本发明涉及遥感地表土壤水分含量反演和降尺度的技术领域，具体涉及 一种基于多源遥感卫星融合数据的地表土壤水分降尺度方法。
背景技术：
土壤水为土壤层内的非饱和水体，广泛分布于陆地表层，是地表水与地 下水相互转化的纽带，又是植物生长的必要水源，土壤水资源的多少对农作 物种植、生长起着关键作用。我国是一个土壤水资源分布极不平衡的国家， 在淮河以北和广大中西部地区，降水量较少，水资源贫乏，土壤水资源成为 了制约农业生产的关键因素之一；而在水资源丰富尤其是降水量偏高的江南 地区，较高的土壤水分含量又往往容易引发农作物的涝渍灾害，对农业生产 造成损失。因此，对当地土壤水资源的状态变化做出及时、正确的监测与评 价，是科学利用水资源对农作物进行合理布局、制定适宜的灌溉制度或针对 特定的旱涝灾害制定合理的减灾方案，最终保证农作物和粮食安全生产的前 提。传统的土壤水分监测主要是在气象站通过人工观测或者自动台站观测的 手段获取实时的表层土壤水分含量值。然而人工观测费时费力且随机误差不 可控制，自动观测站的观测数据也仅仅是某一个固定地段点的土壤水分值而 无法对在一定范围的连续空间内的土壤水分变化做出评估，大量布设自动观 测站进行大范围地表土壤水分监测还存在着观测成本过高的困难。随着科技 的进步，卫星遥感数据的获取和卫星遥感土壤水分反演方法研究的推进，有 效弥补了利用站点观测土壤水分资料在空间连续性和观测成本上的劣势，使 利用卫星遥感数据获取高时空分辨率的近实时地表土壤水分含量分布影像 成为可能。
美国和欧盟一些国家从二十世纪七十年代起陆续展开基于卫星遥感的 大空间尺度土壤水分反演研究。微波遥感数据对云层和植被冠层具有良好的 穿透性，是监测土壤水分变化信息的理想数据源。常用的微波遥感数据包括 微波辐射计数据集和微波散射计(雷达)数据集。微波散射计接收数据反演 地表土壤水分的机理复杂，数据分辨率过高因此占用空间较大且成本昂贵， 处理步骤繁琐，并且反演过程对地表辅助参数有着严格精确的要求，导致该 数据的应用成本整体偏高。微波辐射计属于被动微波技术，其数据全球覆盖 度高，获取容易，适合大面积的地表土壤水分监测。微波辐射计包括升轨和 降轨两种模式的数据集，每种模式的数据集对于中低纬度地区的重访周期均 为1-3日(在我国大部分地区一般为1-2日)，其较高的时间分辨率保证了可 以对地表土壤水分空间变化做到接近每日1-2次的近实时监测。然而该类数 据集的空间分辨率普遍较低，一般在10-60km范围内，成为限制地表土壤水 分监测精度的关键因素。
利用光学遥感数据对被动微波反演地表土壤水分做空间降尺度处理，可 以获得更高空间分辨率的地表土壤水分遥感影像。Choi等(Choi,M.,&Hur, Y.(2012).A microwave-optical/infrared disaggregation for improving spatial representation of soil moisture using AMSR-E and MODIS products.Remote Sensing Of Environment,124,259-269)以及Chauhan等(Chauhan,N.S.,Miller, S.,&Ardanuy,P.(2003).Spaceborne soil moisture estimation at high resolution: a microwave-optical/IR synergistic approach.International Journal Of Remote Sensing,24,4599-4622)根据区域的“地表温度——植被”三角特征关系建立 了微波反演地表土壤水分含量关于光学遥感反演的地表温度、植被指数、地 表反照率等参数的数学模型，并利用此模型进行降尺度获取了高分辨率的地 表土壤水分遥感影像；Piles等(Piles,M.,Sanchez,N.,Vall-llossera,M.,Camps, A.,Martinez-Fernandez,J.,Martinez,J.,&Gonzalez-Gambau,V.(2014).A Downscaling Approach for SMOS Land Observations:Evaluation of High-Resolution Soil Moisture Maps Over the Iberian Peninsula.Ieee Journal Of Selected Topics In Applied Earth Observations And Remote Sensing,7, 3845-3857)利用类似方法对SMOS被动微波遥感土壤水分数据进行降尺度处 理，并在数学模型的输入参数(除了光学类的地表温度、植被指数等)中加 入了L波段的微波亮温数据，使得降尺度数据的精度有所提高； Merlin(Merlin,O.,Al Bitar,A.,Walker,J.P.,&Kerr,Y.(2010).An improved algorithm for disaggregating microwave-derived soil moisture based on red, near-infrared and thermal-infrared data.Remote Sensing Of Environment,114, 2305-2316)利用同类的光学遥感数据，在微波土壤水分和光学数据之间建立 基于“土壤蒸发率模型(soil evaporative efficiency mode)”进而对微波土壤 水分进行降尺度处理，得到了整体效果较满意的高分辨率遥感土壤水分数据 集；Kim等(Kim,J.,&Hogue,T.S.(2012).Improving Spatial Soil Moisture Representation Through Integration of AMSR-E and MODIS Products.Ieee Transactions on Geoscience And Remote Sensing,50,446-460)通过建立“土壤 湿度指数(soilwetnessindex)”来构建微波土壤水分和光学遥感数据之间的 关系，完成了类似的降尺度工作。
上述大量前人关于被动微波遥感土壤水分降尺度的研究，其共同之处在 于，需要从光学遥感数据中寻找能够响应地表土壤水分变化的特定信号分量， 构建该分量与微波反演地表土壤水分之间的高相关性、高鲁棒性的数学关系 模型以完成微波土壤水分的空间降尺度。然而这一过程至少存在两个方面的 不足：(1)光学数据易受云雨天气影响，在多云多雨地区像元缺失严重，上 述研究也主要集中在多是晴天的研究区；(2)由于光学遥感数据对地表土壤 水分的表征关系并不稳定，往往会随着地理位置、地表覆盖组分、地形因素 以及其它环境等等因素的变化而变化，因此这种关系在范围较大的研究区内 很难用普适性较强的单一数学模型(即使用同一套模型系数)进行描述。这 会降低在大范围区域内所构建的微波土壤水分关于光学遥感参数的数学模 型的相关性和鲁棒性，最终影响高分辨率土壤水分数据的精度。
技术实现要素：
本发明提供了一种基于多源遥感卫星融合数据的地表土壤水分降尺度 (提升空间分辨率)方法，特别适用于多云雨地区。
一种基于多源遥感卫星融合数据的地表土壤水分降尺度方法，包括以下 步骤：：
步骤1)：收集并整理被动微波遥感土壤水分数据集、地表温度(LST) 数据集、植被覆盖指数(NDVI)数据集以及数字高程模型(DEM)数据集， 经过预处理，得到微波遥感土壤水分数据影像、地表温度(LST)数据影像、 植被覆盖指数(NDVI)数据影像以及数字高程模型(DEM)数据影像；
步骤2)：利用步骤1)获得的植被覆盖指数(NDVI)数据影像和数字 高程模型(DEM)数据影像作为辅助数据，对步骤1)中地表温度(LST) 数据影像中受云雨影响导致像元缺失严重的影像进行空间插值，得到研究区 全覆盖的逐日地表温度数据影像；
步骤3)：利用地理加权回归模型，构建步骤1)得到的微波遥感土壤水 分数据影像与步骤2)得到的研究区全覆盖的逐日地表温度数据影像、步骤 1)得到的植被覆盖指数(NDVI)数据影像之间的数学关系模型，并利用该 模型完成地表土壤水分的空间降尺度处理，获得高空间分辨率的地表土壤水 分数据集。
本发明方法，在融合被动微波遥感土壤水分数据集空间分布信息的基础 上，利用MODIS光学遥感数据集反演得到1千米空间分辨率的高分辨率土 壤水分影像。该方法适合于多云雨天气地区的土壤水分空间分布信息制图与 监测，成本非常低廉；同时利用地理加权回归的方法改进了前人在大尺度研 究区使用单一的数学模型系数表征微波反演土壤水分数据集和光学遥感数 据之间相关关系的不足，提升了降尺度结果的可靠性和该方法在大范围研究 区内的普适性。
步骤1)中，地表温度(LST)数据集、植被覆盖指数(NDVI)数据集 均为光学遥感数据集。
被动微波遥感土壤水分数据集、地表温度(LST)数据集、植被覆盖指 数(NDVI)数据集以及数字高程模型(DEM)数据集，做预处理，得到标 准平面投影下的TIFF格式遥感影像。
具体地，被动微波遥感土壤水分数据集、地表温度(LST)数据集、植 被覆盖指数(NDVI)数据集以及数字高程模型(DEM)数据集，均使用python 语言对各种数据集做预处理，得到标准平面投影下的TIFF格式(标签图像 文件格式，以.gif为扩展名)遥感影像。
步骤2)中，对步骤1)中地表温度(LST)数据影像中受云雨影响导致 像元缺失严重的影像进行空间插值，具体包括：
两个间隔较近的时间点t和t0，各自对应有一幅地表温度(LST)影像 Tt和地表温度(LST)影像Tt0，Tt0为地表有效像元，未受云雨影像的像元， 覆盖度大于90％的影像，t0时刻对应有植被覆盖指数(NDVI)影像V0，区 域内的数字高程模型影像直接用DEM表示，所有影像为像元一一对应，空 间分辨率相同，则Tt与上述其它影像之间存在的函数关系用如下线性数学模 型表达：
Tt＝a0×Tt0+a1×V0+a2×DEM+b
a0,a1,a2以及b均为线性模型的系数；
利用t和t0时刻的影像上对应的有效像元值对以上公式进行回归系数拟 合，之后便可以利用该公式对t时刻地表温度影像中缺失像元的进行插补， 得到研究区全覆盖的逐日地表温度数据影像。
关于t0时间点的筛选：为完成完整一年内地表温度影像的插值，需要每 个月至少有一景参考影像，研究区晴空覆盖度大于90％的影像，对应某一年 某个月份的地表温度影像的插值，如果当年没有满足条件的参考影像，可以 从其它相邻年份提取对研究区覆盖度大于90％的LST影像作为参考影像， 必须满足每个月至少有一景参考影像。
对于任意时间t的地表温度(LST)影像，在满足|t-t0|<＝30天的阈值范 围内选择使|t-t0|最小的t0时刻的影像作为参考影像，如果当年没有满足阈值 范围的参考影像，则从相邻年份的相同日期附近按照类似方法寻找，在年限 范围的参考影像集中以此类推，即可以为每个覆盖度小于90％的影像配置满 足条件的参考影像。
步骤3)具体包括：
将步骤1)得到的微波遥感土壤水分数据影像、步骤2)得到的研究区 全覆盖的逐日地表温度数据影像、步骤1)得到的植被覆盖指数(NDVI)数 据影像均进行归一化拉伸处理，归一化拉伸处理后的微波遥感土壤水分数据 影像用SSM*表示，归一化拉伸处理后的研究区全覆盖的逐日地表温度数据影 像用LST*表示，归一化拉伸处理后的植被覆盖指数(NDVI)数据影像用 NDVI*表示，之后重采样成25km分辨率，得到SSM*25kmi、LSTi*25km、NDVIi*25km， 采用如下地理加权法公式：
其中，βk(ui,vi)表示关于地理位置的系数函数，β025km(ui,vi)、β125km(ui,vi)、 β225km(ui,vi)、β325km(ui,vi)、β425km(ui,vi)、β525km(ui,vi)为待拟合的系数，εi25km为残 差，ui和vi分别代表目标位置i在二维平面投影坐标系的横纵坐标；
求得25km影像关于每个像元的系数[βk25km(ui,vi),k＝0,1,2,3,4,5；εi25km]后， 利用三次样条插值技术将该系数的空间分布集转换成1km尺度，即 [βk1km(ui,vi),k＝0,1,2,3,4,5；εi1km]，在1km空间尺度上完成被动微波遥感土壤水 分的空间降尺度，采用以下公式得到SSM*1kmi：
SSM*1kmi为1km分辨率下的被动微波遥感土壤水分数据集；NDVIi*1km为1km 分辨率下的植被覆盖指数数据集；LSTi*1km为1km分辨率下的地表温度数据集。
一般的被动微波遥感土壤水分影像数据空间分辨率为25km，利用三次 样条插值技术将该系数的空间分布集合从25km的尺度(或者同类别微波土 壤水分影像的空间分辨率尺度)转换成1km尺度(或同类别光学NDVI和 LST影像的空间分辨率尺度)，即可在1km空间尺度上完成地表土壤水分 SSM的空间降尺度。
与现有技术相比，本发明具有如下优点：
本发明基于多源遥感卫星融合数据开展卫星反演地表土壤水分数据集 的空间降尺度工作，获得1km高分辨率的地表土壤水分空间分布信息。相比 于前人的研究和现有技术，其优点在于：
通过合理有效的方法对光学遥感技术所反演地表温度(LST)影像完成 空间插值，获得接近全覆盖的逐日LST影像。进而将该影像用于地表土壤水 分的空间降尺度计算，大大提高了在多云雨地区所获得降尺度后的地表土壤 水分影像的空间覆盖度。
引入地理加权回归技术完成降尺度模型公式的构建，针对不同区域不 同的地理和气候特征拟合得到适合于不同像元的回归系数，大大提高模型拟 合精度和地表土壤水分反演精度。
本发明在多云雨天气地区提升对降尺度后的高分辨率土壤含水量影像 的空间覆盖率，同时利用地理加权回归的方法改进了前人在大尺度研究区使 用单一的数学模型系数表征微波反演土壤水分数据集和光学遥感数据之间 相关关系这一方法的不足，有效提升了降尺度结果的可靠性和降尺度在大范 围研究区内的普适性，以低廉的成本改善了在多云雨地区对土壤水分含量进 行大范围空间制图与监测的精度和效率。
附图说明
图1为本发明基于多源遥感卫星融合数据的地表土壤水分降尺度方法的 流程图；
图2中(a)为本发明所用实例中2013年6月22日中午时间点各自(分 别代表地表温度的极高和极低情形)在插值前和插值后的地表温度LST对本 发明试验研究区空间的晴空像元覆盖度对比图；
图2中(b)为本发明所用实例中2012年12月22日午夜时间点各自(分 别代表地表温度的极高和极低情形)在插值前和插值后的地表温度LST对本 发明试验研究区空间的晴空像元覆盖度对比图；；
图3为本发明所用实例中2012年9月1日到2013年8月31日每日的 LST拟合插值公式的决定系数R2(上面的线)和RMSE(下面的线)的时间 序列走势图；
图4为本发明所用实例中2012年9月1日到2013年8月31日每日升 轨和降轨模式的AMSR2被动微波土壤水分数据分别使用地理加权和常规方 法进行降尺度的公式拟合决定系数的概率分布对比图；
图5为本发明所用实例在春夏秋冬四个季节各选择一个日期分别使用地 理加权回归和常规回归方法获得的土壤水分影像和25km分辨率的原 AMSR2土壤水分影像的对比图展示：春季，2013年4月24日，升轨模式； 夏季，2013年7月24日，升轨模式；秋季，2012年9月15日，降轨模式； 冬季，2012年12月15日，降轨模式。
图6左侧图(即a和c)为本发明所用实例中2012年9月1日到2013 年8月31日由MODIS LST像元(深色散点)和插值得到LST像元(浅色 散点)分别进行降尺度得到的土壤水分值和对应65个土壤水分站点得到的 对应时间的实测土壤水分值的散点对比图(上下两图分别表示升、降轨模式)； 图6右侧图(即b和d)为由站点数据分别评价这两类土壤水分值得到的 RMSE(均方根误差)的差值(插值LST所得结果减去MODIS LST所得结 果)的概率分布图。
具体实施方式
下面以我国江苏、安徽和湖北三省作为范例研究区(多云雨天气)，以 2012年9月1日到2013年8月31日的AMSR2微波土壤含水量数据集作为 待降尺度的微波土壤含水量数据，结合具体附图对本发明作进一步详细说明。
如图1所示，为本发明基于多源遥感卫星融合数据的地表土壤水分降尺 度方法的流程图。
步骤1、收集并整理被动微波遥感土壤水分数据集和光学遥感数据集 (LST和NDVI数据集)以及其它辅助数据集(DEM数字高程模型数据)；
本发明收集了2012年9月1日到2013年8月31日的25km分辨率的 AMSR2微波土壤含水量数据(网站：NASA’s Earth Observing System Data and Information System)，作为被动微波遥感土壤水分数据集；
本发明收集了1km分辨率MODIS地表温度(LST)逐日数据集(Aqua 卫星观测数据)，作为地表温度(LST)数据集；
本发明收集了1km分辨率植被指数(NDVI)多日合成数据集(网站： Land Processes Distributed Active Archive Center)，作为植被覆盖指数(NDVI) 数据集；
本发明收集了1km分辨率数字高程模型(DEM)数据集，作为数字高 程模型(DEM)数据集；
被动微波遥感土壤水分数据集、地表温度(LST)数据集、植被覆盖指 数(NDVI)数据集以及数字高程模型(DEM)数据集，均使用python语言 对各种数据集做预处理，得到标准平面投影下的TIFF格式(标签图像文件 格式，以.gif为扩展名)遥感影像。1km NDVI数据集包括Terra卫星和Aqua 卫星分别观测的16日合成NDVI产品，利用两颗卫星提供的合成产品在观 测日期上的8天相位差得到8天合成的NDVI产品。
步骤2、利用NDVI和DEM数据集作为辅助数据，结合临近日期的LST 影像对受云雨影响导致像元缺失严重的LST影像进行空间插值，得到接近研 究区全覆盖的逐日地表温度LST数据集；
Aqua MODIS传感器的LST数据包括日数据和夜数据两种模式，日数据 的过境时间大约在中午1:30，夜数据过境时间大约为午夜1:30，日数据和夜 数据过境时间分别对应微波土壤水分数据的升轨模式和降轨模式的过境时 间，将分别用于对应模式土壤水分数据的降尺度处理。在本发明所用实例中， 以下关于LST的插值以及土壤水分的降尺度过程中，日(升轨模式)数据和 夜(降轨模式)数据将分别独立进行处理。
假设两个间隔较近的时间点t和t0，各自对应有一幅LST影像Tt和Tt0， Tt0影像为地表有效像元(未受云雨影像的像元)覆盖度大于90％的影像，t0时刻有NDVI影像V0，区域内的高程影像直接用DEM表示，所有影像为像 元一一对应，空间分辨率相同，则Tt与上述其它影像之间存在某种稳定的函 数关系。该关系用如下线性数学模型表达：
Tt＝a0×Tt0+a1×V0+a2×DEM+b (1)
a0,a1,a2以及b均为线性模型的系数。利用t和t0时刻的影像上对应的 有效像元值对以上公式进行回归系数拟合，之后便可以利用该公式对t时刻 LST影像中缺失像元的进行插补，得到接近地表全覆盖的逐日LST影像。 本发明实例将每日的对应数据作为独立的拟合单元分别对公式(1)进行拟合。 图2给出了日模式数据和夜模式数据分别插值后的实例各一例，可以看到插 值后LST数据对地表的覆盖度有了很大提高，同时影像插值后在LST数值 的空间分布方面表现出了很好的连贯性。每日拟合的决定系数(R2)和RMSE 值的数据序列如图3所示，可以看到R2一直持续在0.4以上且大多数值要高 于0.5-0.6，而RMSE大部分情况都在3K以下，证明了该公式可以很好地反 应LST在短时间内的变化规律以及和其他遥感获取陆面参数之间的关系，在 一定程度证明了该LST插值方法的可靠性。
关于t0时间点的筛选：为完成完整一年内LST的插值，需要每个月至 少有一景参考影像(研究区覆盖度大于90％的影像)。本发明提取待插值年 份和相邻的一共7年内(2010年到2016年)的对研究区覆盖度大于90％的 LST影像作为参考影像，如此即可满足每个月至少有一景参考影像。对于任 意时间t的影像，在满足|t-t0|<＝30的阈值范围内选择使|t-t0|最小的t0时刻的 影像作为参考影像。如果当年没有满足阈值范围的参考影像，则从相邻年份 的相同日期附近按照类似方法寻找，在7年的参考影像集中以此类推，即可 以为每个覆盖度小于90％的影像配置满足条件的参考影像。
步骤3、利用地理加权回归模型构建微波土壤水分和光学遥感反演的 LST、NDVI之间的数学关系模型，并利用该模型完成地表土壤水分的空间 降尺度处理，获得高空间分辨率的地表土壤水分数据集；
本发明实例将MODIS光学传感器的LST、NDVI和AMSR2的地表土 壤水分(SSM)数据集在各自的阈值范围内做归一化拉伸处理(拉伸值＝(原 始值-阈值内最小值)/(阈值内最大值-阈值内最小值))，并分别用带星号符 号SSM*,NDVI*,LST*表示。将LST和NDVI数据各自重采样成25km分辨率 (25km网格内求平均值)，并和AMSR2土壤水分数据建立如下关系式：
SSM*＝a×NDVI*2+b×NDVI*×LST*+c×LST*2+d×NDVI*+e×LST*+f (2)
a到f为固定且待拟合的系数。由于同一套系数在较大研究区的普适性 较差，以下内容将使用地理加权法对公式(2)进行改进。改进的公式表达如下：
上式中βk(ui,vi)表示关于地理位置的系数函数，β0到β5分别对应现有技 术公式(4)的a到e，即β025km(ui,vi)、β125km(ui,vi)、β225km(ui,vi)、β325km(ui,vi)、 β425km(ui,vi)、β525km(ui,vi)为待拟合的系数，εi为残差，ui和vi分别代表二维平 面投影坐标系的横纵坐标，βk(ui,vi)的无偏估计求解参照如下公式：
X和Y分别代表自变量矩阵(LST和NDVI及常数项变量)和因变量 (SSM)向量。W代表权重矩阵，其中的每个元素wij由以下公式(称为自 适应双平方函数)求得：
dij代表i和j两个位置像元中心的欧氏距离，而b为固定值，称为自适 应函数波束宽度，它的确定需要通过一种交叉验证法，即通过计算机蒙特卡 罗模拟的方式来确定满足使∑|yi-y*≠i(x)|2(这里的y*≠i(x)表示回归点i的观 测值不参与估算过程而仅仅使用i周围点加权得到的yi的估计值)近似最小 的b值作为参数b在位置i的最终估计值。
求得25km影像关于每个像元的系数[βk25km(ui,vi),k＝0,1,2,3,4,5；εi25km]后， 利用三次样条插值技术将该系数的空间分布集转换成1km尺度，即 [βk1km(ui,vi),k＝0,1,2,3,4,5；εi1km]。
在1km空间尺度上完成地表土壤水分SSM的空间降尺度，即
本发明实例将每两天的对应数据作为一个独立的拟合单元分别对公式 (3)的系数进行基于地理加权回归的拟合求解；NDVI小于0.05的像元被认为 是纯水面像元(湖、河等)因而将不参与计算；除三次样条插值过程使用在 ArcGIS Desktop软件工具箱的相关工具完成之外，其余步骤均通过python 语言编程完成。
图4分别给出了全研究时间段(2012年9月至2013年8月)用地理加 权法和常规方法拟合公式的决定系数概率分布情况。可以看出用地理加权法 得出的全年的拟合决定系数大部分都在0.4以上，整体取值范围要远高于用 常规方法得出的结果。可以看出地理加权法的拟合精度要明显好于用常规方 法。而图5则从研究时间段里为春夏秋冬四个季节各自挑选一副有代表性的 土壤水分降尺度影像结果图(用地理加权法和常规方法的降尺度结果同时给 出)并和原AMSR2微波影像进行对比。可以看出在所有四个日期里，地理 加权降尺度影像比常规降尺度的影像在土壤水分的空间变异规律上更加接 近原AMSR2微波影像所呈现的规律(尤其是在红色圆圈圈出的区域里)。 和地理加权法相比，常规降尺度方法虽然在大多数区域的降尺度效果接近前 者，但是由于该方法对于同一个日期时段使用的是唯一的拟合回归系数，因 此很难保证该套系数可以在一个大尺度区域内准确描述其不同子区域里的 各种地表参数之间的变化关系。
步骤4，精度验证。本发明实例利用实验研究区内65个土壤水分自动观 测站观测的与卫星过境时间最为接近的时间点的土壤水分观测值对降尺度 土壤水分数据进行精度验证和评价。
精度验证涉及到两个方面，一是对地理加权获得的降尺度数据和用传统 方法获得的降尺度数据的验证精度结果进行对比。如
表所示，精度验证的效果由降尺度数据和站点数据的RMSE以及相关系 数(R)来表征。可以看到，无论从65个土壤水分站点所有数据的总体精度 评价结果还是各个站点精度评价的平均值来看，地理加权法得到的土壤水分 值都比常规方法得到的土壤水分值有更小的RMSE和更大的R值，证明了 地理加权法可以得到与站点实测土壤水分值更加一致的更高精度的卫星遥 感降尺度土壤水分数据集。
表1利用土壤自动站观测的地表土壤水分含量值对用地理加权和常规的 降尺度方法得到的高空间分辨率土壤水分含量数据集分别进行精度评价的 结果对比。
表1
二是将用原始MODIS LST数据作为输入数据降尺度的土壤水分值和用 插值LST降尺度得到的土壤水分值分别进行验证，对比这两部分数据在验证 精度上的差异，如
表1和图6所示。总结而言，利用插值LST得到的土壤水分值精度比原 始MODIS LST数据作为输入数据降尺度得到的土壤水分值精度偏差，从
表1的统计数据以及图6给出的各个站点的RMSE差值来看，大部分情 况(即大部分站点)的RMSE偏差在0.02cm3/cm3以内。总体上可以认为用 插值LST降尺度得到的土壤水分值是可靠的，即使用本发明提供的LST插 值方法对在多云雨地区获得覆盖度更高的降尺度土壤水分值有效。
表1用站点土壤水分观测值对地理加权法降尺度得到的土壤水分数据集 中的两个字数据集(1)利用MODIS LST降尺度得到的土壤水分值和(2) 用插值出的LST降尺度得到的土壤水分值分别进行精度评价的结果对比。
表2
由表1和表2数据结果表明，本发明方法有效提升了降尺度结果的可靠 性和降尺度在大范围研究区内的普适性，以低廉的成本改善了在多云雨地区 对土壤水分含量进行大范围空间制图与监测的精度和效率。