple Biosphere Model (SiB2), North productivity simulation model (BEPS), introduce a wide range of soil moisture satellite data sets including the land surface data assimilation system data sets, ASCAT data sets, AMSR-E data sets and SMOS data sets, and finally discuss the problems and development direction of soil moisture in the process of assimilation.

Keyword: Data assimilation; Soil moisture; Land surface process model; Remote sensing data sets.
1 引言

土壤湿度是研究土壤— 植被— 大气界面的重要参数, 是气候预测、洪水预报和地下水补给的一个关键变量, 它通过对陆地表面能源和降水的分配, 在全球水循环中起着重要的作用。时空变异的土壤水分的准确评估对研究地表生物地球物理进程具有重要的意义[1, 2]。实地土壤湿度测量耗时费力, 时间间隔长, 稀少且不连续, 难以建立大范围多层深度的土壤水分监测网[3], 而遥感技术因其能够提供大尺度信息, 在区域和全球性的土壤湿度监测应用上受到广泛的关注。与可见光、近红外波段相比, 微波遥感低频段对表层土壤水分的信息比较敏感, 但Njoku等[4]的研究证明L波段只能穿透3~5 kg/m3的植被层, 难以获取根区湿度信息。陆面过程模式可以获得时空连续的土壤水分场, 但由于其初始观测、驱动数据、模型参数等存在不确定性, 从而导致模型模拟存在较大误差, 需要数据同化方法来减小误差, 提高土壤水分的估算能力。集合了遥感探测数据和陆面过程模型模拟的陆面数据同化技术, 是研究地球科学中陆面变量的重要手段。McLaughlin[5] 在 20 世纪 90 年代将大气和海洋中使用的同化方法引入到水文科学中, 带动了陆面数据同化的研究。

目前土壤水分同化研究中存在很多不确定性, 驱动数据误差、模型参数与观测数据的误差、模型简化的误差等等, 为了减少这些误差对同化结果估计的影响, Jia等[6]基于集合卡尔曼滤波(Ensemble Kalman Filter, EnKF)及SCE-UA(Shuffled complex evolution)参数优化方案发展了直接同化微波亮温数据的土壤湿度同化方案, 结合CLM 3.0水分模块进行参数优化及土壤湿度同化, Yang等[7]使用双路同化算法来减少系统参数的不确定性误差, 说明了参数矫正在土壤湿度估计中的重要作用。在同化中偏差是不可避免而且难以将其分配到模型或观测中, Kumar等[8]在NASA陆面系统中添加典型误差分配方案进行先验偏差矫正。在含有融冻层的冻土区域, 土壤湿度站点观测数据往往是稀少且不均匀的, Jin等[9]发展了同化站点观测和SSM/I(Special Sensor Microwave/Image)数据的冻土区域融冻层水文状态变量的同化系统(ALDAS), 采用SHAW(Soil and Water Assessment Tool)模型模拟在解冻和冻结土壤中的水热溶解进程, 表明了该方案在冻融区域土壤湿度模拟的作用。

本文结合国内外同化土壤湿度的遥感估算研究现状, 梳理了应用广泛的实现土壤水分更新的陆面过程模型, 介绍了目前可获取的大范围土壤水分数据集, 明确土壤湿度同化的技术主线(图1)及重点内容, 最后探讨了遥感土壤水分同化中存在的问题及发展方向。

图1 遥感土壤湿度同化方案流程[10]时间由垂直维表示, 模型和算法由立体元素表示, 输入和输出为二维格网Fig.1 Remote sensing soil moisture estimation scheme[10]Time is represented by the vertical dimension. Models or algorithms are represented by cubical elements, and their inputs and outputs are shown as two-dimensional grids

2 数据同化算法

数据同化算法是数据同化的重要组成部分, 它连接了新的观测数据与模型模拟预测, 提高了模拟精度, 也就是说利用模型预报当前状态, 然后利用先验状态估计作为初始条件, 结合观测数据, 对先验预报进行订正, 以获得当前状态的最佳估计[11]

土壤水分数据同化方法包括:直接插入, 逐步订正, 优化插值, 变分约束, 卡尔曼滤波及其派生算法, 粒子滤波等等。Entekhabi等[12]首先将微波遥感数据同化到陆面过程模型中来, 利用扩展卡尔曼滤波(Extended Kalman Filter, EKF)反演了土壤水分廓线, 证明了数据同化能够改进土壤水分的预测水平。Walker等[13]对直接插入法与卡尔曼滤波方案进行了对比, 研究表明当相邻深度具有很高的相关性时, 卡尔曼滤波同化方案能够调整整个土壤水分轮廓, 并且观测深度对轮廓反演时间并没有很大的影响。Huang等[14]利用EnKF开展了一维土壤湿度同化系统实验, EnKF能够处理非线性的模型算子和观测算子, 在同化站点及遥感数据上实用且有效。Reichle等[15]在阿肯色河流域的实验中, 通过利用自适应集合卡尔曼滤波来同化表层土壤湿度合成数据, 自适应滤波器可确定模型及观测的误差, 相对于非自适应系统可提高同化的估计。Han等[16]采用可变下渗能力水文模型(Variable Infiltration Capacity-3Layers , VIC-3L)对非线性/非高斯滤波包括无迹卡尔曼滤波(Unscented Kalman Filter, UKF)、集合卡尔曼滤波(EnKF)、采样重要性重采样粒子滤波(Sampling Importance Resampling Particle Filter, SIR-PF) 算法、无迹粒子滤波算法(Unscented Particle Filter, UPF)的性能进行检验, 几种滤波灵活的适用于一维同化实验中, 在高维系统中, UKF与UPF算法受到限制。Moradkhani等[17~19]发展了利用集合卡尔曼滤波(EnKF)和粒子滤波(Partide Filters, PFs)同步估算水文模型的状态和参数的方案, 其指出EnKF在分批校正中不需要存储过往信息, 并且可以解决输入、输出及参数的不确定性问题。PFs能够处理模型的非线性情况, 并且更适用于复杂的陆面过程模型, 而结合马尔可夫链蒙特卡罗方法的PFs-MCMC能够显著减小计算量并能够避免低集成尺度的采样枯竭, 避免退化现象。Pauwels等[20]考虑到修正过去和当前土壤湿度条件的作用采用了一个偏差矫正可回溯的集合卡尔曼滤波算法提高了水文状态和流量的估计, Lee等[21]发展了利用确定性集合卡尔曼滤波(Deterministic Ensemble Kalman Filter, DEnKF)方法分析SMOS(Soil Moisture and Ocean Salinity)表层土壤水分产品的反相SVAT(Soil Vegetation Atmosphere Transfer)土壤液压变量的业务框架。

目前, 在数据同化方法的融合上国内外的学者取得了不错的进展, Tian等[22~24]结合蒙特卡罗思想、特征正交分解技术(POD)与四维变分(4DVAR)方法, 将隐式优化问题转化为显式优化提出POD-E4DVAR算法, 进一步提出非线性最小二乘增强的POD-4DVar算法, Tian结合POD-E4DVAR算法与通用陆面模型CLM 3.0建立双路陆面同化系统(Dual-pass Land Data Assimilation System , DLDAS)直接同化Tb数据提高土壤湿度估算精度。Zhang等[25~27]对结合EnKF与4DVAR优势的耦合方案E4DVAR进行检验, 结果表明耦合方案较4DVAR与EnKF在集合大小与同化窗口大小的敏感性上具有更好的性能, 并在数值天气预报模型同化研究中与耦合了EnKF与三维变分(3DVAR)方法的E3DVAR进行对比, 研究表明在短期预测中E4DVAR更能提高模型变量的估计。同化算法在过去的时间取得了极大的研究进展, 但同化算法受到模型算子和观测算子的非线性非高斯及复杂不确定性等多方面限制, 所以研究新的同化算法是同化算法未来的发展方向[28]

3 土壤水分陆面过程模型

陆面过程模型(Land Surface Model, LSM)是对发生在地表控制地面和大气间物质能量交换物理过程的数学模拟, 是同化过程中的核心部分。目前可实现土壤水分反演并应用较广泛的主流模型有Noah模型、CLM模型、SiB2模型及BEPS模型等, 这些陆面模型可描述土壤湿度、温度、地表水热通量等多个部分, 本部分将重点介绍这些模型的土壤水分模块。

3.1 Noah陆面过程模型

Noah模型由OSU-LSM(Oregon State University/Land Surface Model)发展而来, 2000年正式定名, 正广泛用于陆面数据过程的综合模拟[29]。Noah模型是一个一维非耦合的垂直单点陆面模拟模型, 用于模拟土壤水分、温度, 地表温度, 积雪深度, 积雪水当量, 冠层含水量, 地表能通量和水通量等。Noah模型的大气驱动数据包括空气温度、湿度、地表气压、风速、向下长波辐射、向下短波辐射等, 地表参数数据包括土壤类型、植被种类、地表反照率、植被覆盖度等。Noah模型采用Richard方程(公式1), 模式将公式积分至4个土壤层进行计算, 输出4层的土壤水分。

ηt=(DηηZ)Z+KηZ+F(1)

式中:Dη 为土壤水扩散系数(m2/s), 是土壤体积含水量η (m3/m3) 的函数; Z为深度(m); t为时间(s); Kη 是土壤导水率(m/s), 也是土壤体积含水量η (m3/m3)的函数; F为土壤水分的汇与源, 为边界条件。

Chen等[30] 和Ek等[31]对Noah 陆面模型进行了检验和评估。结果表明Noah 模型能很好地模拟出蒸散发、土壤温度、土壤含水量等, 有效地预测地表能量平衡和水平衡。杨晓峰等[32]使用集合卡尔曼滤波及Noah模型开展了AMSR-E土壤湿度同化实验, 结果表明同化方案整体上提高了陆面模型的模拟精度, 土壤湿度模拟同化过程依赖于卫星反演产品的精度。在Noah陆面模型模拟中粗糙度采用的是固定值, 事实上在时间上粗糙度并不是一个定值, 例如在农业区由于季节性植被覆盖和LAI的变化粗糙度的变化较为突出, 但Bagayoko等[33]研究表明在季尺度或日尺度上, Noah LSM对粗糙度不敏感。类似的, Noah LSM把最小冠层阻抗当作一个常数, Alfieri等[34]使用2002国际H2O 计划(IHOP_2002)数据估计农田和草地的最小冠层阻抗, 研究表明, 最小冠层阻抗具有时间变化特征。

3.2 CLM模型

最早的通用陆面模型CLM(Community Land Model, CLM)通过结合生物地球物理学中的通用陆面模型和NCAR并行点来扩展NCAR陆面过程模型(NCAR LSM), 其包含碳循环、植被动态与河流演算等[35]

目前通用陆面模型已发展到4.5版本(CLM 4.5), CLM 4.5于2013年6月发布。CLM 4.5版本更新了冠层过程, 包括改进的冠层辐射方案和叶冠层尺度进程, 共限制光合作用, 修订光合参数[36], 光合作用温度驯化, 在光合作用和气孔导度模型迭代求解的改进稳定性等[37]。CLM 4.5的驱动数据为1901— 2010年的 CRUNCEP(CRU and National Centre for Environmental Prediction)数据集, 它包括2个现存的数据集:1901— 2002年CRUTS3.2 0.5° × 0.5° 月数据[38]和1948年至2010年的2.5° × 2.5° 每六个小时的NCEP(National Centers for Environmental Prediction)再分析数据。

土壤水从多层模型来预测, 其中垂直土壤水分的传输是通过渗透, 地表和次地表径流, 梯度扩散, 重力, 通过根提取物蒸腾, 以及地下水的交互作用。对于土壤中的一维垂直水流, 质量守恒表示为:

ηt=(k(φ-φE)Z)Z-Q (2)

式中:η 是土壤体积含水量(mm3/mm3), t为时间(s), z是重力势(从任意参考高程到土壤中一点的垂直距离)(mm), k是水力传导率(mm/s), φ 是土壤水势(mm) , φ E是均衡土壤水势(mm), Q是土壤水分源汇项(mm/(mm· s))。

田向军等[39]基于CLM 2.0陆面过程模式建立了一个考虑模式次网格变异性和土壤冻融过程的土壤湿度同化方案。师春香等[40]使用EnKF同化模块及与大气数值模式耦合的CLM 3.0中的土壤湿度模块进行中国区域陆面土壤湿度同化系统模拟, 合理地反映出土壤湿度时空分布。Serpetzoglou等[41]采用陆面模型CLM 3.5研究降雨时空气候的近地表(5 cm深)土壤水分域预测性能, 结果表明2004年较潮湿的夏季情况比相对干燥的2006年夏天表现更好的性能。Hoppe等[42]利用CLM 3.5发展了一种时空变分同化系统(4DVAR)实现土壤和大气间的能量通量(显热和潜热通量)的改进估算技术。通用陆面模式CLM集中了国际上已有陆面模型的大部分优点, 并且加入了基于TOPMODEL(Topography MODEL)的水文过程和一些改进的物理过程参数化, 是目前发展较为完善且极具发展潜力的一个陆面过程模式。

3.3 SiB2简单生物圈模型

SiB2(Simple Biosphere Model 2)在SiB(simple Biosphere)的基础上进行了改进, 其结合真实的冠层光合作用电导子模型和卫星数据来描述植被状态和物候现象。SiB2采用一系列物理公式和参数, 用来描述传热和传质的植被冠层湍流传输过程。Sellers等[43, 44]详细的描述了SiB2的结构, 其包含11个预后物理状态变量来计算能量分配。SiB2辐射模型是二流近似树冠地面系统, 其驱动数据包括短波向下辐射、气温、风速、长波向下辐射、水汽压等。SiB2模型土壤湿度模块计算过程如下:

W1t=1θsD1(PW1-Q1, 2-1ρwEgs) (3)

W1t=1θsD1(PW1-Q1, 2-1ρwEgs) (4)

W2t=1θsD2(Q1, 2-Q2, 3-1ρwEct) (5)

式中:W1, W2, W3是表层、根区和深层的土壤湿度; Di是每层土壤的深度(m); W3t=1θsD3(Q2, 3-Q3)s是土壤体积含水量 θ的饱和值(m3· m-3); ρ w是水密度(kg/m3); Qi, i+1是第i和第i+1层间的水流(m/s); Q3是补给的土壤水分储留的重力排水; PW1是降水渗透到上层土壤水分储留(m/s); EgsEct分别为土壤表层的蒸发率(m/s)和通过气孔的植被蒸腾率(m/s)。

黄春林等[45]利用EnKF同化算法及SiB2陆面过程模型对青藏高原实验区的土壤水分数据进行了单点同化实验, 显著提高了其估算精度。Yang等[46]使用SiB2来计算地表通量及土壤湿度, 发展了一个双路变分同化技术, 在地表能量估算上取得很大进步。Gao等[47]调查研究SiB2模拟的西藏草原1998年7月至9月的陆表能组成、表面有效辐射温度及土壤湿度精度, 模拟值与全球能源和水循环试验(Global Energy and Water Cycle Experiment, GEWEX)亚洲季风试验(GEWEX Asian Monsoon Experiment GAME)— — 西藏项目的微气象现场测量进行比较, 结果显示SiB2在白天产生较暖地表面, 夜间较冷, 但能得到合理的土壤湿度估计。Fu等[48]使用SiB2研究降水率和蒸散率如何影响土壤水分模拟的精度, 结果表明, 当降水率的误差小于观测的10%时, 模拟误差并不显著, 可用于驱动SiB2反演观测数据不可用的水域, 而利用数据同化方法能够进一步改善土壤湿度模拟, 减小降水误差的敏感性。SiB2模型考虑了土壤冻融过程, 添加了冻土参数化方案, 可用于研究中国的青藏高原地区等大范围冻土区域。

3.4 BEPS模型

BEPS(Boreal Ecosystem Productivity Simulator)机理型生态模型描述了几种生物物理过程, 如树冠辐射传输和气孔动力学和生态生理过程(GPP, ET)等[49]。太阳总辐射、最高气温、最低气温、降水量、相对湿度、积雪深度、植被类型、叶面积指数、初始土壤湿度等作为模型的输入参数集, 输出每个象元逐日的土壤水分变化。模型将土壤水分为5层模拟, 各层厚度均为10cm, 每层土壤水分变化量为[50]

ΔSi=1diP-Eg-Tr, 1-RF-Q1, 2t      i=11diQi-1, i-Qi, i+1-Tr, 1t     i=2, 3, 41diQi-1, i-Tr, 1t     i=5 (6)

Qi, i+1=kidi+ki+1di+1di+di+1(1+2wi-wi+1di+di+1) (7)

ki=Kiθiθp2b+3 (8)

式中:di为每层土壤厚度(m); P为每日地表降水量(m/d); Eg为土壤表层水分蒸发量(m/d); △ t为时间步长; RF为土壤表层径流(m3); Qi, i+1为土壤水分在垂直方向上相邻两层ii+1的交换量(m/d); ki为第i层土壤水分传导率(m/d); Tr, i为第i层的蒸腾量(m/d); wi为第i层土壤水势(m); Ki为第i层饱和土壤水分传导率(m/d); ki为第i层土壤含水率(m3/m3); Kiθiθp2b+3为饱和含水率(m3/m3); b为土壤质地参数。

王金梁等[51]以宁夏固原市为研究区域, 通过北方生产力生态模型(Boreal Exosystem Productivity, BEPS)模拟2008年5~7月逐日土壤湿度。Govind等[49]发展了一个基于过程的水文生态模型BEPS-TerrainLab V2.0, 该模型表明, 在潮湿的生态系统, 如北美东部北方流域, 地形驱动子面基流是土壤水分分区的主要机制, 显著影响了当地的尺度水文条件。Zhu等[52]提出了两阶段的数据同化方案(Two-stage Data Assimilation Scheme, TSDA)用以优化生态系统模型中和土壤水分密切相关的参数。第一阶段中BEPS用于获取的每日土壤湿度的现有估计, 通过空间优化的一些模型参数, EnKF用于最小化遥感模型结果之间的差异。在第二阶段中, BEPS使用最优化参数提供更新后的每日土壤水分预测, 结果表明生态系统模型的空间和时间最优化参数不仅可以提高日常土壤水分模型预测, 也有助于了解在生态系统模型的一些关键参数和相应的生态控制机制变化的时空变化。

当然, 用于土壤湿度研究的陆面模型还有很多, 正在被很多学者用于土壤湿度同化的研究。在土壤湿度模拟的过程中, 如何根据研究区域的地域地貌、季节特性选取适合的陆面过程模型是重要的一步, 更贴合研究概况的陆面模型及驱动数据集对模拟精度的提高有很大助益。

4 土壤湿度遥感数据集

随着卫星遥感技术的发展, 近年来主被动微波传感器的土壤湿度估计得到了深入的研究。2009年欧空局(ESA)发射了土壤湿度与海水盐度卫星SMOS, 美国国家航天局(NASA)于2015年1月发射SMAP(Soil Moisture Active and Passive)卫星对土壤水分进行探测, 从而获得高分辨率的全球土壤湿度图。除了SMOS, 另外2个传感器也广泛用于土壤湿度遥感估计:ASCAT(Advanced Scatterometer), 搭载于MetOp (Meteorological Operational)卫星; AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System), 搭载于NASA 的Aqua卫星。这两种传感器的空间分辨率较低, 但在欧洲地区重访周期为1天甚至更少, 其时间分辨适用于水文、气象、农业应用研究[53]。这些卫星为陆地表面研究提供了大范围的土壤湿度数据集, 下面主要介绍上述卫星数据集及其它可获取的大范围土壤湿度数据集。

4.1 陆面数据同化系统数据集

陆面数据同化系统主要在陆面模型及水文模型的基础上, 采用不同的数据同化算法同化地表观测资料、卫星和雷达数据, 优化地表和根区土壤水分、温度等的估算, 来获取全球和区域性的陆面数据同化集。目前的陆面数据同化系统如表1所示, 其正被逐步应用于同化研究中。

北美陆面数据同化系统/全球陆面数据同化系统(NLDAS/GLDAS)于20世纪末启动, 提供全球和区域性的陆面同化数据集, 由美国国家航空与航天局哥达德飞行中心(NASA/GSFC)、美国国家海洋大气局的国家环境预报中心(NOAA/NCEP)及华盛顿大学等开发[54]。NLDAS(North American Land Data Assimilation System)产品空间分辨率为1/8° × 1/8° , 时间分辨率为1小时, GLDAS(Global Land Data Assimilation System)产品包括每三小时空间分辨率为0.25° 的Noah模拟产品及每月的空间分辨率为1.0° 的CLM, Mosaic, VIC, Noah模拟产品[55], NLDAS/GLDAS土壤湿度产品可由ftp://agdisc.gsfc.nasa.gov/data/获取。欧洲陆面数据同化系统(Europe Land Data Assimilation, ELDAS)(http://www.knmi.nl/samenw/eldas/)于2001年正式启动, 系统旨在开发一个通用的数据同化框架来估计区域尺度的土壤湿度, 评价其对用于数值天气预报及气候研究的陆面水文预测的改进效果, 最终输出每日空间分辨率为0.2° × 0.2° 的欧洲大陆土壤水分。

Mitchell等[56]对1996年10月1日至1999年9月30日3年的NLDAS运行进行评估验证, 结果表明在地表蒸发, 径流(尤其是在满阵线植被), 土壤蓄水, 积雪和LST上具有明显的交互差异。NLDAS-2( 提供了1979— 2008年的水分及能量产品, 获取的土壤水分数据已经广泛用于干旱监测, 但至今未得到完全的评估。Xia等[57, 58] 使用美国3个土壤湿度观测数据集来评价从日至年不同时间尺度的模拟数据, 总体而言, 所有的模型能够捕捉干湿信息, 在大多数情况下距平相关大于0.7, 但相对于在现场观测显示出较大的偏差。这些误差可能来自模型误差(即模型结构误差, 模型参数错误), 驱动数据误差及站点土壤水分观测误差。Liu等[59]使用AMSR-E数据对澳大利亚墨累达令(MDB)流域GLDAS输出数据集进行验证, AMSR-E观测和GLDAS模拟显示出类似的季节性模式, 并在气候温暖的强降水地区二者较为一致。然而, GLDAS模拟土壤水分在MDB东北部的夏季和秋季略高, 可能源于GLDAS驱动降水正偏差。Zawadzki等[60]利用GLDAS Noah模型的结果作为数据源用于缺乏大尺度土壤参数区域的研究。李霞等[61]验证了GLDAS数据在黄河源区的适用性并用其分析了水循环变化特征。结果表明, GLDAS气温数据能够指示源区近30年尤其是近10年来气温升高及空间上从西向东逐渐升高的分布规律。GLDAS降水数据也能够描述源区降水量从东南部向西北部逐渐减少的空间分布特征。Jacobs等[62]利用欧洲的实地观测对ELDAS数据集进行评估, 结果显示ELDAS方案具有较小的净降水偏差及RMSE, 在干燥条件下蒸发部分得到改善, 土壤湿度变化幅度往往被低估。其指出由于土壤水分记忆模型中的水文循环的误差, 在预测模式中同化仍是必要的, 模式的改进应针对方案本身的改进来平衡。

表1 陆面数据同化系统 Table1 The Land Data Assimilation System
4.2 ASCAT数据集

MetOp极轨卫星(2006— 2020年)上搭载的ASCAT是一个真实孔径的后向散射雷达, 其采用对土壤水分较为敏感的C波段(5.3 GHz), 对每个观测点从3个方向(45° , 90° , 135° 方位角)进行后向散射系数(σ 0)的连续观测[64, 65]。ASCAT数据空间分辨率为50 km(产品重采样至25 km格网)或30 km(产品重采样至12.5 km格网。

ASCAT土壤湿度产品反演采用由维也纳理工大学(TU-Wien)发展的变化检测方法, 该方法最早用于ERS1/2卫星的主动微波传感器反演[66], 后稍作改动用于ASCAT数据产品反演。这种方法是基于在长时间的数据记录中, 最高观测反射率可以等同于最大土壤水分, 而最低的反射率可以等同于最小土壤湿度, 一个线性关系可用于内插在两者之间值的假设[67]。在非冻土区域, 表层土壤水分含量可表示为公式9, 其中ms代表最顶层土壤饱和度(0~1), σ dry0(40, t)与σ wet0(40, t)代表σ 0(40)处最低与最高测量值。土壤水分指数(SWI)进一步由指数滤波的递归公式计算得到, 详细介绍可参见参考文献[68]

ms(t)= θi(9)

Albergel等[69]首先对法国西南部地区的ASCAT数据进行检验, 靠近地中海的纳尔博纳站点数据与ASCAT产品没有呈现相关性, 其他九个站点呈现较好的相关性。Brocca等[70]使用陆表饱和度ms, 指数滤波的土壤水分指数SWI和它的线性转换SWI* 3种产品对意大利中部内陆地区的ASCAT数据进行验证评估, 结果表明3种产品精度较高, SWI与地面观测数据相关系数大于0.92, SWI* 的均方根误差小于0.035 m3。Wagner等[71]对ASCAT土壤湿度产品的参数、应用结果及新兴应用进行了介绍, 指出ASCAT数据产品的质量除干旱环境外如在欧洲部分地区比被动微波传感器的产品好, 并较先进的适用于天气预报及水文建模领域。Paulik等[72]使用2007年至2011年664个观测站数据对ASCAT SWI数据进行验证。结果显示Pearson相关系数的平均值为0.54, 在站点观测深度上, 特征时间长度显示出高相关性, 进一步证实了SWI模型的假设。

4.3 AMSR-E数据集

搭载在AQUA卫星的高级微波扫描辐射计(AMSR-E)于2002年5月发射, 提供6.9~8.9 GHz范围下6种不同频率的全球被动微波观测。仪器通过测量在垂直和水平极化的地球表面所发射的微波辐射表示亮温变量, 但由于其旋转天线故障, 已无法获得2010年以后的土壤湿度数据。

目前利用AMSR-E亮温数据反演土壤湿度的方法有Polarization Ratio Index (PRI), AMSR-E-NASA, AMSR-E-LPSM, AMSR-E-JAXA, 其中应用最广泛的是由NASA提出的AMSR-E-NASA和由NASA与阿姆斯特丹自由大学联合发展的AMSR-E-LPRM地面参数模型。AMSR-E-LPRM模型基于微波辐射传输模型连接表面地球物理变量与观测到的亮度温度, 将亮温数据转化为土壤湿度, 其参数包括土壤湿度, 植被水含量, 土壤/冠层温度[73]。NASA与阿姆斯特丹自由大学利用AMSR-E数据及LPRM反演的水分产品的空间分辨率为0.25° × 0.25° , 可获取2002— 2010年的土壤湿度数据, 数据发布网址为:http://www.falw.vu/~jeur/lprm/。另外美国冰雪中心也提供了AMSR-E全球土壤水分数据, 数据获取网址为:http://nsidc.org/data/amsre/

Sahoo等[74]对美国区域AMSR-E数据产品的精度进行了验证, 利用Noah模型模拟和4个站点观测验证AMSR-E数据, 结果显示受到降水的影响AMSR-E土壤湿度模拟结果不能捕获湿度突变区信息, 对气候参数并不敏感, 并指出在产品应用前需进一步评估。Reichle等[75]指出AMSR-E反演的土壤湿度比SMMR湿度产品低, 但都能够合理反应区域干湿情况。Brocca等[76]对欧洲地区的3种AMSR-E产品进行分析验证, 结果表明白天的过境数据反演结果似乎更为准确, 并且在特定的植被密度下有较好的效果。Chen等[77]使用青藏高原地区55个土壤湿度与温度观测站点数据来验证AMSR-E产品, 其指出AMSR-E产品在解冻季节期间不能提供有效地估计, 其均方根误差RMSE均大于0.06 m3/m3

4.4 SMOS数据集

SMOS卫星是欧空局(ESA)于2009年11月发射的地球探索者系列的第二颗卫星, 用于提供全球土壤湿度和海水盐度。卫星采用MIRAS(Microwave Imaging Radiometer with Aperture Synthesis)微波成像辐射计, 该辐射计由69个天线一体化接收机构成, 探测地球表面的L波段的微波辐射亮温, 在土壤水分监测方面更具优势。SMOS的使命是检测大约3cm深度的土壤湿度产品, 重访周期3天, 空间分辨率约为50 km × 50 km。

SMOS是第一个用于测量全球尺度的陆地表面土壤湿度与海水盐度的主动卫星, 其使用多轨道反演技术, 利用多角度、全极化的亮温观测来获得SSM(Surface Soil Moisture)产品[78]。目前SMOS提供2个SSM产品数据集, 由ESA(European Space Agency)提供的L2 SSM产品与CATDS(Centre Aval de Traitementdes Donné es SMOS)提供的L3 SSM产品。L2 SSM 产品可在EOLi-SA(http://earth.esa.int/EOLi/EOLi.html)获取, 水分反演模型采用微波辐射传输模型L-MEB。L3 SSM 产品为时间分辨率为1天, 3天, 10天和月的再处理全球产品, 数据格式为NetCDF format(NetCDF v3.6.2), 由CATDS(http://catds.ifremer.fr/)发布。

虽然SMOS卫星已经提供了连续的包含地表微波辐射信息的亮温数据集, 但它受到辐射计自身、异质目标的多视角观测等的噪声源影响, 反演的精度很大程度上取决于减少噪声的观测值。Munoz-Sabater等[79]对不同大小角箱的SMOS亮温进行平均, 将属于一个像素的观测与卫星过境进行多项式拟合, 结果表明使用2度的角箱进行平均, 噪声最多减少3K。Zhao等[80]将SMOS L2数据同化到双路同化方案中, 其输出数据精度达到了SMOS测量要求(RMSD小于等于0.04 m3/m3)。Al-Yaari等[81, 82]指出L3 产品的升轨数据比降轨数据更准确。在验证SMOS L3数据产品中, 其使用SM-DAS-2再分析产品作为参照, 结果显示SMOS L3能够捕捉生物时空信息, 并且在植被茂密区域相关系数(R)较高。研究指出LAI对SSM产品的精度有很大影响。SMOS提供了可观测SSM超过10年的卫星数据产品, 对于研究陆地-大气过程具有重要意义。

5 总结与展望

卫星遥感技术的发展为陆面进程研究提供了丰富的数据源, 集合遥感观测数据和陆面过程模型模拟的遥感数据同化技术, 是目前陆面变量研究的重要手段。

土壤湿度的遥感反演最初采用空间分辨率的光学遥感反演算法, 但受到天气及穿透性能的影响逐渐被主被动微波数据取代, 如AMSR-E数据、SMOS数据等, 但这些卫星反演产品的精度部分在个别地区和时段也存在问题。例如SMOS数据其受到人工无线电频率干扰(RFI)的影响, 在欧洲及亚洲部分地区数据反演精度较低, 反演误差会积累到同化过程中。另一方面, 当前大部分微波频段对植被覆盖及近地表条件很敏感, 利用卫星微波亮温数据反演土壤水分内容包含很大误差, 我们往往采用辐射传输模型(RTM)直接同化微波亮温数据, 进一步提高反演精度。然而, 在不同地域和水文状态条件下如何在辐射传输模型中充分地描述地表的高度异质性仍然是一个关键问题, 同化集成多个辐射传输模型的多模型观测算子是一个发展方向, 从而提供更准确的亮温数据预测提高同化结果精度。

对于目前的同化算法和土壤水分数据集都有自身的优缺点, 单一的数据集可能无法很好地进行模拟预测, 因此对多传感器联合反演算法的研究是土壤水分遥感反演的一个发展方向[83]。结合不同算法思想优势的同化融合算法现在也在被越来越多的学者探索应用, 例如EnKF与变分思想融合的E4DVAR算法, 基于奇异值分解的SVD-E4DVAR算法等等, 利用结合不同思想优势的同化算法建立同化方案框架对提高同化估计精度大有裨益。

不同的陆面模型在不同的植被条件下对土壤湿度的模拟能力存在差异(冻土区, 干旱半干旱区), 这些都导致了反演过程中的偏差, 因此如何因地制宜的选择并优化陆面过程模型也是提高土壤湿度模拟精度的重要手段。陆面过程模型参数具有不确定性, 在同化运行中, 我们往往根据同化结果来不断调整模型参数来提高反演精度。优化模型参数与状态变量同化耦合方案, 能够获取二者的最优估计, 显著提高陆面模型的模拟能力, 是未来研究工作的重点方向。另外, 在不同陆面过程模型中即便采用相同的大气驱动数据, 由于参数化的不同其结果存在很大的变化。Zhang等[84]针对这一问题提出了基于卡尔曼滤波的多陆面模型反演集合, 其采用SMA(Simple Model Average)和WAM(Weighted Average Method)估计多个模型背景超集合误差协方差矩阵从而联合多个陆面模型预测的土壤湿度背景场, 进行集合卡尔曼滤波同化实验反演土壤湿度廓线, 多模型反演结果较单一模型结果均有所改善, 后续可进一步开展多模型联合反演验证工作加强根区土壤湿度预测。目前大部分研究都是针对单点的陆面数据同化方案, 可开展不同覆盖类型(不同土壤、植被、气候类型)下同化耦合研究工作。

最后, 在卫星土壤湿度观测数据或陆面同化模拟土壤湿度数据与地面观测验证中的尺度匹配问题也是同化验证中重要的部分。卫星数据的尺度(例如 AMSR-E约为60 km× 60 km, SMOS约为50 km× 50 km, SMAP约为40 km× 40 km)一般远大于站点观测数据, 陆面同化模拟的格网尺度一般也大于站点观测尺度。面对这一问题, 需要粗化地面测量数据用以匹配卫星足迹或格网尺度。当观测数据较少时, 通过引入外部观测来粗化地面站测量是目前的研究热点。

The authors have declared that no competing interests exist.

参考文献
[1] Reichle R H, Entekhabi D, McLaughlin D B. Downscaling of radio brightness measurements for soil moisture estimation: A four-dimensional variational data assimilation approach[J]. Water Resources Research, 2001, 37(9): 2 353-2 364. [本文引用:1] [JCR: 3.149]
[2] Walker J P, Houser P R. A methodology for initializing soil moisture in a global climate model: Assimilation of near-surface soil moisture observations[J]. Journal of Geophysical Research, 2001, 106(D11): 11761-11774. [本文引用:1]
[3] Ni-Meister W. Recent advances on soil moisture data assimilation[J]. Physical Geography, 2008, 29(1): 19-37. [本文引用:1] [JCR: 0.947]
[4] Njoku E G, Li L. Retrieval of land surface parameters using passive microwave measurements at 6 to 18 GHz[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37: 79-93. [本文引用:1] [JCR: 3.467]
[5] McLaughlin D. Recent developments in hydrologic data assimilation[J]. Reviews of Geophysics, 1995, 33(S2): 977-984. [本文引用:1] [JCR: 13.906]
[6] Jia B, Xie Z, Tian X, et al. A soil moisture assimilation scheme based on the Ensemble Kalman Filter using microwave brightness temperature[J]. Science in China(Series D), 2009, 52(11): 1 835-1 848. [本文引用:1]
[7] Yang K, Koike T, Kaihotsu I, et al. Validation of a dual-pass microwave land data assimilation system for estimating surface soil moisture in semiarid regions[J]. Journal of Hydrometeorology, 2009, 10(3): 780-793. [本文引用:1] [JCR: 3.273]
[8] Kumar S V, Reichle R H, Harrison K W, et al. A comparison of methods for a priori bias correction in soil moisture data assimilation[J]. Water Resources Research, 2012, 48(3), doi: DOI:10.1029/2010WR01026. [本文引用:1] [JCR: 3.149]
[9] Jin R, Li X. Improving the estimation of hydrothermal state variables in the active layer of frozen ground by assimilating in situ observations and SSM/I data[J]. Science in China(Series D), 2009, 52(11): 1 732-1 745. [本文引用:1]
[10] Crosson W L, Laymon C A, Inguva R, et al. Assimilating remote sensing data in a surface flux-soil moisture model[J]. Hydrological Processes, 2002, 16(8): 1 645-1 662. [本文引用:1]
[11] Hunt B R, Kostelich E J, Szunyogh I. Efficient data assimilation for spatiotemporal chaos: A local ensemble transform Kalman filter[J]. Physica D: Nonlinear Phenomena, 2007, 230(1): 112-126. [本文引用:1] [JCR: 1.669]
[12] Entekhabi D, Nakamura H, Njoku E G. Solving the inverse problem for soil moisture and temperature profiles by sequential assimilation of multifrequency remotely sensed observations[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(2): 438-448. [本文引用:1] [JCR: 3.467]
[13] Walker J P, Willgoose G R, Kalma J D. One-dimensional soil moisture profile retrival by assimilation of near-surface observations: A comparison of retrival algorithms[J]. Advances in Water Resources, 2001, 24(6): 631-650. [本文引用:1] [JCR: 2.412]
[14] Huang C, Li X, Lu L, et al. Experiments of one-dimensional soil moisture assimilation system based on ensemble Kalman filter[J]. Remote Sensing of Environment, 2008, 112(3): 888-900. [本文引用:1] [JCR: 5.103]
[15] Reichle R H, Crow W T, Keppenne C L. An adaptive ensemble Kalman filter for soil moisture data assimilation[J]. Water Resources Research, 2008, 44(3), doi: DOI:10.1029/2007WR006351. [本文引用:1] [JCR: 3.149]
[16] Han X, Li X. An evaluation of the nonlinearnon-Gaussian filters for the sequential data assimilation[J]. Remote Sensing of Environment, 2008, 112(4): 1 434-1 449. [本文引用:1] [JCR: 5.103]
[17] Moradkhani H, Hsu K L, Gupta H, et al. Uncertainty assessment of hydrologic model states and parameters: Sequential data assimilation using the particle filter[J]. Water Resources Research, 2005, 41(5), doi: DOI:10.1029/2004WR003604. [本文引用:1] [JCR: 3.149]
[18] Moradkhani H, Sorooshian S, Gupta H V, et al. Dual state-parameter estimation of hydrological models using ensemble Kalman filter[J]. Advances in Water Resources, 2005, 28(2): 135-147. [本文引用:1] [JCR: 2.412]
[19] Moradkhani H, DeChant C M, Sorooshian S. Evolution of ensemble data assimilation for uncertainty quantification using the particle filter-Markov chain Monte Carlo method[J]. Water Resources Research, 2012, 48(12), doi: DOI:10.1029/2012WR012144. [本文引用:1]
[20] Pauwels V, Verhoest N E C, De Lannoy G J M, et al. Optimization of a coupled hydrology-crop growth model through the assimilation of observed soil moisture and leaf area index values using an ensemble Kalman filter[J]. Water Resources Research, 2007, 43(4), doi: DOI:10.1029/2006WR004942. [本文引用:1] [JCR: 3.149]
[21] Lee J H, Pellarin T, Kerr Y H. Inversion of soil hydraulic properties from the DEnKF analysis of SMOS soil moisture over West Africa[J]. Agricultural and Forest Meteorology, 2014, 188: 76-88. [本文引用:1] [JCR: 3.421]
[22] Tian X, Xie Z, Dai A. An ensemble-based explicit four-dimensional variational assimilation method[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2008, 113(D21), doi: DOI:10.1029/2008JD010358. [本文引用:1]
[23] Tian X, Xie Z, Dai A, et al. A microwave land data assimilation system: Scheme and preliminary evaluation over China[J]. Journal of Geophysical Research: Atmospheres (1984-2012), 2010, 115(D21), doi: DOI:10.1029/2010JD014370. [本文引用:1]
[24] Tian X, Feng X. A non-linear least squares enhanced POD-4DVar algorithm for data assimilation[J]. Tellus A, 2015, 67, doi: DOI:10.3402/tellusa.v0725340. [本文引用:1]
[25] Zhang F, Zhang M, Hansen J A. Coupling ensemble Kalman filter with four-dimensional variational data assimilation[J]. Advances in Atmospheric Sciences, 2009, 26(1): 1-8. [本文引用:1] [JCR: 1.338] [CJCR: 0.9244]
[26] Zhang M, Zhang F. E4DVar: Coupling an ensemble Kalman filter with four-dimensional variational data assimilation in a limited-area weather prediction model[J]. Monthly Weather Review, 2012, 140(2): 587-600. [本文引用:1] [JCR: 2.758]
[27] Zhang F, Zhang M, Poterjoy J. E3DVar: Coupling an ensemble Kalman filter with three-dimensional variational data assimilation in a limited-area weather prediction model and comparison to E4DVar[J]. Monthly Weather Review, 2013, 141(3): 900-917. [本文引用:1] [JCR: 2.758]
[28] Ma Jianwen, Qin Sixian. Recent advances and development of data assimilation algorithms[J]. Advances in Earth Science, 2012, 27(7): 747-757.
[马建文, 秦思娴. 数据同化算法研究现状综述[J]. 地球科学进展, 2012, 27(7): 747-757. ] [本文引用:1] [CJCR: 1.388]
[29] Tian Jing, Su Hongbo, Sun Xiaomin, et al. Accuracy test for the application of GDAS data and NOAH land surface model to China[J]. Progress in Geography, 2011, 30(11) : 1 422-1 430.
[田静, 苏红波, 孙晓敏, . GDAS数据和NOAH陆面模式在中国应用的精度检验[J]. 地理科学进展, 2011, 30(11): 1 422-1 430. ] [本文引用:1] [CJCR: 1.959]
[30] Chen F, Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001, 129(4): 569-585. [本文引用:1] [JCR: 2.758]
[31] Ek M B, Mitchell K E, Lin Y, et al. Implementation of Noah land surface model advances in the National Centers for environmental Prediction operational mesoscale Eta model[J]. Journal of Geophysical Research, 2003, 108(D22), doi: DOI:10.1029/2002JD003296. [本文引用:1]
[32] Yang Xiaofeng, Lu Qifeng, Yang Zhongdong. Assimilation experiment of LIS based on AMSR-E soil moisture products[J]. Journal of Applied Meteorological Science, 2013, 24(4): 435-445.
[杨晓峰, 陆其峰, 杨忠东. 基于AMSR-E土壤湿度产品的LIS同化试验[J]. 应用气象学报, 2013, 24(4): 435-445. ] [本文引用:1] [CJCR: 1.379]
[33] Bagayoko F, Yonkeu S, Van De Giesen N C. Effect of seasonal dynamics of vegetation cover on land surface models: A case study of NOAH LSM over a savanna farm land in eastern Burkina Faso, West Africa[J]. Hydrology and Earth System Sciences Discussions, 2006, 3(5): 2 757-2 788. [本文引用:1]
[34] Alfieri J G, Niyogi D, Blanken P D, et al. Estimation of the minimum canopy resistance for cropland s and grassland s using data from the 2002 international H2O Project[J]. Monthly Weather Review, 2008, 136(11): 4 452-4 469. [本文引用:1] [JCR: 2.758]
[35] Bonan G B. Land surface model (LSM version 1. 0) for Ecological, Hydrological, and Atmospheric Studies: Technical Description and Users Guide. Technical note[R]. Boulder, CO (United States): National Center for Atmospheric Research, Climate and Global Dynamics Div. , 1996. [本文引用:1]
[36] Bonan G B, Lawrence P J, Oleson K W, et al. Improving canopy processes in the Community Land Model version 4 (CLM4) using global flux fields empirically inferred from FLUXNET data[J]. Journal of Geophysical Research, 2011, 116(G2), doi: DOI:10.1029/2010JG001593. [本文引用:1]
[37] Sun Y, Gu L, Dickinson R E. A numerical issue in calculating the coupled carbon and water fluxes in a climate model[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D22), doi: DOI:10.1029/2012JD018059. [本文引用:1]
[38] Mitchell T D, Jones P D. An improved method of constructing a database of monthly climate observations and associated high-resolution grids[J]. International Journal of Climatology, 2005, 25(6): 693-712. [本文引用:1] [JCR: 2.886]
[39] Tian Xiangjun, Xie Zhenghui. Consider sub-grid variability and soil freezing and thawing of soil moisture assimilation scheme[J]. Science in China (Serise D), 2008, 38(6): 741-749. [本文引用:1]
[40] Shi C X, Xie Z H, Qian H, et al. China land soil moisture EnKFdata assimilation based on satellite remote sensing data[J]. Science in China (Serise D), 2011, 54(9): 1 430-1 440. [本文引用:1]
[41] Serpetzoglou E, Anagnostou E N, Papadopoulos A, et al. Error propagation of remote sensing rainfall estimates in soil moisture prediction from a land surface model[J]. Journal of Hydrometeorology, 2010, 11(3): 705-720. [本文引用:1] [JCR: 3.273]
[42] Hoppe C M, Elbern H, Schwinger J. A variational data assimilation system for soil-atmosphere flux estimates for the Community Land Model (CLM3. 5)[J]. Geoscientific Model Development, 2014, 7(3): 1 025-1 036. [本文引用:1] [JCR: 5.03]
[43] Sellers P J, Rand all D A, Collatz G J, et al. A Revised Land Surface Parameterization(SiB2) for atmospheric GCMs. Part I: Model formulation[J]. Journal of Climate, 1996, 9(4): 676-705. [本文引用:1] [JCR: 4.362]
[44] Sellers P J, Tucker C J, Collatz G J, et al. A revised lan Surface Parameterization (SiB2) for atmospheric GCMs. Part II: The Generation of Global Fields of Terrestrial Biophysical Parameters from Satellite Data[J]. Journal of Climate, 1996, 9(4): 706-737. [本文引用:1] [JCR: 4.362]
[45] Huang Chunlin, Li Xin. Experiments of soil moisture data assimilation system based on Ensemble Kalman Filter[J]. Plateau Meteorology, 2006, 25(4): 665-671.
[黄春林, 李新. 基于集合卡尔曼滤波的土壤水分同化试验[J]. 高原气象, 2006, 25(4): 665-671. ] [本文引用:1] [CJCR: 1.688]
[46] Yang K, Watanabe T, Koike T, et al. Auto-calibration system developed to assimilate AMSR-E data into a land surface model for estimating soil moisture and the surface energy budget[J]. Journal of the Meteorological Society of Japan, 2007, 85A: 229-242. [本文引用:1] [JCR: 0.8]
[47] Gao Z, Chae N, Kim J, et al. Modeling of surface energy partitioning, surface temperature, and soil wetness in the Tibetan prairie using the Simple Biosphere Model 2 (SiB2)[J]. Journal of Geophysical Research, 2004, 109(D6), doi: DOI:10.1029/2003JD004089. [本文引用:1]
[48] Fu X, Yu Z, Luo L, et al. Investigating soil moisture sensitivity to precipitation and evapotranspiration errors using SiB2 model and ensemble Kalman filter[J]. Stochastic Environmental Research and Risk Assessment, 2014, 28(3): 681-693. [本文引用:1] [JCR: 1.961]
[49] Govind A, Chen J M, Margolis H, et al. A spatially explicit hydro-ecological modeling framework (BEPS-TerrainLab V2. 0): Model description and test in a boreal ecosystem in Eastern North America[J]. Journal of Hydrology, 2009, 367(3/4): 200-216. [本文引用:2] [JCR: 2.964]
[50] Liu Zhao, Zhou Yanlian, Ju Weimin, et al. Simulation of soil water content in farm land s with the BEPS ecological model[J]. Transactions of the CSAE, 2011, 27(3): 67-72.
[刘昭, 周艳莲, 居为民, . 基于BEPS生态模型模拟农田土壤水分动态[J]. 农业工程学报, 2011, 27(3): 67-72. ] [本文引用:1] [CJCR: 1.299]
[51] Wang Jinliang, Qin Qiming, Liu Mingchao, et al. Soil moisture data assimilation based on NDVI optimization[J]. Transactions of the Chinese Society of Agricultural Engineering, 2011, 27(12): 161-167.
[王金梁, 秦其明, 刘明超, . 基于NDVI优化选择的土壤水分数据同化[J]. 农业工程学报, 2011, 27(12): 161-167. ] [本文引用:1] [CJCR: 1.299]
[52] Zhu L, Chen J M, Qin Q, et al. Optimization of ecosystem model parameters using spatio-temporal soil moisture information[J]. Ecological Modelling, 2009, 220(18): 2 121-2 136. [本文引用:1] [JCR: 2.069]
[53] de Lange R, Beck R, Van De Giesen N, et al. Scatterometer-derived soil moisture calibrated for soil texture with a one-dimensional water-flow model[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(12): 4 041-4 049. [本文引用:1] [JCR: 3.467]
[54] Zhang Xiuying, Jiang Hong, Han Ying. Land surface data assimilati on systems and their usage in global change studies[J]. Remote Sensing Information, 2010, (4): 135-143.
[张秀英, 江洪, 韩英. 陆面数据同化系统及其在全球变化研究中的应用[J]. 遥感信息, 2010, (4): 135-143. ] [本文引用:1] [CJCR: 0.7]
[55] Rodell M, Houser P R, Jambor U, et al. The global land data assimilation system[J]. Bulletin of the American Meteorological Society, 2004, 85(3): 381-394. [本文引用:1] [JCR: 6.591]
[56] Mitchell K E, Lohmann D, Houser P R, et al. The multi-institution North American Land Data Assimilation System (NLDAS): Utilizing multiple GCIP products and partners in a continental distributed hydrological modeling system[J]. Journal of Geophysical Research, 2004, 109(D7), doi: DOI:10.1029/2003JD003823. [本文引用:1]
[57] Xia Y L, Sheffield J, Ek M B, et al. Evaluation of multi-model simulated soil moisture in NLDAS-2[J]. Journal of Hydrology, 2014, 512: 107-125. [本文引用:1] [JCR: 2.964]
[58] Xia Y, Sheffield J, Ek M B, et al. Uncertainties, correlations, and optimal blends of drought indices from the NLDAS multiple land surface model ensemble[J]. Journal of Hydrometeorology, 2014, 15(4): 1 636-1 650. [本文引用:1] [JCR: 3.273]
[59] Liu Y, McCabe M, Evans J, et al. Comparison of soil moisture in GLDAS model simulations and satellite observations over the Murray Darling Basin[C]//Proceedings of the International Congress on Modelling and Simulation, 2009. [本文引用:1]
[60] Zawadzki J, Kçdzior M A. Statistical analysis of soil moisture content changes in Central Europe using GLDAS database over three past decades[J]. Central European Journal of Geosciences, 2014, 6(3): 344-353. [本文引用:1] [JCR: 0.506]
[61] Li Xia, Gao Yanhong, Wang Wanzhao, et al. Climate change and applicability of GLDAS in the headwater of the Yellow River Basin[J]. Advances in Earth Science, 2014, 29(4): 531-540.
[李霞, 高艳红, 王婉昭, . 黄河源区气候变化与 GLDAS 数据适用性评估[J]. 地球科学进展, 2014, 29(4): 531-540. ] [本文引用:1] [CJCR: 1.388]
[62] Jacobs C M J, Moors E J, Ter Maat H W, et al. Evaluation of European Land Data Assimilation System (ELDAS) products using in situ observations[J]. Tellus A, 2008, 60(5): 1 023-1 037. [本文引用:1]
[63] Qi Yuanyuan, Chen Yingying, Shi Jiancheng. Review on European land data assimilation system[J]. Remote Sensing Information, 2007, (4): 93-97.
[齐媛媛, 陈莹莹, 施建成. 欧洲陆面数据同化系统组成, 系统设计和原理简介[J]. 遥感信息, 2007, (4): 93-97. ] [本文引用:1] [CJCR: 0.7]
[64] Naeimi V, Bartalis Z, Wagner W. ASCAT soil moisture: An assessment of the data quality and consistency with the ERS Scatterometer heritage[J]. Journal of Hydrometeorology, 2009, 10(2): 555-563. [本文引用:1] [JCR: 3.273]
[65] Naeimi V, Bartalis Z, Wagner W. The ASCAT soil moisture product: A review of its specifications, validation results, and emerging applications[J]. Meteorologische Zeitschrift, 2013, 22(1): 5-33. [本文引用:1] [JCR: 1.084]
[66] Bartalis Z, Wagner W, Naeimi V, et al. Initial soil moisture retrievals from the METOP—A Advanced Scatterometer (ASCAT)[J]. Geophysical Research Letters, 2007, 34(20), doi: DOI:10.1029/2007GL031088. [本文引用:1] [JCR: 3.982]
[67] Bartalis Z, Wagner W, Naeimi V, et al. Assimilation of ASCAT near-surface soil moisture into the SIM hydrological model over France[J]. Hydrology and Earth System Sciences, 2011, 15(12): 3 829-3 841. [本文引用:1] [JCR: 3.587]
[68] Albergel C, Rüdiger C, Pellarin T, et al. From near-surface to root-zone soil moisture using an exponential filter: An assessment of the method based on in-situ observations and model simulations[J]. Hydrology and Earth System Sciences Discussions, 2008, 12: 1 323-1 337. [本文引用:1]
[69] Albergel C, Rüdiger C, Carrer D, et al. An evaluation of ASCAT surface soil moisture products with in-situ observations in Southwestern France[J]. Hydrology and Earth System Sciences, 2009, 13(2): 115-124. [本文引用:1] [JCR: 3.587]
[70] Brocca L, Melone F, Moramarco T, et al. ASCAT soil wetness index validation through in situ and modeled soil moisture data in central Italy[J]. Remote Sensing of Environment, 2010, 114(11): 2 745-2 755. [本文引用:1] [JCR: 5.103]
[71] Wagner W, Hahn S, Kidd R, et al. The ASCAT soil moisture product: A review of its specifications, validation results, and emerging applications[J]. Meteorologische Zeitschrift, 2013, 22(1): 5-33. [本文引用:1] [JCR: 1.084]
[72] Paulik C, Dorigo W, Wagner W, et al. Validation of the ASCAT soil water index using in situ data from the international soil moisture network[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 30: 1-8. [本文引用:1] [JCR: 2.176]
[73] Jackson T J, Cosh M H, Bindlish R, et al. Validation of advanced microwave scanning radiometer soil moisture products[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(12): 4 256-4 272. [本文引用:1] [JCR: 3.467]
[74] Sahoo A K, Zhan X, Arsenault K, et al. Cross-Validation of Soil Moisture Data from AMSR-E Using Field Observations and NASA’s Land Data Assimilation System Simulations[Z]. American Meteorological Society, 2006. [本文引用:1] [JCR: 6.591]
[75] Reichle R H, Koster R D, Liu P, et al. Comparison and assimilation of global soil moisture retrievals from the Advanced Microwave Scanning Radiometer for the Earth Observing System (AMSR-E) and the Scanning Multichannel Microwave Radiometer (SMMR)[J]. Journal of Geophysical Research, 2007, 112(D9), doi: DOI:10.1029/2006JD008033. [本文引用:1]
[76] Brocca L, Hasenauer S, Lacava T, et al. Soil moisture estimation through ASCAT and AMSR-E sensors: An intercomparison and validation study across Europe[J]. Remote Sensing of Environment, 2011, 115(12): 3 390-3 408. [本文引用:1] [JCR: 5.103]
[77] Chen Y, Yang K, Qin J, et al. Evaluation of AMSR-E retrievals and GLDAS simulations against observations of a soil moisture network on the central Tibetan Plateau[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(10): 4 466-4 475. [本文引用:1]
[78] Kerr Y H, Waldteufel P, Wigneron J P, et al. Soil moisture retrieval from space: The Soil Moisture and Ocean Salinity (SMOS) Mission[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(8): 1 729-1 735. [本文引用:1] [JCR: 3.467]
[79] Muoz-Sabater J, de Rosnay P, Jiménez C, et al. SMOS brightness temperature angular noise: Characterization, filtering, and validation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9): 5 827-5 839. [本文引用:1] [JCR: 3.467]
[80] Zhao L, Yang K, Qin J, et al. The scale-dependence of SMOS soil moisture accuracy and its improvement through land data assimilation in the central Tibetan Plateau[J]. Remote Sensing of Environment, 2014, 152: 345-355. [本文引用:1] [JCR: 5.103]
[81] Al-Yaari A, Wigneron J P, Ducharne A, et al. Global-scale evaluation of two satellite-based passive microwave soil moisture datasets (SMOS and AMSR-E) with respect to Land Data Assimilation System estimates[J]. Remote Sensing of Environment, 2014, 149: 181-195. [本文引用:1] [JCR: 5.103]
[82] Al-Yaari A, Wigneron J P, Ducharne A, et al. Global-scale comparison of passive (SMOS) and active (ASCAT) satellite based microwave soil moisture retrievals with soil moisture simulations (MERRA-Land )[J]. Remote Sensing of Environment, 2014, 152: 614-626. [本文引用:1] [JCR: 5.103]
[83] Chen Shulin, Liu Yuanbo, Wen Zuomin. Satelliteretrieval of soil moisture: An overview[J]. Advances in Earth Science, 2012, 27(11) : 1 192-1 203.
[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): 1 192-1 203. ] [本文引用:1] [CJCR: 1.388]
[84] Zhang S W, Li D Q, Qiu C J. A multimodel ensemble-based Kalman Filter for the retrieval of soil moisture profiles[J]. Advances in Atmospheric Sciences, 2011, 28(1): 195-206. [本文引用:1] [JCR: 1.338] [CJCR: 0.9244]