guatemala
用植被温度条件指数获取卫星土壤水分数据
用植被温度条件指数
获取降尺度的卫星土壤水分数据
摘要：在土壤湿度(soil moisture, SM)的反演中，微波遥感技术已在主动和被动传感器中得到了很大程度的应用。微波传感器的明显优点是，无论在什么样的大气条件下都可以得到数
据。然而，全球已经存在的土壤水分产品只提供粗空间分辨率的观测，这往往妨碍其在区域
水文研究中的应用。另一方面，植被温度指数（VTCI）已被广泛用于监测土壤状态。它是
基于高分辨率可见光和红外卫星观测。本研究的目的是开发一个简单高效的降尺度方法在更
高的空间分辨率估计准确的SM。VTCI是从中度分辨率成像光谱仪的数据计算得到的，VTCI
韩国新年是用来缩减粗分辨率的SM产品规模。低档次的粗分辨率SM产品已经开发了欧洲航天局的
气候变化倡议框架下（CCI）项目。原始的和缩小的SM估计是进一步验证在云南省（西南）
carena收集的数据在原位的SM值。发现CCI SM的精度级别和以前出版的验证研究是类似的结果。圣烛节
而降尺度的SM能保持CCI SM的精度，同时，提供了更多的空间细节，证明所提出的方法
的可行性。总体而言，相对于其他复杂的降尺度方案该方法的显著优点是简单、有限的数据
要求，单纯的依靠卫星测量，并具有相当的精度水平。这将有利于当地的水文应用，特别是
在数据稀缺的地区，在上面列出的特点是重要的和有用的。
关键词：降尺度，基本气候变量，中分辨率成像光谱仪（MODIS），土壤水分（SM）、空间
分辨率、条件植被温度指数（VTCI）。
1.引言
aaib
土壤湿度已被公认为气候系统的一个重要的环境变量，因此被定义为一个全球气候观测系统基本气候变量[17]。它对水文和大气过程、河流流域的产生、发展、农业和灌溉管理、植被生产力以及许多其他过程都有重要的影响。因此，精确估计的时间和空间格局的模式是非常重要的。在陆地表面模型的发展中取得了很大进展，一般需要进行校准和评估，使用原位观测观测[14],[27]。然而，这些观测通常是时间和空间上的稀疏。一个全球性的观测网络的实施和维护是昂贵的，劳动密集的，耗时[13]。遥感是因此提供SM前所未有的空间分布的唯一可行的途径，这是后勤和经济上无法从常规观测网络获得[24],[38],[57]。
法定代表人英文
在过去几十年中，被动和主动的卫星微波传感器已被广泛用于估计的标准和土壤介电常数之间的直接关系。微波传感器的一个主要优点是，可以测量的标准，无论是白天或大气条件[30],[41],[61]。自上世纪70年代末以来，各种被动微波辐射计，包括扫描多通道微波辐射计（SMMR）、微波成像仪（TMI）从热带降雨测量任务，专用传感器微波成像仪（SSM／I）的防御气象卫星计划，和先进微波扫描辐射计对地观测系统（AMSR-E），已被用来估计SM。另一方面，主动式微波传感器，如
欧洲遥感卫星（ERS-1和ERS-2）有源微波仪器（AMI）风散射计和先进的微波散射计（A
SCAT）在气象业务卫星（METOP）-一个，已运行估计SM以及。许多研究表明，被动微波的产品有更好的性能比干燥的地区，而积极的微波产品进行更好的过中度植被区。在半干旱地区被动和主动的产品有类似的表现[11],[12],[29],[39],[55]。在这样的背景下，被动和主动相结合的SM产品在区域尺度建立合并SM产品已经由Das等人进行。[8]和Njoku[40]。一个新的十年的全球SM产品具有欧洲航天局的水循环和气候变化的多任务观测战略倡议的框架下制定近期ESA CCI项目[28],[29] (European Space Agency’s Water Cycle Multimission Obrvation Strategy and Climate Change Initiative,ESA CCI)。这个CCI SM产品基于四被动（SMMR，SSM／I，TMI，和AMSR-E）和主动（ERS AMI和ASCAT）微波SM产品。CCI的SM对地基观测评价已经被研究了[11],[28],[29]。良好的相关性之间的CCI SM产品和现场测量，全球已发现的这些研究。详情可由Dorigo [ 11 ]工作发现。因此，CCI SM在全球气候方面具有很大的应用潜力[33]。
广州瑜伽教练培训班然而，粗空间分辨率的全球微波SM数据集的顺序上的几十公里，可能会限制他们的应用程序在区域尺度，通常需要1-10公里[7],[48]的空间分辨率。为了提高SM的空间分辨率，已开发的几种方法，用辅助信息降低的粗分辨率的SM[31],[58]。有几项研究表明利用互补的可见光和红外测量有降低SM的潜力，可以提高比在微波领域更高的空间分辨率的SM [19],[2
5],[56]。要实现精确的高时间和空间分辨率的标准，它似乎是有价值的结合可见光，红外线，微波观测检索。各种复杂程度不同的降尺度技术利用可见光和红外观测数据作为输入已经因此提高了SM的估计[5],[6],[23],[37],[48],[52]。一些研究试图表征区域SM的变化从探索土地表面温度之间的关系（LST）、归一化植被指数（NDVI）。由于地表温度不同的灵敏度水平，SM 的变化对裸土和植被区，形状绘制的NDVI和LST通常类似于一个物理意义的三角形或梯形的特征空间。基于LST / NDVI特征空间，一些指标如温度植被干旱指数（TVDI）[53]和条件植被温度指数（VTCI）[59]提出了评估SM指标。TVDI和VTCI已广泛应用在不同地区的SM估计和干旱监测。结果表明合理的协议，在现场观察[21],[36],[43],[63]。TVDI与作物之间的区别是，TVDI有SM的负相关，而与SM 的VTCI呈正相关。因此，VTCI被认为具有微波SM产品尺度的潜力。然而，很少有研究直接应用的VTCI下限的SM产品为止。在本文中，主要目标是发展一个新的，简单的，鲁棒的降尺度方法，直接利用VTCI作为输入。该方法应用于CCI SM数据集和结果使用地面测量，结果的评价由Dorigo[11]研究来补充。
2.实验区域
研究区位于中国西南部云南省。它占地约394000平方公里21.14°和29.25?N和97.52?–106.19?E.云南省是坐落在一个海拔由西北向东南降低山区之间。平均海拔高于海平面1980米[15]。图1显示了在在2010年左右（2008–2010），300米的空间分辨率上的土地覆盖分类图，这是将ESA CCI的全球土地覆盖图重新分类[3]。该地区具有高原季风气候，干湿夏、冬旱、东亚季风、热带印度季风、青藏高原[26][64]。平均年降水量从600毫米到1700毫米，在山区，分布不均匀，超过一年的降雨发生在六月和8月[1]。由于其特殊的地球物理位置和气候，该地区非常敏感，容易受到气候变化的影响。在过去的三年中，干旱和洪水经常发生在这一地区。一个严重的持续的干旱，从冬季2009到2010春季，这导致了25亿美元的农业损失[34],[50]。因此，了解在这一地区SM的空间和时间变化对当地的水文研究是非常重要的。这将有助于更好地预测和减轻干旱和洪水的损失。
3.数据和方法
3.1M ODIS地表温度和植被指数
debugbar中分辨率成像光谱仪（MODIS）作为NASA地球观测系统的主要工具，已被广泛用于土地、海洋和大气研究[51]。这项研究采用了已经被很好的验证的基于Terra卫星收集的5 MO
DIS产品，并已成功地用于降尺度SM的许多研究如由Srivastava[54]。作为VTCI估计需要地表温度、植被指数产品，MOD11CI和MOD13C1使用在目前的研究。MOD13C1提供日常的LST（白天和晚上）5.6公里的产品（0.05°）的分辨率，而MOD13C1包含16天合成的NDVI和增强型植被指数（EVI），具有相同的空间分辨率为1。一个MODIS逐日数据的主要局限性是云污染。为了避免云的影响，清晰的天空被确定为75%的研究区是无云。
3.2ESA CCI SM
ESA CCI SM用于我们的研究是一个新出版的数十年（1978–2013）基于卫星的SM数据集，这是在欧空局的框架CCI主动产生[20]。四被动（SMMR，SSM／I，TMI，和AMSR-E）和主动（ERS AMI和ASCAT）微波SM产品合并在一起的累积分布函数匹配技术。关于检索和合并计划的更多细节，我们指的是刘的工作[28],[29]。这里要注意的是CCI SM是一个合并的SM产品，试图以有源和无源传感器的SM 产品优势。然而，CCI SM本身既不主动也不被动。第一个版本的CCI SM数据集（01.0）在2012出版，涵盖了从1978到2010的32年。提高间隙填充和处理算
英孚英语官网
法和延长时间覆盖率达到2013，新版本的CCI SM产品（02.1）近日发布了。它包括三个
标准产品：主动、被动、主动被动的综合。CCI的SM的精度已经超过了一个范围广泛的生态系统和不同时期的原位测量土壤水分的国际网络评价[11]。时间趋势CCI SM也被发现与降水量和不同再分析产品植被活力趋势一致[2],[10]。因此，CCI合并SM作为本研究的研究所提出的降尺度方案的性能。据我们所知，这是第一个研究用下限CCI MODIS光学/红外数据研究SM的。CCI SM有网格大小为28公里（0.25?）在日常时间分辨率。
3.3在原位的SM
原位SM观察用于这项工作是由云南水文水资源局提供，采用频域反射计测量SM在10 -，20 -，和40厘米深度土壤。通常情况下，微波遥感产品提供的产品被认为是代表的表面的表面（顶部2厘米的土壤）[42]。因此，在我们的研究中使用的10厘米测量的标准，调查卫星衍生的标准。根据数据的可用性和质量，从2008到2010的四个站点的观测被选中的数据的可用性和质量。时间段涵盖了所有四个季节时，标准的高，正常，低的标准和低的内容。它使我们能够评估的产品在很宽的范围内的土壤湿度。这些观测站是Daciping,红旗，Mayidui 和盈江，如图3.1所示。这些站点的描述，如表3.1所示。
图1 西南地区研究区的地理位置。研究区的土地覆盖分类图是从ESA CCI的全球土地覆盖
图得到（以2010年为中心）。验证站点也显示在地图上
表一站点属性的描述
3.4 方法
基于LST / NDVI 特征空间，利用VTCI 作为唯一的输入，我们开发了一个相对简单和计算效率的降尺度方法。其理论基础在于VTCI 可以代表SM 表面的现状和已被广泛用于SM 估计和干旱监测。类似的Jongyoun 和Hogue [23]使用的公式，模型，高分辨率SM 和VTCI 表示如下： VTCI
SM VTCI SM *= (1) SM 是空间分辨率为0.05°时的缩小的CCI SM ，SM 在0.25°分辨率下原来的SM ，VTCI 是空间分辨率为0.05°下的尺度因子，VTCI 是0.25°的空间分辨率下的平均CCI SM 网格箱，可计算如下：
∑∑===n i m j ij VTCI mn VTCI 11
1 （2） 其中m 和n 是SM 0.25°网格中第i 行，第j 列的0.05°的网格数。VTCI 的计算是在L
ST/ NDVI 特征空间的基础上。当卫星NDVI 和LST 在异质区域图，散点图的形状通常类似于一个物理意义的三角形或梯形的特征空间（见图 3.2），由于温度变化的敏感性不同水平的SM 裸土和植被区[44],[45]。LST 通常具有低灵敏度的植被区，但增加的灵敏度比裸土区。最大和最小LST 形成干、湿的三角形特征空间的边缘。干燥的边缘反映的状态，有限的和最小的蒸散量，而湿的边缘反映了条件的无限的和最大蒸散量[46],[47]。VTCI 通过重新调整每个像素的LST 每个NDVI 区间两极端LST 值之间的计算，即:
visa是什么
