基于CYGNSS 的中国东南部逐日土壤水分变化数据

杨婷1, 2

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.2024.08.01.V1 https://cstr.escience.org.cn/CSTR:20146.11.2024.08.01.V1.

1 前言

土壤水分是陆气相互作用中的主要物理量之一，它通过影响陆表蒸散、水的运移和碳循环与地球气候系统相互作用，对气候系统及其变化产生重要影响^{[1, 3]}。目前，鉴于土壤水分的复杂时空特性，长时间序列、高精度土壤水分数据获取仍极具挑战。全球卫星导航反射信号遥感技术（Global Navigation Satellite System Reflectometry，GNSS-R）是卫星导航与遥感学科交叉的新兴科学与技术，是近年来国际研究的前沿和热点。该技术以GNSS 卫数据引用方式：^[1] 杨婷. 基于CYGNSS 的中国东南部逐日土壤水分变化数据集的研发（201901–202010）[J]. 全^[2] 杨婷. 基于CYGNSS 的中国东南部逐日土壤水分数据集（全球变星发射的长期稳定的L波段信号作为信号源，可用于海洋（海面高度、河湖水位、海面风场等）和陆地（土壤水分、植被含水量、积雪深度等）参数反演，实现导航卫星的创新增值应用。凭借其低成本、高时频及覆盖范围广等诸多优点，星载GNSS-R技术目前成为表层土壤水分估算的有效手段之一^{[4, 8]}。

CYGNSS 是作为目前在轨运行并且数据同步公开的业务化星载GNSS-R载荷之一，凭借其高时空分辨率、覆盖范围广等诸多优点，CYGNSS 目前成为土壤水盐参数反演的有效手段数据源。CYGNSS 反演土壤水分的机理在于其工作的L波段对土壤介电常数变化敏感，基于CYGNSS 时延多普勒图（Delay Doppler Map, DDM）获取的信噪比（Signal-to-NoiseRatio, SNR）参数，由陆面反射信号峰值的相关功率计算而来，受土壤介电常数影响较大。从数据应用角度，目前已公开发布了基于SNR 反演的CYGNSS 全球逐日土壤水分反演产品，但忽略了植被和粗糙度的影响^[9]。本数据集基于2019 年1月至2020 年10 月原始CYGNSS 数据，对星载GNSS-R土壤水分反演方法进行改进，发展物理机制的地表校正方法，实现中国东南部土壤水分的逐日输出，旨在为中国东南部气候变化研究、农业生产管理提供数据支撑。

2 数据集元数据简介

《基于CYGNSS 的中国东南部逐日土壤水分数据集（201901–202010）》^[10]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。

下载

原版视图结构化视图

续表 1条目描述

数据共享政策 （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^[11]数据和论文检索系统DOI，CSTR，Crossref，DCI，CSCD，CNKI，SciEngine，WDS，GEOSS，PubScholar，CKRSC

3 数据研发方法

3.1 算法原理

3.1.1 地表反射率计算

此处使用双基雷达方程计算地表反射率，经过植被和地表粗糙度校正的地表反射率公式可表示为^{[8, 9]}：

式中，σ0代表DDM 峰值功率与噪声之差；σcali 代表地表反射率；τ 为植被光学厚度；h为地表粗糙度；θ 代表入射角。此处称exp(‒2τsecθ–hcos2θ)为校正因子。

3.1.2 地表反射率校正

此处，引入零阶辐射传输模型ԏ-ω 模型，获取校正因子的计算方法。该算法依靠SMAP（Soil Moisture Active and Passive）的亮温数据作为唯一参数输入值。τ-ω 模型将亮温数据表述为土壤、植被和土壤反射的植被的信号综合值，表达方式如下^[12]：

式中，TBp 代表SMAP 亮温；假设土壤温度和植被温度相等，表示为T；τ 为植被光学厚度；θ 为入射角；Rp_rough 是粗糙表面的土壤反射率，可以用光滑表面的土壤反射率与粗糙度影响因子表示：

式中，Rp_smooth 是光滑地表的土壤反射率。

校正因子可表示为：

式中，TBV 和TBH 分别代表V极化和H极化的SMAP 亮温，RH_smooth 和RV_smooth 分别指V极化和H极化的光滑地表的菲涅尔反射系数。RH_smooth 和RV_smooth 可利用菲涅尔方程式计算得出。随后，为校正CYGNSS 和SMAP 的入射角度差异，对CYGNSS 的入射角归一化，最后利用校正因子带入式(1)计算σcali。

3.1.3 土壤水分计算

利用SMAP 土壤水分数据与σcali 建立线性经验模型，获取CYGNSS 土壤水分。此处，利用2021 年逐日的CYGNSS 数据与SMAP 数据匹配，获取每个格点的经验公式参数，随后将参数应用于2020 年5月的CYGNSS 土壤水分数据的反演^[9]。公式如下：

式中，a和b分别代表每个像元的斜率和截距，σcali 为CYGNSS 地表反射率。

3.2 技术路线

模型训练阶段，首先使用2018 年8–12 月的CYGNSS 相干信号计算地表反射率；然后耦合SMAP 亮温数据，基于辐射传输模型校正植被和地表粗糙度误差；最后与2018 年的8–12 月的SMAP 土壤水分数据线性拟合，建立土壤水分反演模型。

本研究的数据研发流程（图 1）包括4个步骤：（1）模型输出阶段，使用2019 年1月至2020 年10 月的CYGNSS 相干信号计算地表反射率；（2）然后耦合SMAP 亮温数据，基于辐射传输模型校正植被和地表粗糙度误差，利用SMAP 土壤水分数据进行验证；（3）利用模型训练阶段的线性拟合输出CYGNSS 土壤水分；（4）最后，利用2019 年1月至2020年10 月的SMAP 土壤水分数据进行验证。

下载

4 数据结果与验证

4.1 数据集组成

数据成果共4个数据文件，包括：

（1）2019 年网格化的中国东南部数据点经纬度；

（2）2020 年网格化的中国东南部数据点经纬度；

（3）2019 年中国东南部每日土壤水分；

（4）2020 年1–10 月的中国东南部每日土壤水分。

4.2 数据结果

4.2.1 中国东南部地区土壤水分情况

基于以上的算法和流程，得到中国东南部2019 年1月至2020 年10 月土壤水分的空间分布，空间分辨率为36 km。为了更清晰地展示中国东南部地区土壤水分分布情况，图 2展示了2019 年4月、7月、10 月和2020 年1月的月平均土壤水分。土壤水分值在中部地区较大，变化范围在0.3–0.5 m3m‒3之间，北部数值较小，变化范围在0–0.2 m3m‒3之间。整体趋势为，土壤水分自北向逐渐增高。

下载

(c) 2019 年10 月，(d) 2020 年1月

4.3 数据结果验证

图 3显示了依据每日数据计算的2019 年1月至2020 年10 月CYGNSS 土壤水分与SMAP 土壤水分的相关系数（correlation coefficient，R）与ubRMSE。总体而言，CYGNSS土壤水分与SMAP 土壤水分拟合度均较高，在数值上也较贴近，两个指数的空间模式都很好（R的平均值为0.761；ubRMSE 的平均值为0.052 m3m‒3），表明本数据集的精确性较好。

5 讨论和总结

星载GNSS-R新型遥感技术发展速度快，其理论体系及方法研究也已逐步完善，但还存在一定的不足。在土壤水分反演方面，作者对土壤水分的反演方法进行了改进。同时，区别于经验模型或半经验模型，作者结合了辐射传输的物理模型，实现了植被覆盖和地表粗糙度的校正。结果显示，中国东南部地区土壤水分空间异质性强，且逐月变化大。作者提供的数据集精度较高，其中与SMAP 土壤水分相比，R可达0.768，ubRMSE 可达0.052m3m‒3。本数据集有望为遥感土壤水分精度提高提供技术支撑，为中国东南部气候变化研究、农业生产管理提供数据支撑，具有实际应用价值。

下载

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。

学): 2023, 49(1): 15–26.

the third pole [J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60: 1–18.

信息工程大学学报(自然科学版)[J], 2021, 13(2): 194–203.

天大学学报, 2023, 49(11): 2873–2882.

IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(7):2227–2235.

SMAP brightness temperature estimates for accurate soil moisture retrieval [J]. IEEE Transactions on Geo-science and Remote Sensing, 2022, 60: 1–15.

1558.

仓储电子杂志, 2024. https://doi.org/10.3974/geodb.2024.08.01.V1.https://cstr.escience.org.cn/CSTR:20146.11.2024.08.01.V1.

dp.policy.2014.05 (2017 年更新).

(Passive) Data Products [M]. Pasadena, CA: Jet Propulsion Laboratory, 2018.