融合地面及多源遥感数据的面-面回归克里格土壤水分降尺度算法研究

The moderate-high resolution soil moisture plays an important role in ecological,hydrological and meteorological process researches at the basin/region scale. The statistical downscaling of microwave remotely sensed soil moisture products is the main way to produce moderate-high resolution soil moisture. The previous statistical downscaling methods deal with soil moisture as non-spatial variable and ignore spatial structure and random characteristics. This project aims to improve the downscaling accuracy of soil moisture and provide the estimation uncertainty based on geostatistics by considering spatial information of soil moisture. Area-to-area regression kriging (ATARK), which combines both regression model and area-to-area kriging (ATAK), is employed to achieve the downscaling of soil moisture. ATARK decomposes microwave soil moisture products as background field into spatial trend and residual, which respectively indicate spatial structure and random characteristics of soil moisture. ATARK is performed to simultaneously disaggregate spatial trend and residual, which could improve the downscaling results. The ATAK is performed to disaggregate the residual term, which is the effective supplement to the results of trend downscaling. The successful practice of ATARK algorithm will provide a feasible theory basis for the production of moderate-high soil moisture.

中高分辨率土壤水分遥感产品对流域/区域尺度的生态、水文和气象等过程研究具有重要意义。对粗分辨率的微波遥感产品统计降尺度是目前获取中高分辨率土壤水分的主要手段。以往的统计降尺度算法将土壤水分作为非空间数据处理，忽略了其空间结构和随机特征。本项目尝试利用地统计理论引入土壤水分的空间信息，拟采用一种回归模型与面-面克里格相结合的降尺度算法——面-面回归克里格，以微波土壤水分遥感产品作为背景场，将其分解为空间趋势和残差两个部分来反映空间结构和随机特征，分别基于回归模型和面-面克里格方法对空间趋势和残差进行降尺度。该算法能够对降尺度结果解释地更加完善，其中残差降尺度结果是对趋势回归降尺度部分的有效补充。面-面回归克里格算法的成功实践将在生产中高分辨率土壤水分产品方面提供可行的理论依据。

当前的土壤水分遥感产品分辨率较粗，无法满足流域尺度的应用需求，对低分辨率的微波遥感产品进行降尺度进而获取中高分辨率的土壤水分是解决该问题的有效途径。本项目建立了微波土壤水分遥感产品的降尺度框架，主要涉及三方面的研究内容，包括获取高精度的背景场数据，计算中分辨率土壤水分遥感辅助指标和实现降尺度算法。本研究通过融合SMAP、SMOS和AMSR2三种土壤水分遥感产品，获取了高精度的微波土壤水分数据作为背景场，引入了与土壤水分高度相关的中分辨率表观热惯量数据用于刻画微波像元内部的土壤水分空间异质性，采用面-面回归克里格方法进行对微波遥感产品进行降尺度，该方法将降尺度的土壤水分分解为空间趋势和残差两个部分，分别基于回归模型和面-面克里格方法对空间趋势和残差进行降尺度。该算法对降尺度结果的空间趋势和随机特征解释地更加完善，相对于单独的回归或面-面克里格算法对背景场数据具有更好的保真性。